AI玩法

电商作图除了PS，还有AI工具可以承担部分工作。但替代这个词需要说明范围：换背景、改标签、调整留白与交付源稿，是不同动作。先从自己反复做的修改里建立清单，再试用候选，比比较软件名称或一次宣传样张更能支持决策。[1]

大尺寸 PNG 可以先接受块结构与 CRC 检查，但检查通过不证明画面清楚、文字准确或商品真实。下面用 Node.js 验证签名、块边界、CRC 与 IEND 收尾，让截断和部分字节变化可追踪。它是结构检查示例，不是完整 PNG 解码器，更不是图像质量评分器。

商品图适配独立站不同版位，可以用 Canvas 的等比 cover 裁切，避免直接拉伸主体。程序先求出源图取样矩形，再将这块区域绘到目标画布。它保持比例，但会裁掉部分原图，所以还需要锚点选择与商品边界检查，不能把数学正确等同于版位合格。

白底图很干净，拖鞋边缘也可能被处理得不像毛绒。检查这类图片，不妨先看细纤维、开口和连接位置，再看背景。下面按从原片到边缘再到展示的顺序组织，示意图只帮助定位观察任务，实际主体仍要由自己的材料核对。

多规格商品更新图片，可以用稳定的视觉字段比较找出受影响 SKU，而不因对象字段顺序或库存变化重做全部图片。下面将颜色、图片版本和包装版本序列化为固定数组，并返回新增、移除与变化项。它输出范围，不自动覆盖或发布文件。

图片交接时可以用 SHA-256 清单检查文件字节是否与确认版本一致。相同文件名不保证相同内容，改名也不改变字节指纹。下面用 Node.js 内置 crypto生成哈希，再分别报告缺失、变化和多余文件；它不判断商品事实，也不证明文件来源可信。

复杂商品应该怎样试用AI工具，才能得到有范围的判断？给它单独建一张测试卡。拉链、缝线、五金和难处理边缘都有原片依据，背景与留白则有允许变化范围。卡片的目的不是评分好看，而是让不同候选接受同一任务与同一核对。

商品页更新后，可以按明确旧图清单扫描 HTML 中的 src 与 srcset，找出仍被引用的旧文件。下面用浏览器DOMParser解析，不靠正则猜标签。扫描范围限于img和source，不覆盖CSS背景或脚本动态加载，因此结果应叫已扫描范围的残留引用，而不是全站旧图已经清零。