豆包图片与视频生成

背景与问题

在基于豆包（Doubao）模型进行应用开发时，开发者常常需要集成其强大的文本生成图像、图像转换以及视频生成功能。直接调用底层 API 意味着需要自行处理复杂的请求结构、管理异步的视频生成任务、并在出现 InvalidEndpointOrModel.NotFound 等错误时进行排查。这要求开发者对 Volcengine Ark 的端点模型有深入了解，并编写额外的代码来封装这些通用操作。

核心能力与关键流程

该原生技能通过预封装的命令，直接简化了与豆包媒体生成 API 的交互。

1. 媒体内容生成
技能提供了清晰的子命令来处理不同场景：

• 图像生成：支持纯文本生成图像（text-to-image）以及以一张或多张参考图作为输入的图像生成（image-to-image）。
• 视频生成：支持 text-to-video 和 image-to-video 两种模式。它会自动为你的提示词（prompt）追加 --dur（时长）、--fps（帧率）、--rs（分辨率）和 --ratio（宽高比）等关键参数，如果它们尚未被显式指定。

2. 关键的输入规则
为了精确控制调用，技能优先遵循以下规则：

• 当你拥有已配置好的 Volcengine Ark 端点时，始终优先使用 --endpoint-id 参数。只有在端点 ID 不可用时，才会回退到使用模型名称。
• 如果输入中包含图像 URL，技能会直接透传，不会擅自下载或重新托管，确保了流程的确定性。

3. 异步任务管理与故障排查
视频生成是一个异步过程。技能的设计周全地考虑了这一流程：

• 生成成功后，会返回一个 task_id。你可以使用 query 子命令和此 ID 来查询任务状态与结果。
• wait 子命令可以实现自动轮询，直至任务完成并可选地下载结果文件，极大地简化了异步等待的代码逻辑。
• 遇到端点或模型报错时，技能内置的故障排除逻辑会提示首先验证你的 Volcengine Ark 端点授权状态，这是最常见的问题根源。

适用边界与注意点

请务必理解该技能的定位与边界：

• 它是一个为豆包模型优化的原生技能，并非通用的 MCP 服务。除非你明确需要 MCP 兼容性，否则无需启动上游 MCP 服务器。
• 其全部功能强依赖于 Volcengine Ark 平台及有效的端点授权。请确保你的调用环境已正确配置相关密钥或端点。
• 技能的视频生成功能遵循豆包模型的上游行为。对于超出技能预设参数范围的高级自定义需求，可能需要直接查阅 API 文档（references/api-notes.md）进行处理。
• 它专注于媒体生成与任务查询，不涉及内容的后处理（如高级编辑）或非豆包模型的调度。