museav-cli 2.1.0 → 2.3.0

package/src/index.ts

@@ -15,6 +15,8 @@ import { bindFeishu } from './commands/bind-feishu.js'
 import { printWelcome } from './commands/welcome.js'
 import { gen } from './commands/gen.js'
 import { reverse } from './commands/reverse.js'
+import { compressCmd, removeBgCmd } from './commands/img-tools.js'
+import { projects, createProject, listAssets, addAsset, removeAsset, resolveWorkspace } from './commands/projects.js'
 import { imageToTemplate } from './commands/image-to-template.js'
 import { upload } from './commands/upload.js'
 import { models } from './commands/models.js'
@@ -93,6 +95,34 @@ function withClient<T extends (...args: any[]) => Promise<any>>(fn: T) {
   }
 }
 
+// reverse 的本地路（Ollama）不需要中台凭证，client 懒构造：只有真回落 API 才建，
+// 未登录的报错也只在那时候出现
+function withLazyClient(fn: (getClient: () => StudioClient, ...args: any[]) => Promise<any>) {
+  return async (...args: any[]) => {
+    try {
+      const opts = args[args.length - 2]
+      const positional = args.slice(0, -2)
+      const getClient = () => new StudioClient(loadConfig())
+      await fn(getClient, ...positional, opts)
+    } catch (e) {
+      process.stderr.write(`❌ ${(e as Error).message}\n`)
+      process.exit(1)
+    }
+  }
+}
+
+// 本地命令（compress / remove-bg 等）：不碰中台、不需要任何凭证，只包一层统一的错误出口
+function asyncRun(fn: (...args: any[]) => Promise<any>) {
+  return async (...args: any[]) => {
+    try {
+      await fn(...args)
+    } catch (e) {
+      process.stderr.write(`❌ ${(e as Error).message}\n`)
+      process.exit(1)
+    }
+  }
+}
+
 // products / assets 查的是租户自己后台的数据，不是 Studio 中台的，走独立的 TenantClient
 // （见 tenant-client.ts 顶部注释），只支持租户 apiKey 身份，不支持个人 login token。
 function withTenantClient<T extends (...args: any[]) => Promise<any>>(fn: T) {
@@ -127,7 +157,7 @@ program
   // 不设默认值：--skill / --template 场景下要让技能/模板自己的比例生效，
   // CLI 强填默认值会把它们覆盖掉（服务端在纯 --prompt 场景已有 3:4 兜底，这里不用重复兜底）
   .option('-r, --ratio <ratio>', '宽高比: 3:4 / 9:16 / 1:1 / 4:3 / 16:9（不指定则用技能/模板自己的比例，纯 prompt 模式兜底 3:4）')
-  .option('-m, --model <name>', '指定模型，如 gpt-image-2 / seedance-2-fast / artsdance-2-0-pro-260801')
+  .option('-m, --model <name>', '指定模型，如 gpt-image-2 / artsdance-2-0-pro-260801（视频不传则走 auto 路由）')
   .option('-q, --quality <level>', '质量: low / medium / high（仅 gpt-image）')
   // 可重复：--ref 正面.jpg --ref 背景.jpg。顺序即语义——提示词里写「参考图片1的排版、
   // 用图片2作为背景」时，图片N 对应第 N 个 --ref。commander 的 collect 保证顺序。
@@ -136,15 +166,69 @@ program
   // 透明背景是上游的 background 参数，不是提示词能表达的东西——提示词里写
   // "transparent background" 只是在描述构图，模型照样铺一层白底。这个开关才是抠图开关。
   .option('--transparent', '透明背景 PNG（抠掉背景，带 alpha 通道）。仅部分上游支持，不支持时中台明确报错、不会悄悄给白底图；服务端自动强制 PNG 输出（JPEG 没有 alpha 通道）')
-  .option('--video', '生成视频（走 /api/videos 链路，模型如 seedance-2-fast / artsdance-2-0-pro）')
+  .option('--video', '生成视频（走 /api/videos 链路；模型档次如 artsdance-2-0-pro-260801，不传 --model 走 auto 路由）')
   .option('--duration <sec>', '视频时长（秒，仅 --video；由模型与上游支持范围决定）', (v) => Number(v))
   .option('--image <file>', '图生视频首帧图（仅 --video，自动上传）')
+  .option('--project <id|名>', '归档进该工作区（museav projects 查；账户身份才生效）')
   .action(withClient((client: StudioClient, opts: any) => gen(client, opts)))
 
+program
+  .command('compress <file>')
+  .description('本地压缩图片（sharp，免登录）：默认同目录 <名>-min.<格式>，不覆写原文件')
+  .option('--out <path>', '输出路径（默认 <名>-min.<格式>）')
+  .option('--max-edge <px>', '最长边缩到该像素（等比，inside）')
+  .option('--quality <1-100>', 'jpg/webp 质量，默认 82')
+  .option('--format <fmt>', '输出格式 jpg / png / webp（默认跟随原格式）')
+  .option('--overwrite', '允许覆盖已存在的输出文件')
+  .action(asyncRun((input: string, opts: any) => compressCmd(input, opts)))
+
+program
+  .command('remove-bg <file>')
+  .description('本地抠图去背景（ISNet/U2Net + onnxruntime，免登录）：输出带 alpha 的 PNG。首次使用自动下载模型（~170MB，缓存 ~/.museav-models）')
+  .option('--out <path>', '输出路径（默认 <名>-nobg.png）')
+  .option('--model <name>', 'isnet（默认，质量优先）/ u2net')
+  .option('--overwrite', '允许覆盖已存在的输出文件')
+  .action(asyncRun((input: string, opts: any) => removeBgCmd(input, opts)))
+
+// 工作区（项目）与项目素材库：平台 → 账户 → 工作区三层归属，素材挂工作区
+const projectsCmd = program
+  .command('projects')
+  .description('工作区（项目）管理：一个账户多个工作区，每个工作区有自己的素材库（人像库/产品库各管各的业务）')
+  .action(withClient((client: StudioClient) => projects(client)))
+
+projectsCmd
+  .command('create')
+  .description('新建工作区（每账户最多 5 个）')
+  .requiredOption('--name <name>', '工作区名称（最多 20 字）')
+  .action(withClient((client: StudioClient, opts: any) => createProject(client, opts)))
+
+const assetsCmd = projectsCmd
+  .command('assets')
+  .description('项目素材库：列出 / 上传 / 删除该工作区的素材（垫图母版，不压缩）')
+
+assetsCmd
+  .description('列工作区素材库')
+  .option('--project <id|名>', '工作区 id 或名称（必填，不传会明确报错）')
+  .action(withClient((client: StudioClient, opts: any) => listAssets(client, opts)))
+
+assetsCmd
+  .command('add <file>')
+  .description('上传素材进工作区素材库（图片/音频/视频，按字节判型；母版不压缩）')
+  .requiredOption('--project <id|名>', '工作区 id 或名称')
+  .option('--name <name>', '素材名，如「白T正面」')
+  .option('--tag <tag>', '标签，可重复（产品 / 人像 / 场景…）', (v: string, acc: string[]) => [...acc, v], [] as string[])
+  .action(withClient((client: StudioClient, file: string, opts: any) => addAsset(client, file, opts)))
+
+assetsCmd
+  .command('rm <id>')
+  .description('删除素材（硬删：R2 对象 + 记录）')
+  .action(withClient((client: StudioClient, id: string) => removeAsset(client, { id })))
+
 program
   .command('reverse <input>')
-  .description('读图：上传图或图片 URL，反推 SCULPT prompt，stdout 输出英文 prompt（只读图；要做成模板用 image-to-template）')
-  .action(withClient((client: StudioClient, input: string) => reverse(client, input)))
+  .description('读图：反推 SCULPT prompt，stdout 输出英文 prompt。主路本地 Ollama（qwen3-vl，快，无需登录）；本地不可用回落中台 API（会提示较慢）。只读图；要做成模板用 image-to-template')
+  .option('--api', '跳过本地 Ollama，强制走中台 API（慢，需登录）')
+  .action(withLazyClient((getClient: () => StudioClient, input: string, opts: any) => reverse(getClient, input, opts)))
 
 program
   .command('image-to-template <input>')
@@ -194,10 +278,11 @@ videoTemplatesCmd
   )
   .requiredOption('--name <zh_name>', '模板中文名')
   .requiredOption('--prompt <template>', '提示词模板，占位符用 {key} 形式，如 "{product} 在 {scene} 中展示"')
+  .option('--slug <slug>', '对外调用标识（全局唯一，视频模板硬必填）；不传自动生成 vt- 前缀短标识')
   .option('--category <name>', '分类，默认「其他」')
   .option('--description <text>', '模板说明')
-  .option('--model <name>', '视频模型，默认 seedance-2（可选 seedance-2-fast / seedance-2-mini / artsdance-2-0-pro-260801）')
-  .option('--duration <sec>', '视频时长（秒，4-15，可选）')
+  .option('--model <name>', '视频模型档次，默认 auto（交给中台路由）；锁死可选 artsdance-2-0-pro-260801（Seedance 2.0）/ artsdance-2-0-fast-260801 / artsdance-2-0-mini-260801 / artsdance-2-5-pro-260801（Seedance 2.5）')
+  .option('--duration <sec>', '视频时长（秒，4-30：Seedance 2.0 系上限 15、2.5 到 30，可选）')
   .option('--ratio <ratio>', '画面比例: 9:16 / 16:9 / 1:1 / 3:4（可选）')
   .option('--sample-video <url>', '参考视频 URL（可选，展示给用户的示例片）')
   .option('--sample-cover <url>', '封面图 URL（可选）')
@@ -237,9 +322,10 @@ program
 
 program
   .command('jobs')
-  .description('查自己名下的出图工作流（个人 login 看自己的；租户 apiKey 看业务下全部）——服务端固定返回最近 50 条，limit/status 是本地过滤')
+  .description('查自己名下的出图工作流（个人 login 看自己的；租户 apiKey 看业务下全部）——服务端固定返回最近 50 条，limit/status/project 是本地过滤')
   .option('--limit <n>', '最多显示几条（在最近 50 条以内截取），默认 20', '20')
   .option('--status <status>', '按状态过滤: pending / processing / done / failed（本地过滤，不是服务端查询）')
+  .option('--project <id|名>', '只看归档进该工作区的任务（本地过滤）')
   .action(withClient((client: StudioClient, opts: any) => jobs(client, opts)))
 
 program

package/src/local-bg.ts

@@ -0,0 +1,142 @@
+/**
+ * 本地抠图（去背景）—— remove-bg 的核心实现。
+ * 模型走 ONNX（ISNet / U2Net，均 Apache-2.0），推理走 onnxruntime-node（MIT），
+ * 前后处理走 sharp —— 整条链路许可证干净（imgly 那个 npm 包是 AGPL，不进依赖），
+ * 且三个依赖在 macOS / Windows / Linux 都有预编译，无平台特化代码。
+ * 模型文件首次使用时下载到 ~/.museav-models/ 缓存（一次性 ~170MB）。
+ */
+import { mkdir, writeFile, stat } from 'node:fs/promises'
+import { join } from 'node:path'
+import { homedir } from 'node:os'
+
+export const BG_MODELS = {
+  isnet: {
+    file: 'isnet-general-use.onnx',
+    // rembg 官方 release 托管的同一份模型（Apache-2.0，源自 xuebinqin/DIS）
+    url: 'https://github.com/danielgatis/rembg/releases/download/v0.0.0/isnet-general-use.onnx',
+    label: 'ISNet（通用，质量优先）',
+  },
+  u2net: {
+    file: 'u2net.onnx',
+    url: 'https://github.com/danielgatis/rembg/releases/download/v0.0.0/u2net.onnx',
+    label: 'U2Net（经典通用）',
+  },
+} as const
+
+export type BgModelKey = keyof typeof BG_MODELS
+
+const MODEL_DIR = join(homedir(), '.museav-models')
+const INPUT_EDGE = 1024
+
+function modelPath(key: BgModelKey): string {
+  return join(MODEL_DIR, BG_MODELS[key].file)
+}
+
+/** 模型在位返回路径；不在则下载（流式，进度打 stderr）。下载失败抛 Error */
+export async function ensureBgModel(key: BgModelKey): Promise<string> {
+  const dest = modelPath(key)
+  try {
+    const s = await stat(dest)
+    if (s.size > 10_000_000) return dest // 正常模型都是百 MB 级；太小的文件视为残缺重下
+  } catch {
+    // 不存在，走下载
+  }
+  await mkdir(MODEL_DIR, { recursive: true })
+  const def = BG_MODELS[key]
+  process.stderr.write(`↓ 首次使用，下载 ${def.label}（~170MB，一次性，缓存到 ${MODEL_DIR}）...\n`)
+  const resp = await fetch(def.url)
+  if (!resp.ok || !resp.body) throw new Error(`模型下载失败 HTTP ${resp.status}：${def.url}`)
+  const total = Number(resp.headers.get('content-length') || 0)
+  const chunks: Buffer[] = []
+  let got = 0
+  const reader = resp.body.getReader()
+  for (;;) {
+    const { done, value } = await reader.read()
+    if (done) break
+    chunks.push(Buffer.from(value))
+    got += value.length
+    if (total) process.stderr.write(`  ${((got / total) * 100).toFixed(0)}%\r`)
+  }
+  process.stderr.write('\n')
+  const buf = Buffer.concat(chunks)
+  if (buf.length < 10_000_000) throw new Error('模型下载不完整，请重试')
+  await writeFile(dest, buf)
+  return dest
+}
+
+/** 抠图主流程：输入图片路径 → 输出带 alpha 的 PNG Buffer */
+export async function removeBackgroundLocal(inputPath: string, modelKey: BgModelKey): Promise<Buffer> {
+  // 动态加载：onnxruntime-node 是 optionalDependency，缺失时给安装指引而不是崩
+  let ort: typeof import('onnxruntime-node')
+  try {
+    ort = await import('onnxruntime-node')
+  } catch {
+    throw new Error('onnxruntime-node 不可用。重装 CLI 即可补上：npm install -g museav-cli')
+  }
+  const sharp = await loadSharpOrThrow()
+  const modelFile = await ensureBgModel(modelKey)
+  const session = await ort.InferenceSession.create(modelFile)
+
+  // ── 预处理：EXIF 转正、去 alpha、RGB raw ──
+  const { data: rgb, info } = await sharp(inputPath).rotate().removeAlpha().raw().toBuffer({ resolveWithObject: true })
+  if (info.channels !== 3) throw new Error(`预处理得到 ${info.channels} 通道（预期 3）`)
+
+  // ── 模型输入：拉伸到 1024×1024，(x/255 - 0.5)/0.5 归一化，HWC → CHW ──
+  const small = await sharp(rgb, { raw: { width: info.width, height: info.height, channels: 3 } })
+    .resize(INPUT_EDGE, INPUT_EDGE, { fit: 'fill' })
+    .raw()
+    .toBuffer()
+  const f32 = new Float32Array(3 * INPUT_EDGE * INPUT_EDGE)
+  const N = INPUT_EDGE * INPUT_EDGE
+  for (let i = 0; i < N; i++) {
+    f32[i] = (small[i * 3] / 255 - 0.5) / 0.5
+    f32[N + i] = (small[i * 3 + 1] / 255 - 0.5) / 0.5
+    f32[2 * N + i] = (small[i * 3 + 2] / 255 - 0.5) / 0.5
+  }
+  const feeds: Record<string, import('onnxruntime-node').Tensor> = {}
+  feeds[session.inputNames[0]] = new ort.Tensor('float32', f32, [1, 3, INPUT_EDGE, INPUT_EDGE])
+  const results = await session.run(feeds)
+  const out = results[session.outputNames[0]]
+  const maskFlat = out.data as Float32Array
+  if (maskFlat.length < N) throw new Error(`模型输出尺寸异常（${maskFlat.length}）`)
+
+  // ── 后处理：min-max 归一化到 0-255，再缩回原图尺寸 ──
+  let lo = Infinity
+  let hi = -Infinity
+  for (let i = 0; i < N; i++) {
+    const v = maskFlat[i]
+    if (v < lo) lo = v
+    if (v > hi) hi = v
+  }
+  const range = hi - lo || 1
+  const mask8 = Buffer.alloc(N)
+  for (let i = 0; i < N; i++) mask8[i] = Math.round(((maskFlat[i] - lo) / range) * 255)
+  const maskFull = await sharp(mask8, { raw: { width: INPUT_EDGE, height: INPUT_EDGE, channels: 1 } })
+    .resize(info.width, info.height, { fit: 'fill' })
+    .raw()
+    .toBuffer()
+
+  // ── alpha 合成：直接构造 RGBA（alpha = mask），不依赖 composite 的混合语义 ──
+  const w = info.width
+  const h = info.height
+  const rgba = Buffer.alloc(w * h * 4)
+  for (let i = 0; i < w * h; i++) {
+    rgba[i * 4] = rgb[i * 3]
+    rgba[i * 4 + 1] = rgb[i * 3 + 1]
+    rgba[i * 4 + 2] = rgb[i * 3 + 2]
+    rgba[i * 4 + 3] = maskFull[i]
+  }
+  return sharp(rgba, { raw: { width: w, height: h, channels: 4 } }).png().toBuffer()
+}
+
+async function loadSharpOrThrow(): Promise<any> {
+  try {
+    const m = await import('sharp')
+    const sharp = (m as any).default ?? m
+    // 造 1px 图跑通全链路：native binding 坏了在第一次真用时才炸，这里提前暴露
+    await sharp({ create: { width: 1, height: 1, channels: 3, background: '#000' } }).raw().toBuffer()
+    return sharp
+  } catch {
+    throw new Error('sharp 不可用。重装 CLI 即可补上：npm install -g museav-cli')
+  }
+}

package/src/local-vision.ts

@@ -0,0 +1,150 @@
+/**
+ * 本地视觉模型（Ollama + qwen3-vl）—— reverse 的主路。
+ * 中台 API 逆向一次要十几秒到几十秒，本地 8b 量化模型在 Apple Silicon 上更快且零成本；
+ * API 降级为回落路（commands/reverse.ts 负责切换与提示）。
+ * 提示词与返回结构从中台 _reverse-core.js / reverse-template.js 移植，保证两条路产出同构。
+ */
+import { readFile } from 'node:fs/promises'
+import { compressForVision } from './compress.js'
+import type { ReverseResult } from './client.js'
+
+/** 本地读图模型。换档位用 MUSEAV_LOCAL_VLM 环境变量，不用改代码 */
+export const LOCAL_VLM_MODEL = process.env.MUSEAV_LOCAL_VLM || 'qwen3-vl:8b'
+
+const ALLOWED_RATIOS = ['3:4', '9:16', '1:1', '4:3', '16:9']
+
+// OLLAMA_HOST 生态里带不带 scheme、带不带尾斜杠的写法都有
+function ollamaHost(): string {
+  let host = process.env.OLLAMA_HOST || 'http://localhost:11434'
+  if (!/^https?:\/\//.test(host)) host = `http://${host}`
+  return host.replace(/\/+$/, '')
+}
+
+export interface LocalVlmStatus {
+  running: boolean
+  modelPresent: boolean
+  host: string
+  /** running=false 时的原因（给用户看的行动指引） */
+  reason?: string
+}
+
+// 各系统启动 Ollama 的正确姿势不同，提示语跟着平台走（Windows 没有 brew）
+function ollamaStartHint(): string {
+  if (process.platform === 'win32') return '启动 Ollama 应用（开始菜单 / Ollama.exe），或命令行运行 ollama serve'
+  if (process.platform === 'darwin') return 'brew services start ollama，或 ollama serve'
+  return 'systemctl --user start ollama，或 ollama serve'
+}
+
+/** 探活 + 模型在位检查。3 秒探不通就是没起服务，不等推理超时才发现 */
+export async function checkLocalVlm(): Promise<LocalVlmStatus> {
+  const host = ollamaHost()
+  try {
+    const resp = await fetch(`${host}/api/tags`, { signal: AbortSignal.timeout(3000) })
+    if (!resp.ok) {
+      return { running: false, modelPresent: false, host, reason: `Ollama 探活返回 HTTP ${resp.status}` }
+    }
+    const tags = (await resp.json()) as { models?: Array<{ name?: string }> }
+    const names = (tags.models || []).map((m) => m.name || '')
+    if (!names.includes(LOCAL_VLM_MODEL)) {
+      return { running: true, modelPresent: false, host, reason: `模型未拉取，执行: ollama pull ${LOCAL_VLM_MODEL}` }
+    }
+    return { running: true, modelPresent: true, host }
+  } catch {
+    return { running: false, modelPresent: false, host, reason: `Ollama 未运行（${host}），${ollamaStartHint()}` }
+  }
+}
+
+/** SCULPT 系统提示词 —— 从中台 reverse-template.js 移植。本地路只做纯读图，
+ *  中台提示词里的 genre / body_md（给 image-to-template 用的）在 ReverseResult 里
+ *  根本不消费，本地砍掉这两项省几百个输出 token——输出长度直接决定本地推理耗时 */
+function sculptSystemPrompt(): string {
+  return (
+    `你是一位专业的 AI 图像逆向工程师。请分析这张图片，用 SCULPT 六要素框架逆推生成该图片所需的 prompt。` +
+    `严格输出 JSON，不要输出任何其他文字：\n` +
+    `{\n` +
+    `  "sculpt": {\n` +
+    `    "subject": "主体描述 — 画面中的人物/物体/场景，包括外貌、姿态、服饰",\n` +
+    `    "composition": "构图描述 — 视角、布局、留白、视觉引导线",\n` +
+    `    "universe": "世界观 — 时代背景、艺术风格、整体氛围",\n` +
+    `    "light": "光影描述 — 光源方向、色温、明暗对比、光影效果",\n` +
+    `    "print": "输出特性 — 比例、色调倾向、对比度、饱和度",\n` +
+    `    "texture": "质感描述 — 材质、表面纹理、细节精度"\n` +
+    `  },\n` +
+    `  "prompt": "整合 SCULPT 六要素后的完整英文 prompt（适合 AI 图像生成模型）",\n` +
+    `  "prompt_cn": "对应中文 prompt",\n` +
+    `  "style_tags": ["2-4 个关键风格标签"],\n` +
+    `  "aspect_ratio": "推荐比例，从 3:4|9:16|1:1|4:3|16:9 中按图片比例选一个",\n` +
+    `  "zh_name": "4-8 字风格名（供技能命名）",\n` +
+    `  "description": "一句话描述该风格"` +
+    `\n}\n要求：prompt 必须是英文，详细且精确，覆盖全部六个维度；prompt_cn 为对应中文；只输出 JSON。`
+  )
+}
+
+/** 本地逆向一张图。任何失败都抛 Error，由调用方决定回落 */
+export async function reverseLocally(filePath: string): Promise<ReverseResult> {
+  // 复用上传同款压缩：图小不仅传得快，本地 VLM 推理也快
+  const { buffer, note } = await compressForVision(filePath)
+  if (note) process.stderr.write(`  ${note}\n`)
+  const bytes = buffer ?? (await readFile(filePath))
+  const b64 = Buffer.from(bytes).toString('base64')
+
+  const payload = {
+    model: LOCAL_VLM_MODEL,
+    messages: [
+      { role: 'system', content: sculptSystemPrompt() },
+      { role: 'user', content: '用 SCULPT 六要素分析这张图，逆推出图 prompt', images: [b64] },
+    ],
+    stream: false,
+  }
+
+  // 8b 视觉推理单张图几十秒量级，给足余量
+  const resp = await fetch(`${ollamaHost()}/api/chat`, {
+    method: 'POST',
+    headers: { 'Content-Type': 'application/json' },
+    body: JSON.stringify(payload),
+    signal: AbortSignal.timeout(5 * 60 * 1000),
+  })
+  if (!resp.ok) {
+    throw new Error(`Ollama 返回 HTTP ${resp.status}: ${(await resp.text()).slice(0, 200)}`)
+  }
+  const out = (await resp.json()) as { message?: { content?: string } }
+  const content = out.message?.content || ''
+  if (!content.trim()) throw new Error('本地模型返回空内容')
+
+  return normalizeSculpt(parseJsonLoose(content))
+}
+
+/** 视觉模型「只输出 JSON」的承诺不可信：剥 ```json 围栏、截首尾大括号 */
+function parseJsonLoose(text: string): Record<string, unknown> {
+  let t = text.trim().replace(/^```(?:json)?\s*/i, '').replace(/\s*```$/, '')
+  const start = t.indexOf('{')
+  const end = t.lastIndexOf('}')
+  if (start >= 0 && end > start) t = t.slice(start, end + 1)
+  return JSON.parse(t) as Record<string, unknown>
+}
+
+/** 与中台 basePayload 同构的归一化：超长截断、非法比例兜底 3:4 */
+function normalizeSculpt(parsed: Record<string, unknown>): ReverseResult {
+  const sculptIn = (parsed.sculpt || {}) as Record<string, unknown>
+  const sculpt: Record<string, string> = {}
+  for (const key of ['subject', 'composition', 'universe', 'light', 'print', 'texture']) {
+    sculpt[key] = String(sculptIn[key] || '').slice(0, 500)
+  }
+  const ratio = ALLOWED_RATIOS.includes(parsed.aspect_ratio as string)
+    ? (parsed.aspect_ratio as string)
+    : ALLOWED_RATIOS.includes(parsed.ratio as string)
+      ? (parsed.ratio as string)
+      : '3:4'
+  return {
+    ok: true,
+    sculpt,
+    prompt: String(parsed.prompt || '').slice(0, 2000),
+    prompt_cn: String(parsed.prompt_cn || '').slice(0, 2000),
+    style_tags: Array.isArray(parsed.style_tags)
+      ? (parsed.style_tags as unknown[]).slice(0, 6).map((t) => String(t).slice(0, 30))
+      : [],
+    aspect_ratio: ratio,
+    zh_name: String(parsed.zh_name || '裂变风格').slice(0, 24),
+    description: String(parsed.description || '').slice(0, 200),
+  }
+}