本文研究了专业工作流下的基于指令的图像编辑，并识别出三个持续存在的挑战：(i) 过度编辑，即编辑器修改了超出用户意图的内容；(ii) 单轮限制，现有模型大多为单轮对话，而多轮编辑往往会破坏对象的忠实度；(iii) 分辨率失配，约 1K 分辨率的评估与实际操作超高清图像（如 4K）的真实工作流不匹配。 为此，我们提出了 Agent Banana，这是一个用于高保真、对象感知、具备“编辑中思考（Thinking with editing）”能力的层级化智能体规划器-执行器框架。Agent Banana 引入了两个核心机制：❶ 上下文折叠（Context Folding），将长程交互历史压缩为结构化记忆，以实现稳定的长程控制；❷ 图像图层分解（Image Layer Decomposition），执行基于图层的局部编辑，在生成原生分辨率输出的同时保护非目标区域。 为了支持严谨的评估，我们构建了 HDD-Bench，这是一个高定义、基于对话的基准测试，具有可验证的分步目标和原生 4K 图像（1180 万像素），用于诊断长程任务中的失效情况。在 HDD-Bench 上，Agent Banana 实现了最佳的多轮一致性和背景忠实度（例如：IC 0.871, $SSIM_{OM}$ 0.84, $LPIPS_{OM}$ 0.12），同时在指令遵循方面保持了极具竞争力的表现，且在标准单轮编辑基准上也取得了强劲性能。我们希望这项工作能推动可靠的专业级智能体图像编辑的发展，并促进其集成到真实工作流中。

1 引言 (Introduction)

基于指令的图像编辑 [3, 54, 40, 10, 18, 4, 33, 45, 27] 使客户能够通过自然语言命令修改图像，并已成为现代生成式视觉系统的核心能力。基础模型（特别是扩散模型 [14, 26] 和自回归 Transformer [42]）的近期进展，显著提升了图像的逼真度（Photorealism）和指令遵循能力，为商业系统（如 GPT-4o [33], Gemini 2.5 Flash Image [8]）和强力开源模型（如 Flux-1 [20], Qwen-Image-Edit [44]）中的实用编辑体验提供了动力。 尽管进展迅速，但目前的生成式编辑器 [44, 27, 17] 与专业工作流的需求之间仍存在巨大差距。在摄影 [16]、平面设计 [28]、视觉特效（VFX）及电影制作 [56] 等高要求场景中，用户通常处理原生高分辨率资产（通常为 4K 或更高），并要求精确的局部修改，且须完整保留所有非目标内容 [17]。相比之下，当今的模型往往在降低的分辨率下运行或依赖下采样，导致难以维持精细的纹理和清晰的边界。此外，它们频繁表现出过度编辑（Over-editing）效应，无意中改变了用户意图之外的区域，或降低了全局语义连贯性。最后，它们在处理多目标或顺序性 [59] 的复杂请求时显得力不从心；在这类场景下，成功取决于能否对指令进行分解、验证中间结果并在多轮交互中修正先前的决策。 我们认为，为了弥合这一差距，下一代编辑工具必须具备四项核心能力：① 意图理解与分解，将复杂请求拆解为原子级的子编辑任务；② 精确局部编辑，确保编辑被精准应用，同时在原生分辨率下保持其余内容不变；③ 状态跟踪与回滚，保留多轮交互中的中间步骤，以便用户（或智能体）能够轻松返回上一步并重新规划后续步骤；④ 高分辨率原生编辑，直接在原生 4K 图像上操作，避免下采样以保留细粒度纹理和锐利边界。 为此，我们推出了 Agent Banana。这是一个具备智能体属性、图层感知（Layer-aware）的图像编辑框架，它将高层级推理与规划能力与工具调用能力相结合，受益于愿景语言模型（VLMs）在图像理解、推理和工具调用方面的飞速进步 [15, 36, 46, 47, 34, 1]。Agent Banana 将“氛围感（Vibe）”类型的提示词分解为离散的单目标步骤，并利用“Photoshop 式”的图层隔离、掩模（Masking）和局部编辑来执行这些步骤。Agent Banana 还包含一种自我反思机制（Self-reflection mechanism） [50, 38]，允许其在推理阶段进行重试、回滚和重新规划。至关重要的是，Agent Banana 围绕两种专为长程、高分辨率编辑量身定制的机制构建：上下文折叠（Context Folding），将长对话历史压缩为结构化记忆，以实现跨轮次的稳定状态跟踪；以及图像图层分解（Image Layer Decomposition），在隔离的高分辨率图层上执行编辑，从而保留非目标内容并防止迭代过程中的漂移。 为了评估在现实步进依赖（Stepwise dependencies）下的多轮高定义编辑，我们构建了 HDD-Bench。这是一个专为模拟专业编辑工作流而设计的高定义、基于对话的基准测试。与以往主要采用单轮或轮次间弱依赖的基准测试 [10, 18, 4, 45, 27, 51] 不同，HDD-Bench 具有逻辑相关的指令链，其中每一轮都会诱发一个定义明确的状态转换，并可进行逐步验证。HDD-Bench 在原生分辨率下对指令遵循、编辑局部性、多轮一致性和整体视觉保真度进行基准测试。为了减少评估的歧义性，我们进一步引入了一种基于图（Graph-based）的评估协议，用于跟踪跨轮次的对象状态转换，通过对目标编辑是否应用以及非目标区域是否保留进行局部、轮次级的检查，来补充全局感知指标。