用 AI 搭建自动化工作流：我是怎么让博客图片生成全自动的

每次写完一篇博客，都要卡在”配图”这个环节至少十分钟。

打开 Midjourney、想 Prompt、等生成、下载、重命名、放进去。有时候一张图就要折腾半小时，效率低得让人想直接放弃配图。

后来我决定：把这件事彻底自动化。

这篇文章记录的是一个真实项目的完整过程——从最初的想法，到最终跑通的脚本——以及我在这个过程中让 AI 帮了哪些忙、又在哪里踩了坑。

需求其实很简单

梳理一下我真正需要什么：

给定一段描述文字，生成一张 1200×630 的封面图，保存到 blog/source/img/ 目录下，文件名自定义。

就这样。不需要风格控制，不需要复杂参数，能跑通就行。

我的第一反应是用 Stable Diffusion，但本地部署太重，不适合日常轻量调用。然后发现了 Pollinations.ai——一个免费的 AI 图片生成 API，直接用 HTTP 请求就能调用，不需要本地环境，也不需要注册。

接口极其简单：

GET https://image.pollinations.ai/prompt/{描述}?width=1200&height=630&seed=123

返回的直接是图片二进制流，requests.get() 下来就能用。

让 AI 写第一版脚本

我把需求告诉 AI（当时用的是 WorkBuddy），描述很直接：

帮我写一个 Python 脚本，调用 Pollinations.ai 的 API，根据传入的描述生成图片，保存到指定目录。支持命令行参数：描述、文件名、宽、高、seed。

AI 给出的第一版代码大概是这样：

import requests
import sys
import os
from pathlib import Path
import urllib.parse

def generate_image(prompt: str, filename: str, width: int = 1200, height: int = 630, seed: int = 42):
    output_dir = Path("blog/source/img")
    output_dir.mkdir(parents=True, exist_ok=True)
    
    encoded_prompt = urllib.parse.quote(prompt)
    url = f"https://image.pollinations.ai/prompt/{encoded_prompt}"
    
    params = {
        "width": width,
        "height": height,
        "seed": seed,
        "nologo": "true",
        "model": "flux"
    }
    
    response = requests.get(url, params=params, timeout=60)
    response.raise_for_status()
    
    output_path = output_dir / filename
    with open(output_path, "wb") as f:
        f.write(response.content)
    
    print(f"图片已保存到：{output_path}")
    return output_path

代码整体是对的，但有两个问题我没想到。

第一个坑：超时。

Pollinations.ai 生成一张图通常需要 10-30 秒，有时候更长。timeout=60 对于普通请求绰绰有余，但有时候服务器忙，60 秒不够。而且即使请求超时，图片还在服务器那边生成——下次用同一个 seed 请求，是可以复用缓存的。

改法：把 timeout 调到 120，同时加一个重试逻辑。

第二个坑：文件名带路径前缀。

我最开始的调用方式是这样的：

python generate_image.py "科技感工作流" "blog/source/img/workflow.jpg"

结果保存路径变成了 blog/source/img/blog/source/img/workflow.jpg，多了一层。

因为脚本里硬编码了 output_dir = Path("blog/source/img")，然后再拼接文件名，如果文件名本身就带了路径，就会嵌套。

改法：文件名参数只传文件名，不传路径前缀，路径由脚本统一管理。这个规则一旦定下来，后续用起来就很自然了。

命令行参数版本

跑通之后，我让 AI 加上 argparse，把所有参数暴露出来：

import argparse

def main():
    parser = argparse.ArgumentParser(description="生成博客封面图")
    parser.add_argument("prompt", help="图片描述（英文效果更好）")
    parser.add_argument("filename", help="输出文件名，如 my-cover.jpg")
    parser.add_argument("--width", type=int, default=1200)
    parser.add_argument("--height", type=int, default=630)
    parser.add_argument("--seed", type=int, default=42)
    
    args = parser.parse_args()
    generate_image(args.prompt, args.filename, args.width, args.height, args.seed)

if __name__ == "__main__":
    main()

加上重试逻辑之后，完整的调用示例长这样：

python generate_image.py \
  "futuristic workflow automation, glowing data streams, dark background, cinematic" \
  "ai-automation-workflow.jpg" \
  --width 1200 \
  --height 630 \
  --seed 412

这条命令跑下来，30 秒左右就能得到一张不错的封面图。

把它嵌进博客工作流

现在我写完文章之后的流程是：

想一个 seed（通常用日期数字，方便记忆和复现）→ 写一段英文 Prompt 描述内容风格 → 跑脚本 → 看图效果 → 不满意就换 seed 重跑。

整个过程从原来的”打开 Midjourney → 等待 → 下载 → 重命名”变成了一条命令，时间从十几分钟压缩到一两分钟。

有一个细节值得说：Prompt 用英文明显比中文效果好。同样的意思，英文描述生成的图质量、风格控制都强不少。这不是偏见，是 Pollinations.ai 底层模型（flux）训练数据分布决定的。

AI 在这个过程里帮了什么

回头看这个项目，AI 主要帮了三件事：

写第一版骨架代码。 我不用从零开始查文档，直接描述需求，拿到一个可以跑的基础版本。这节省了最无聊的那部分时间。

快速定位和修复 bug。 超时问题和路径嵌套问题，我把错误信息丢给 AI，一次就给出了正确的修法，不需要自己去翻文档。

优化细节。 加重试逻辑、加错误提示、处理特殊字符转义——这些零碎的改进，描述一下需求，AI 直接帮我加好。

但有一件事 AI 没帮上，只能我自己解决：调 Prompt 这件事。

什么样的 Prompt 能生成好看的封面图，这个判断完全是审美问题，没有标准答案。AI 可以帮我”生成图”，但”生成什么样的图”这个决策，最终还是得人来拍板。

自动化工具把机械性劳动交给机器，判断力和品味这些东西，暂时还得留着自己用。

顺手做了一个 API Key 版本

Pollinations.ai 后来推出了付费计划（花粉积分系统），免费用户每小时有限额，高峰期容易被限速。

我在脚本里加了一个环境变量读取：

api_key = os.environ.get("POLLINATIONS_API_KEY")
if api_key:
    headers = {"Authorization": f"Bearer {api_key}"}
else:
    headers = {}

用 API Key 的时候优先级更高，不容易触发限速。没有 key 的时候回退到公共免费模式。

这个改动加了不到十行代码，是个很典型的「用 AI 写完之后自己加小功能」的场景。

---

这个脚本现在已经在我的博客里跑了快一个月，稳定性还不错。偶尔 Pollinations.ai 服务不稳定，生成失败，脚本会报错退出，我再手动重跑一次。

整体来说，自动化做得好的标志是「跑起来不用想它」。这个脚本基本达到了这个标准。

下一步我想做的是：写完文章之后，自动从文章 Front Matter 里提取关键词，自动生成 Prompt，一键把封面图也生成好。完全零人工。那个版本还在写，等写好了再记录一篇。