一、这门课一句话怎么介绍？
这是一门围绕 视觉营销 + 企业 AI 视觉工作台 打造的 2 天线下实战课。
课程不是市面上普通的“教你怎么用 AI 生成一张图”，而是先带你看懂什么是好视觉、怎么把产品卖点讲清楚，再一步步搭建一套基于 Codex 的【个人/企业 AI 视觉工作台】。
（下面是一个“运营 bra 产品”的视觉工作台 demo）
课程第一天，老师会从【视觉诊断】入手，结合真实 Listing 案例，带大家看懂一款产品的 CTR、CVR 表现：数据不好时，先判断到底是图片问题，还是流量、价格、Review、竞品等其他问题。
如果确定是视觉问题，再找到具体是哪张图、哪个表达需要调整。
“做电商，卖的就是图片” - 只有先会判断图片好不好，才能判断 AI 生出来的图到底能不能用，这也是 AI 真正提效的前提。
很多人用 AI 生图，速度快了、成本低了，但如果图片不能服务点击、转化和品牌表达，做得再快也没有意义。
尤其对精品/品牌卖家来说，单链接 GMV 高、产品生命周期长，对产品精度、材质、比例、场景和品牌一致性的要求都更高，普通“抽卡式生图”很难满足。
有些精品/品牌卖家一套 Listing 视觉成本可能在 4000 元左右，设计师人均每月只能完成 4-5 套图。
所以他们更需要一套更精细、更可控、还能批量复用的 AI 视觉生产方式。
这里 Wynn 老师会分步骤讲解，怎么搭建一套更适合精品/品牌卖家的【AI 视觉工作台】。
这套 AI 视觉工作台，第一步会从产品出发，先【导入产品真值】。
也就是先让 AI 真正“看懂产品”：准确理解产品结构、材质、比例、颜色和使用方式，建立产品真实信息与视觉边界，减少变形、错图和 AI 幻觉，为后续稳定生图、批量生产打基础。
（下面是 Ai 视觉工作台 MVP 版 demo）
然后再进入“用户洞察 VOC → FABE 卖点 → 视觉策略（Visual Brief）”。相当于先让 AI 更准确地理解你的产品、用户和购买场景，再像一个视觉编导一样，把“该做什么图”规划清楚。
- 用户洞察 VOC：从评论、搜索词、问答、竞品等信息中，找到消费者为什么买、为什么不买，识别真正值得进入视觉表达的需求和购买阻力。
- FABE 证据化：把“产品有什么”转成“用户为什么愿意买”，建立“卖点 × 场景 ×证据 × 视觉”的说服链路。
- Listing 整页视觉策略：主图、附图、A+、视频各自承担什么任务，怎么从点击、理解、信任到转化，规划整套视觉内容节奏和图序。
（下面是 Ai 视觉工作台 MVP 版 demo）
以服装为例，工作台里的视觉策略会进一步拆到模特选角、场景选择、动作选择。
老师也会讲解怎么借助 AI 搭建自己的模特库、场景库和动作库，如下图所示。
为什么要把模特、地域、场景和动作做得这么细？
因为这些不是“为了好看”，而是为了让画面真正贴近目标用户和真实使用场景。
例如，通过 VOC 调研发现核心用户以 30 岁左右的非洲裔宝妈为主，高频场景是户外登山、健身房，那么模特、场景和动作就应该围绕这些真实信息来设计，用户看到时更容易产生代入感。
-->AI 不能替代人做最终判断，但当你把产品、用户、场景和规则讲清楚，它就能像一个执行力很强的视觉员工一样，把策略落地成图片，也能减少反复抽卡带来的时间和 Token 浪费。
这个过程就是可控 AI 商业生图的核心：让 AI 生图从“碰运气”变成有目标、有标准、可验收。
下面是童车的视觉策略案例：
从 用户洞察 VOC → FABE 产品卖点 → 视觉策略（Visual Brief）→ AI 商业生图，完成第一版图片后，通常还不能直接上线。
常见的问题有：产品失真、比例错误、人物违和、场景不真实、品牌风格漂移等。
因此 Wynn 老师会分享怎么定位问题：到底是输入资料不对、Visual Brief 不清楚、模型能力有限，还是生成过程出了问题。原因找对了，后面才能做定向修改，而不是重新抽一张。
课程还会讲人工 + AI 双重 Review：AI 先做标准化检查，人负责产品准确、商业表达、品牌一致和平台要求的最终判断。让图片从“看着不错”走到“真的能用”，同时减少来回沟通和大量返工。
不同品类的产品，在 AI 视觉生图里关注点也不一样。
老师会从服装、户外、家居、家电&3C 四类中选三类举例，让大家看懂人物、空间、尺度、结构、材质、使用关系等关键差异，学会按自己的品类去调整，而不是照搬一套模板。
老师会在现场完成：商品资料 → 用户洞察 → FABE → 视觉策略（Visual Brief）→ 模型选择 → 首次生成 → 失败诊断 → 定向修改 → AI 审核 → 人工审核，跑通一遍核心工作流。
第一天结束后，你会知道一套 AI 视觉工作台从 0-1 是怎么搭起来的，也会跑通从资料输入到出图、Review、修改的核心流程。除了 SOP，老师还会提供相关 Skill 模板和 Prompt，方便课后继续实践。
课程第二天，重点是把第一天跑通的单品方法继续放大，变成多 SKU、多渠道、团队都能复用的能力：
- 从单张图到跨渠道内容生产：一个产品在 Amazon 做对后，怎么继续延展到独立站、社媒、Meta 广告？老师会结合用户购物旅程，从“用户 × 人群 × 渠道 × 购买阶段”规划内容，让 AI 参与多 SKU、多渠道内容生产，减少每个平台都重新从 0 开始。
- 从“做视觉”到“做品牌”：AI 批量出图之后，更容易出现“单张都不错，放在一起不像一个品牌”的问题。老师会分享怎么建立可持续复用的 Brand Context（品牌手册），把品牌定位、视觉规则真正落实到产品和内容里。
- 从“做对一个产品”，到多 SKU、多品类持续复制：个人懂 AI ≠ 企业拥有 AI视觉能力。只有把方法、SOP 和资产沉淀下来，下一款产品、下一个员工才不用重新摸索。Wynn 老师会讲怎么借助 Figma，把成熟经验沉淀成组件、模板和视觉资产，让 AI、运营、品牌、设计都能直接调用。同时规划企业自己的视觉资产库，把品牌规范、产品素材、页面模板、优秀案例、Review 标准等统一留下来。这样，高手做对的方法就不只留在个人脑子里。哪怕人员变化，公司的模板、案例和判断标准也能继续用。
- 从“听明白”到“落下去”：团队管理 × 企业 AI 落地 90 天试点：想真正搭起一套属于自己的 AI 视觉工作台，不建议一上来就全面替换现有流程，更适合先从一个 90 天试点开始。Wynn 老师会讲解，怎么结合自己的业务制定一份 90 天 AI 视觉试点计划：先用一个真实产品验证方法和工作流程，跑通以后，再从单产品 → 单品牌 →多 SKU → 多团队逐步复制。
同时，工作台启用后，视觉 SOP 和团队分工也要一起升级。
- 老板、运营、品牌、视觉、设计、摄影分别负责什么？
- 哪些交给 AI，哪些必须人工判断？
- Review 怎么做、绩效怎么调、资产怎么沉淀？
这些都会影响 AI 最后到底是真提效，还是把成本转移到新的环节。
2 天的目标，是从单品视觉验证一路走到企业 AI 视觉工作台。
让 AI 真正参与到视觉分析、策略制定、商业生图、内容生产、质量检查和团队协作中。
把过去“运营提需求 → 设计接单 → 反复改稿 → 每个新品重新开始”的低效模式，逐步变成一套有判断、有标准、能复用、能沉淀的 AI 视觉生产方式。
二、这门课主要解决什么问题？
第一，AI 会出图了，但真正能上线的图还是不够多
现在 AI 生成图片已经不难，真正难的是“能不能用”：
- 产品结构被 AI 改掉
- 颜色、材质、比例不准确
- 人物和场景不真实
- 画面 AI 感强
- 图片很好看，但没有把真正影响购买的卖点表达出来
“能生成” ≠ “能商用”
课程会重点讲：先锁定产品真值 → 明确目标用户和场景 → 生成 → Review →找问题 → 定向修改。
不是让 AI 随意发挥，而是给它明确的产品、地域、场景、动作和材质边界，让结果更稳定、更贴近真实商业使用。
第二，图做得“好看”，但不一定能解决业务问题
很多卖家会遇到：新品图看着不错，上线以后 CTR、CVR 还是不理想，也不知道到底是不是视觉的问题。
课程会从真实 Listing 出发，先排查视觉、流量、价格、Review、竞品、页面结构，再决定到底要不要改图。
如果确定是视觉问题，再从搜索词、评论、问答、竞品里找到用户为什么买、为什么不买，以及哪些卖点真正值得进画面。
核心不是一掉数据就重做，而是先把问题找准，再决定视觉怎么改。
第三，运营懂产品，设计懂视觉，但两边经常“说不到一起”
运营常说：“卖点再突出一点”“这里高级一点”“这张图没打到用户”。
但设计真正需要知道的是：目标用户是谁、最重要的购买理由是什么、这张图到底要证明什么。
课程会把产品信息 + 用户需求 + 竞品 + VOC + FABE，进一步转成信息优先级 +Visual Brief + 图序 + 画面任务。
让运营、AI 和设计用一套更清楚的“视觉任务语言”，少一点来回猜、少一点返工。
第四，AI 出图便宜了，但团队不一定真的更高效
老师目前常用模型的参考生图成本已经很低：
- Nano Banana 2.0：0.1–0.3 元/张
- Nano Banana Pro：0.4–1 元/张
- GPT Image 2：0.3–1.5 元/张
- ComfyUI：0.2–0.8 元/张
但真正的成本不只是一张图多少钱。
如果十几张才能挑出一张、运营设计来回改、每个 SKU 都重新摸索，单张图再便宜，整体成本也不一定真降下来。
所以这门课更关注：少抽卡、少返工、少重复生产，把一次做对的方法留下来，让图片可用率达到 70-80%。
第五，一个人会用 AI，不等于企业拥有 AI 视觉能力
很多团队现在的问题是：某个设计师很会用 AI，换个人就不会；某个 SKU 做成功了，下一个产品又重新开始。
好的 Prompt、Brief、Review 标准、历史案例，也常常散落在不同人的电脑和个人经验里。
课程会进一步讲怎么把这些成熟方法沉淀成模板、规则、Review 标准、Figma 资产、案例库和工作流，让 AI 视觉不再只靠某个人。
三、它和普通 AI 生图课最大的区别是什么？
普通 AI 生图课更多解决：Prompt 怎么写？哪个模型更好？怎么把一张图做漂亮？
这门课更关注的是一条真实的跨境视觉业务链：
产品事实 / 市场数据 → 视觉诊断 / 用户洞察 → FABE / Visual Brief → AI 商业生图 → AI + 人工 Review → 定向修改 → 跨渠道内容 → 品牌资产 → 企业AI 视觉工作台
重点不是让 AI“多出几张图”，而是先让 AI 知道为什么做、做给谁看、什么标准算合格，再让它去执行。
老师实际的思路可以理解成两个工作台：
- 视觉分析工作台：负责产品、用户、竞品、卖点和视觉策略
- 视觉生图工作台：负责生成、审查、修改和迭代
不是把一句 Prompt 扔给模型碰运气，而是把前后逻辑串起来。
四、为什么一定要从“AI 工具”走向“AI 视觉工作台”？
老师所在的业务本身就是 30 亿级、多品牌、多 SKU 的跨境场景。
业务一旦做大，真正难的已经不是“怎么做一张图”，而是 SKU 越来越多以后，质量怎么稳、标准怎么统一、内容怎么快速延展、做对的方法怎么留下来。
所以课程后半部分会继续拆解：企业 AI 视觉工作台到底怎么搭？
产品事实 × 品牌规则 × 用户洞察 × 任务判断 × AI 生产 × Review × 视觉资产× 数据复盘
再根据不同产品、不同品类、不同业务目标去做适配。
重点不是照搬一个 Agent，而是知道 AI 该怎么嵌进自己的业务、哪些可以标准化、哪些必须按品类和团队调整。
五、这门课的核心价值是什么？
1. 降本，不只是把单张图做便宜
AI 生图参考成本可以低至 0.1 元/张起，但更重要的是减少抽卡、返工、沟通和每次从 0 开始的重复成本。
2. 提高商业可用率，少抽卡、少返工
不只追求“漂亮”，而是看产品准不准、材质比例对不对、场景真不真、卖点有没有讲清楚、品牌表达是否一致。
3. 一套方法，多 SKU、多渠道继续用
Amazon 做对后，可以继续延展到广告、社媒、独立站和旺季内容，不用每换一个渠道就重新从零生产。
4. 把高手经验真正留在公司
把 Brief、Review、规则、模板、案例和判断经验沉淀下来，换 SKU、换人、换团队，也不用重新摸索。
六、两天学完，可以带走什么？
- 一套单品 AI 视觉完整方法：视觉诊断、用户洞察、FABE、Visual Brief、AI生图、Review、定向修改
- 一个 AI 视觉工作台最小 MVP 思路：知道怎么搭、怎么跑、怎么按自己的品类调整
- 一套可继续使用的 Skill / Prompt / SOP 参考：方便课后继续优化自己的业务流程
- 一套企业视觉资产沉淀方法：Brand Context、Figma 组件、模板、Review标准、案例库
- 一份 90 天 AI 视觉试点计划：明确从哪个产品开始、团队怎么协作、后续怎么逐步复制
七、这门课适合哪些人？
1. 跨境企业老板 / 业务负责人
想看清 AI 到底怎么进入视觉团队、怎么提效、怎么降低对核心员工和外部供应商的依赖。
2. 运营 / 品牌 / 视觉负责人
想把用户、卖点、页面策略、生图和 Review 真正串起来，减少沟通返工，提升内容生产效率。
3. 企业 AI 应用负责人 / 核心骨干
想把 AI 从几个零散工具，升级成真正能嵌入业务的工作台和团队能力。
八、常见问题解答
Q1：这是一门 AI 生图工具课吗？
不是。商业生图只是其中一环。课程真正跑的是：视觉诊断 → 用户洞察 → Visual Brief → AI 生图 → Review → 跨渠道内容 → 品牌资产 → 企业工作台。
Q2：用 AI 视觉工作台生图的成本是多少？
结合不同的品类，老师会推荐适配的模型，下面是老师常用模型的参考生图成本：
- Nano Banana 2.0：0.1–0.3 元/张
- Nano Banana Pro：0.4–1 元/张
- GPT Image 2：0.3–1.5 元/张
- ComfyUI：0.2–0.8 元/张
这个图片都是可以商用的，并且单张图的成本很低。
Q3：搭建一套 AI 视觉工作台成本预计是多少？
如果是先搭建一个轻量版工作台，估算一下服务器、存储、域名和模型/API 测试费用，大概 1000–3000 元可以先跑起来。比如：
- Codex / GPT 订阅：100 美金或 200 美金/月两档，个人级可用 100 美金/月，企业级一般推荐 200 美金/月
- 服务器：几十元/月
- 域名 + DNS 等：几十元/月
Q4：不会设计，可以学吗？
可以。老板和运营不需要学专业设计软件，更重要的是学会怎么看视觉、怎么提需求、怎么判断 AI 结果、怎么和视觉团队协作。
Q5：学完是不是就完全不需要设计师了？
不是。AI 更适合承担重复、标准化、可结构化的工作；人依然负责策略、品牌、创意、审美和最终商业判断。
Q6：和直接用 ChatGPT / Nano Banana 生成图片有什么区别？
普通 Chat 更像一次性任务：“帮我生成一张图。”
这门课更强调搭一个可以重复使用、批量生图、持续迭代的视觉工作台。
从产品 Context、用户洞察、购买理由、Visual Brief、模型选择、Review、定向修改，到工作流沉淀。目标不是让 AI 帮你做一次，而是下一次还能继续用。
Q7：课程重点是让每个人现场搭完整企业系统吗？
不是。这门课能教给您一套能跑起来的最小工作台 + 配套 Skills/Prompt + 0-1 搭建方法 + 后续迭代思路，让您回到公司后有能力继续把它做成适合自己业务的版本。
Q8：课程怎么上？
10 月 10 日–10 月 11 日，2 天深圳线下实战课。