v89-v91 模板增强 + 图源映射 + 多模态提示词可配置化

- 图源映射统一：热点采集与 Pinterest 模式均走 config.product.mark_dirs 配置，按任务序号随机抽模特图/平铺图
- 商品产地固定：统一为「中国大陆」+「产地省份=广东省」（不再读站点/字典映射）
- 模板 SKU 字段检测：按建议售价同一套路检测 SKU分类/SKU数量/SKU数量单位，必填时填入单品/1/件
- 多模态分析提示词可配置：prompts/pinterest_analyze_system.md + user.md，支持国家覆盖，不丢文件回退内置
- 自定义图片模式：新增 pinterest_custom_load_node，图片数量硬校验，选品清单 ≤ 有效图片数
- 模板导出优化：写入前按货号末 3 位升序排序，不再产生空白 xlsx
- 修复 v90 project review 10 项（503 致命终止、线程安全、原子写入等）

graph/nodes/__init__.py

@@ -4,6 +4,7 @@ from .fetch_node import fetch_node
 from .filter_node import filter_node
 from .oss_upload_node import oss_upload_node
 from .pinterest_analyze_node import pinterest_analyze_node
+from .pinterest_custom_load_node import pinterest_custom_load_node
 from .pinterest_scrape_node import pinterest_scrape_node
 from .pinterest_search_node import pinterest_search_node
 from .product_node import product_node
@@ -29,4 +30,5 @@ __all__ = [
     "pinterest_search_node",
     "pinterest_scrape_node",
     "pinterest_analyze_node",
+    "pinterest_custom_load_node",
 ]

graph/nodes/pinterest_analyze_node.py

@@ -114,6 +114,11 @@ def pinterest_analyze_node(state: Dict[str, Any]) -> Dict[str, Any]:
     if batch_size <= 0:
         batch_size = max_designs   # 自动：一次最多分析 max_designs 张（每张图→1条简报）
     need = batch_size
+    # 自定义模式：本地图池是唯一且有限的图源，最多分析「选品清单总数」张即可，
+    # 避免多余分析（超出的图源在简报达标后由自定义路由结束，不浪费配额）。
+    if bool(state.get("custom_mode")):
+        _t = int(state.get("pinterest_target") or 1) or 1
+        need = max(0, min(need, _t))
 
     # 1) 图池取未消费图片（md5 不在 used_images）；无 → 返回空，路由触发搜索
     pool = load_image_pool(output_dir, country)

graph/nodes/pinterest_custom_load_node.py

@@ -0,0 +1,82 @@
+"""Pinterest 参考模式自定义节点：加载本地图片文件夹 → 校验数量 → 注册进图池（pinterest_custom_load）。
+
+仅自定义模式（pinterest.mode=custom）使用，替代 pinterest_search + pinterest_scrape：
+  直接把 pinterest.custom_image_dir 内的有效图片（jpg/jpeg/png/webp）注册进图池，
+  再复用 pinterest_analyze 直接送多模态分析，沿用 Pinterest 后续所有步骤
+  （分析→设计→三合一→OSS→种草图→模板导出）。
+
+数量校验（硬校验，不满足则不启动分析）：
+  1. 文件夹必须有有效图片（>0）；
+  2. 选品清单总数（product.spu_tasks 展开后，state.pinterest_target）必须 ≤ 有效图片数 ——
+     「选品清单不得大于有效图片数」。
+
+每次运行把图池重建为该文件夹的图片集（自定义模式唯一图源），并清空已消费拉黑
+（used_images），保证用户每次重新上传/选择文件夹的所有有效图片都会被重新多模态分析。
+"""
+from typing import Any, Dict
+
+from graph.pinterest import (
+    image_md5,
+    list_valid_images,
+    save_image_pool,
+    save_used_images,
+)
+from graph.validate import with_fallback
+
+
+@with_fallback("pinterest_custom_load")
+def pinterest_custom_load_node(state: Dict[str, Any]) -> Dict[str, Any]:
+    config = state["config"]
+    output_dir = state["output_dir"]
+    country = state["country"]
+
+    pcfg = config.get("pinterest") or {}
+    folder = str(pcfg.get("custom_image_dir") or "").strip()
+
+    images = list_valid_images(folder)
+    valid_n = len(images)
+    target = int(state.get("pinterest_target") or 1)
+
+    errors = list(state.get("errors") or [])
+    stats = dict(state.get("stats") or {})
+
+    # —— 硬校验 1：必须有有效图片 ——
+    if valid_n == 0:
+        msg = (f"自定义图片文件夹「{folder or '(未填写)'}」中没有有效图片"
+               f"（请填写 pinterest.custom_image_dir，文件夹内应有 jpg/jpeg/png/webp 图片）")
+        errors.append({"node": "pinterest_custom_load", "type": "ValidationError",
+                       "message": msg, "trace": ""})
+        stats["pinterest_custom"] = {"folder": folder, "valid_images": 0, "target": target, "ok": False}
+        print(f"[pinterest_custom_load] ❌ {msg}")
+        return {"errors": errors, "stats": stats}
+
+    # —— 硬校验 2：选品清单总数 ≤ 有效图片数 ——
+    if target > valid_n:
+        msg = (f"选品清单数量（{target}）大于自定义图片有效数量（{valid_n}）："
+               f"选品清单不得大于有效图片数，请补充图片或减少选品")
+        errors.append({"node": "pinterest_custom_load", "type": "ValidationError",
+                       "message": msg, "trace": ""})
+        stats["pinterest_custom"] = {"folder": folder, "valid_images": valid_n, "target": target, "ok": False}
+        print(f"[pinterest_custom_load] ❌ {msg}")
+        return {"errors": errors, "stats": stats}
+
+    # —— 每次运行重建图池为该文件夹图片集 + 清空已消费拉黑 → 所有有效图片都被重新分析 ——
+    pool = {"updated_at": "", "images": []}
+    seen_md5: set = set()
+    for f in images:
+        m = str(image_md5(str(f)) or "").strip().lower()
+        if not m or m in seen_md5:
+            continue
+        seen_md5.add(m)
+        pool["images"].append({"path": str(f), "md5": m, "term": "custom"})
+    save_image_pool(output_dir, country, pool)
+    save_used_images(output_dir, country, set())
+
+    stats["pinterest_custom"] = {
+        "folder": folder, "valid_images": valid_n,
+        "target": target, "loaded": len(pool["images"]), "ok": True,
+    }
+    print(f"[pinterest_custom_load] 自定义图源：{folder} → 有效图片 {valid_n} 张（选品清单 {target}），"
+          f"已注册进图池，直接进入多模态分析")
+    return {"custom_mode": True, "pinterest_custom_folder": folder,
+            "custom_load_ok": True, "errors": errors, "stats": stats}

graph/nodes/pinterest_search_node.py

@@ -33,6 +33,8 @@ def pinterest_search_node(state: Dict[str, Any]) -> Dict[str, Any]:
 
     provider = str(pcfg.get("provider") or "openai").strip().lower()
     search_mode = str(pcfg.get("search_mode") or "direct").strip().lower()
+    _raw_suffix = str(pcfg.get("search_term_suffix") if pcfg.get("search_term_suffix") is not None else " t-shirt design").strip()
+    suffix = _raw_suffix if _raw_suffix else ""   # 配置留空则后缀为空（不追加），不再回退默认
     want = int(pcfg.get("search_terms_per_run", 1))   # 每次搜索词数量
     seed_sample = int(pcfg.get("seed_sample", 40))
     max_used_in_prompt = int(pcfg.get("max_used_terms_in_prompt", 100))
@@ -57,9 +59,9 @@ def pinterest_search_node(state: Dict[str, Any]) -> Dict[str, Any]:
         fresh = [s for s in pool if s.lower() not in used_set]
         if not fresh:
             fresh = pool   # 库内词全部用过 → 允许复用（词库有限）
-        terms = [f"{s} t-shirt design" if "t-shirt design" not in s.lower() else s
+        terms = [f"{s} {suffix}".strip() if suffix and suffix not in s.lower() else s
                  for s in random.sample(fresh, min(want, len(fresh)))]
-        print(f"[pinterest_search] direct 模式：国家种子词库随机抽 {len(terms)} 个 + t-shirt design（{country}）")
+        print(f"[pinterest_search] direct 模式：国家种子词库随机抽 {len(terms)} 个 + 后缀「{suffix}」（{country}）")
     else:
         used_llm = merge_used(used, attempted)
         if max_used_in_prompt > 0:
@@ -79,7 +81,8 @@ def pinterest_search_node(state: Dict[str, Any]) -> Dict[str, Any]:
 
         if llm is not None and hasattr(llm, "generate_pinterest_terms"):
             try:
-                ctx = {"country": country, "seeds": seeds, "used_terms": used_llm, "count": want}
+                ctx = {"country": country, "seeds": seeds, "used_terms": used_llm, "count": want,
+                       "search_term_suffix": suffix}
                 res = llm.generate_pinterest_terms(ctx)
                 terms = [str(t).strip() for t in (res.get("search_terms") or []) if str(t).strip()]
                 print(f"[pinterest_search] LLM 生成搜索词 {len(terms)} 个（{country}，已用词注入 {len(used_llm)}）")
@@ -89,7 +92,7 @@ def pinterest_search_node(state: Dict[str, Any]) -> Dict[str, Any]:
 
         # 3) 兜底：LLM 无结果 → 种子词池随机抽样
         if not terms:
-            terms = [f"{s} t-shirt design" if "t-shirt design" not in s.lower() else s
+            terms = [f"{s} {suffix}".strip() if suffix and suffix not in s.lower() else s
                      for s in random.sample(seeds, min(want, len(seeds)))]
             print(f"[pinterest_search] 兜底：从种子词池取 {len(terms)} 个")
 

graph/nodes/product_node.py

@@ -83,6 +83,49 @@ MODEL_WEAR_PROMPT = (
     "图1原本的背景、人物、构图及光影结构100%不变,仅替换图1衣服上的印花图案与衣服底色。"
 )
 
+# 平铺图专属三图合成提示词（mark 配置 flat_dir 平铺图文件夹）：图1平铺实拍 + 图2印花 + 图3底图
+FLAT_LAY_PROMPT = (
+    "你是一个专业的电商AI视觉合成工具，执行“高保真印花与色彩移植/印花替换”:把图2的印花设计"
+    "印到图3底色的面料上，替换图1平铺衣服原有的底色与图案，输出一张“图3底色+图2印花”的平铺服装商品图。"
+    "全程无人参与。\n"
+    "【图片角色,按提交顺序】\n"
+    "图1=衣服平铺实拍图（基底图：提供衣服版型、轮廓、褶皱、光影、拍摄背景与构图，"
+    "最终输出必须与图1同角度、同摆放）；\n"
+    "图2=纯印花设计稿；\n"
+    "图3=平铺衣服底图(只取衣服本身的底色与面料材质,忽略平铺图背景/桌面/场景,只保留面料颜色与质感)。\n"
+    "TASK: 把图2的印花设计印到图3底色的面料上，替换图1平铺衣服原有的底色与图案，"
+    "输出一张“图3底色+图2印花”的平铺服装商品图。全程无人参与。\n"
+    "【执行规则】\n"
+    "0.禁止人物:输出图中严禁出现任何人体、模特、人台/假人、头颈、手臂或“穿着效果”，"
+    "必须保持图1的纯平铺俯拍商品图形式，衣服平放在原背景上。\n"
+    "1.底色锁定:从图3提取衣服底色与面料，最终合成中必须100%保持不变，严禁偏色。\n"
+    "2.印花提取:从图2精准提取纯印花图案(线条/色号/比例)，叠加到图3底色上形成合成面料。\n"
+    "3.印花尺寸适配:印花整体尺寸与衣服面料面积成合理比例，居中印在胸/背/衣身主体区域，"
+    "占衣身面积约30%-45%，四周留白，严禁过大撑满整件或过小(低于20%)。\n"
+    "4.主体遮罩:识别图1中衣服本体的完整区域(领口到下摆、含袖子；忽略背景/桌面/无关物品)，"
+    "用合成面料完整覆盖，彻底清除原衣服的颜色与图案；图1中衣服以外的物品保持原样。\n"
+    "5.精准贴合:合成面料严格跟随图1衣服的平铺形态，领口/袖口/下摆/侧缝等版型结构清晰保留，"
+    "褶皱/翻折/堆叠处印花随之自然变形，杜绝“贴纸感”与“平面涂色感”。\n"
+    "6.光影融合:按图1拍摄光线方向调整亮度/对比度，印花随褶皱产生明暗变化但色号不偏移；"
+    "衣服投影与图1保持一致。\n"
+    "7.纯净输出:仅输出一张最终合成平铺图；图1的背景/桌面/构图/角度/光影100%不变，"
+    "仅替换衣服的底色与印花；画面中不得出现任何人像、肢体或人台。"
+)
+
+
+def _active_prompt(kind: str, prompts: Optional[Dict] = None) -> str:
+    """返回当前图源应使用的合成提示词。
+
+    kind="model" → 模特三图提示词（配置覆盖优先生效，否则内置 MODEL_WEAR_PROMPT）；
+    kind="flat"  → 平铺三图提示词（配置覆盖优先生效，否则内置 FLAT_LAY_PROMPT）。
+    """
+    cfgs = prompts or {}
+    if kind == "flat":
+        return (str(cfgs.get("flat_prompt") or "").strip()
+                or FLAT_LAY_PROMPT)
+    return (str(cfgs.get("model_prompt") or "").strip()
+            or MODEL_WEAR_PROMPT)
+
 
 def _resolve_sku(db_path, basemap_root, spu_code: str, sku_code: str, colors=None) -> Optional[str]:
     """选定 SKU：显式指定优先；否则第一个有本地底图的；再无则第一个颜色（便于模板导出）。"""
@@ -144,13 +187,15 @@ def _process_spu(
     db_path, basemap_root, material_root, category, prod_dir, brief, ib,
     spu, sku_code, pcfg, errors, shared_design=None, title_backend=None, country="",
     img_code="", model_img=None, design_size="1024x1024", compose_size="1536x2048",
-    on_503=None,
+    on_503=None, model_kind="model", prompts=None,
 ) -> Optional[Dict[str, Any]]:
     """处理单个款号：选色 → 底图 → 设计稿 → (mark==1) 模特 → 合成 → 模板导出。
     shared_design: compose 节点生成的纯印花设计稿路径（图2）；为 None 时回退本节点 generate。
     img_code: 货号（前缀+3位计数）；本产品所有图片文件归入 prod_dir/{img_code}/ 子文件夹
               （按货号命名，包含该货号对应的所有图片）。
     on_503: 致命图像服务错误（503/账户不可用）回调（供调用方提前终止任务）。
+    model_kind: 图源类型 "model"（模特图）/ "flat"（平铺图），决定用哪个合成提示词。
+    prompts: {"model": str, "flat": str} 可配置提示词覆盖（来自 config.product.mark_dirs）；缺省用内置。
     返回 result dict；内部异常已兜底，不中断。
     """
     # 输出目录 = 货号子文件夹（product/DG000/…），该货号所有图片都放这里
@@ -253,40 +298,43 @@ def _process_spu(
         # 6) 模板选择按 SPU.mark 决定：
         #    mark==1 → 新三图合成模板 MODEL_WEAR_PROMPT（图1模特 + 图2印花设计 + 图3底图）
         #    mark!=1 → 旧两图合成模板 composite_prompt（底图 + 印花设计）
-        #    mark==1 统一只做三合一：无模特图时跳过合成，不再回退两图合成（印花+底图）
+        #    mark==1 统一只做三合一：无图（模特/平铺）时跳过合成，不再回退两图合成（印花+底图）
         if int(spu.get("mark") or 0) == 1:
-            print(f"{tag}  SPU {spu['code']} mark=1 → 使用三图合成模板（图1模特+图2印花+图3底图）")
+            kind_label = "平铺" if model_kind == "flat" else "模特"
+            print(f"{tag}  SPU {spu['code']} mark=1，图源={kind_label} → 使用三图合成模板（图1{kind_label}+图2印花+图3底图）")
             if model_img is not None:
-                # 任务级模特分配（product_node 预分配：一个 SPU 一个模特，SPU 数>模特数循环兜底）
-                model_copy = prod_dir / f"{img_code}_model{model_img.suffix}"
+                # 任务级图源分配（pipeline 预分配：mark=1 在有图的模特/平铺文件夹间随机抽）
+                model_copy = prod_dir / f"{img_code}_{model_kind}{model_img.suffix}"
                 shutil.copy2(model_img, model_copy)
                 result["model_path"] = str(model_copy)
                 result["model_folder"] = model_img.parent.name
-                print(f"{tag}  模特图（任务级分配，{model_img.parent.name}/）: {model_copy}")
+                result["model_kind"] = model_kind
+                print(f"{tag}  {kind_label}图（任务级分配，{model_img.parent.name}/）: {model_copy}")
             else:
-                print(f"{tag}  material_library 无模特图，mark=1 统一只做三合一，跳过合成")
+                print(f"{tag}  material_library 无{kind_label}图，mark=1 统一只做三合一，跳过合成")
         else:
             print(f"{tag}  SPU {spu['code']} mark={spu.get('mark')} → 使用两图合成模板 composite_prompt（底图+印花）")
 
         # 7) 合成：
-        #    有模特图 → 三图合成（图1=模特 / 图2=印花设计 / 图3=底图）
-        #    mark=1 无模特图 → 跳过合成（统一只做三合一，不做印花+底图两图合成）
-        #    mark!=1 无模特图 → 两图合成平铺服装图（图3=底图 + 图2=印花设计）
+        #    mark=1 有图（模特/平铺）→ 三图合成（图1=模特或平铺 / 图2=印花设计 / 图3=底图）
+        #    mark=1 无图 → 跳过合成（统一只做三合一，不做印花+底图两图合成）
+        #    mark!=1 无图 → 两图合成平铺服装图（图3=底图 + 图2=印花设计）
         if "design_path" not in result:
             print(f"{tag}  无设计稿，跳过合成")
         elif model_img is not None:
             composite_path = str(prod_dir / f"{img_code}_composite.png")
             try:
-                # 三图合成：优先用简报的 composite_prompt（模板化三图文案），回退内置 MODEL_WEAR_PROMPT
-                wear_prompt = (brief.get("composite_prompt") or "").strip() or MODEL_WEAR_PROMPT
-                print(f"{tag}  三图合成提交中（3 参考图 img2img，网关处理约 2-6 分钟，请耐心等待）…")
+                # 三图合成：按图源类型选提示词（可配置覆盖优先，否则内置 MODEL_WEAR/FLAT_LAY）
+                wear_prompt = _active_prompt(model_kind, prompts)
+                kind_label = "平铺" if model_kind == "flat" else "模特"
+                print(f"{tag}  {kind_label}三图合成提交中（3 参考图 img2img，网关处理约 2-6 分钟，请耐心等待）…")
                 t0 = time.time()
                 ib.print(wear_prompt, str(model_img), composite_path,
                          brief.get("composite_negative", ""),
                          extra_images=[design_path, str(basemap_img)],  # 图2印花, 图3底图
                          size=compose_size)   # 合成图尺寸按 config compose.size
                 result["composite_path"] = composite_path
-                print(f"{tag}  三图模特合成图已生成（耗时 {int(time.time()-t0)}s）: {composite_path}")
+                print(f"{tag}  {kind_label}三图合成图已生成（耗时 {int(time.time()-t0)}s）: {composite_path}")
             except Exception as e:  # noqa: BLE001
                 # 合成失败 → 带退避重试（网关超载/超时常见，重试 3 次）
                 if _fatal(e):
@@ -359,7 +407,7 @@ def _process_spu(
                     continue
                 cp = str(prod_dir / f"{img_code}_{str(sc).split('-')[-1]}_composite.png")
                 try:
-                    ib.print(MODEL_WEAR_PROMPT, str(model_img), cp,
+                    ib.print(_active_prompt(model_kind, prompts), str(model_img), cp,
                              brief.get("composite_negative", ""),
                              extra_images=[design_path, str(bm)],  # 图2印花, 图3该色底图
                              size=compose_size)   # 合成图尺寸按 config compose.size
@@ -493,25 +541,28 @@ def product_node(state: Dict[str, Any]) -> Dict[str, Any]:
     prod_dir = output_dir / "product"
     prod_dir.mkdir(parents=True, exist_ok=True)
 
-    # 4.1) 任务级模特分配（按 spu.mark 映射模特目录 → 过滤非 3:4 图片 → 每个任务随机抽取）：
-    #      每个产品任务（含同一 SPU 的多个款）都独立随机抽一个模特，保证同款多产品模特不重复
+    # 4.1) 任务级图源分配（与 Pinterest 模式一致）：按 config.product.mark_dirs 可配置映射，
+    #      在「模特图/平铺图」两个有图的文件夹间随机抽图，每张携带 kind（model/flat）
+    #      → product_node 用对应提示词合成（模特三图 / 平铺三图）
     model_assign: Dict[int, Any] = {}
+    mark_dirs = pcfg.get("mark_dirs") or {}
+    prompts_cfg = (mark_dirs.get("1") or {})
     try:
-        from graph.product import build_mark_model_map, find_model_images_for_mark
-        mark_map = build_mark_model_map(db_path, material_root)
+        from graph.product import build_mark_sources
+        sources = build_mark_sources(material_root, mark_dirs, category)
     except Exception:  # noqa: BLE001
-        mark_map = {}
-    for _i, (_spu, _skus, _tb) in enumerate(worklist):
-        mark = str(_spu.get("mark") or "").strip() or "1"
-        folder = mark_map.get(mark, category)
-        try:
-            pool_imgs = find_model_images_for_mark(db_path, material_root, mark, folder)
-        except Exception:  # noqa: BLE001
-            pool_imgs = []
-        if pool_imgs:
-            model_assign[_i] = random.choice(pool_imgs)   # 过滤后随机抽（按任务序号）
-    if model_assign:
-        print(f"[product] 任务级模特分配：{len(model_assign)} 个产品任务（按 mark 过滤 3:4 后随机抽取）")
+        sources = {"model": [], "flat": []}
+    source_pool = []
+    for kind in ("model", "flat"):
+        for p in sources.get(kind) or []:
+            source_pool.append((p, kind))
+    if source_pool:
+        for _i in range(len(worklist)):
+            img, kind = random.choice(source_pool)   # 每任务随机抽一张（含 kind）
+            model_assign[_i] = {"img": img, "kind": kind, "prompts": prompts_cfg}
+        print(f"[product] 任务级图源分配：{len(model_assign)} 个产品任务（mark_dirs 模特/平铺图随机抽，含 kind）")
+    else:
+        print("[product] material_library 无任何可用图（模特/平铺均无）→ 跳过合成，仅导出模板")
 
     # 5) compose 节点生成的共享设计稿（图2）：每个任务用自己的热点简报设计（tb.design_path），
     #    一个货号对应一个设计（多颜色共用该设计），不再所有产品共用第一个
@@ -571,10 +622,13 @@ def product_node(state: Dict[str, Any]) -> Dict[str, Any]:
                     design_path = design_src
                 tb = dict(tb)
                 tb["design_path"] = design_path
+            _src = model_assign.get(wi) or {}
             r = _process_spu(db_path, basemap_root, material_root, category, prod_dir,
                              tb, ib, spu, skus, pcfg, _safe_errors, design_path, title_backend,
                              country, img_code=img_code,
-                             model_img=model_assign.get(wi),   # 按任务序号取独立随机模特
+                             model_img=_src.get("img"),       # 按任务序号取独立随机图源
+                             model_kind=_src.get("kind", "model"),
+                             prompts=_src.get("prompts"),
                              design_size=str((config.get("compose") or {}).get("design_size") or "1024x1024"),
                              compose_size=str((config.get("compose") or {}).get("size") or "1536x2048"))
             if r: