既然图片处理太繁琐，我就用 AI 自动去背景。这句话现在说起来轻巧，但背后是整整一个月的技术栈重构和认知颠覆。Rembg Pro 这个项目，从最初只是一个简单的 U2Net 模型调用封装，到今天能理解“帮我把背景换成成都的晚霞”，中间隔着一道名为“多模态理解”的鸿沟。以前我们做的叫“工具”，用户得懂图层、蒙版、选区；现在我们试图做的是“代理”，用户只需要说话。
上个月还在跟团队（其实就剩我自己了）死磕传统的图像处理 pipeline。用户上传图片，调用 Rembg 抠图，返回透明背景的 PNG。逻辑清晰得像条直线。但用户反馈来了：“我抠完图想直接换个背景，还得自己去找图、调整尺寸、匹配光影，太麻烦了。” 麻烦？对，这就是痛点。但以前的思路是，那我们再加个“背景库”功能，让用户选。可这又陷入了老路：做功能，堆功能，永远追着用户屁股后面跑。直到 GPT-4V 的 API 开放，我才猛地意识到，路走错了。用户要的不是功能列表，是一个能听懂人话的助手。
所以这次迭代，我管它叫 Agent 3.0。核心就一件事：把自然语言指令，拆解成可执行的、串联的图像处理子任务。这听起来像极了产品经理画的大饼，但实现起来全是魔鬼细节。首先，用户说“成都的晚霞”，你怎么理解？GPT-4V 不能直接生成图片，但它能理解这个描述，并输出一组关键词：`cityscape, Chengdu, skyscraper, sunset, orange and purple sky, reflective glass buildings`。好，这是第一步：语义理解与关键词提取。
有了关键词，下一步是找图。这里不能用传统的图库 API 简单搜索，因为要匹配抠图主体的大小、构图、透视。我试过 Unsplash、Pexels 的 API，返回的图片质量参差不齐，构图也经常不对。最后绕了个弯子，用上了 DALL-E 3。对，让 AI 根据关键词和原图的主体轮廓信息，“生成”一个背景。这里有个关键参数：需要把用户原图的主体轮廓（用之前 Rembg 抠图得到的 mask）转换成简单的文字描述，比如“一个站立的人的侧面轮廓”，喂给 DALL-E 3，并在 prompt 里强调“留出前景主体空间，背景为 [关键词]”。这一步的调试成本极高，DALL-E 3 对空间关系的理解时好时坏，生成了大量主体和背景融为一体的废图。
生成背景只是开始，最难的是无缝合成。传统做法是 Alpha 混合，但光影不匹配会假得像贴上去的。我不得不引入另一个模型：GPEN 或 GFP-GAN 用于可能的人脸增强（如果主体是人），以及一个轻量化的色彩迁移算法，让生成背景的色调、光照方向与原图主体残留的环境光信息（从原图边缘提取）大致匹配。这整个 pipeline 被我用 n8n 搭了起来，像一条流水线：用户输入 -> 语言理解 -> 主体抠图 -> 背景生成/检索 -> 光影调整 -> 合成输出。每一个节点都可能失败，都需要 fallback 方案。
这一个月，我几乎住在命令行和 n8n 的编辑器里。最大的感触不是技术多难，而是思维模式的彻底转换。以前我焦虑的是“这个功能用 Python 怎么实现”，现在焦虑的是“这个人类意图，该怎么拆解成 AI 能可靠执行的原子操作”。可靠性是最大的敌人，AI 不是 deterministic 的，你永远要准备一个 B 计划，比如当 DALL-E 3 生成的背景太离谱时，自动 fallback 到从固定高质量图库按关键词选一张，然后强行用仿射变换适配主体轮廓。
做这件事，让我又一次陷入那种熟悉的技能恐慌。看着那些 00 后博主用 Midjourney 和 ChatGPT 几句话就能做出惊艳的图，我这一套复杂的 pipeline 似乎笨重又过时。但我知道，他们的“惊艳”不可控，不可批量，不可集成到商业流程里。而我要的，是把这种“理解”和“创造”的能力，封装成一个稳定、可调用的软件服务。Rembg Pro 不再只是一个去背景工具了，它成了一个基于多模态理解的“图像需求代理”原型。虽然现在合成效果还经不起专业设计师的放大镜看，但这条路，我觉得摸到门了。
夜深了，窗外小区路灯的光晕在屏幕上反光。我关掉 n8n 里那些错综复杂的节点连线，看着测试生成的图片：一个被我抠出来的马克杯，背后是 AI 生成的“成都晚霞”下的锦里古街屋檐轮廓。杯子和晚霞的光影还有点剥离，但一眼看去，已经有点那个意思了。这大概就是 2023 年底，一个产品经理兼独立开发者，能为自己找到的最扎实的兴奋点了。不是做出了多牛的功能，而是亲手把“智能”这个词，从宣传文案里，拖进了可运行的代码流程里。哪怕它还很笨拙。
