n8n 生成五张产品广告图不到 20 美分

五张产品广告候选可以控制在 $0.20 的媒体 API 预算内。在 2026 年 9 月 3 日的五请求测试中，Nano Banana 2 Lite 返回了五张候选，花费 75 个 reAPI credits，即 $0.075 总计。每张完成的 1K 图片成本 15 credits。本指南将相同的请求体转化为一个可下载的 n8n 工作流，你可以导入并自由改编。

测试运行直接发送到 API。工作流 JSON 已通过导入结构、节点字段、分支和循环连接的检查，但未在实时 n8n 实例中执行过。导入后请附加你自己的凭证再运行。

$0.075 的成本数字覆盖五个完成的 API 任务，不是五张立即可发布的广告。产品漂移、文案拼写或不安全裁剪的重试都计入同一个 $0.20 预算。

TL;DR

• 在 2026 年 9 月 3 日的实测中，五张完成的产品广告候选通过 reAPI 成本 $0.075，远低于 $0.20 预算。
• 实时费率是 15 credits，即 $0.015，每张完成的 Nano Banana 2 Lite 图片（2026 年 9 月 3 日核对）。^[1]
• $0.20 的上限允许 13 次完成生成。前五张之后，还有八次重试空间而账单保持在 $0.195 及以下。
• 下载 n8n 工作流 JSON。它使用手动触发、五份简报、异步任务轮询、限界状态检查，且无嵌入 API key。
• 下载测试总结，包含任务 ID、输出 URL、已记录 credits 和成本计算。
• 将法律文案、价格、优惠码和像素精确布局保持在生成图像之外。让模型创建场景，然后用普通设计模板添加精确文字。

为什么五张完成文件不是全部成本

如果 n8n 工作流每次运行生成五个不同的产品广告概念，预算应该包括什么？可见的账单覆盖完成的 API 调用，但产品漂移、文案拼写和不安全裁剪可能触发已付费的重试。工作流预期以最少干预运行时，可靠性、延迟和可预测的输出也很重要。

追踪这个数字：

cost per approved image = total generation cost / approved images

根据通过审查的图片数量追踪总生成支出。低单位价格如果大多数输出需要重新生成就没有用处。

$0.20 测试：一个产品，五个不同简报

输入是一张公开可访问的 reAPI 演示图像，展示一个无品牌的、两色陶瓷杯。每个请求都用这张图、4:5 画布和不同的广告方向。对于你自己的工作流，使用你拥有或获得许可的产品照片。Nano Banana 2 Lite 接受最多十个公开图片 URL 并每请求返回恰好一张 1K 图片；它没有 n 参数，所以五个候选需要五个任务。^[2]

该批次使用五个不同方向。五个近似复制的工作室提示会让一致性更容易，但它们会少透露该产品在不同设置中的表现。

四个审查条件在提交前定义：保留杯子的右侧手柄、比例、两色釉和表面纹理；仅再现所请求的标题；显示一个杯子；保持产品和文案在安全裁剪边距内。

该基准很重要因为它防止审查在图片到达后改变。它也使重试可行：你可以识别失败的条件而不是要求模型「改进」。

结果：五张完成候选成本 $0.075

所有五个 API 任务达到 completed。每个响应报告 15 credits 使用，总共 75 credits，即 $0.075。没有失败的 API 任务。在本完成和成本测试期间未进行 API 重试。

所有五个文件成功加载为 928 × 1152 像素。这接近所请求的 4:5 形状，但不是数学精确。如果目标需要固定像素尺寸，在生成后裁剪或填充而不是假设宽高比标签保证最终尺寸。

日期化的测试总结记录了每个请求的任务 ID、临时输出 URL、credits 和尺寸。完成的任务状态确认交付，不是创意批准。单独审查产品保真度、措辞、不需要的文字和裁剪空间。

模型文档警告生成的任务 URL 会过期。将你批准的文件下载到你控制的存储，然后再将其 URL 放在目录、CMS 或计划帖子中。^[2]

$0.20 能买多少重试空间？

以 $0.015 每张完成生成计，上限是 13 次尝试：

13 × $0.015 = $0.195
14 × $0.015 = $0.210

这在初始五张之后留出八次额外尝试。这是从重试计数的角度看同一预算，假设最终批准集包含五张图片：

以批次条款，五个批准从最多 13 次尝试需要约 38.5% 的实现接受率。那是保持在预算内所需的最低接受率；它不消除产品和文案审查的需要。价格可能很高，错误的标签或变异包可能花费远超图片调用。

定价是时间敏感的。在将这些数字用于客户报价或自动预算规则之前，检查实时 Nano Banana 2 Lite 模型页。

建立 n8n 图片生成工作流

从 可下载的工作流 JSON 开始，然后在你自己的 n8n 编辑器中进行以下更改。n8n 通过编辑器菜单支持从文件导入工作流。^[5]

1. 创建 Bearer 凭证

在仪表板中创建一个 reAPI key。在 n8n 中，创建一个通用凭证类型并选择 Bearer Auth，然后粘贴该 key。在两个 HTTP Request 节点上选择该凭证。不要将 key 输入到工作流体或代码节点中。导出的工作流可以包含凭证名和 ID，所以共享文件省略凭证绑定。^[3]

工作流使用手动触发。导入它本身不能启动付费请求。保持手动状态直到你审查了至少一个完整运行。

2. 替换演示产品 URL 和简报

打开 Build Five Ad Briefs。代码节点返回五个 n8n 项目，每个带概念、精确标题、提示和一个 source_image_url。将演示 URL 替换为你产品的公开 JPEG、PNG 或 WebP URL。本图片端点不接受 base64 和 data: URL。^[2]

你这里不需要 Loop Over Items 节点。正常 n8n 节点处理传入项，所以下一个 HTTP Request 节点为五个简报中的每一个提交一个任务。仅当你需要故意批处理或速率限制时才添加 Loop Over Items。

3. 每个项目提交一个图片任务

Create Image Tasks 节点发送这个 n8n 表达式为 JSON：

={{ {
  model: 'nano-banana-2-lite',
  prompt: $json.prompt,
  image_urls: [$json.source_image_url],
  aspect_ratio: '4:5'
} }}

端点立即以 id 和处理状态响应。它不会保持 HTTP 连接开放直到图片完成，所以单个长 HTTP 超时是错误的设计。

不要在这个 POST 上启用盲目自动重试。如果客户端在服务器接受请求后丢失响应，第二个 POST 可能会创建和计费一个重复的任务。保留返回的任务 ID 并改为重试状态请求。

4. 等待、轮询和干净停止

提交后，工作流等待 15 秒然后调用：

={{ 'https://reapi.ai/api/v1/tasks/' + $json.id }}

GET 节点重试传输错误最多三次。然后两个 IF 节点处理任务状态：

1. completed 去 Successful Images。
2. failed 用 API 错误停止而不是静默返回空图片 URL。
3. 任何其他状态循环回 Wait 15 Seconds。
4. 一个单独的 IF 在第二十次不完整检查后停止，大约五分钟的计划等待。

n8n 记录了这个条件循环模式：连接一个较晚的节点回到早期的一个，使用 IF 节点作为退出条件。^[4] 限制表达式使用 n8n 的从零开始的 $runIndex，所以第二十次通过是索引 19。^[6]

上限由这个五项批次共享；它不是持久的每项重试计数器。对于较大的生产队列，把单任务轮询序列放在子工作流中或与每个工作持久保存一个 pollCount。

5. 运行一次并阅读输出

点击 Execute workflow。当任务完成时，Successful Images 返回概念、请求的标题、任务 ID、状态、credits 和每个完成项目的图片 URL。将你批准的文件下载到持久存储。然后记录审查决定并仅重试失败的概念。

本文中的 API 层测试使用了相同的五个请求体和端点。n8n 不改变每图 API 价格，但其自己的云计划、自托管、存储和员工审查是分开的运营成本。

在发布前审查产品广告

不要直接连接 Successful Images 到 Shopify、社交计划程序或广告账户。在生成和发布之间放一个审查步骤，即使它只是带 approved 复选框的电子表格行。

按这个顺序审查每个候选：

1. 产品身份： 将轮廓、手柄位置、颜色、标签、闭合、按钮和独特的材料细节与源进行比较。
2. 文案： 检查每个字符。寻找额外的微文案、标点符号更改和虚构标志以及明显的拼写错误。
3. 声明安全： 拒绝任何模型插入的不支持的权益、价格、认证或成分。
4. 布局： 预览目标使用的实际裁剪。清洁 4:5 图片仍然可能在馈送叠加内丢失其标题。
5. 伪影： 检查边缘、阴影、反射、重复对象和物理上不可能的全尺寸连接。

当候选失败时，修改一件事。如果产品漂移，加强保留句并简化场景。如果文案错误，不要继续为图片模型付款来排版法律免责声明。生成带预留负空间的干净场景，然后事后添加精确措辞。

对于优惠券、门票和礼卡等固定布局资产，使用程序渲染因为布局必须保持精确。同样的工程规则对价格、日期和受管制文案很有用：将这些字段放在确定性 HTML、Canvas、SVG 或设计模板层中。图片模型仍然可以供应背景或产品设置。

使便宜工作流在生产中足够安全

该样本在失败任务时停止并不自动重试付费 POST。在计划它之前，添加你的工作负载需要的控制：

• 提交前的支出守卫。 计算 项目 × 单价 并与每运行限制比较。不要依赖月发票来捕捉失控计划。
• 持久结果存储。 从临时任务 URL 复制批准的输出，然后在永久对象 URL 旁存储任务 ID。
• 审查状态。 使用 pending_review、approved 和 rejected 而不是一个模糊的 done 标志。
• 选择性重试。 仅重新提交被拒绝的概念并保存其原因，所以稍后成本分析可以分离文案、保真度和布局失败。
• 失败路线。 生产运行通常应该将失败的任务 ID 放在队列或表中进行调查，而不是终止每个无关项目。
• 小金丝雀批次。 在改变模型、提示模板、源图预处理或输出比例后运行五或十个输入。当前价格不保证当前接受率。

按提示模板和产品类别追踪 已批准 / 已完成，然后使用该接受率估计未来批次的成本。

FAQ

n8n 图片生成免费吗？

n8n 可以编排请求，但图片模型和你的 n8n 托管可能都有成本。在本测试中，reAPI 对五张完成图片收费 $0.075。没有提出永久免费图片 API 的主张。

工作流为什么创建五个任务而不是将 n 设置为 5？

Nano Banana 2 Lite 每请求返回恰好一张 1K 图片，不暴露 n 参数。五个概念因此需要五个请求项。^[2]

我可以使用自己的产品照片吗？

可以。将 source_image_url 替换为公开 HTTP 或 HTTPS JPEG、PNG 或 WebP URL。该模型每请求接受最多十个参考图片，尽管本教程故意使用一个清晰的锚点。

当标题拼写错误时我应该做什么？

对于短的探索性标题，仅用精确文案和更简单的布局重试一次。对于价格、优惠码、免责声明、日期或任何必须精确的文本，将其从生成提示中移除，并在批准图片后用普通模板应用它。

POST 节点应该使用失败重试吗？

默认不应该。盲目 POST 重试可以复制一个任务如果第一个请求被接受但其响应丢失。包含的工作流重试 GET 状态请求，不是付费提交。

第一次运行后要测量什么

API 测试完成了五张产品广告候选的 $0.075 成本，在已测试费率下留下了八倍多尝试的空间而不超过 $0.20。可下载的 n8n 工作流使用相同的请求体并添加限界状态轮询。

保持审查步骤。检查产品和文案，将批准的文件存储在某处持久，并测量每张已批准图片的成本。如果精确文字一直驱动重试，停止要求图片模型为它排版。用生成处理场景和确定性模板处理措辞。

References

1. reAPI. Nano Banana 2 Lite model page and live rate card. Retrieved September 3, 2026. reapi.ai/models/nano-banana-2-lite
2. reAPI. Nano Banana 2 Lite API reference: request fields, one-image output, async task flow, pricing rules, and URL retention note. Retrieved September 3, 2026. reapi.ai/docs/nano-banana-2-lite
3. n8n. HTTP Request node and HTTP Request credentials. Retrieved September 3, 2026. HTTP Request node and HTTP Request credentials
4. n8n. Loop over data and Wait node documentation. Retrieved September 3, 2026. Loop logic and Wait node
5. n8n. Export and import workflows. Retrieved September 3, 2026. docs.n8n.io export and import
6. n8n. Built-in methods and variables: $runIndex. Retrieved September 3, 2026. docs.n8n.io metadata

Further reading

• Nano Banana 2 Lite API documentation
• Why "free" AI API limits often fail in production
• How to turn one product photo into a multi-scene AI video ad