营销视觉生成最容易翻车的是「图好看但产品是错的」。这条工作流先从参考图提取产品证据，编译受控 prompt，生成后用确定性评分引擎按 18 项量规质检，分数不过硬门槛直接重试。
§问题：模型会画得很美，也会把产品画错
电商营销图对产品形态、材质、Logo 的保真度有硬要求。直接文生图的产出「形似神不似」：杯把手反了、logo 拼错了、材质不对。这类错误靠人眼一张张挑成本极高。
需要的是一条可审计的流水线：证据先行、生成受控、质检确定性、失败可重试。
§方案：确定性 Preflight + 确定性 Score Engine
七个节点：产品参考图 → Product Evidence（证据提取）→ Prompt Compiler（受控提示词编译）→ 确定性 Preflight（前置校验）→ Qwen Image 生成 → Visual QA（18 项量规）→ 确定性 Score Engine 汇总。
React Flow 画布实时高亮运行节点，边上数据包动画展示数据流转；SSE 事件重放让每次运行可回放、可审计；最多一次手动修订，控制成本。
SSE 运行可重放zod Schema 校验支持 结果图下载
§真实模型验证记录
2026-09-28 实测通过文本 JSON、原生文生图、参考图生成、完整工作流四条链路；完整工作流分项评分 A54 / B30 / C15，由代码求和为 99，Hard Gate 全部 PASS，附请求 ID 可回查。构建产物与 40 项测试就绪。
§界面速览
§难点与取舍
为什么质检用确定性引擎而非模型打分
质检必须可复现：18 项量规由代码确定性汇总，模型只负责视觉证据提取，不直接给分。
为什么状态用进程内 Map 而不是数据库
v0.1 范围内单机单用户，明确不做登录 / 共享 / 队列——用范围换交付速度，并在 README 声明边界。
§接下来
4:5 / 16:9 尺寸实测批量出图队列质检量规可配置化