Daggr 图像工作流节点验收

先画出最小流程

先不要把所有功能一次接入。以一张待交付的 AI 图片为例，可以先拆成五类节点：输入素材、图像生成、尺寸或画质处理、候选筛选、文件导出。Daggr 的公开资料只确认了应用串联和可视化检查方向，具体节点实现要以你实际接入的应用和当前文档为准。

准备输入和字段

开始连接前，先为每次运行准备一份小样本。至少包含一条提示词、一张可选参考图、目标画幅、输出格式和验收标准。不要把“图片看起来不错”作为唯一标准，应该提前写明主体是否完整、尺寸是否符合用途、是否需要透明背景以及文件是否能正常打开。

建议每个节点都保留同一组追踪字段：task_id 用来关联整条流程，node_id 用来定位步骤，input_ref 记录输入文件或对象，output_ref 记录输出位置，status 记录成功、失败或待复核，error_message 记录可读的失败原因。字段名称可以按你的代码风格调整，但含义不要混用。

按顺序连接节点

1. 建立输入节点。把提示词、参考图、任务编号和目标规格整理成统一对象。缺少参考图时，明确传递空值或“无参考图”状态，不要让后续节点自行猜测。
2. 连接生成节点。只把生成所需字段传入，输出中同时保存图片引用和实际使用的配置。若应用返回多个候选结果，为每张图片分配独立的候选编号。
3. 连接处理节点。将生成结果作为图片输入，将放大比例、目标尺寸或格式作为参数输入。处理节点不要悄悄覆盖原图，输出应使用新的文件引用。
4. 连接筛选节点。先做机器可检查的项目，例如文件是否存在、尺寸是否正确、格式是否可读，再保留人工判断字段，例如主体完整度和构图是否适合用途。
5. 连接导出节点。只允许状态为合格的结果进入交付目录，同时保存任务编号、流程版本、节点结果和最终文件引用。
6. 逐节点运行。先单独运行输入到生成，再加入处理、筛选和导出。每增加一个节点就检查输入输出，避免整条链失败后才开始猜原因。

用一个小例子验证

假设任务是制作一张横向产品场景图。输入节点接收产品参考图、场景描述和目标画幅；生成节点返回两张候选图；处理节点统一尺寸；筛选节点检查产品主体是否完整、画面是否有明显异常；导出节点只保存人工确认的那一张。

这次运行可以记录为：task_id=product-scene-001。每个候选结果分别记录生成输出、处理输出和筛选状态。这样即使最终图片不合格，也能看出问题发生在生成阶段，还是放大、格式处理或人工筛选阶段。对于需要保持主体一致的项目，也可以参考站内的Diffusers 模块化工作流，但不要把其中的组件名称直接当成 Daggr 的固定节点。

常见故障排查

• 流程无法启动：常见原因是输入对象缺字段、字段类型不一致或节点连接方向错误。修正动作是先打印输入字段名和类型，再用一份最小任务单独运行入口节点。
• 生成节点有结果但后面为空：常见原因是输出字段名与下游读取字段不一致，或图片只保存在临时位置。修正动作是固定输出结构，并在交接处检查图片引用是否真实存在。
• 处理后图片打不开：常见原因是格式转换失败、文件写入未完成或扩展名与实际格式不一致。修正动作是重新读取文件并检查格式、尺寸和文件大小，再允许进入筛选节点。
• 筛选结果不准确：常见原因是验收规则过于笼统，或者自动检查和人工判断混在一起。修正动作是拆成硬性检查项与人工复核项，并保留未通过原因。
• 最终文件找不到：常见原因是导出节点没有使用唯一任务编号，或者覆盖了旧版本。修正动作是把任务编号、流程版本和候选编号写入文件名或元数据，并保留原始输出。

发布前检查清单

1. 输入图片、提示词和任务编号都已记录。
2. 每个节点都有明确职责，没有一个节点同时隐藏多个不可追踪步骤。
3. 上下游字段名称、类型和图片引用一致。
4. 生成、处理、筛选和导出的结果都能按任务编号回查。
5. 原图、处理中间结果和最终文件没有被意外覆盖。
6. 最终图片尺寸、格式、清晰度和透明状态符合使用场景。
7. 筛选不合格的候选图保留失败原因，便于返工。
8. 流程版本、模型配置和关键参数已保存。
9. 用一份新的小样本重新运行，确认流程不是只对旧缓存有效。
10. 交付目录中只有通过验收的最终素材。

完成这些检查后，再扩大候选数量或接入更多处理步骤。对于新手，先让一条短流程稳定运行，比一开始搭建复杂的视觉工作流编排更容易维护。