用於批次生成的 AI API：別再浪費圖片、時間與重試次數

用於批次生成的 AI API 之所以有用，在於每一項輸出都能被個別找到、審核並重試。這比一次提交多少提示詞更重要。真正代價高昂的時刻不是第 1,000 個請求。而是工作 37 逾時、工作 38 成功、兩個檔案同名，而且沒人能分辨哪張圖片可以安全發佈。

把批次視為一組可復原的素材工作。為每項工作提供持久的業務 ID，保存確切的輸入與模型設定，限制並行數，並且只重試實際失敗的項目。本指南採用 8 項素材的角色行銷活動工作流程，讓開發人員或成長團隊能把清單轉化為受控的生產執行。

重點摘要

• 批次工作與並行請求解決不同的延遲與控制問題。
• 穩定的素材 ID 與冪等鍵讓部分失敗變得可管理。
• 從 4 到 8 項視覺素材開始，審核後再擴充。
• API 回應成功後，發佈前仍需進行視覺與權利審查。

用於批次生成的 AI API：先說結論

用於批次生成的 AI API 會將一組不同的生成任務提交到非同步佇列，然後透過狀態檢查、完成回呼或可下載的輸出檔案傳回結果。每項任務都需要一個存在於模型供應商之外的識別身分。供應商的工作 ID 對營運有幫助，但 maya-ridgeline-001 才能讓你的編輯或行銷活動系統在數月後識別該素材。

不要把三個相關概念混為一談。單一提示詞可以要求多個變化版本。你自己的 worker 可以同時送出數個一般請求。伺服器端批次工作是由供應商管理、稍後完成的集合。後者通常適合離線工作，而受控的並行請求則適合需要立即顯示進度的儀表板。

OpenAI 目前的 Batch API 文件說明了這種非同步模式：請求會收集到 JSONL，以工作形式提交，檢查是否完成，並以結果形式取回。其 24 小時時段、獨立的批次速率限制與限制是該服務特有，並非每個圖片供應商都會做出的承諾（OpenAI Batch API 文件，2026 年 9 月）。Gemini 目前的參考文件同樣記載其服務的長時間執行批次工作、狀態檢查與 webhook 支援（Gemini Batch API 參考文件，2026 年 9 月）。

當審核者需要快速看到第一張可用圖片時，選擇受控並行請求。當工作可以等待，且供應商有記載批次路徑時，選擇伺服器端批次工作。無論哪種情況，都要儲存 asset_id、正規化輸入、參考雜湊、模型、嘗試次數與輸出 URL。這個共同層可讓工作流程在傳遞機制改變時仍保持可攜性。

為什麼批次圖片專案在規模化時會失敗

生產批次通常會零散地失敗。請求可能完成、逾時、被拒絕，或傳回技術上有效但視覺上不可用的輸出。只記錄最終 URL 的應用程式，等於丟棄了除了最簡單成功案例之外，復原所需的一切資訊。

第一個失敗是缺少識別身分。如果請求只帶有提示詞字串，輸出就無法可靠地對應回產品、行銷活動地區或來源資料列。從提示詞衍生的檔名很脆弱，因為提示詞修訂與重複產品會碰撞。使用來自業務記錄的穩定素材 ID，然後給每次生成嘗試各自的後綴。

第二個失敗是沒有冪等性就重試。網路逾時不能證明供應商沒有執行工作。如果 worker 立即以新的請求識別身分重新提交相同素材，可能會產生重複輸出與重複費用。冪等鍵讓呼叫方實際上能表示：「這仍是同一個被請求的素材。」特定端點是否支援該機制取決於供應商，因此在依賴它之前，請先於 API 文件中確認。

第三個失敗是盲目的 40 或 60 個提示詞佇列。顏色、構圖或產品識別漂移可能只有在執行結束後才會顯現。近期一場創作者討論提到，在送出下一頁之前先審核大約 7 到 8 張圖片的故事板頁面，正是為了捕捉準確性與一致性錯誤（批次圖片生成討論，2026 年 6 月）。那是社群經驗，不是基準測試，但它是合理的營運檢查點。

採用小批次 QC 規則：執行 4 到 8 項素材，檢查它們，必要時修正提示詞或參考，然後解鎖下一組。保留原始提示詞、提示詞版本、輸入參考、可用時的模型修訂版本、品質設定、長寬比、時間戳記、錯誤類別與審核決策。單憑 URL 無法回答某項素材為何存在，或是否應重複使用。

設計可靠的批次生成 AI API

實作可以很小。一份清單、一個佇列 worker、一份僅附加的工作記錄，以及一個方便審核者使用的輸出資料夾，就足以開始。目標不是大型編排系統。而是一套讓人能回答以下問題的工作流程：要求了什麼、發生了什麼，以及接下來應執行什麼？

為每項批次輸出提供持久的素材識別身分

讓 asset_id 成為業務鍵，而不是供應商工作 ID。有用的任務記錄可以包含下列欄位。當有多個 worker 運作時，將其保存在資料庫；較小的團隊則可保存在版本化 CSV 加上 JSONL 日誌中。

例如，maya-train-001 仍是素材識別身分。maya-train-001-a2 是第 2 次嘗試。冪等鍵可以是 maya-train-001-v1，其中 v1 識別不可變的請求規格。如果簡報有重大變更，請建立新的提示詞版本，而不是覆寫舊記錄。

使用批次佇列，而不是無限制迴圈

在派送前設定並行上限、素材數量上限、金錢護欄與重試上限。實用的起始設定是 4 個進行中的工作、每項工作最多 2 次生成嘗試，以及在進入下一個品質關卡前不超過 8 項視覺任務。這些是起始值，不是平台保證。將它們設定在帳戶記載的限制之下，並在觀察實際完成時間與錯誤率後調整。

Worker 應領取一項待處理任務，將其標記為 submitted，儲存供應商請求 ID，並在結果送達時更新同一筆記錄。達到預算上限時，停止領取工作。當佇列因審核而暫停時，允許已提交的工作完成，但不要自動釋出另一組。

只重試失敗的子工作

一次重試一項 failed、timed_out 或供應商特定的可重試狀態素材。對 429 回應、暫時性 5xx 回應與真正的傳輸逾時，使用有上限且加入抖動的指數退避。儲存錯誤分類與排定的重試時間。不要自動重複內容政策拒絕、格式錯誤的輸入、缺少參考，或人工審核者的視覺退回。

絕不要因為一個子工作失敗就重新提交整個批次。立即封存成功結果並保留來源對輸出的對應。如果批次工作在部分結果下到期，請匯入已完成的子項，識別未完成的素材 ID，並建立只包含那些剩餘記錄的新工作。這就是復原與重複之間的差別。

可複製的 8 項素材批次圖片工作流程

以下範例刻意設定為虛構：Maya，一名成年旅行攝影師，正在執行高地任務。它讓操作機制具體化，同時不暗示有真人為該行銷活動背書。請將欄位替換為你自己獲准使用的角色、肖像授權或行銷活動資料，並保留結構。

步驟 0：生成前先建立清單

在開啟 playground 或呼叫端點之前，先建立 batch-manifest.csv。它為操作人員提供每項素材明確的接受目標。

為每個不可變請求產生確定性的冪等鍵，例如 maya-ridgeline-001-v1。以下結構刻意保持供應商中立。將供應商端點及其記載參數放入 request；不要將虛構的私人端點複製到生產環境。

plaintextCopy
1{"asset_id":"maya-ridgeline-001","idempotency_key":"maya-ridgeline-001-v1","request":{"model":"your-approved-model","ratio":"16:9","reference_hash":"sha256:...","prompt_version":"maya-highlands-v1"}}

步驟 1：建立一個標準角色參考

單獨生成主圖。它是每個後續場景的識別錨點，因此在任何批次開始前值得進行簡短審核。在 GPT Image 2 playground 中，選擇 High quality 與 16:9，然後使用此提示詞：

plaintextCopy
1Editorial portrait of Maya, a fictional adult travel photographer in her early thirties, with short wavy dark-brown hair, warm olive complexion, a weathered rust-orange field jacket over a charcoal knit top, and a compact black camera on a woven shoulder strap. She stands three-quarter length against a softly lit pale-stone studio backdrop, facing slightly right with a calm, observant expression. Soft window light from the upper left, realistic subtle shadow, no logo, no text, no other people, no duplicated hands or camera. Clean cinematic campaign composition with negative space on both sides.

保留一張能清楚顯示 Maya 的臉、頭髮、夾克、相機背帶，以及一雙完整的手，且沒有文字或重複人物的圖片。將其儲存為 maya-master-001.png，計算參考雜湊，並將同一來源附加到下游子工作。不要將此步驟批次化。薄弱的主參考會讓每個場景的模糊性倍增。

用於批次生成 AI API 的功能示範：Maya 的角色參考提示詞，旁邊是生成的旅行攝影師肖像

一次真實的 GPT Image 2 主參考執行：提示詞建立了這名虛構攝影師，後續場景工作必須保留其識別身分。

GPT Image 2 playground 已完成，使用 High quality、16:9 設定與 Maya 的主肖像

Atlas Cloud 上的 GPT Image 2，使用文章中的角色參考提示詞，並在輸出面板顯示完成結果。

步驟 2：將批次 A 執行為 4 個連結的角色場景

將 maya-master-001.png 上傳到 Seedream v4.7 Sequential。保持參考、提示詞範本與 16:9 比例不變。使用此提示詞：

plaintextCopy
1Use the supplied Maya portrait as the immutable character reference. Generate four separate 16:9 cinematic travel-editorial images as one coherent sequence. In every output, preserve the same fictional adult woman: short wavy dark-brown hair, warm olive complexion, rust-orange field jacket, charcoal knit top, and compact black camera on a woven shoulder strap. One person only. No logo, no label text, no duplicate person, no malformed hands, and no identity drift.
2
3Image 1: Maya on a sunlit granite ridgeline, consulting a folded topographic map at sunrise, distant cloud-filled valley below.
4Image 2: Maya walking through a small mountain market, photographing bright woven textiles, soft morning activity behind her.
5Image 3: Maya at a timber cabin table, arranging printed contact sheets and a notebook beside a rain-speckled window.
6Image 4: Maya kneeling by a clear alpine lake, taking field notes while her camera rests on a rock, late-afternoon light.
7
8Keep the composition editorial and realistic. Leave clean negative space on the left third for possible marketing copy, but do not render any text.

使用實際頁面確實提供的 sequential 或 coherent-batch 模式。只接受能明確對應到 maya-ridgeline-001 至 maya-lake-001 的輸出。如果 playground 每個請求只傳回一個輸出，而不是 4 個獨立子素材，請將同一個鎖定範本提交為 4 個子工作。保留相同的參考雜湊與參數，不要假裝介面傳回了它沒有的功能。

四張真實的 Seedream v4.7 Sequential Maya 場景輸出以網格呈現，對應到稜線、市集、小屋與湖泊素材 ID

4 場景批次 A 輸出網格：即使模型產生連貫序列，每個畫面仍是獨立的素材記錄。

Seedream v4.7 Sequential playground 已完成，使用連結的 Maya 場景提示詞與其實際輸出

Atlas Cloud 上的 Seedream v4.7 Sequential，使用文章中連結的角色場景提示詞與完成結果。

步驟 3：執行批次 B，然後停下來進行品質控制

重複使用已核准的主參考。不要重新建立，也不要改寫識別規則。以新的批次標籤與相同的接受檢查提交接下來 4 個場景：

plaintextCopy
1Use the supplied Maya portrait as the immutable character reference. Generate four separate 16:9 cinematic travel-editorial images as one coherent sequence. In every output, preserve the same fictional adult woman: short wavy dark-brown hair, warm olive complexion, rust-orange field jacket, charcoal knit top, and compact black camera on a woven shoulder strap. One person only. No logo, no label text, no duplicate person, no malformed hands, and no identity drift.
2
3Image 1: Maya moving through a mossy cedar forest on a narrow trail, camera raised toward a shaft of morning light.
4Image 2: Maya seated at a train-window table, reviewing contact sheets as a sunlit landscape blurs outside.
5Image 3: Maya at a weathered cabin workbench, packing film canisters, a lens cloth, and a folded paper map before departure.
6Image 4: close three-quarter portrait of Maya outdoors in light mist, camera strap visible, shallow depth of field, no text.
7
8Keep the same visual color treatment as the first sequence. Leave clean negative space on the left third where the composition permits, but do not render any text.

批次 B 之後，停止。在釋出另一個行銷活動序列之前，審核全部 8 筆場景記錄。這個暫停能捕捉佇列所掩蓋的各種漂移：頭髮或服裝改變、出現第二個人、未要求的文字、畸形的手，或場景不再符合其渠道。將審核者決策儲存在素材旁，而不是未追蹤的聊天訊息中。

步驟 4：套用發佈、重試或拒絕決策

當圖片包含一個 Maya、在臉部、頭髮、服裝與相機方面符合主參考、沒有破損文字或畸形解剖結構，且符合其指定場景時，將其標記為 approved。當 Maya 重複、漂移、缺少必要道具，或出現畸形的手或文字時，將其標記為 retry。當構圖無法服務預期渠道，或角色不再可辨識時，將其標記為 rejected。

重試時，保留 maya-train-001 作為業務素材，並建立嘗試 maya-train-001-a2。只提交該子工作，並使用原始冪等鍵規格；只有在刻意為提示詞建立新版本時才調整。不要只因一個場景需要修復就重新執行其他 7 項素材。

為批次生成選擇模型

根據工作單位選擇模型，而不是排行榜。乾淨的主參考與連貫的場景序列是不同的工作。編輯一張失敗圖片又是另一回事。如果團隊想透過一個 OpenAI 相容整合來測試這些階段，Atlas Cloud 提供了自然的位置來驗證本範例使用的兩個模型頁面。

價格會因模型、模式與所選設定而變動。使用 Atlas Cloud 模型目錄 在你排入工作的當天重新確認可用性、折扣與確切模式。將此表視為估算輸入，絕不是宣傳主張或成本保證。

擴充前的品質控制、成本與權利

生成完成有 3 種不同含義：供應商回報成功、檔案已正確封存，以及人工審核者接受其可供發佈。讓這 3 者都在你的記錄中可見。已完成但缺少輸出檔案的任務是營運失敗。已儲存但角色重複的檔案是創意失敗。兩者都不應自動進入發佈。

使用簡單到能套用於每項子素材的審核者檢查清單：

執行後以 approved asset cost = total completed attempts cost / approved assets 估算成本。這會揭露重試與被拒結果的成本，而不假裝每張圖片都有相同的最終成本。開始前設定任務上限、批次上限與每日上限。若達到其中任何上限，暫停派送。

僅使用擁有、授權或以其他方式獲准使用的參考圖片。商業使用前，請檢查目前平台政策與模型條款。不要要求模型捏造認證、實驗室結果、安全承諾、醫療主張或未經驗證的產品規格。精緻的輸出不會讓不受支援的主張變成可發佈的內容。

瀏覽器渲染的批次品質控制看板，顯示 8 個 Maya 素材 ID 及其 approved、retry 與 rejected 審核狀態

瀏覽器渲染的審核看板將實際執行檔案對應回其 8 個素材 ID，並讓發佈、重試或拒絕決策清楚可見。

用於批次生成的 AI API：生產上線檢查清單

在從 8 項素材練習轉向實際目錄或內容庫之前，請確認下列每個項目。

1. 每項素材都有不可變的 asset_id。
2. 提示詞、參考雜湊、模型、比例與品質都已記錄。
3. 在供應商支援的情況下，每次提交都有冪等鍵。
4. 並行數保持在帳戶實際記載的限制之下。
5. 存在任務、批次與每日預算上限。
6. 429 回應、5xx 回應、逾時與內容拒絕遵循不同規則。
7. 重試有硬性上限。
8. 成功結果會立即封存並對應回來源資料。
9. 在釋出下一組之前，小批次 QC 關卡已通過。
10. 最終樣本審查會檢查角色識別身分、文字、比例、檔名與權利。

當流量成長時，這份檢查清單能讓用於批次生成的 AI API 保持有用。當編輯詢問某張特定圖片為何被生成、接受或重新執行時，它也留下清楚的稽核軌跡。

常見問題：用於批次生成的 AI API

什麼是用於批次生成的 AI API？

這是一種提交許多獨立 AI 任務、追蹤其執行，並稍後收集結果的方式。良好的實作會為每項任務保留持久的業務素材 ID，無論供應商使用非同步批次工作或一般並行請求。

批次 API 比平行傳送圖片請求更好嗎？

兩者都不會自動更好。當工作流程需要立即進度時，使用受控並行請求。當非緊急的大量工作符合供應商記載的佇列、周轉時間與成本規則時，使用供應商批次工作。兩者都需要逐素材日誌與審核。

一個批次應放入多少張 AI 圖片？

當你正在驗證新的提示詞結構或角色參考時，從 4 到 8 項視覺素材開始。只有在團隊能對應每項結果、快速發現漂移，並在不重新啟動整組的情況下復原失敗子工作之後，才增加數量。供應商限制可能允許更多，但營運上有用的批次是可審核的批次。

冪等鍵如何避免重複的生成成本？

它們會在重試後將提交識別為同一個預期操作。如果端點支援冪等性，供應商就能避免將重複的網路呼叫視為全新的生成。將鍵與素材記錄一起儲存，並在供應商文件中確認確切語意。

我可以從同一個角色參考批次生成圖片嗎？

可以。使用一張已核准、獲准使用的參考圖片；將其雜湊附加到每個子工作；鎖定識別指令；並在擴充前審核一個小型場景組。參考一致性可減少模糊性，但不會取代視覺 QC。

我應該重試整個失敗的批次，還是只重試失敗的素材？

只重試失敗的素材。先封存成功項目，分類失敗，並為受影響的子工作建立新的嘗試記錄。重新提交整個批次更可能造成重複素材與不必要支出。