yejy53/GenClaw

What it solves

GenClawは、ユーザーが正確な空間レイアウト、特定のオブジェクト数、正確なテキストレンダリングに苦労することが多い、ワンショットの画像生成の限界に対処します。プロンプトエンジニアリングだけに頼るのではなく、コードを制御可能な視覚的キャンバスとして使用する方法を導入し、最終的な画像がユーザーの意図と一致するようにします。

How it works

このシステムは、「考え、コードでスケッチし、レンダリングする」というワークフローに従うエージェンティック・ループとして動作します。プランナーLLMは、一連のツールを使用して、最終結果を得るために画像生成モデルを呼び出す前に視覚的なドラフトを作成します。

1. Perception: サブLLMがプランニングをガイドするための「painter notes」を記述します。
2. Planning: プランナーは todo_write プランを作成し、ツールパイプラインを選択します。
3. Drafting: エージェントは code_scene_draft (SVG) や code_text_draft (HTML/CSS) のようなツールを使用して、明示的で編集可能なレイアウトを作成します。
4. Rendering: ドラフトは、最終的な合成のために、image-to-image (i2i) または text-to-image (t2i) モデルに渡されます。

Who it’s for

これは、特定のテキストを含むポスターのデザインや、正確なオブジェクト配置を伴う複雑なシーンなど、画像の構成に対して高精度な制御を必要とするクリエイターや開発者向けに設計されています。

Highlights

• Code as a Visual Brush: SVG、HTML/CSS、および Python を使用して、空間レイアウトとテキストレンダリングを検証可能でデバッグ可能なプログラムに変換します。
• Human-like Creative Loop: 概念化、スケッチ、着色、洗練というプロセスを反映し、すべてのステージを透明かつ編集可能にします。
• Agentic Harness: LLMのプランニング、ツール使用、およびリフレクションを画像合成プロセスに直接統合します。
• Knowledge-Grounded: 画像生成を現実世界の知識に根ざづかせるために、検索ツール (via Tavily) とマルチモーダル推論を含んでいます。