混元智能生图

在利用大语言模型（LLM）驱动的 Agent 自动化工作流中，将自然语言转换为高质量图像是一项常见需求。手动编写生图 API 的调用代码、处理异步任务轮询以及参数校验会消耗大量开发时间，而直接依赖 Agent 自身的“想象力”又无法保证输出结果的可控性与可复现性。HY Image Generation 技能将腾讯混元大模型的生图能力封装为一组脚本，旨在让 Agent 能够可靠地、自主地完成从文本到图像的完整流程。

核心能力

该技能提供了三个核心的 Python 脚本，各司其职：

• main.py (推荐): 这是执行生图任务的首选入口。它封装了任务提交与结果轮询的完整逻辑，Agent 只需调用这一个脚本并传递参数，即可等待最终的图像 URL 输出，实现了真正的“零干预”自动化。
• submit_job.py: 适用于需要解耦提交与查询的场景。它仅负责提交生图请求并立即返回一个唯一的 JobId，便于集成到更复杂的任务队列中。
• query_job.py: 用于追踪和获取已提交任务的结果。通过传入 JobId，可以手动查询任务状态、获取生成的图像，或在失败时查看错误信息。

关键步骤与参数

一个典型的生成过程涉及以下关键点：

1. 任务提交与自动化：默认情况下，Agent 应直接调用 main.py。脚本内部会处理依赖安装、凭证检测、API 调用和结果等待，最终输出包含图像 URL 的 JSON。例如：python main.py --prompt "一只机械猫在赛博朋克城市中" --resolution 1024:768。
2. 图像引导与控制：

垫图 (--images): 可以通过传入最多3张图片 URL 来引导生图的方向和风格。
分辨率 (--resolution): 自定义输出图像的宽高，必须在 [512, 2048] 范围内，且总像素面积不超过 1024×1024。例如，竖版海报常用 768:1024。
* Prompt 改写 (--revise): 默认开启，混元大模型会优化用户的原始提示词以获得更好效果，但这会额外增加约20秒的处理时间。

适用边界与注意点

• 输出有效期：生成的图像 URL 有效期为 1 小时，Agent 必须提醒用户及时保存，或自行将结果持久化。
• 环境依赖：首次运行需要有效的腾讯云 API 密钥（SecretId 和 SecretKey），并需确保网络可以访问腾讯云 API。
• 失败处理：若任务失败（如触发内容安全策略、参数错误），脚本会返回明确的错误码和信息，Agent 应据此向用户反馈，绝不能自行编造一个虚假的图像结果。
• 性能与成本：启用 Prompt 改写会增加耗时；生图服务通常有调用频率和费用，Agent 在执行前应具备相应的成本意识。