企业官网建设流程全解析

1. 背景：纹身设计为什么需要 AI 工具

纹身是一个强个性化、强视觉化的消费决策。用户往往没法准确描述自己想要的花色、风格、构图和大小，只能丢给纹身师几张参考图，再加上“大概这种感觉”这种模糊描述。沟通成本高，返工率也高，而且一旦纹在身上，修改代价非常大。

TattooIdeas 这类 AI 纹身设计与规划工具，核心就是解决这个“从想法到可视方案”的鸿沟。它通常具备两类能力：

• 设计生成：基于用户输入的文字、风格偏好、身体部位，生成多张纹身草稿或效果图。
• 规划辅助：根据图案复杂度、皮肤部位、恢复周期，输出纹身尺寸建议、放置位置建议和预约前准备清单。

换句话说，它不是替代纹身师，而是帮助用户在走进纹身店之前，先完成视觉探索和方案预演。这个思路和 AI 绘画、AI 换装、AI 家居设计本质上是同一类产品：用生成式 AI 降低“想象可视化”的门槛。

对于开发者来说，这也是一个很典型的 AI 应用开发项目。它既涉及文生图模型的选择与调用，又包含提示词工程、图像后处理、异步任务调度、内容合规审核和成本控制，非常适合用来练习完整的产品落地能力。

本文会围绕这类产品的核心模块展开，重点放在技术架构、接口设计、提示词策略、代码实现和部署注意事项上。即使你没有纹身行业的业务背景，也可以把思路迁移到服装设计、室内设计、虚拟试妆等方向。

2. 产品功能拆解与系统架构

2.1 核心功能模块

一个可用的 AI 纹身设计工具，至少要包含下面几个模块：

在实际 MVP 阶段，可以先把“需求采集 → AI 出图 → 图像后处理 → 方案规划”这条链路打通，其余模块逐步迭代。

2.2 系统架构设计

下面是一套比较通用的技术架构，按可扩展性和开发效率折中设计：

前端（Web/小程序） ↓ HTTPS 请求 Nginx 网关 ↓ FastAPI 应用服务 ├── 提示词服务（构造 Prompt） ├── 任务服务（异步任务管理） ├── 审核服务（文本 + 图像审核） ├── 规划服务（尺寸 / 部位 / 护理建议） └── 存储服务（对象存储 + 数据库） ↓ AI 推理服务（Stable Diffusion / 第三方文生图 API） ↓ 生成结果回调 → 后处理服务 → 返回前端

这样拆分的好处是：

• AI 推理和业务服务解耦。模型可以单独部署在 GPU 机器上，也可以替换成第三方 API。
• 生成任务走异步队列，避免用户在 HTTP 请求里长时间等待。
• 后处理逻辑独立。即使模型升级，也不会影响业务代码。

3. 环境准备与版本说明

本文示例以常见的 Python 技术栈为主，重点演示实现思路。实际版本需要根据你的项目情况调整。

• 操作系统：Linux / macOS / Windows 均可
• 编程语言：Python 3.10+
• Web 框架：FastAPI
• 图像处理：Pillow、OpenCV-Python
• 任务队列：Celery + Redis
• 数据库：PostgreSQL（也可先用 SQLite 做 MVP）
• AI 模型推理：Stable Diffusion WebUI 或第三方文生图 API

如果你打算本地跑完整示例，建议准备一台内存 16G 以上的电脑。如果只是做接口调试和逻辑验证，普通 8G 内存也够。

下面创建一个名为tattoo_ai的项目目录：

mkdir tattoo_ai cd tattoo_ai python3 -m venv venv source venv/bin/activate # Windows 下为 venv\Scripts\activate pip install fastapi uvicorn pillow opencv-python celery redis requests python-multipart

4. 核心模块设计与代码实现

4.1 定义数据模型

先定义一个简单的 Pydantic 模型，用来承接用户的需求输入。字段设计上要尽量覆盖纹身设计的核心要素。

# 文件路径：app/schemas.py from typing import Optional from pydantic import BaseModel class TattooRequest(BaseModel): theme: str = "龙" # 主题描述 style: str = "new_school" # 风格，如黑灰写实、水彩、几何 body_part: str = "手臂" # 纹身部位 size: str = "中号" # 尺寸 color_scheme: str = "黑白" # 配色 extra_hint: Optional[str] = None # 补充提示 class TattooResponse(BaseModel): task_id: str status: str images: list[str] = [] plan: dict = {}

这里字段只是示例，生产环境需要加入用户 ID、审核状态、创建时间等字段。

4.2 提示词工程：让模型更懂纹身风格

纹身绘图与普通插画不同，它要求图案具备线条感、皮肤附着感和风格辨识度。因此，提示词不能只写“一条龙”，而是需要把风格、细节、构图方式、背景要求等显式写清楚。

下面是一个提示词构造类：

# 文件路径：app/prompt_builder.py STYLE_PROMPTS = { "black_grey_realistic": "black and grey realistic tattoo style, high contrast shading, detailed texture", "new_school": "new school tattoo style, bold outlines, vibrant colors, exaggerated proportions", "watercolor": "watercolor tattoo style, soft color blending, ink splash effects, delicate lines", "geometric": "geometric tattoo style, precise lines, abstract shapes, symmetry", "old_school": "old school tattoo style, thick outlines, traditional colors, vintage look", "minimal_line": "minimalist line tattoo style, single line art, clean strokes, lots of negative space", } def build_tattoo_prompt(req) -> str: style_prompt = STYLE_PROMPTS.get(req.style, "tattoo design style") prompt = ( f"{req.theme}, {style_prompt}, " f"{req.color_scheme} color scheme, designed for {req.body_part} tattoo, " f"{req.size} size, isolated on white background, high quality, sharp lines" ) if req.extra_hint: prompt += f", {req.extra_hint}" return prompt

这里有几个经验：

• 风格词要放在主题词之后，并且显式出现tattoo style，避免模型把图案画成普通插画。
• 加上white background有益于后续抠图合成。如果你希望模拟皮肤效果，则改为on skin。
• 负面提示词也要维护。常见负面词包括：text, watermark, signature, frame, multiple images, blurry, low quality, deformed hands。

实际使用时，不同模型对提示词的敏感度不同。建议维护一套“基础提示词模板 + 风格关键词库 + 负面提示词库”，方便后续调优。

4.3 调用模型生成图案

调用方式取决于部署方案。这里以 Stable Diffusion WebUI 的 API 为例，也可以改造成 Replicate、火山引擎、阿里云等平台接口。

# 文件路径：app/ai_client.py import base64 import requests SD_WEBUI_URL = "http://127.0.0.1:7860/sdapi/v1/txt2img" def generate_tattoo_images(prompt: str, negative_prompt: str = "", steps: int = 25) -> list[str]: payload = { "prompt": prompt, "negative_prompt": negative_prompt, "steps": steps, "width": 512, "height": 512, "batch_size": 1, } resp = requests.post(SD_WEBUI_URL, json=payload, timeout=180) resp.raise_for_status() data = resp.json() images = data.get("images", []) # 返回 base64 图片列表 return images

注意：

• width和height建议保持 512 的整数倍，避免模型生成构图异常。
• 纹身图案通常适合正方形画布，但如果你是给手臂或背部生成整体设计稿，可以换成384x512之类的竖构图。
• 如果使用第三方 API，一般会返回图片 URL 或 Base64，处理逻辑类似。

4.4 图像后处理：生成纹身预览效果

直接生成的图案是“一张图”，用户更希望看到“纹在手臂上什么效果”。这一步要用图像处理把图案和身体部位照片合成。

下面是一个最小合成示例，使用 Pillow 实现：

# 文件路径：app/preview_composer.py from PIL import Image import requests from io import BytesIO import base64 def compose_preview( skin_image_bytes: bytes, tattoo_b64: str, position=(100, 100), scale=0.3, ) -> Image.Image: # 加载皮肤照片 skin = Image.open(BytesIO(skin_image_bytes)).convert("RGB") # 解码 AI 生成的纹身图案 tattoo_data = base64.b64decode(tattoo_b64) tattoo = Image.open(BytesIO(tattoo_data)).convert("RGBA") # 缩放并粘贴 new_size = (int(tattoo.width * scale), int(tattoo.height * scale)) tattoo_resized = tattoo.resize(new_size, Image.LANCZOS) skin.paste(tattoo_resized, position, tattoo_resized) return skin

这只是一个粗略的合成。真实产品里需要考虑部位弯曲、光影、透视、皮肤纹理遮挡等因素，可以继续引入 OpenCV 做透视变换，或者用人体关键点检测（如 MediaPipe）来自动定位粘贴区域。

对于 MVP，先把“图案透明背景 + 手动选位置 + 缩放”做好，已经能提供不错的体验。

4.5 方案规划服务：生成纹身建议

AI 不仅要出图，还要给出“怎么纹”的参考。这个模块可以用规则 + 知识库实现。

# 文件路径：app/planner.py SIZE_CM = { "小号": (3, 8), "中号": (10, 18), "大号": (20, 35), } BODY_PART_NOTES = { "手臂": "适合纵向构图，小臂内侧与大臂外侧恢复期不同，注意关节活动区域避免后期拉伸变形。", "背部": "适合大图写实或场景类构图，疼痛感相对较低，但清理和护理需要他人协助。", "小腿": "适合线条类纹身，血液回流导致恢复期肿胀可能略明显。", "胸口": "适合对称设计，疼痛感偏高，恢复期注意衣物摩擦。", } def make_plan(style: str, body_part: str, size: str) -> dict: size_range = SIZE_CM.get(size, (10, 18)) note = BODY_PART_NOTES.get(body_part, "部位建议请与纹身师现场确认。") return { "suggest_size": f"{size_range[0]}cm - {size_range[1]}cm", "body_part_note": note, "style_note": "建议与纹身师确认风格细节，打印参考图到店沟通。", "care_steps": [ "预约前保持皮肤滋润，避免阳光暴晒。", "纹身后 3 小时内撕掉保鲜膜并清洁。", "恢复期避免泡澡、游泳和剧烈运动。", ], }

这个服务虽然代码简单，但在用户感知上很重要。生成结果后附带一段护理建议，能明显提升产品完整度。

4.6 组装服务接口

接下来用 FastAPI 把上面的模块串起来。

# 文件路径：app/main.py import uuid from fastapi import FastAPI, UploadFile, File from app.schemas import TattooRequest, TattooResponse from app.prompt_builder import build_tattoo_prompt from app.ai_client import generate_tattoo_images from app.preview_composer import compose_preview from app.planner import make_plan from app.content_filter import simple_text_filter app = FastAPI(title="TattooIdeas API") @app.post("/api/tattoo/generate", response_model=TattooResponse) def generate_tattoo(req: TattooRequest): # 1. 文本审核 if not simple_text_filter(req.theme + (req.extra_hint or "")): return TattooResponse(task_id="blocked", status="blocked", images=[], plan={}) # 2. 构造提示词 prompt = build_tattoo_prompt(req) # 3. 调用 AI 生成 images = generate_tattoo_images(prompt) # 4. 生成规划建议 plan = make_plan(req.style, req.body_part, req.size) return TattooResponse( task_id=str(uuid.uuid4()), status="success", images=images, plan=plan, ) @app.post("/api/tattoo/preview") async def upload_skin_and_preview( req: TattooRequest, skin: UploadFile = File(...), ): prompt = build_tattoo_prompt(req) images = generate_tattoo_images(prompt) skin_bytes = await skin.read() preview = compose_preview(skin_bytes, images[0]) preview_bytes = preview.save_to_bytes() if hasattr(preview, 'save_to_bytes') else None # 实际项目中这里应该把预览图保存到对象存储，再返回 URL return {"message": "preview generated", "image_count": len(images)}

这里的simple_text_filter是一个自定义文本过滤函数，示意代码如下：

# 文件路径：app/content_filter.py BLOCK_WORDS = ["违禁词示例", "敏感词示例"] def simple_text_filter(text: str) -> bool: for w in BLOCK_WORDS: if w in text: return False return True

生产环境建议使用成熟的内容审核服务，而不是维护一个简单词表。

5. 异步任务与模型部署优化

5.1 为什么需要异步任务

文生图推理通常需要几秒到几十秒。如果直接在 HTTP 请求里同步执行，用户会等很久，而且一旦模型队列拥堵，请求就会超时。所以在真实项目中，一般会改成“提交任务 → 异步生成 → 前端轮询结果”。

使用 Celery 改造后的流程：

# 文件路径：app/tasks.py from celery import Celery from app.prompt_builder import build_tattoo_prompt from app.ai_client import generate_tattoo_images celery_app = Celery("tattoo", broker="redis://localhost:6379/0") @celery_app.task(bind=True, max_retries=3, default_retry_delay=10) def gen_tattoo_task(self, req: dict): try: prompt = build_tattoo_prompt(req) images = generate_tattoo_images(prompt) return {"status": "success", "images": images} except Exception as exc: raise self.retry(exc=exc)

前端接口可以先返回task_id，然后通过轮询/api/tattoo/task/{task_id}获取结果。这样既避免用户长时间占用连接，也方便做失败重试和任务追踪。

5.2 模型部署的几种方式

建议 MVP 阶段先用第三方 API 验证产品需求，跑通后再根据调用量评估是否自建推理服务。

5.3 成本与延迟优化

AI 出图类产品，成本主要来自模型推理。优化思路：

• 控制生成分辨率。纹身预览图不需要 1024 以上，512 足够。
• 减少采样步数。一般 20-30 步即可，过高的步数对画质提升有限。
• 批量生成后缓存。相同或相似的提示词结果写入对象存储或 Redis，减少重复计算。
• 对图片做压缩。返回给前端的图片转成 WebP 格式，节省带宽。
• 使用模型并行或队列削峰。多个用户同时请求时，把推理任务放入队列，防止 GPU OOM。

6. 常见问题与排查思路

实际调试中，提示词对结果的影响最大。建议做一个简单的评测集，比如固定 10 个主题，每调整一次提示词就跑一遍，人工对比效果，避免“调一个词就全量回归测试”这种低效方式。

7. 最佳实践与合规要点

7.1 内容安全与版权

纹身图案是永久性的，产品必须重视内容安全。这不仅是合规要求，也是用户信任的基础。

• 对用户输入文本做敏感词过滤和语义审核。
• 对生成图像做违规内容检测，包含涉政、低俗、血腥等类别。
• 在用户协议中明确说明 AI 生成内容仅供灵感参考，最终纹身效果以纹身师设计为准。
• 避免直接生成知名 IP、明星肖像、品牌 Logo 等可能侵权的图案，建议在提示词服务里做拦截。

如果使用第三方 API，优先选择提供内容审核能力的服务。如果你自建模型，可以在推理链路中叠加一个图像审核模型。

7.2 工程规范建议

• 接口鉴权：所有生成接口都需要登录态和调用频控，防止被刷。
• 配置管理：SD WebUI 地址、API Key、审核服务账号等配置放环境变量或配置中心，不要写死在代码里。
• 日志监控：记录每次生成的主题、风格、耗时、是否成功、审核结果，方便问题回溯。
• 存储分离：图片文件放对象存储，数据库只保存元信息。
• 任务幂等：同一个task_id不要重复触发模型推理。

7.3 提示词与模型迭代

AI 绘图产品的核心竞争力之一就是风格可控性。建议从下面几个方向积累：

• 维护风格关键词库。例如黑灰写实、老派传统、水彩、几何、线条、点刺等，每个风格准备 3-5 组 Prompt 变体。
• 收集用户反馈。对用户保存、点赞、下载的图片打标，形成高质量正样本，用来优化提示词甚至微调 LoRA。
• 引入负面提示词模板。不同风格有不同容易出现的缺陷，比如黑白纹身容易发灰、水彩容易糊、几何容易断线，分别补充负面提示词。
• 多模型融合。可以针对“线稿生成”和“上色风格化”分别用不同模型，再在后处理阶段合成。

8. 从 MVP 到真实产品的迭代路径

第一版可以只做“文字描述 → 生成纹身图案 → 尺寸和护理建议”，在一个星期内跑通。重点验证用户是否愿意上传身体照片并保存灵感图。

后续迭代可以按下面顺序展开：

1. 支持多图上传和局部预览，让用户把图案拖到不同身体部位。
2. 增加 LoRA 微调模型，专门优化纹身线条和皮肤过渡。
3. 增加“相似风格推荐”，基于用户保存的图片做向量召回。
4. 增加纹身师端工作台，让设计师基于 AI 生成图快速修改，形成预约闭环。
5. 接入 Stripe / 微信支付，对高清下载、商用授权、加急生成等场景收费。

如果想更快验证需求，可以先出一版最小产品：一个表单页 + 一个结果页 + 一套生成接口，不着急做用户系统。

最终，TattooIdeas 这类 AI 应用开发的核心不是模型本身，而是把模型能力包装成“用户能理解、能决策、敢下单”的产品服务。提示词工程、图像后处理、内容审核、任务调度这些工程细节，往往决定了产品能不能从 Demo 走到生产环境。本文提供的模块和代码，可以作为一个相对完整的起点。你可以在它的基础上，继续替换模型、优化提示词、接入真实支付和用户系统，一步一步把它变成可商业化的产品。