doubao-web-image
Skill0 starsChanged 3 days agoMITView on GitHub
通过用户授权的浏览器操作豆包网页版生成图片,覆盖图像模式切换、提示词控制出图张数、参考图上传、参数浮层复核、生成状态跟踪、结果认领与本地校验。适用于网页出图与下载收尾,不替代需要 API 或批处理的任务。
In this repository46 other files it gives its agents.
- api-engineeringSkill
- baidu-api-devSkill
- business-managementSkill
- computer-useSkill
- copywritingSkill
- doubao-web-videoSkill
- douyin-pip-shortsSkill
- douyin-script-studioSkill
- geoSkill
- huarui-devSkill
- huarui-videoSkill
- huarui-zhisuanSkill
- juhe-nexgate-devSkill
- juhe-nexgateSkill
- kuaishou-script-studioSkill
- ops-btpanelSkill
- ops-deploySkill
- ops-linuxSkill
- ops-tencentcloudSkill
- seedance-devSkill
- seoSkill
- short-dramaSkill
- site-auditSkill
- site-deliverySkill
- site-incidentSkill
- site-launchSkill
- site-maintenanceSkill
- site-promotionSkill
- site-rescueSkill
- site-visual-designSkill
- svg-lecture-deckSkill
- task-deliverySkill
- toutiao-article-studioSkill
- trae-screen-tutorialSkill
- tutorial-series-planSkill
- tutorial-video-assembleSkill
- versus-script-studioSkill
- video-post-productionSkill
- wechat-mp-studioSkill
- workbuddy-foodSkill
- workbuddy-imageSkill
- wp-adminSkill
- wp-devSkill
- wxchannels-script-studioSkill
- xhs-note-studioSkill
- xingqiao-mediaSkill
The file
Files
豆包网页版图片生成
与其他能力的分工
- 网页版视频生成走
doubao-web-video;同一创作页的两个 tab 不要混用参数与结果。 - 需要接口、批量、幂等任务或服务端集成时走对应 API 技能(如
site-visual-design、juhe-nexgate),本技能只管浏览器手动操作。 - 精确中文、数字、招牌与界面文字一律后期叠字,不让模型写;这不是平台保证,是多次实测的返工教训。参考图只借语义,不锁构图、人数、白边和道具细节,需要精确复现的元素不要押在生成阶段。
前置契约
确认批准提示词(含明确写出的出图张数)、参考素材及上传权限、目标比例、预算与次数、交付目录与覆盖策略,以及本期是否需要"一图流拼版再切格"等项目约定。出图张数没有独立控件,靠提示词指定:实测同账号、同模型、同比例、画面描述逐字相同的单变量对照下,不写数量返回4张2×2网格,提示词开头写「只生成一张图片。」则只返回1张完整大图。别把"默认4张"当平台保证,也别把其他数量写法当成已验证。豆包官网为 https://www.doubao.com/,官方创作入口为 https://www.doubao.com/chat/create-image(「AI 创作」页,图像与视频在同一页切换);官方入口属于产品知识,不是私人硬编码。加载浏览器操作技能,再检查实际工具与登录窗口。控件细节看本技能目录下的 references/ui-map.md,其中线索不保证当前账号版本一致。
单张、批量、重出、试风格都必须先取得用户明确授权,不在同一对话里顺手补发。当前账号可用模型、比例档位、一次出图张数、配额与费用必须实时核验,不用历史账号结论替代。创作页提交前不显示剩余免费次数,实测同一天两个账号对照:一个提交后明确返回「今日图片生成免费额度已用完」且无结果图,另一个经用户授权换用的账号正常出图。额度属于失败态,订阅、换账号或改渠道都另请授权;不同账号的界面也可能不同,不照抄账号结论。
执行流程
- 枚举工具可见浏览器及标签,定位用户授权的豆包标签并认领。核登录态;工具看不到的窗口请用户绑定,不新建错误窗口反复尝试,不读取凭证。未登录时只能看到落地页,不能据此推断图像模式的控件。
- 从官方创作入口进入,优先用语义节点点击
role=tab的「图像」,核输入框 placeholder 变为「描述你想要的图片」、参数控件属于图像模式;底部快捷 chip 不一定随 tab 切换,不单凭它判断模式。详细定位线索见references/ui-map.md。 - 打开参数面板,读取当前实际可选比例、风格/模型与收费提示,选择已批准规格。参数浮层实测向上弹出并盖住输入框,选中档位后不会自动关闭;点所谓空白处未必能收起,此时点输入框中部会命中浮层第二行、把已选16:9悄悄改成4:3,且输入工具虽返回成功、文字却没进输入框。最可靠的是按一次
Escape收浮层,再截图确认比例摘要未变、浮层消失,然后才点输入框中部(避开浮层覆盖区)、输入、再截图核文字。执行"核提示词文字→核模型摘要→核比例摘要→核附件→发送",缺一项都不发;输入工具返回成功不等于内容已落框。若要求不可满足,先停下确认替代方案。详细覆盖区坐标与档位见references/ui-map.md。 - 用当前可用的官方上传控件或环境支持的剪贴板功能上传参考图,不依赖项目外私人脚本。每次上传后截图核缩略图、内容、数量及顺序;失败先确认页面状态,不重复盲传。新对话与已有对话的上传差异按当前窗口实测,不照抄别的项目结论。
- 提示词写清主体、场景、光线、风格与用途;数量约束放开头,如「只生成一张图片。」,这是目前唯一实测有效的单张写法;不写数量按平台当次默认(实测4张)。不要为控制张数堆"不要多张/不要拼版/不要网格"等否定词,未验证其效果,且否定描述可能被模型当画面内容。需要精确文字时生成无字画面,后期叠。参考图用途与顺序要明确写出,不把"首图/尾图"之类文字标签当作严格锁帧能力。
- 按下方状态机跟踪同一请求。每次新任务提交前复核参数:网页版曾出现生成后参数退回默认值的情况,图像模式是否同样重置须实测,不假定保留也不假定必然重置。
- 完成后先核结果属于本次请求再下载。张数以提示词为准:不写数量实测4张2×2网格,写「只生成一张图片。」实测1张大图;生成中的灰色占位数量就是早期信号(1个或4个)。悬停结果图,2×2网格时工具栏在目标卡片底部,单张大图时在图片左下角;4个图标均为引用/重新生成/下载原图/编辑,先核 tooltip 再点一次,别误点重新生成。用浏览器下载记录、下载前文件基线对照认领,不单凭最新 mtime 或文件名;文件名取自会话标题,同标题会追加
(1)这类编号,多图逐张核归属。 - 核浏览器显示下载完成、文件大小/mtime 在观察间隔内稳定、无仍在写入迹象。
.crdownload只代表可能未完成;仅稳定或仅能读出图片头都不足以证明下载完整。 - 调用本地收尾脚本,失败保留源文件并排查下载或解码,不把校验失败当作重新生成的授权。
状态机(防重复扣费)
| 状态 | 证据 | 允许动作 |
| 等待确认 | 本次请求明确要求确认参数、尚无受理回执 | 核参数与用户授权后仅确认一次,记录已确认状态 |
| 已受理 | 本次任务编号、受理回执或排队信息 | 记录回执并观察,不补确认、不重发 |
| 生成中 | 进度或运行状态明确对应本次任务 | 在工具允许的检查节奏下刷新状态,不提交新任务 |
| 完成 | 本次任务成功状态且可见对应结果图(张数按提示词,实测1张或4张2×2网格,缩略图渐进加载) | 等缩略图渲染完再逐张预览、下载并验证;不把灰占位判成没出图,不把旧结果当本次 |
| 失败 | 本次任务明确失败/取消状态 | 保存证据和费用情况,解释失败;重试另请授权 |
| 额度受限 | 明确「免费额度已用完」且无结果图,出现订阅入口 | 按失败处理并留证;不自动重发、不擅自开通订阅、不换账号或改付费渠道 |
| 不明确 | 异常文案、超时、矛盾回执、无最新状态 | 滚到最新消息或查看任务历史,必要时请用户查看;绝不自动重发 |
"预计等待"是受理证据不是完成;"系统异常"也不是足以重试的失败证据。生成完可能是追加一条新消息而页面不自动滚到底,判"没出图"之前先滚底或点向下箭头。若确认已发送但无回执,记为不明确,不能再次确认。升级套餐、付费、换账号、重出与批量生成都需明确授权。
焦点、上传与下载排障
| 现象 | 核查步骤 |
| 输入工具返回成功,输入框却为空 | 浮层未收起时点输入框其实是点了档位,或点到了输入框左上角边缘没取得焦点;按 Escape 收浮层→点输入框中部→输入→截图核文字。工具返回成功不代表文字已落框,点输入框边缘也可能完全没聚焦 |
| 「图像」tab 点击无变化 | 查 role=tab 选中状态、输入框 placeholder 与当前模型;邻近坐标易误点,优先语义节点 |
| 比例/模型摘要与所选不符 | 浮层向上盖住输入框且选中后不自动关,点空白未必收起;按 Escape 关闭、重新读 DOM 并截图核三项摘要;点输入框中部若落在浮层第二行会把16:9改成4:3 |
| 提交后提示免费额度已用完 | 明确失败态,无结果图;留证并请用户决定订阅、换号或改渠道,不重发、不点订阅按钮 |
| 结果区先出灰色占位 | 缩略图渐进加载;等渲染并滚底,不据此判失败或重发 |
| 下载后找不到文件 | 对照浏览器下载记录与下载前基线;文件名取自会话标题,同标题会追加 (1) 等编号,不按 mtime 或文件名猜 |
| 只要1张却出了4张 | 提示词没写数量约束;确认授权后在新对话里把「只生成一张图片。」放开头重出,别在旧结果上反复点重新生成 |
| 参考图无缩略图 | 先核上传控件、会话状态及系统文件选择结果;截图验证后再继续,不假定点击成功就是附件已上传 |
| 新对话首条传不进图 | 按当前窗口实测处理;可请用户先建立已有对话,不为绕过而发送无意义消息 |
| 发完看不到进度 | 滚到对话底部或点向下箭头,核追加消息与本次回执;确认是否等待确认,不盲补确认 |
| 看见旧图或旧回执 | 滚底并关联本次请求与参数,不用旧消息宣布完成 |
| 保存按钮误关闭画布 | 视频态核右上工具栏「保存」tooltip,旁边 X 是关闭;图像态改用单张卡片 hover 的「下载原图」,不混用路径;重开结果后查下载记录,避免重复下载 |
| 多张图只下来一张 | 逐张核结果卡片与下载记录,不把一次下载当整组完成 |
本地收尾
将 SKILL_DIR 设为本次加载技能的实际绝对目录,不假设当前工作区存在 expert/skills。使用完整下载源路径与新的目标路径:
python "$SKILL_DIR/scripts/finalize_image.py" --source "<已确认下载完成的图片>" --dest "<交付目录>/图片.png" --download-complete --ffprobe "<ffprobe路径或命令名>" --ffmpeg "<ffmpeg路径或命令名>"脚本再次检查源文件稳定性,用 ffprobe 读图像流尺寸,用 ffmpeg 完整解码,全部成功后才发布。默认拒绝已存在的目标、拒绝源目标相同;--expect-width / --expect-height 与 --min-bytes 来自交付配置。--overwrite 需用户明确授权覆盖。工具默认从 PATH 查找,也支持显式路径。脚本不能自行核浏览器状态,--download-complete 仅是调用者已核验的声明,不可为绕过检查随意添加。
验收与交付
- 对照要求检查实际格式、尺寸、比例与是否有透明通道;拼版切格属于项目策略,按当前约定另做,不在本技能里预设格数。
- 目视检查文字、手指、道具数量、边缘白边与是否需要局部修复;脚本能证明文件完整,不能证明画面正确。
- 交付图片、实测规格、已确认的额度/费用及未解决问题;未观察到费用不得编造。失败时不报完成。
- 仓库中的
scripts/test_finalize_image.py是离线 mock 回归,只在本仓库_local隔离目录创建合成文件,不操作真实素材、浏览器或 API。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

