图片生成失败怎么办：安全策略、提示词、重试

图片生成失败怎么办封面

做 AI 生图工作流时，最容易让人崩溃的不是“图不好看”，而是请求直接失败：有时是安全策略拦截，有时是模型不支持尺寸，有时是返回超时，有时同一个 prompt 今天能跑、明天又不稳定。

这篇文章不讲玄学提示词，而是把“图片生成失败”拆成可排查的工程问题：先判断失败类型，再调整 prompt、参数、重试策略和人工审核流程。适合你把图片模型接进内容生产、客服机器人、社群 Bot 或营销素材流水线时参考。

先把失败分成四类

很多团队一看到报错就改 prompt，结果越改越乱。建议先按下面四类归因：

AI 生图失败分类

安全策略类：prompt、参考图或输出意图触发安全规则，例如真人敏感内容、侵权、暴力、隐私、误导性内容等；
参数与模型类：模型名、尺寸、质量、数量、输入图格式不被当前接口支持；
网络与服务类：超时、异步任务未完成、上游拥塞、网关限流、余额或配额不足；
质量不可用类：接口成功，但图片出现错字、畸形、主体跑偏、比例错误，不适合发布。

第一类要改需求，第二类要查文档，第三类要重试和监控，第四类要做审核与二次生成。不要用同一种方式处理所有失败。

安全策略：先改意图，不是只换词

如果失败原因和安全策略有关，最稳的做法不是把敏感词拆开，而是把需求改成更明确、可发布、低风险的表达。

例如你想做“故障排查”主题封面，不要写成：

A panicked engineer fighting a dangerous AI system, red warning, chaos, explosion.

可以改成：

A friendly AI support mascot helping a developer debug an image generation dashboard.
Visible UI cards show: prompt check, policy review, retry queue, human approval.
Clean black and orange tech style, no real logos, no private data, no violent scene.

这类写法把画面从“危险冲突”转成“支持与排障”，既更容易通过，也更贴近文章内容。

Prompt 排障：保留结构，逐步减法

当图片生成失败或跑偏时，不要一次性大改。推荐按顺序做减法：

固定主体：一句话说明谁在做什么；
固定用途：封面、社媒图、流程图、产品插画；
固定限制：不要真实 Logo、二维码、密钥、可读小字、未授权商标；
删除高风险细节：真人姓名、具体品牌、敏感场景、过度夸张的伤害描述；
删除互相冲突的风格词：不要同时要求写实摄影、3D、手绘、水彩、赛博朋克。

一个可复用模板：

Use case: tutorial cover for an AI image generation troubleshooting guide.
Subject: a friendly support mascot and a developer checking failed image tasks.
Scene: dashboard with four cards: policy, prompt, retry, review.
Style: clean modern illustration, black and orange palette, high contrast.
Composition: 16:9 cover, leave blank title-safe area, no tiny readable text.
Constraints: no real logos, no API keys, no private user data, no watermark.

如果这仍然失败，就进一步删到只剩主体、场景和限制。最小 prompt 能跑通后，再一点点加细节。

参数排障：模型、尺寸、质量要一起看

图片 API 通常会有模型、尺寸、质量、数量、输入图格式等约束。排障时重点检查：

model 是否真实存在、是否支持图片生成；
size 是否在模型支持范围内，例如 1024x1024、1536x1024、1024x1536 这类常见值；
quality 是否被该模型支持，先用 medium 或默认值跑通；
编辑/参考图场景下，输入图片格式、大小、透明通道是否符合要求；
SDK 版本是否太旧，导致参数名或响应结构不匹配。

如果你通过 Nbility 这类 OpenAI-compatible API 网关调用图片模型，建议把 Base URL、模型名和质量参数集中放在 .env，不要散落在脚本里：

NBILITY_API_KEY=[REDACTED]
NBILITY_BASE_URL=https://api.nbility.dev/v1
NBILITY_IMAGE_MODEL=gpt-image-2
NBILITY_IMAGE_QUALITY=medium

这样后续切模型、切质量、切项目 Key 时，不需要改业务代码。

重试策略：不要无限重试

图片生成比文本更慢，也更贵。失败时要有重试，但不能无限撞接口。

生图请求重试队列

推荐策略：

参数错误：不重试，直接失败并提示开发者修配置；
安全策略错误：不自动绕过，进入人工改写；
超时 / 502 / 503 / 429：可指数退避重试 2–3 次；
质量不可用：最多生成 2–4 个候选，交给人工挑选；
批量任务：记录 task id、prompt hash、失败原因，避免重复烧钱。

Python 伪代码：

import time

RETRYABLE = {408, 429, 500, 502, 503, 504}

def should_retry(status_code, error_type):
    if error_type in {"policy_violation", "bad_request", "invalid_model"}:
        return False
    return status_code in RETRYABLE

def retry_delay(attempt):
    return min(60, 2 ** attempt)

for attempt in range(3):
    try:
        image = generate_image()
        break
    except ApiError as e:
        if not should_retry(e.status_code, e.type):
            raise
        time.sleep(retry_delay(attempt))

批量生产：先小样，再放量

营销图、公众号封面、小红书轮播这类任务，很容易从“一张图”变成“一百张图”。批量生产前建议加一道小样流程：

每个主题先生成 1–2 张低成本草图；
人工确认风格、比例、安全区；
通过后再高质量重跑；
每张图保留 prompt、模型名、尺寸、时间、成本标签；
失败图进入失败目录，不要覆盖原始结果。

成本控制也很重要。统一走 Nbility 这样的 OpenAI-compatible 网关，可以把聊天模型、图片模型和 Agent 工具调用放在同一个入口下看用量。对团队来说，这比每个人各自拿一个 Key 更容易控预算。

上线前检查清单

生图工作流上线前，至少做这些检查：

[ ] 错误日志记录 status code、error type、request id / task id
[ ] prompt 中没有真实 API Key、手机号、客户资料、内部后台截图
[ ] 安全策略失败不会自动绕过，只进入人工改写
[ ] 429/5xx 有指数退避，参数错误不会无意义重试
[ ] 批量任务有最大生成数量和预算上限
[ ] 图片发布前经过人工预览，尤其检查中文、小字和裁剪
[ ] 失败样本会沉淀到 prompt 模板和排障文档里