从零开始构建你的AI绘画工作流：三步实现自动化出图

在数字艺术创作领域，AI绘画工具已经彻底改变了传统的创作流程。然而，很多用户仍然停留在“手动输入提示词、等待生成、再手动调整”的低效循环中。本文将带你通过三个核心步骤，构建一套属于自己的自动化AI绘画流水线，让你从繁琐的重复操作中解放出来，实现“一键式”批量出图与风格统一。

这套教程的目标是帮助你理解工作流的核心逻辑，而非依赖某个特定平台。我们将使用可复用的Python脚本与API接口作为示例，即使你没有任何编程基础，也能通过复制代码块快速上手。

第一步：定义你的“提示词资产库”

自动化不等于随机生成。一个高效的工作流需要一个结构化的提示词（Prompt）数据库。我们首先需要将你的创意拆解为三个维度：主体内容（Subject）、风格修饰（Style）和质量后缀（Quality）。

例如，你可以创建一个prompt_library.json文件，内容结构如下：

{
  "subjects": ["一只戴着VR头盔的柴犬", "漂浮在云端的蒸汽朋克城市", "由水果组成的星系"],
  "styles": ["赛博朋克风格，霓虹灯照明", "吉卜力动画风格，柔和色调", "3D渲染，C4D，高细节"],
  "quality": ["8k分辨率，超精细，锐利焦点", "杰作，最佳画质，景深效果"]
}

这个JSON文件就是你的创意弹药库。你可以随时添加、删除或修改内容。接下来，我们需要一个脚本来自动组合这些元素。下面的Python代码实现了随机搭配功能：

import json
import random

def load_library(file_path='prompt_library.json'):
    with open(file_path, 'r', encoding='utf-8') as f:
        return json.load(f)

def generate_prompt(lib):
    sub = random.choice(lib['subjects'])
    style = random.choice(lib['styles'])
    qual = random.choice(lib['quality'])
    return f"{sub}, {style}, {qual}"

if __name__ == "__main__":
    my_lib = load_library()
    for i in range(5):  # 生成5个不同的提示词
        print(generate_prompt(my_lib))

运行这个脚本，你会看到控制台输出了5条完全不同的复杂提示词。这正是批量生成的第一步。

第二步：对接绘画API并实现自动排队

有了提示词，下一步就是将文本传递给AI绘图引擎。我们以常见的Stable Diffusion WebUI API为例（假设你已在本机启动该服务）。核心逻辑是使用requests库发送POST请求。

请确保安装依赖：pip install requests

下面是一个完整的“提示词列表”到“批量图片任务”的提交脚本。它会读取上一步生成的提示词列表，并循环提交任务：

import requests
import base64
import time
import os

# 配置你的API地址（本地默认端口7860）
API_URL = "http://127.0.0.1:7860/sdapi/v1/txt2img"

def submit_draw(prompt, output_name="output.png"):
    payload = {
        "prompt": prompt,
        "steps": 30,
        "width": 512,
        "height": 512,
        "batch_size": 1
    }
    response = requests.post(url=API_URL, json=payload)
    if response.status_code == 200:
        r_json = response.json()
        # 从返回数据中提取base64编码的图片
        img_data = r_json['images'][0]
        with open(output_name, 'wb') as f:
            f.write(base64.b64decode(img_data))
        print(f"成功生成: {output_name}")
    else:
        print(f"任务失败，状态码: {response.status_code}")

# 模拟上一步生成的提示词列表
prompt_list = [
    "一只柴犬, 赛博朋克, 8k",
    "漂浮城市, 吉卜力, 锐利焦点"
]

for idx, p in enumerate(prompt_list):
    submit_draw(p, f"auto_gen_{idx}.png")
    time.sleep(2)  # 加入延时，防止接口过载

注意，这里我们使用了base64解码来将网络传输的文本数据还原为图片文件。运行后，你会发现文件夹中多了两个PNG文件。通过修改prompt_list变量，你可以轻松扩展到几十张甚至上百张图片的批量生成。

第三步：加入“重试与错误处理”机制

一个合格的自动化脚本必须具有容错能力。网络波动、显卡显存不足（OOM）等问题都可能导致API调用失败。我们可以在上述代码中增加一个简单的重试装饰器。

以下改进代码加入了随机延时和失败重试逻辑，极大提高稳定性：

import tenacity
from tenacity import retry, stop_after_attempt, wait_random

@retry(stop=stop_after_attempt(3), wait=wait_random(min=1, max=3))
def safe_submit(prompt, file):
    try:
        submit_draw(prompt, file)
    except Exception as e:
        print(f"任务异常，正在重试... 原因: {e}")
        raise  # 必须抛出异常，tenacity才能捕获并重试

# 主循环
for idx, p in enumerate(prompt_list):
    safe_submit(p, f"robust_{idx}.png")
    print("---等待下一个任务---")

这里使用了tenacity库，它允许你通过注解快速定义重试策略。如果任务在3次尝试后仍然失败，脚本会放弃该任务并继续处理下一个，避免整个流水线卡死。

进阶技巧：利用“工作流”实现风格一致性

如果你想要一组风格固定但内容不同的图片，可以引入“固定种子（Seed）”或“ControlNet”技术。在工作流脚本中，你只需要在payload字典中加入"seed": 12345字段即可固定生成同一风格的基础构图。我们建议将上述三个代码模块整合为一个Python文件，命名如pipeline.py，然后在命令行运行python pipeline.py即可。

通过以上三个步骤，你实际上已经拥有了一套基础的自动化AI绘画系统。你可以进一步集成到深度摸鱼工具这类效率软件中。想象一下，当你使用摸鱼工具浏览网页时，后台脚本正在根据你预设的关键词自动生成下一个项目的概念图，这能为你节省大量构思时间。

更重要的是，这种思路是通用的。你可以将JSON库替换为Excel表格，可以将API替换为闭源商用平台，逻辑完全不变。这就是工作流解耦化带来的魅力。

最后，切记给每个生成的文件名打上时间戳time.time()，避免同名文件覆盖。自动化虽好，但也要留出人工筛选的空间。拿起你手头的工具，把这些脚本跑起来，你会发现创作效率的提升立竿见影。