AI玩法

批量商品图交付前，可以先用 Node.js 扫描目录，得到文件名、字节数与 PNG 头部声明的尺寸，并让单个坏文件留下错误记录而不终止全部扫描。下面的示例只读文件，不改图、不上传，也不把尺寸符合要求当成商品事实已经通过审核。

一件衬衫的图，远看顺眼，近看却可能说了另一件衣服。领口更高了，袖口少了一个结构，门襟位置也变了。选择服装套图工具时，这些细小位置值得先被看见：整体展示可以有变化，衣服结构仍要跟着自己的原片走。

批量精修前，程序可以帮助选出覆盖不同图片比例的样本，但不能替你判断材质和商品结构难度。下面用 Node.js 将目录清单分成竖图、近方图和横图，并按文件名稳定抽取；错误尺寸单独返回，不把缺失信息归到某个正常分组。

比较商品图试样时，可以用 Canvas 把不同结果按固定顺序排成联系表。关键是按等比 contain 放入网格，剩余区域留白，不将不同形状的商品拉成一样宽高。联系表帮助一起观察候选，但不能替代原尺寸验收，也不支持凭宣传样张得出工具排名。

SKU 素材目录查漏图，可以从业务提供的预期文件名与实际文件名做集合差异。缺失、多余和预期重复是不同问题，下面用 JavaScript 分别返回。程序不根据图片内容猜 SKU，也不自动删除多余文件；它输出的是核对清单，后续动作仍需要确认。

Picset适不适合自己，能从产品介绍直接决定吗？公开定位能帮助选出候选，却不能证明它已经通过你这款商品的试用。更有依据的做法是把宣传方向变成测试问题，固定原片与交付要求，再记录实际完成了什么、哪些能力仍未核实。[1]

进入picsetai.cn之后，第一件事可以是认清自己需要哪类图片，而不是把页面里的入口都点一遍。整体图、细节图与信息说明使用不同材料，也接受不同核对。把当前任务写清楚，才能判断某个入口是不是在帮你解决真正的上新问题。[1]

批量图片验收可以用程序做状态分流，但要采用 fail closed：只有明确通过且带审核人记录的项进入 approved，其余留在 quarantine。未知状态不应默认等于通过。下面实现仅返回计划，不移动文件、不删图，也不自动发布；这让分流规则能够先被检查。