一位开发者在V2EX分享了自己以Vibe Coding方式开发的图片预处理小工具，用于解决AI生图平台上传图片时的格式限制问题。该开发者在使用多个免费AI生图平台时发现，不少模型对上传图片有明确要求，包括文件大小、尺寸、比例和格式等，而平台端不一定会自动处理，用户经常在选好图片后才发现无法上传，需要另找工具转换，生图前需额外做准备环节。针对这一痛点，开发者自行构建了预处理工具，目前支持GPT Image、Nano Banana、Qwen Image、Seedream等部分模型的图片要求适配，后续计划补充更多模型支持。工具完全免费、无需注册，访问地址为 inlet.codepic.cc，开发者表示主要出于个人使用便利而开发，同时开放给有相同需求的用户。这一工具指向AI生图工作流中的真实痛点：不同模型对输入图片要求各异且缺乏统一标准，用户在创作前需要耗费额外时间调整图片规格。通过将预处理环节自动化，可以减少重复操作、提升整体生图效率。该案例也展示了Vibe Coding开发方式在个人项目中的实际应用——借助AI辅助编程，开发者能够快速将具体需求转化为可用的工具产品。
事件分析
从技术角度看，该工具的核心价值在于对各家AI生图模型输入规范的聚合适配。当前主流图像生成模型对输入图片的大小、比例、格式要求各不相同，这些规范散落在各平台文档中，缺乏统一标准，工具以模型为维度做参数适配，属于典型的开发者侧补位方案。从产业层面看，AI生图工具链仍在快速补全过程中，上游模型厂商尚未将输入预处理作为默认能力提供，这为轻量级第三方工具留下了生存空间。类似需求未来可能通过两条路径被收编：一是生图平台内置自动转换能力，二是成熟图像处理工具集成各家模型规范库。此外，该项目以Vibe Coding方式构建，印证了AI辅助编程正在降低个人开发门槛的趋势，单个开发者可以在短时间内把一个具体痛点转化为可用工具。后续值得关注其模型覆盖范围能否持续扩展，以及是否会开源以获得社区共同维护。
核心观点：模型输入规范不统一暴露了AI生图工具链的短板，Vibe Coding正让个体开发者快速填补这类生态空隙。
原文链接：V2EX 分享发现
