这个 Skill 能做什么，适合哪些场景？
9router-image 是 9Router 仓库（decolua/9router，MIT 许可）中 9 个技能之一，教 AI 代理调用 9Router 的 /v1/images/generations 端点生成图片。它覆盖了模型发现（/v1/models/image）、请求字段、响应格式（URL、base64、二进制字节流）以及各提供商的特殊行为差异。使用前需要先运行 9Router 服务并配置 NINEROUTER_URL 环境变量。它本身只是指令文档，不含脚本，任何能执行 shell 命令的 Agent Skills 客户端都可使用。
读取 NINEROUTER_URL（及可选的 NINEROUTER_KEY）环境变量；通过 GET /v1/models/image 列出可用图像模型，通过 /v1/models/info 查询单模型的尺寸、质量等参数；向 POST /v1/images/generations 发送含 model、prompt 及可选 n、size、quality、response_format 的 JSON 请求；支持追加 ?response_format=binary 直接保存原始 PNG/JPEG 字节到文件；输出 JSON 响应（data[].url 或 data[].b64_）或二进制图片。SKILL.md 还按提供商（openai、gemini、codex、huggingface、fal-ai、stability-ai、black-forest-labs、runwayml、sdwebui、comfyui 等）列出字段差异，例如 Gemini 忽略 size/n、部分提供商支持 img2img 或异步轮询。
- 前端开发者在 AI 编程会话中需要为占位设计生成示意图或图标时，让代理直接调用图像模型并保存 PNG。
- 内容创作者用 Claude Code 等工具批量生成配图，通过 ?response_format=binary 一步落盘文件。
- 已部署 9Router 的用户想在同一网关下切换 DALL-E 3、Gemini 图像或本地 ComfyUI/SDWebUI，无需改动客户端代码。
- 需要根据不同提供商微调参数（如 OpenAI 的 quality/style、FLUX 的精确宽高）的集成开发者。
- 使用本地 Stable Diffusion WebUI（:7860）或 ComfyUI（:8188）且无鉴权的用户，把本地出图接入代理工作流。
如何安装这个 Skill？
- 提示词与生成图像会经用户配置的9Router及上游供应商传输，敏感内容请自行评估。
- 技能依赖环境变量NINEROUTER_URL/KEY及已部署的9Router实例，且部分供应商在大陆网络可能不可达。
- 文档中的模型名与供应商quirks未经执行验证，使用前请先通过/v1/models/image确认可用模型。
- 发布者未经验证，仓库内无针对该技能的测试覆盖。
- Shell / 命令行
- 网络访问
- 本地文件系统
9Router instance with NINEROUTER_URL configuredNINEROUTER_KEY if auth enabledcurl (for shell examples)
该技能属于 9Router 仓库的技能集合，文件位于 skills/9router-image/SKILL.md。将仓库克隆后，把 skills/9router-image 文件夹放入你的 Agent Skills 目录（如 Claude Code 的技能目录）。SKILL.md 未提供专门的安装脚本；实际使用前提是先安装并运行 9Router（npm install -g 9router 后执行 9router，仪表盘在 http://localhost:20128），并设置 NINEROUTER_URL（若开启鉴权还需 NINEROUTER_KEY），具体 setup 步骤见 skills/9router/SKILL.md。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/decolua/9router.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/9router-image" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 帮我生成一张日出水彩山景图片
- Authorization: Bearer $NINEROUTER_KEY
- {"model":"gemini/gemini-3-pro-image-preview","prompt":"watercolor mountains at sunrise","size":"1024x1024"}
- watercolor mountains at sunrise
触发方式：对代理说“帮我生成一张日出水彩山景图片”之类的请求，代理会按 SKILL.md 调用端点。示例：curl -X POST "$NINEROUTER_URL/v1/images/generations?response_format=binary" -H "Authorization: Bearer $NINEROUTER_KEY" -H "Content-Type: application/" -d '{"model":"gemini/gemini-3-pro-image-preview","prompt":"watercolor mountains at sunrise","size":"1024x1024"}' --output out.png。也可先用 curl $NINEROUTER_URL/v1/models/image 查看可选模型。
这个 Skill 有哪些优点和局限？
- 一个端点统一访问 OpenAI、Gemini、FLUX、MiniMax、Stability、本地 ComfyUI 等多家图像提供商。
- 文档详细列出各提供商的字段差异与限制，减少试错成本。
- 支持 URL、base64 和原始二进制三种响应格式，方便直接保存文件。
- 纯文档型技能，无额外脚本依赖，可移植性好。
- 必须先部署并运行 9Router 服务，无法独立使用。
- 部分提供商有硬性限制：codex 图像模型要求 ChatGPT Plus/Pro 订阅；gemini/nano-banana 忽略 size 和 n 参数。
- fal-ai、nanobanana、black-forest-labs 等提供商为异步轮询模式，交互流程更复杂。
- README 描述的是整个 9Router 项目（RTK 省 token、自动回退等），这些能力不归属于本图像技能本身；仓库也未展示针对该技能的测试。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 9Router 图像生成技能 本页 | 52 · 谨慎使用 | ★ 31k | 17 天前 | MIT |
| deAPI AI 媒体技能 | 45 · 不推荐 | ★ 21 | 3 个月前 | MIT |
| Azure OpenAI .NET 开发技能 ✓ Microsoft · 官方 | 47 · 谨慎使用 | ★ 2.7k | 3 个月前 | MIT |
| 9Router 网关接入技能 | 46 · 谨慎使用 | ★ 31k | 17 天前 | MIT |
| BoTTube 视频平台技能 | 45 · 不推荐 | ★ 367 | 17 天前 | MIT |
FollowSkills 如何评估这个 Skill？
技能仅为只读API调用文档：通过环境变量传递URL与密钥，无文件写入、无破坏性默认行为、无隐蔽数据流；提示词会发送到用户自配置的9Router实例及上游供应商，数据流向基本透明。扣分项：未说明提示词/图像会经过哪些第三方服务器、无敏感数据处理指引、无回滚或确认机制、发布者未经验证导致来源归因不完整。
文档内部自洽：端点、字段表、响应示例、供应商差异表相互一致，且仓库内ping.js可佐证/v1/images/generations路径与data数组结构。扣分项：纯静态阅读，无测试或可复现执行证据（上限10）；未覆盖错误响应形态、超时、异步轮询细节；对异常输入的失败反馈依赖上游，文档未说明。
触发描述清晰（create/generate/draw/txt2img），场景明确，列出各供应商能力边界与不支持字段（如gemini忽略size/n），受众明确。扣分项：依赖的免费供应商可用性多变、部分核心功能依赖海外服务，中国大陆可达性未声明；对9Router本体安装的前置依赖指向另一个SKILL文件，环境前提不够自足。
结构清晰（Discover/Endpoint/Examples/Response/Quirks），渐进披露合理，仓库为MIT许可、有版本号与Docker发布CI。扣分项：技能文件本身无版本/变更记录，安装说明外包给另一路径，无FAQ/已知限制清单（仅简短quirks表），维护责任仅隐含于仓库。
若9Router已部署，curl/JS示例格式完整、可直接套用，具备真实边际价值。扣分项：静态评审无法验证输出质量，价值完全依赖外部服务正常运行；响应示例中的模型名（如gemini-3-pro-image-preview、gpt-5.4-image）真实性无法核实，可能需要用户自行调整。
响应结构可由仓库内ping.js的image分支部分交叉印证，属有限的一手材料。扣分项：无测试套件覆盖技能关键路径、无第三方执行证据、无用户可独立复现的验证记录，宣称的40+供应商行为仅有文档自述。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →