AI 家具场景图

把「AI 家具场景图」当成一次要交付的活，不是名词解释。输入是一张房间全景、地面线和窗户方向，输出是一张布置完成的房间图和一张细节图，工作比例定在3:4 和 4:3。先写驳回原因，再把它变成第一条硬约束。

素材准入要求：房间名、拍摄方向、窗向、地面材质、固定结构清单，以及可以布置什么。还要检查垂直线、窗户过曝、镜面反光和房东授权。不放大房间、不擦掉电线、不编造窗外景观，也不承诺房源里没有的设施。布置照片不等于可以重新设计建筑。

上传前按房间名和拍摄顺序命名照片。Canvas 保存带看顺序，生成只负责修透视、补光线或决定空房怎么布置。结构和面积放进房源文案，不交给画面提示词。

本次研究中，Airbnb 公开帮助页没有稳定返回正文；不要把生成尺寸当成平台批准尺寸。导出前在当前房源后台确认限制，并把平台检查写进 QA 记录。

锁定垂直线、地板接缝、门开启方向、窗向、层高、固定结构、电器品牌，以及退房后还会留下的家具。生成可以好看，但必须还符合户型。

把锁定字段放在提示词开头，不要放在结尾：实际做法是锁定真实房间几何、窗户方向和地面线，只改一个布置完成的房间和一个细节特写。 把提示词、参考、比例、模型和驳回原因存成一组；下一次执行时先读驳回原因，再决定哪些字段可以放开，避免从一张好看但不可复现的画面重新猜起。

第1步「定规则」：我打开光线良好的房间照片和真实房源信息，锁定真实房间几何、窗户方向和地面线，并写下不能变的部分。 这一步要留下一个可检查的产物，并注明通过条件、失败原因和修正动作；上一步没有产物，下一步不启动。 第2步「跑最小版本」：我先做一个小一张布置完成的房间图和一张细节图。椅子比例不对，我测量地面并减少家具数量。 这一步要留下一个可检查的产物，并注明通过条件、失败原因和修正动作；上一步没有产物，下一步不启动。 第3步「做聚焦变体」：我复用同一参考，只改一个布置完成的房间和一个细节特写。 这一步要留下一个可检查的产物，并注明通过条件、失败原因和修正动作；上一步没有产物，下一步不启动。 第4步「检查导出」：我按原尺寸检查门框、窗线、地面和比例，再导出最终3:4、4:3 和 16:9。 这一步要留下一个可检查的产物，并注明通过条件、失败原因和修正动作；上一步没有产物，下一步不启动。

每次重跑只改一个命名变量：提示词、参考、相机、时长、模型、比例或导出裁切。一次改两处，即使结果变好也无法复用，因为没人知道是哪处修复起了作用；重跑前先把当前版本编号、失败描述和准备验证的假设写清楚，避免下一次又凭感觉推翻上一版。

从进门播到结尾。检查观众能不能记住左右顺序、认出房间、看清电器状态，以及照片组是否还能对上户型。

源图、批准文案、被驳回版本、修正、积分成本和最终裁切都放在资产旁边。这份记录要让下一个复审者不用翻聊天记录也能复现决策。

墙动了就多用真实照片、缩短相机路径；光变成黄昏就回到原始曝光；家具变了就缩小范围，只布置一个面。

图片重跑有阶梯。Agnes Image 2.5 先做低分证明；只有蒙版区域错误时用 SDXL Inpainting，3 积分；复杂重建用 Seedream 5.0 Lite 或 Nano-Banana 2，5 积分；GPT Image 2 的 Standard 1K 从 2 积分起，按质量和分辨率最高到 80。换档前先说出失败类型。

平台版、社媒版和竖版分开交付。每一版保持同样的房间顺序和房东批准的事实。

交付文件夹故意做得很无聊：源素材、批准参考、生成设置、字幕文件、渠道裁切、QA 截图和一行修正日志。可复用资产就要无聊得恰到好处。

编辑和生产不断开。对象检测、蒙版、参考图、版本历史、Canvas 依赖和最终生成组在一起。独立生成器可以编一个场景，但不会保留源资产、被驳回的版本，以及批准裁切为什么赢。

不放大房间、不擦掉电线、不编造窗外景观，也不承诺房源里没有的设施。布置照片不等于可以重新设计建筑。 如果只想问「AI 家具场景图」是什么，搜索页更快；这里值得看，是因为要把一张布置完成的房间图和一张细节图在真实约束下交付出去。