用 AI 自动生成网站封面图：Pollinations.ai 实战记录

前言

之前写博客时，每次都要手动找封面图或者自己用 Photoshop 做，挺耗时间的。后来发现了 Pollinations.ai 这个免费的 AI 图片生成 API，决定把它集成到博客工作流里。

这篇文章完整记录了我怎么把 Pollinations.ai 用到博客封面图生成中的全过程，包括踩过的坑、优化策略和成本分析。

为什么选 Pollinations.ai？

我对比了几个主流的 AI 图片生成 API：

服务商	免费额度	价格	支持风格	需要API Key
DALL-E 3	无	$0.04/图	多	✅
Stable Diffusion (via API)	有	$0.002/图	丰富	✅
Midjourney	有限	$10/月订阅	风格独特	❌ (Discord)
Pollinations.ai	无限制免费	免费	主流模型	不需要

Pollinations.ai 的优势很明显：

1. 完全免费，无需注册

不需要 API Key，直接 GET 请求就能用，这对我这种个人博客来说最友好。

2. 支持多种主流模型

Flux (默认，质量高)
Stable Diffusion 1.5/2.1/XL
DALL-E Mini
还有一些二次元模型

3. 参数灵活

支持宽高比自定义
支持随机种子控制
支持提示词增强和否定提示词

4. 响应速度快

大部分请求 2-3 秒内返回图片，适合批量生成。

基础 API 调用

最简单的调用方式

import requests

def generate_image(prompt: str, filename: str):
    url = f"https://gen.pollinations.ai/image/{prompt}"
    response = requests.get(url)
    
    if response.status_code == 200:
        with open(filename, 'wb') as f:
            f.write(response.content)
        print(f"✅ 图片已保存: {filename}")
    else:
        print(f"❌ 生成失败: {response.status_code}")

调用示例：

generate_image(
    "a person working at minimal clean desk with laptop open, soft warm morning light through window",
    "workspace-cover.jpg"
)

带参数的调用

def generate_image(
    prompt: str, 
    filename: str,
    width: int = 1200,
    height: int = 630,
    model: str = "flux",
    seed: int = None,
    nologo: bool = True
):
    url = f"https://gen.pollinations.ai/image/{prompt}"
    params = {
        'width': width,
        'height': height,
        'model': model,
        'nologo': 'true' if nologo else 'false'
    }
    
    if seed:
        params['seed'] = seed
    
    response = requests.get(url, params=params)
    
    if response.status_code == 200:
        with open(filename, 'wb') as f:
            f.write(response.content)
        print(f"✅ 图片已保存: {filename}")
    else:
        print(f"❌ 生成失败: {response.status_code}")

我的生成脚本 `generate_image.py`

为了方便博客使用，我写了一个命令行脚本：

#!/usr/bin/env python3
"""
博客封面图生成脚本 - 基于 Pollinations.ai API
"""

import argparse
import requests
from pathlib import Path
from urllib.parse import quote

# 配置
DEFAULT_MODEL = "flux"
DEFAULT_WIDTH = 1200
DEFAULT_HEIGHT = 630
BLOG_IMAGES_DIR = Path("blog/source/img")
API_BASE_URL = "https://gen.pollinations.ai/image"

def generate_image(
    prompt: str,
    filename: str,
    width: int = DEFAULT_WIDTH,
    height: int = DEFAULT_HEIGHT,
    model: str = DEFAULT_MODEL,
    seed: int = None
):
    """生成图片并保存到博客图片目录"""
    
    # 确保目录存在
    BLOG_IMAGES_DIR.mkdir(parents=True, exist_ok=True)
    
    # 构建 URL
    encoded_prompt = quote(prompt)
    url = f"{API_BASE_URL}/{encoded_prompt}"
    
    # 参数
    params = {
        'width': width,
        'height': height,
        'model': model,
        'nologo': 'true'
    }
    
    if seed is not None:
        params['seed'] = seed
    
    # 请求
    try:
        response = requests.get(url, params=params, timeout=30)
        response.raise_for_status()
        
        # 保存
        output_path = BLOG_IMAGES_DIR / filename
        with open(output_path, 'wb') as f:
            f.write(response.content)
        
        file_size = output_path.stat().st_size / 1024  # KB
        
        print(f"[INFO] 图片已生成并保存")
        print(f"   Prompt: {prompt[:100]}...")
        print(f"   Model: {model}")
        print(f"   Size: {width}x{height}")
        print(f"   Seed: {seed if seed else 'random'}")
        print(f"   File size: {file_size:.1f} KB")
        print(f"   Path: {output_path}")
        print(f"   Markdown: ![](/img/{filename})")
        
        return True
        
    except requests.exceptions.RequestException as e:
        print(f"[ERROR] 生成失败: {e}")
        return False

def main():
    parser = argparse.ArgumentParser(description='生成博客封面图')
    parser.add_argument('prompt', help='图片描述提示词')
    parser.add_argument('filename', help='输出文件名（不带路径）')
    parser.add_argument('--width', type=int, default=DEFAULT_WIDTH, 
                        help=f'图片宽度，默认 {DEFAULT_WIDTH}')
    parser.add_argument('--height', type=int, default=DEFAULT_HEIGHT,
                        help=f'图片高度，默认 {DEFAULT_HEIGHT}')
    parser.add_argument('--model', type=str, default=DEFAULT_MODEL,
                        help=f'AI模型，默认 {DEFAULT_MODEL}')
    parser.add_argument('--seed', type=int, help='随机种子（可选）')
    
    args = parser.parse_args()
    
    generate_image(
        prompt=args.prompt,
        filename=args.filename,
        width=args.width,
        height=args.height,
        model=args.model,
        seed=args.seed
    )

if __name__ == '__main__':
    main()

使用示例

# 基础用法
python generate_image.py "workspace with laptop and notebook" workspace.jpg

# 指定宽高
python generate_image.py "workspace scene" workspace.jpg --width 800 --height 600

# 指定模型和种子
python generate_image.py "workspace scene" workspace.jpg --model flux --seed 12345

提示词优化策略

一开始用简单的英文提示词，效果不太稳定。后来总结了一套优化策略：

1. 结构化提示词

1	`主体描述 + 环境细节 + 艺术风格 + 技术参数 + 排除项`

示例：

主体描述：a person working at a minimal clean desk with laptop open

环境细节：soft warm morning light through window, coffee mug and notebook nearby

艺术风格：flat design illustration, muted warm colors

技术参数：high quality, 4k

排除项：no text, no logo, no watermark

2. 不同类型文章的提示词模板

工作场景类（工具指南、方法论）

workspace_prompt = (
    "a person working at {activity}, "
    "minimal clean desk with laptop open, "
    "soft warm morning light through window, "
    "{accessories}, "
    "calm productive atmosphere, "
    "flat design illustration, "
    "muted warm colors, "
    "no text, no logo, no watermark"
)

# 使用示例
workspace_prompt.format(
    activity="typing on laptop",
    accessories="coffee mug and notebook nearby"
)

数据图表类（方法论、AI周报）

infographic_prompt = (
    "abstract data visualization showing {concept}, "
    "infographic style, clean design, "
    "{color_scheme} colors, "
    "professional, modern, "
    "no text, no logo, no watermark"
)

# 使用示例
infographic_prompt.format(
    concept="AI writing workflow",
    color_scheme="blue and purple"
)

新闻拼贴类（AI周报）

news_collage_prompt = (
    "news collage style layout, "
    "{elements}, "
    "tech elements, calendar design, "
    "information density but readable, "
    "medium saturation, "
    "no text, no logo, no watermark"
)

# 使用示例
news_collage_prompt.format(
    elements="AI robots, data charts, code snippets"
)

界面展示类（工具评测、实战记录）

ui_comparison_prompt = (
    "multiple screen interfaces side by side, "
    "{app_names} comparison, "
    "clean modern UI design, "
    "professional style, "
    "highlighted differences, "
    "no text, no logo, no watermark"
)

# 使用示例
ui_comparison_prompt.format(
    app_names="Claude, GPT-4, DeepSeek"
)

3. 提示词增强技巧

使用英文提示词

虽然 Pollinations.ai 支持中文，但英文提示词效果更好：

# ❌ 中文提示词（效果不稳定）
"一个人在干净的桌子前工作，笔记本电脑，温暖的晨光"

# ✅ 英文提示词（效果稳定）
"a person working at a minimal clean desk with laptop open, soft warm morning light through window"

添加风格关键词

根据想要的风格添加关键词：

# 极简风格
"minimalist, clean, simple, uncluttered"

# 扁平插画风格
"flat design illustration, vector art, 2D"

# 写实风格
"photorealistic, 8k, high detail, realistic"

# 手绘风格
"hand-drawn, sketch, pencil drawing, artistic"

控制画面元素

# 明确排除不需要的元素
"no text, no logo, no watermark, no people (if not needed)"

# 限制画面元素数量
"minimal elements, clean composition"

# 控制色调
"muted colors" / "vibrant colors" / "monochrome"

批量生成策略

有时候需要生成多个备选图片，然后选择最好的一个。

方法 1：使用随机种子

import random

def generate_variants(prompt, filename_prefix, count=3):
    """生成多个变体"""
    for i in range(count):
        seed = random.randint(1000, 9999)
        filename = f"{filename_prefix}_{i+1}.jpg"
        generate_image(prompt, filename, seed=seed)

# 使用
generate_variants(
    "workspace scene",
    "workspace_variant",
    count=3
)

方法 2：使用不同的提示词变体

prompt_variants = [
    "workspace with laptop, warm light, flat illustration",
    "person working at desk, morning sun, minimal design",
    "clean workspace, laptop and coffee, soft lighting"
]

for i, prompt in enumerate(prompt_variants):
    filename = f"workspace_variant_{i+1}.jpg"
    generate_image(prompt, filename)

方法 3：使用不同的模型

models = ["flux", "stable-diffusion", "dalle-mini"]

for i, model in enumerate(models):
    filename = f"workspace_{model}.jpg"
    generate_image(prompt, filename, model=model)

成本分析

调用成本

项目	成本
API 调用	免费
带宽消耗	几乎可忽略（单张图 ~200KB）
存储空间	200KB/图，10 篇文章 = 2MB

结论： 对于个人博客，成本几乎为零。

时间成本

单张图生成：2-3 秒
提示词编写：30-60 秒
筛选和微调：1-2 分钟

单篇图片总耗时： 约 2-3 分钟

对比：

方式	时间成本	质量稳定性
手动搜索图库	5-10 分钟	高（但需要筛选）
PS 自己做	20-30 分钟	极高（需要设计技能）
Pollinations.ai	2-3 分钟	中高（需优化提示词）

踩坑记录

坑 1：中文提示词效果不稳定

问题： 早期用中文提示词，生成的图片经常不符合预期。

解决： 改用英文提示词，效果大幅提升。如果习惯用中文，可以用翻译工具转成英文后再调用 API。

坑 2：图片质量波动大

问题： 同样的提示词，有时生成高质量图片，有时效果很差。

解决：

使用固定种子控制随机性
添加更多质量关键词：”high quality, 4k, detailed”
多生成几个版本，选择最好的

坑 3：尺寸问题

问题： 生成的图片有时不符合博客封面图要求的宽高比。

解决：

明确指定宽高参数：--width 1200 --height 630
使用 nologo=true 避免 API 自动添加水印导致尺寸变化

坑 4：生成速度慢

问题： 有时候请求会卡住或超时。

解决：

设置合理的超时时间：timeout=30 秒
添加重试机制
避免并发过多请求（虽然免费，但服务器会限流）

坑 5：提示词被截断

问题： 提示词太长，URL 会超出浏览器或 HTTP 客户端的限制。

解决：

保持提示词简洁
使用 URL 编码（Python 的 urllib.parse.quote）
必要时使用 POST 请求而不是 GET

高级技巧

1. 自动根据文章内容生成提示词

def generate_prompt_from_article(article_content: str, article_type: str) -> str:
    """根据文章内容和类型自动生成提示词"""
    
    # 提取关键词（简单实现）
    keywords = extract_keywords(article_content)[:5]
    
    # 根据文章类型选择模板
    if article_type == "tool-guide":
        return workspace_prompt.format(activity=", ".join(keywords))
    elif article_type == "infographic":
        return infographic_prompt.format(concept=", ".join(keywords))
    # ... 其他类型
    
    return "minimalist design, clean composition"

2. 集成到博客工作流

# Hexo 脚本示例（生成新文章时自动创建封面图）
import os

def hexo_on_new_post(post_filename: str):
    """Hexo 新文章时的钩子"""
    
    # 读取文章
    with open(post_filename, 'r', encoding='utf-8') as f:
        content = f.read()
    
    # 提取元数据
    title = extract_title(content)
    article_type = extract_type(content)
    
    # 生成提示词
    prompt = generate_prompt_from_article(content, article_type)
    
    # 生成封面图
    filename = f"{slugify(title)}.jpg"
    generate_image(prompt, filename)
    
    # 更新文章元数据
    update_index_img(post_filename, f"/img/{filename}")

3. 使用种子保证可重复性

# 使用文章日期或标题哈希作为种子
import hashlib

def get_seed_from_article(article_title: str, article_date: str) -> int:
    """根据文章标题和日期生成固定种子"""
    
    combined = f"{article_title}_{article_date}"
    hash_value = int(hashlib.md5(combined.encode()).hexdigest()[:8], 16)
    return hash_value % 10000  # 限制在 4 位数内

# 这样每次重新生成都会得到相同的图片
seed = get_seed_from_article(article_title, "2026-03-21")
generate_image(prompt, filename, seed=seed)

局限性

虽然 Pollinations.ai 很好用，但也有一些局限性：

1. 质量不如付费服务

与 DALL-E 3、Midjourney 相比，细节和创意能力还是差一些。

2. 不支持复杂的控制

像 Stable Diffusion 的 ControlNet 那样精确控制构图、姿态的能力是没有的。

3. 免费服务的限制

可能有并发限制
响应速度不如付费服务稳定
不提供商业使用的明确保证

4. 版权问题

生成图片的版权归属不明确，不适合需要明确版权授权的商业项目。

替代方案

如果 Pollinations.ai 不满足需求，可以考虑：

1. Stable Diffusion 本地部署

优点：

完全免费，无调用限制
可以使用 ControlNet 等高级功能
完全控制模型和参数

缺点：

需要较好的显卡（至少 8GB 显存）
安装配置较复杂
需要一定的技术能力

2. Replicate API

优点：

集成了多种模型（包括 Flux、SDXL）
按使用付费，成本可控
有稳定的服务和 API

缺点：

需要付费（约 $0.002/图）
需要注册账号

3. 自托管 Stable Diffusion WebUI

优点：

完全控制
可以本地优化和定制
支持各种插件和扩展

缺点：

需要服务器资源
需要维护

下一步优化计划

目前这个自动生成封面图的方案已经基本满足需求，接下来打算：

优化提示词模板：针对不同文章类型进一步细化
集成到 CI/CD：在文章生成时自动创建封面图
添加质量评估：自动筛选质量较高的图片
多模型混合使用：根据文章类型选择最合适的模型

结语

Pollinations.ai 作为免费的 AI 图片生成 API，对个人博客来说是一个非常实用的工具。虽然它有一些局限性，但对于博客封面图这种场景，完全够用。

关键是要掌握好提示词的优化技巧，形成自己的风格指南。一旦建立了稳定的工作流，就能大幅提升内容创作的效率。

希望这篇文章的实战经验对你有帮助。如果你也在用 Pollinations.ai 或者其他 AI 图片生成工具，欢迎交流经验！

相关文章：

AI实验室

#AI图片生成 #pollinations.ai #博客封面 #图片API #实战记录

用 AI 自动生成网站封面图：Pollinations.ai 实战记录

https://www.ohtudou.top/2026/03/21/2026-03-21-ai-lab-pollinations-ai/

作者

Tudo

发布于

2026年3月21日

许可协议

Claude vs GPT-4 vs DeepSeek：AI 写作工具横向对比上一篇

AI 周报 Vol.1（2026.03.10-03.16）下一篇

用 AI 自动生成网站封面图：Pollinations.ai 实战记录

前言

为什么选 Pollinations.ai？

基础 API 调用

最简单的调用方式

带参数的调用

我的生成脚本 generate_image.py

使用示例

提示词优化策略

1. 结构化提示词

2. 不同类型文章的提示词模板

工作场景类（工具指南、方法论）

数据图表类（方法论、AI周报）

新闻拼贴类（AI周报）

界面展示类（工具评测、实战记录）

3. 提示词增强技巧

使用英文提示词

添加风格关键词

控制画面元素

批量生成策略

方法 1：使用随机种子

方法 2：使用不同的提示词变体

方法 3：使用不同的模型

成本分析

调用成本

时间成本

踩坑记录

坑 1：中文提示词效果不稳定

坑 2：图片质量波动大

坑 3：尺寸问题

坑 4：生成速度慢

坑 5：提示词被截断

高级技巧

1. 自动根据文章内容生成提示词

2. 集成到博客工作流

3. 使用种子保证可重复性

局限性

1. 质量不如付费服务

2. 不支持复杂的控制

3. 免费服务的限制

4. 版权问题

替代方案

1. Stable Diffusion 本地部署

2. Replicate API

3. 自托管 Stable Diffusion WebUI

下一步优化计划

结语

我的生成脚本 `generate_image.py`