反复试了 100 多次，我才搞懂一个项目怎么能活下来

上周交付了一组图给客户。

5 张塑身衣模特图，客户在飞书上回了俩字，「对了」。

听着像好事。但你不知道，这两个字背后，老猫花了整整一周，烧了上百次 token，从 GPT Image 2 烧到 Gemini Nano Banana 再烧回来，Prompt 改了一遍又一遍。

说真的，中间有那么三四次，老猫都想放弃。

做跨境图好几年了，母婴、家居、3C 配件、小家电、宠物用品，什么品类没生过。结果这次接的塑身衣类目，差点把老猫打回新手。

但等收到客户那两个字的时候，老猫突然想明白一件事。

一个 AI 项目不是技术问题，是「能不能活下来」的问题。

很多人搭了一堆自动化，跑了两个月就死了。不是模型不够强，不是 token 不够烧，是搭的人没想清楚，一个项目活下来，靠的到底是什么。

这一周给了老猫答案。

起点，为什么塑身衣这单这么难

最近接了一个做 TEMU 半托管的跨境团队的活，要批量生成内衣类目的模特图、场景图和详情图。

接之前心里其实有底。前面几个客户，全套图前后两个小时跑完一个 SKU，流程很顺。

结果塑身衣这单接下来，头两天就把老猫自己劝退了。

为什么这么难。

后来想明白了，这个品类把 AI 生图最难的四件事，一次性全卡死了。

不是任何一件，是四件一起来。

坑一，AI 不知道「她是谁」

头一天，先按之前跑顺的模板试了一遍。

给 GPT Image 2 写 Prompt，a woman wearing shapewear, full body, natural lighting, lifestyle photo。

10 分钟，5 张图出来。看着挺像样的，光线、构图、表情都还行。

把图发给客户。

第二天客户回复了一句，老师，这不是我们的目标客户。

那一下其实挺扎心的。

老猫去翻 Sorftime 上塑身衣类目的 VOC 数据。把头部 30 个 Listing 的好评差评全捞出来，翻了 50 多条，才看到一个之前完全忽略的事实。

塑身衣的真实买家，九成是 35 到 50 岁的产后女性或中年女性。她们不是欧美少女，也不是健身博主，更不是网红脸。

但 AI 模型的默认偏好是什么，18 到 25 岁、紧致身材、瘦高欧美脸。你不写明白人群，AI 永远默认生成这种。

更要命的是，塑身衣不是「一个目标人群」，而是 5 个完全不同的细分人群。

产后修复款对应 25-35 岁，刚生完孩子，松弛但状态还在。中年塑形款对应 40-55 岁，有岁月感但要得体。大码塑身款对应 BMI 27+ 的客户，曲线感更夸张。性感款对应 30-40 岁亚洲市场。健身辅助款对应 25-40 岁健身人群，肌肉线条。

5 类客户，5 套完全不同的模特设定，年龄、身材、肤色、表情、姿势、场景全都不一样。

老猫当时就明白一件事。

AI 不知道「她是谁」。你不告诉它，它默认就错。

怎么告诉它，把「买家是谁、几岁、什么身材、什么使用场景、什么情绪状态」全部拆出来，写在 Prompt 最前面。每个细分人群，一套独立的人物设定。

以为搞定这一步就能往下跑了。

结果第二个坑等着。

坑二，AI 不知道「她在意什么」

人群对上了。Prompt 里加了 40-year-old Asian female, slightly chubby, post-pregnancy body, natural makeup, soft expression。

出图一看，人对了。客户还是觉得不对。

又去翻 VOC，这次重点看好评和差评里的高频词。

差评里出现最多的是，看不出收腰效果、穿上之后腰部没线条、副乳明显、勒痕重。

好评里出现最多的是，穿上小腹平了、腰线明显、侧面看起来瘦了一圈、没勒痕。

一下明白了。

塑身衣的买家，不是在看「这衣服漂不漂亮」。她们在看「穿上之后我的身材有没有变好」。

但之前生的图，模特全是平视镜头、正面站立、面带微笑，典型的「展示服装设计」的角度。

完全错了。

塑身衣的图要的是侧面对比镜头显腰线、微微转身看臀部线条、手叉腰的动作凸显腰围、稍微低头看自己身材的神态、侧脸特写但身体大半入镜。让买家看清「效果」，而不是「模特」。

这些 AI 不会默认生成。得把「画面要解决的痛点」白纸黑字写进 Prompt。

AI 不知道她要什么。你得用行业 VOC 数据告诉它。

坑三，模型不愿意帮你

人群对了，痛点对了。以为这次能跑顺。

第三轮翻车了，Gemini 直接拒绝生图。返回一句 This content may violate our policy。

血压瞬间上来了。

切换到 GPT Image 2 试。倒是给生成了，但画风塑料感极重，模特的脸像调色过度，左手六根手指。

那一刻才意识到第三个坑，不同模型对「敏感品类」的脾气完全不一样。

Gemini Nano Banana，真实感最好，光线最自然，但对内衣、泳装、紧身衣类目极度敏感，动不动触发安全审查。GPT Image 2，服从性最好，写啥给啥，但塑料感重、手脚畸形是常事。Midjourney v7，艺术感最强，氛围到位，同样对内衣类目防御严。

光是搞清楚每个模型的边界和脾气，又烧了两三天。

最后形成一套多模型组合策略。写 Prompt 用功能性词替代敏感词，bodysuit、compression garment、waist-shaping wear 代替 shapewear、lingerie。强调功能场景而不是身体部位，yoga session、morning stretching 代替 wearing on body。多模型分工，Gemini 出真实感主图，GPT Image 2 出动作演示图配合修图工具修畸形，Midjourney 出氛围款细节图。

这套组合下来，过审率从三成拉到了八成半。

AI 项目不能只懂业务。得懂每个模型的脾气，知道它们各自的边界。

坑四，客户的「说不清楚」

到周末，交了第一批迭代后的 5 张图。

客户说，感觉还差一点意思。

老猫问，差什么。

客户说，说不上来，就是不对劲。

这是做 AI 项目最怕听到的一句话。

硬着头皮再迭代。又生 10 张，各种角度、表情、光线。

客户说，这张表情有点夸张，这张光线太冷，这张腰线不够明显，这张背景太花。10 张里挑 2 张。再生 20 张，挑 3 张。再生 15 张，挑 5 张。

到第 50 张的时候，客户终于说出真正的需求。

「我要的不是好看的模特，是我的客户能在图里看到自己。」

那一瞬间全反应过来了。

客户的需求，不是一开始就讲得清楚的。嘴上说「要这种感觉」，但具体什么感觉、什么调性、什么细节，他自己也描述不出来。得在反复迭代中，把这些「说不清楚的需求」，一刀一刀切出来。

那几天 token 烧了两千多块，但客户也终于把「她想要什么」逐字逐句说清楚了。

最后那 5 张图，客户回了「对了」。

一周，上百次迭代，值了。

四个坑背后，能活下来的项目都有四个底层

事情做完，把笔记盘了一遍，抽出来变成一个判断标准。

一个 AI 项目能不能活下来，看四件事。

| 维度 | 含义 | 缺了的代价 | |---|---|---| | 市场实际 | 你的真实买家是谁，年龄、身份、身材、收入 | AI 生的图永远是默认欧美少女，跟客户对不上 | | 客户需求 | 你的客户到底要用它解决什么 | 客户永远说「不对劲」，但说不出哪不对 | | 行业特色 | 这个品类的真实卖点和痛点 | 出图全是「展示功能」，没情绪没共鸣 | | 平台规则 | 模型有没有这个能力，平台允不允许 | 跑一半被拒，token 白烧 |

这四件事缺一不可。

只懂技术，不懂市场，三个月内就死。只懂市场，不懂模型脾气，跑出来的东西过不了审。只懂模型，不懂客户，客户永远说「差点意思」。只懂客户，不懂行业 VOC，做出来的是自嗨产品。

说一句可能扎心的话，做 AI 项目跟做生意一模一样。你不能只懂一个维度。

九成想做这件事的人，死在「只懂技术，不懂业务」上。剩下的一成里，还有一半死在「只懂自己，不懂客户」上。

好产品是磨出来的，不是搭出来的

烧完这一单，算了笔成本，GPT Image 2 大概一千八，Gemini 大概六百，加起来两千四。

如果按「一次出图就成功」的预期，这个项目最多花两百。

多花了 12 倍的钱。

但换来不是「5 张图」。换来的是一套对内衣类目从买家画像到 Prompt 模板再到模型组合策略的完整方法论。

下次再接同类目的活，两个小时就能跑完一个客户的整套图。

这才是迭代的真正价值。

很多人做 AI 项目，搭出来跑通就停了。结果第一个月很爽，第三个月开始客户挑刺，第六个月彻底死了。

因为没有迭代机制。

市场会变，客户会变，平台规则会变，模型能力也会变。没有「持续根据反馈调整」的迭代闭环，你的项目活不过半年。

好产品不是搭出来的，是磨出来的。

最后一句

做了这么多项目，老猫的判断越来越清楚。

满足市场实际、客户需求、行业特色、平台规则，四件事都做到了，项目才有生命力。

只满足一个，做的是玩具。满足两个，做的是实验品。满足三个，做的是可交付的项目。四个都到位，才是能持续赚钱的产品。

技术不是核心。

对市场、客户、行业、平台这四件事的持续判断力，才是。

烧 100 次 token 不是浪费，是在为这四个判断力买单。

如果你身边也有一个正在死磕 AI 做图、天天说「差一点意思」的朋友，把这篇转给他。让他少烧点冤枉钱。