AI极客实战案例日报

01｜案例是什么？

PanWatch（盯盘侠）是一个自托管的 AI 选股与盯盘系统（MIT，Python）：一条 docker run 起在自己服务器上，然后在网页里建账号、配 AI 服务与通知渠道即可用。它同时覆盖 A股、港股、美股，核心是基于开源项目 TradingAgents 的「九 Agent 研究团队」——从一个持仓出发，让牛熊双方辩论、风险审查、最终给出 PM（组合经理）决策备忘录与完整推理链，并通过 Telegram、企业微信、钉钉、飞书、Bark 或 Webhook 在 3–5 分钟内推送到你的手机。此外还有定时 Agent（盘前 / 盘中 / 收盘）、组合式价格提醒、机会榜、模拟盘（Paper Trading）与 PWA 移动端。

02｜为什么今天值得关注？

• 窗口内的事实（可用 API 核实）：在 2026-10-04 12:00 → 10-05 12:00（北京时间）内，项目发布了 0.17.3（10-04 19:28） 与 0.17.4（10-04 23:48） 两个版本，并有多次实质提交，包括「让 TradingAgents 深度分析的超时时间可配置」「保留已配置的超时并暴露 provider 错误」「加速多平台镜像构建」等。
• 它解决的是一个具体痛点：做股票研究的复杂度不在「查到数据」，而在「把技术面、消息面、基本面、风险审查串成一条能解释的推理链」并持续盯住。人工做这件事成本极高，而云端产品又要求你把持仓数据交出去。
• 为什么现在变得容易：① TradingAgents 这类多 Agent 投研框架开源了；② 国产模型（项目话题里就含 deepseek）让长推理链条的成本降下来；③ MCP 与 akshare 之类数据接口让「A股数据」可以合法低成本获取；④ Docker 让自托管变成一条命令。
• 为什么值得花时间：这是极少数同时具备「中国本地市场覆盖 + 自托管数据主权 + 多 Agent 真实编排 + 通知渠道接地气」的 AI 金融开源项目。通知走飞书、企微、钉钉，这一点已经说明了它的目标用户是谁。

03｜案例的前世今生

前世。个人量化与盯盘的第一阶段是「写脚本 + 看 Excel」：用 tushare / akshare 拉数据、算指标、定阈值发提醒。这条路可靠但只能做机械判断，遇到「这条消息算利好还是利空」就无能为力。

发展。两件事接连发生：① LLM 让「读新闻、写研报、辩论多空」变得可能；② 多 Agent 编排框架（如 TradingAgents）把「研究员 → 辩论 → 风险审查 → 决策」这条流程做成了可复用的结构。与此同时，「自托管」的价值在数据敏感场景里被不断放大。

今生。PanWatch 做的是「把上述零件装成一个能长期运行的产品」：Web 界面、账号体系、多账户持仓管理、定时任务、通知渠道、移动端 PWA——这些「不性感」的工程恰恰是把 Demo 变成可用系统的那部分。窗口内的提交（超时可配置、provider 错误暴露、镜像构建加速）也说明它正处在「从能跑向跑得稳」的阶段。

下一步可能怎么发展（分析 / 推演）。这类系统的演进方向大概率是「更少的人工介入、更强的可解释性」：Agent 自己发现值得研究的标的、自动生成研究档案、并把「为什么这么判断」完整留痕。同时，随着合规要求收紧，它也可能走向「只做研究与提醒、不碰交易执行」。以上为推演，非事实。

04｜原始资料

• 开源仓库TNT-Likely/PanWatch（MIT，Python，建于 2026-01-23，话题含 a-share / deepseek / langgraph / mcp / akshare）
  https://github.com/TNT-Likely/PanWatch
• 发布记录Releases（窗口内 0.17.3 / 0.17.4）
  https://github.com/TNT-Likely/PanWatch/releases
• 快速开始README「Quick Start」章节（含 Docker / Docker Compose 两种方式）
  github.com/TNT-Likely/PanWatch#quick-start
• 容器镜像Docker Hub · sunxiao0721/panwatch
  hub.docker.com/r/sunxiao0721/panwatch
• 上游框架TauricResearch/TradingAgents（多 Agent 金融交易研究框架）
  github.com/TauricResearch/TradingAgents
• 窗口内提交0.17.3 → 0.17.4 相关 PR（#176 / #177 等）
  github.com/TNT-Likely/PanWatch/commits/main

05｜作者是谁？

仓库归属 TNT-Likely，Docker 镜像发布账号为 sunxiao0721，可从仓库的 FUNDING 配置看到其在 10-05 窗口内补充了赞助渠道（Ko-fi / PayPal），说明这是由个人或小团队持续投入的开源项目。README 提供简体中文与英文双语，界面同样支持中文——目标用户明确包含中文用户。作者的完整身份（机构、是否为从业者）未公开披露，本文不猜。

06｜解决了什么真实问题？

从需求侧看，痛点是「研究成本」而非「信息获取」：

• 需求一（个人投资者）。同时看 A股、港股、美股时，数据工具、新闻源、提醒渠道是三套系统；想给一只票做一次完整分析，需要手工查技术指标、翻新闻、再自己权衡多空——每次至少一小时。
• 需求二（数据敏感用户）。把持仓交给云端 SaaS 意味着暴露自己的仓位与策略；自托管是这类用户的硬需求。
• 需求三（想系统化的人）。需要的不只是「一个信号」，而是「这个结论是怎么推出来的」——推理链本身才是可学习、可复盘的东西。
• 共同点：不是「看不到数据」，而是「没人帮我把它想清楚，还得天天想」。

07｜完整技术栈

模型	用户自配。设置里填写 OpenAI 兼容 API，README 明确举例 DeepSeek、智谱 AI（GLM）与 Ollama（本地模型）。项目话题中也含 deepseek。本文不编造默认型号。
核心 Agent	基于 TradingAgents 的多 Agent 研究团队（README 表述为「nine-agent」九 Agent）：技术面 / 情绪面 / 新闻 / 基本面分析 → 多空辩论 → 风险审查 → PM 决策备忘录
数据源	话题含 akshare（A股常用数据接口）；覆盖 A股 / 港股 / 美股，并按交易所日历运行
后端 / 前端	Python + FastAPI；Web 界面；PWA 可添加到手机主屏
通知渠道	Telegram · 企业微信 · 钉钉 · 飞书 · Bark · Webhook
部署	Docker（单条 docker run）或 Docker Compose；镜像含 Playwright 系统依赖；数据卷 panwatch_data
功能模块	多账户组合管理 · 定时 Agent（盘前/盘中/收盘）· 组合式价格提醒（AND/OR、冷却、每日上限、有效期）· 机会榜 · 模拟盘 · 技术指标（MACD/RSI/KDJ）
语言 / 许可	Python ｜ MIT

08｜完整 Workflow

路径 A：一次深度研究（源自 README 的 demo 描述）

路径 B：日常自动盯盘

09｜它到底是怎么实现的？

这个项目的技术价值在于四个「不性感但决定成败」的工程决定：

① 把「研究」做成有结构的 Agent 编排，而不是一次提问。九 Agent + 多空辩论 + 风险审查的结构，本质上是在用对抗换取推理质量——单一模型容易被一个叙事带跑，而被迫站在反方陈述会逼出分歧点。这是多 Agent 相比单 Agent 最实在的收益。

② 把「数据主权」当成产品前提。自托管 + 自配模型（可指向本地 Ollama）= 持仓与推理过程不出你的服务器。对金融场景，这不是加分项，是准入门槛。

③ 通知渠道做了本地化。飞书 / 企微 / 钉钉 / Bark 都在列表里，说明作者清楚「中国用户的手机通知入口在哪里」。这一点比多加十个指标更有价值。

④ 在「跑得稳」上持续投入。窗口内的提交——「让深度分析的超时时间可配置」「保留已配置的超时并暴露 provider 错误」「加速多平台镜像构建」——全都是典型的运维与可靠性工作。能把超时和 provider 错误当成一等公民的项目，通常已经在真实使用中出现过这些问题。

10｜手把手复现

Step 1（原文）。起服务（最简方式）：

docker run -d \
  --name panwatch \
  --restart unless-stopped \
  -p 8000:8000 \
  -v panwatch_data:/app/data \
  sunxiao0721/panwatch:latest

Step 2（原文）。打开 http://localhost:8000，创建你的登录凭证。

Step 3（原文）。想让配置更规整就用 Docker Compose（README 提供了完整 docker-compose.yml，含镜像、端口、卷与 restart: unless-stopped）。

Step 4（原文）。注意：镜像已包含 Playwright 的系统依赖；首次启动与浏览器安装相关说明见 README 折叠段。

Step 5（原文）。配 AI：Settings → AI Services，填一个 OpenAI 兼容 API——README 举例 OpenAI、智谱 AI、DeepSeek、Ollama。

Step 6（原文）。配通知：Settings → Notification Channels，添加 Telegram 或其他渠道；再到 Portfolio → Add Stock 加入自选并启用对应 Agent。

Step 7（本文补充的建议）。先把模拟盘（Paper Trading）跑一周，观察它给出的推理链是否与你的判断习惯相容，再决定是否让定时 Agent 常驻。金融类工具「先验证再信任」的顺序不该被省掉。此建议为本文推导，非作者原文。

11｜Prompt / Code / Config

原作者公开的内容（可直接引用）：

• Docker 启动命令与 docker-compose.yml 全文（README Quick Start）
• 首次配置四步：建账号 → Settings → AI Services（OpenAI 兼容：DeepSeek / 智谱 / Ollama）→ Settings → Notification Channels → Portfolio → Add Stock
• 通知渠道清单：Telegram / 企业微信 / 钉钉 / 飞书 / Bark / Webhook
• 核心功能矩阵：Portfolio / AI research / Scheduled agents / Price alerts / Opportunities / Paper trading / Notifications / Mobile(PWA)

原作者未在 README 中逐行公开的内容：九 Agent 的完整提示词、辩论协议的实现细节、打分模型的具体算法。本文不编造。

12｜踩坑

13｜中国用户能不能直接做？

• 国内访问：GitHub 与 Docker Hub 直连不稳定，通常需要镜像加速。运行起来之后全部在本地，无境外依赖。
• 注册：无需注册；首次访问时自己在网页里创建本地账号。
• API：需要自备一个 OpenAI 兼容的模型服务——用 DeepSeek / 智谱 / 本地 Ollama 即可，不必用境外 API。
• 成本：软件免费；成本主要是「服务器（或用你自己的机器）+ 模型调用」。本地 Ollama 可把模型成本压到接近零（代价是速度与质量）。
• 技术门槛：有一定门槛 需要会跑 Docker、能配模型 API 与通知渠道；不需要 GPU（除非本地跑大模型）。

14｜国产替代方案

原方案的境外依赖	上游框架 TradingAgents（开源，可自托管）、Docker Hub 镜像分发、部分通知渠道（Telegram）
中国用户方案	模型换 DeepSeek / 智谱 GLM / Ollama 本地模型（README 明确列出）；数据用 akshare（项目话题已包含）；通知走 企业微信 / 钉钉 / 飞书 / Bark（README 明确支持）；镜像可自建
替代性质	作者已原生支持（README 点名 DeepSeek、智谱、Ollama，通知含三家国内 IM）——这是本案例对中国用户最友好的一点

15｜中国企业可以怎么用？

• 企业场景 1｜投研团队的研究加速器。分析师把「初筛 + 基本面速览 + 多空分歧点梳理」交给系统，自己聚焦在判断与决策上。
• 企业场景 2｜私域数据不出内网。自托管 + 本地模型，让持仓与策略讨论留在公司内网，满足数据合规要求。
• 企业场景 3｜培训与复盘素材。系统留存的推理链可作为投研新人的学习材料——「这个结论是怎么推出来的」比结论本身更有教学价值。

16｜中国消费者可以怎么用？

• 个人盯盘：把自选股交给定时 Agent，收盘后收到一份带推理链的复盘，减少「盯盘焦虑」。
• 学习投资逻辑：用模拟盘 + 推理链，理解多空双方各自的理由，而不是只看结论。
• 管理多账户：把不同券商账户汇总成一个组合视图，看清真实仓位与盈亏。

17｜如何变成一个赚钱的项目？

产品化：不做通用盯盘，而做「某个细分策略的自托管研究助手」——例如专注红利股、专注港股通、专注行业轮动，卖的是内置的研究框架而非软件本身。

服务化：为企业做「投研 AI 助手」的私有化部署与调优服务（模型选型、提示词调优、数据接入、通知集成）。

咨询化：帮机构设计「AI 参与投研的边界」——哪些环节可以交给 Agent、哪些必须人工签字，这在强合规行业是刚需。

培训化：《用多 Agent 做投研初筛》——面向个人投资者与投研新人，重点教「怎么读推理链」。

内容化：拆解「九 Agent 如何辩论」本身极具传播性，适合公众号、B站、雪球。

18｜变现路径

路径	客户 ｜ 产品/服务 ｜ 收费方式 ｜ 难度
SaaS / 私有化	机构/个人 ｜ 细分策略研究助手 ｜ 订阅 ｜ 高
部署服务	企业 ｜ 私有化部署 + 模型与数据接入 ｜ 项目制 ｜ 中
咨询	机构 ｜ AI 投研边界与流程设计 ｜ 项目制 ｜ 高
培训	个人/机构 ｜ 多 Agent 投研初筛课 ｜ 按人 ｜ 低
内容	投资者 ｜ 拆解内容与社群 ｜ 会员/广告 ｜ 低

合规提示：金融信息服务在中国受严格监管，涉及荐股、代客理财等行为有明确资质要求。本文所有变现分析仅为模式探讨，不构成合规意见；从事相关业务前请咨询专业人士。

19｜如果我是一个中国独立开发者（7 天 MVP）

1. Day 1：Docker 起一套 PanWatch，配 DeepSeek + 飞书机器人，跑通一只自选股的深度分析。
2. Day 2：把它限制到一个人群（建议：只做红利股 / 只做一只宽基成分股），砍掉多余功能。
3. Day 3：把「推理链 → 一份结构化复盘」做成固定输出模板（这是最有价值的产物）。
4. Day 4：找 3 位有真实持仓的朋友试用，问「哪一段推理链对你有用」。
5. Day 5：按反馈收敛：只保留他们愿意每天看的那一份报告。
6. Day 6：写一页说明 + 一个真实（脱敏）样例报告，做成落地页。
7. Day 7：推出「每日研究简报」订阅，低价验证付费意愿（并同步咨询合规边界）。

20｜如何迁移到其他行业

21｜培训课程设计

22｜培训师点评

23｜最终判断

说明：以上是案例属性描述，不是排名。「变现潜力中（而非高）」是出于合规考量——金融信息服务门槛高、监管严，个人开发者在其上直接变现的路径受限，做工具与培训更稳妥。

01｜案例是什么？

中文开发者「向阳乔木」（joeseesun）开源了 乔木 Codex 生图（qiaomu-codex-imagegen，MIT）：Codex 的内置生图工具只在 Codex 里能用，这个项目把它接出来，做成一个 MCP 服务、一个命令行、一个 Agent Skill，三者共用同一套核心。于是 Claude Code、Codex、Cursor 或任何能执行命令的 Agent，都能「说一句『做一张小红书配图』就拿到图片文件」。它最有特色的不是生图本身，而是流程：每次生图会先给出至少四个机制不同的风格方向，你选定后再展开提示词、生成、并按验收条件自检。

02｜为什么今天值得关注？

• 窗口内的事实（可用 API 核实）：该仓库创建于 2026-10-04T08:47:02Z（北京时间 10-04 16:47），当天 16:49 发布 v0.2.0、17:34 发布 v0.3.0，两次发布都落在本期窗口（10-04 12:00 → 10-05 12:00）内。
• 为什么以前不容易做：好用的 AI 能力往往被绑在特定产品里（生图在 Codex、检索在某个搜索产品……）。想跨工具用，要么等官方开 API，要么自己重做一遍。
• 为什么现在变得容易：MCP 成为事实标准后，「把一个能力包成工具挂给任意 Agent」有了统一插座；Skill 规范让「怎么用这个能力」也可以随能力一起分发。于是「能力搬运」从重工程变成了小工程。
• 为什么值得花时间：它的价值不在生图，而在「能力封装」这一模式——中国有大量开发者正在做「把某个模型/工具的能力接到自己的工作流里」这件事，这个案例把标准答案展示了一遍，而且连「防止 AI 编造事实、乱写文字」的规则都写进去了。

03｜案例的前世今生

前世。设计素材生产的老路径是：找设计师排期 → 提需求 → 改稿 → 交付。AI 生图出现后，变成「自己写提示词抽卡」——快，但结果不可控，而且大多数人根本不知道该怎么描述风格。

发展。三件事逐步到位：① 生图质量跨过「能用」的临界点；② MCP / Skill 让「能力 + 用法」可以一起打包分发；③ 社区开始沉淀「提示词方法论」——不再靠玄学，而是按机制分类（文字主导、平面结构、摄影人物、产品近摄、材料空间等）。

今生。这个项目把三者结合起来，且解决了一个被普遍忽略的问题：用户不知道该要什么风格。它的做法是「先给四个机制不同的方向让你选，而不是直接抽一张」——把「抽卡」变成「选方案」。这也更接近真实的设计流程：先对齐方向，再出稿。

下一步可能怎么发展（分析 / 推演）。「能力搬运 + 方向先行」这套模式很可能复用到其他被锁住的能力上：把某个产品里的语音、视频、检索、分析能力分别包成 MCP，让 Agent 自由编排。同时，「先给方案再执行」也可能成为 Agent 与人类协作的默认礼仪——任何不可逆的操作，都该先给选项。以上为推演，非事实。

04｜原始资料

• 开源仓库joeseesun/qiaomu-codex-imagegen（MIT，JavaScript，建于 2026-10-04T08:47:02Z = 北京时间 10-04 16:47）
  https://github.com/joeseesun/qiaomu-codex-imagegen
• 发布记录Releases（窗口内 v0.2.0 / v0.3.0）
  github.com/joeseesun/qiaomu-codex-imagegen/releases
• 样例数据docs/samples/prompts.json（每张样例图的提示词与参数）
  github.com/joeseesun/qiaomu-codex-imagegen/blob/main/docs/samples/prompts.json
• 作者主页GitHub · joeseesun（同作者另有乔木剪藏等项目）
  https://github.com/joeseesun

05｜作者是谁？

与本期前一天日报中「乔木剪藏」是同一位作者——GitHub 账号 joeseesun，显示名「向阳乔木」，自我描述为 PM，225 个仓库、2,126 个关注者。这个案例是他的第二条产品线：从「内容消费与沉淀」延伸到「内容素材生产」。除此之外的身份信息未公开，本文不猜。

06｜解决了什么真实问题？

从需求侧看，痛点是「有 AI 生图能力，但用不起来」：

• 需求一（内容创作者）。每天要做小红书配图、视频封面、公众号头图。有工具可用，但每次都要现想提示词，结果随机；且不同平台的尺寸、安全区、视觉重心要求完全不同。
• 需求二（跨工具用户）。喜欢某个产品的生图效果，但自己的工作流在另一个 Agent 里。能力被锁住，只能来回切工具。
• 需求三（不想学提示词的人）。他们的问题不是「不会写」，而是「不知道该要什么」。需要有人先给方向。
• 共同点：不是「生不出图」，而是「生出来不可控、不专业、还得重来」。

07｜完整技术栈

模型	生图依赖 Codex 内置的生图能力（这是项目的核心依赖，也是它的门槛）；文本侧由调用它的 Agent 模型负责。本文不编造模型型号。
三种形态	MCP 服务 · 命令行（CLI）· Agent Skill——三者共用同一套核心，不是三份实现
内容资产	24 类场景模板（48 个预设）· 20 位 Mondo 海报设计师风格 · 本地 689 条参考提示词（可检索）
流程工具	suggest_directions（给方向）· compose_prompt（展开提示词）· 生成 · 验收自检
平台预设	视频封面（16:9）· 小红书配图（3:4）· 公众号头图 · X 封面 · 朋友圈海报 · 书籍封面 · 专辑封面
附加能力	参考图改图（图生图）· 风格锁 · 排除项与验收条件
语言 / 许可	JavaScript ｜ MIT

08｜完整 Workflow

09｜它到底是怎么实现的？

这个案例最值得拆的是它把「设计流程」而不是「生图命令」做进了工具：

① 方向先行，对抗抽卡。suggest_directions 的关键约束是「至少四个机制不同的方向」。它防止的是「同一张图换个滤镜」——因为方向来自不同家族（文字主导 / 物象破框 / 纸雕与织物地貌 / 巨物微缩剧场 / Mondo 丝网印），出来的东西才有真正的选择价值。

② 把「验收」写进流程。compose_prompt 输出的不只是提示词，还有避免项与验收条件；生成后由 Agent 逐条核对，不合格只改对应那一句。这是把设计师的「改稿」动作结构化了——避免「整个重来」。

③ 用 JSON 留存提示词，让系列化成为可能。每张图旁边留一份 JSON 记录实际提示词，意味着「同系列再做十张」是有依据的，而不是重新抽卡。

④ 一套核心、三种外壳。MCP / CLI / Skill 三形态共用核心，这是一个很成熟的工程决定：MCP 面向「能被 Agent 调用」，CLI 面向「能被脚本调用」，Skill 面向「能被 Agent 理解怎么用」。同能力多入口，而不是多份实现。

10｜手把手复现

Step 1（原文）。确认前提：你需要能使用 Codex 的内置生图（这是核心依赖），以及一个能执行命令或挂载 MCP 的 Agent（Claude Code / Codex / Cursor 等）。

Step 2（原文）。选择接入形态：如果你的 Agent 支持 MCP，挂 MCP 服务；如果只支持命令，用 CLI；如果支持 Skill 规范，装 Skill。三者共用同一套核心，可按需组合。

Step 3（原文）。调用时直接说需求，例如「给这期视频做一张 16:9 封面」——它会先走 suggest_directions 给你四个方向。

Step 4（原文）。选定方向后由 compose_prompt 展开提示词并生成；若你已指定风格（如「用 Mondo 风格」「T03」）或直接说「直接出」，会跳过选择步骤。

Step 5（原文）。做小红书配图：「做一张小红书配图，主题清晨读书」→ 选 xiaohongshu 预设（3:4 竖版、视觉重心偏上、顶部留标题位）。

Step 6（原文）。做系列：「用 Mondo 风格做《沙丘》海报，三个设计师各来一张」→ 三个方向并行生成、各自保存。

Step 7（本文补充的建议）。先只用它出一个「方向板」（四个方向 + 缩略图），把它拿给需要审稿的同事看一眼——对齐方向之后再生成，能省掉最多的时间。此建议为本文推导。

Step 8（本文补充的建议）。把每次生成的 JSON 提示词归档，逐步积累属于你自己/你团队的「偏好库」，比每次重新抽卡稳定得多。

11｜Prompt / Code / Config

原作者公开的内容（可直接引用）：

• 两个核心工具名与职责：suggest_directions（给至少四个机制不同的方向）、compose_prompt（展开完整提示词 + 避免项 + 验收条件 + 假设 + 缺失信息）
• 预设清单：24 类场景模板 / 48 个预设 / 20 位 Mondo 设计师风格；平台预设含视频封面、小红书、公众号头图、X 封面、朋友圈海报、书籍封面、专辑封面
• 六步流程：推荐方向 → 你来选 → 展开提示词 → 生成 → 验收 → 交付
• 样例提示词与参数：docs/samples/prompts.json（作者明确说明样例中的活动、品牌、人物与文案全部为虚构示例）
• 参考库：本地 689 条参考提示词可检索，返回缩略图与原文

原作者未逐行公开的内容：MCP 服务的实现、完整模板库文件、Codex 生图的调用细节。本文不编造。

12｜踩坑

13｜中国用户能不能直接做？

• 国内访问：GitHub 直连不稳定；更关键的是依赖 Codex 生图能力，其可用性受账号与网络条件限制。
• 注册：无额外注册；门槛在 Codex 侧。
• API：项目本身不额外要求 Key；核心依赖已在 Codex 侧。
• 成本：软件免费；实际成本取决于 Codex 的额度与计费方式。
• 技术门槛：有一定门槛 需要会用命令行或挂 MCP，且要能访问 Codex 生图。

14｜国产替代方案

原方案	Codex 内置生图 + MCP / CLI / Skill 三形态封装
中国用户方案	思路可整体迁移：把国产生图服务（如通义万相、即梦、可灵等）的 API 按同样的三形态封装，并沿用「先给方向、再出图、后验收」的流程设计与平台预设（小红书 3:4、公众号头图、视频封面）
替代性质	理论替代（本文推导）。作者未提供任何国产生图的适配；本项目对 Codex 的依赖为硬依赖，无法直接换成国产模型。可迁移的是「设计流程」，不是「这个仓库」。

15｜中国企业可以怎么用？

• 企业场景 1｜电商与社媒素材流水线。把「商品主图 / 小红书配图 / 视频封面」做成固定的方向 + 预设，让运营不依赖设计师排期出图。
• 企业场景 2｜品牌视觉一致性。用「风格锁 + 验收条件」把品牌规范写进流程，避免不同人出图风格各异。
• 企业场景 3｜营销活动快速出稿。活动海报一次生成多个机制不同的方向，内部先选方向再出终稿。

16｜中国消费者可以怎么用？

• 自媒体配图：给视频/图文做封面与配图，自带小红书、公众号、朋友圈预设比例。
• 个人纪念品：做专辑封面、书籍封面、生日海报等个人用途的设计稿。
• 学习设计：通过「四个方向对比」理解不同设计机制，比看教程更快建立审美判断。

17｜如何变成一个赚钱的项目？

产品化：做「垂直行业的视觉素材工厂」——例如只服务电商，内置类目化的方向库与平台预设，卖的是「出图即合规可用」。

服务化：帮企业把品牌规范封装成一套「风格锁 + 验收条件」，交付后按季度维护。

咨询化：帮品牌解决「AI 出图风格不稳定」的问题，本质是把设计规范翻译成可执行的提示词约束。

培训化：《不懂设计也能出好图：用「先给方向」的工作流做营销素材》——对运营岗吸引力极强。

内容化：「同一个主题的五个方向」这类对比图本身就是极好的内容素材。

18｜变现路径

路径	客户 ｜ 产品/服务 ｜ 收费方式 ｜ 难度
垂直素材工具	电商/自媒体 ｜ 类目化出图工具 ｜ 订阅 ｜ 中
品牌规范封装	企业 ｜ 风格锁 + 验收条件交付 ｜ 项目制 + 维护 ｜ 中
咨询	品牌 ｜ AI 出图稳定性方案 ｜ 项目制 ｜ 高
培训	运营/市场 ｜ 半天出图工作坊 ｜ 按场 ｜ 低
内容	设计/运营 ｜ 方向拆解与素材库 ｜ 会员/广告 ｜ 低

注意：以上为基于案例结构的潜在商业模式分析，非已验证的商业成功；作者未公开任何收入信息。

19｜如果我是一个中国独立开发者（7 天 MVP）

1. Day 1：把「先给方向 → 选定 → 出图 → 验收」这条流程写成一页规范（这一步不写代码）。
2. Day 2：接一个国产生图 API，把流程跑通，先做「小红书配图」一个预设。
3. Day 3：为这个预设写 6 个机制不同的方向模板（不是 6 个滤镜）。
4. Day 4：找 3 位电商/自媒体朋友试用，看他们选方向的偏好。
5. Day 5：补上「验收条件」（尺寸、留白、主体位置），减少返工。
6. Day 6：做一个极简界面或 MCP 服务，让不会写提示词的人也能用。
7. Day 7：定一个按张/按月的价格，先用一个小众类目（如零食、宠物）验证。

20｜如何迁移到其他行业

21｜培训课程设计

22｜培训师点评

23｜最终判断

说明：以上是案例属性描述，不是排名。「落地性中」是因为它硬依赖 Codex 生图权限，中国用户直接使用受限；但它的流程设计与封装思路迁移价值很高，「中国市场相关性高」指的是它所服务的场景（小红书/公众号/电商出图）。