如果你是一名电商运营、设计师或内容创作者每天需要处理海量的商品图、营销海报、社交媒体配图那么你肯定对“作图”这件事又爱又恨。爱的是好的视觉是流量的敲门砖恨的是重复、繁琐的修图、排版、套模板工作不仅耗时耗力还严重挤压了思考创意和策略的时间。你可能会想“要是有个‘数字员工’能自动完成这些重复劳动就好了。” 过去这或许只是个幻想但今天通过结合Codex和Skills构建的自动化工作流这个幻想正在成为触手可及的现实。这篇文章要解决的正是这个核心痛点如何将 AI 绘图能力与自动化流程深度结合打造一个属于你自己的、7x24小时不间断的“自动化作图工厂”。网上很多教程只告诉你某个工具怎么用但真正影响效率的从来不是单个工具而是工具之间的“连接”与“协同”。本文将带你深入一个具体的场景电商场景下的自动化作图。我们将拆解如何利用 Codex作为 AI 绘图核心和各种 Skills作为流程自动化节点搭建一个从“商品信息输入”到“成品多尺寸海报输出”的完整流水线。读完本文你将获得一个可立即上手的自动化作图工作流架构理解 Codex 与 Skills 如何分工协作。一套详细的实操步骤包括环境准备、核心配置、代码示例和避坑指南。对“自动化”的重新认识它不只是省时间更是将你的创意从执行中解放出来让你能专注于更高价值的决策。1. 这篇文章真正要解决的问题从“人工流水线”到“AI流水线”的跃迁在传统电商作图流程中一个商品上新可能需要经历收集素材 - 用 PS 修图 - 寻找设计灵感 - 套用模板排版 - 调整文案 - 导出不同平台尺寸淘宝主图、详情页、小红书方图、抖音竖版- 批量加水印/Logo。每一步都依赖人工操作效率低下且容易出错设计师宝贵的创造力被大量重复劳动消耗。我们引入的Codex Skills 自动化工作流旨在重构这个流程。它的核心思想是Codex扮演“AI 设计师”的角色。你不再需要手动操作设计软件而是通过文本指令Prompt告诉它你想要什么风格的图它就能生成对应的图像。它是这个工作流的“创意执行终端”。Skills扮演“流水线机器人”和“调度员”的角色。Skills 可以是一段 Python 脚本、一个 API 调用工具、一个文件处理节点等。它们负责自动化完成那些规则明确的任务例如从数据库或 Excel 读取商品信息、调用 Codex 的 API 生成图片、对生成的图片进行尺寸裁剪和格式转换、自动上传到图床或 CMS 系统。这个工作流解决的不是“如何用 AI 画一张好图”而是“如何让 AI 稳定、批量、按需地生产符合业务要求的图”。它的价值在于将零散的、手动的操作串联成一个自动化的、可复用的管道。对于电商团队这意味着新品上架速度提升、营销素材制作成本降低、视觉风格更统一对于个人创作者这意味着能从繁琐的作图中解脱聚焦于内容本身。2. 基础概念与核心原理Codex 与 Skills 是什么在深入实操前必须厘清几个关键概念避免后续配置时混淆。2.1 Codex不止是代码生成更是图像生成的强大引擎首先需要澄清一个常见的误解这里提到的Codex并非特指 OpenAI 那个用于代码生成的 Codex 模型。在 AI 绘图和自动化工作流语境下“Codex”更常指代一类提供了图像生成 API 的服务或平台。它可能是一个集成了 Stable Diffusion、DALL-E、Midjourney 等模型的统一 API 网关或中转服务。它的核心价值在于标准化接口无论底层是哪个模型对外提供统一的 API 调用方式通常是 HTTP POST 请求简化了开发集成。模型管理可以方便地切换、对比不同模型的出图效果和成本。提升稳定性相比直接调用某些不稳定的开源模型服务这类服务通常提供了更好的可用性和负载均衡。你可以把它理解为一个“AI 绘图云服务”的接入点。在本文的语境中我们将其视为一个黑盒的图像生成服务我们通过向它的 API 发送包含提示词Prompt的请求来获取生成的图片。2.2 Skills让自动化“活”起来的积木块Skills的概念来源于智能体Agent和自动化平台如 n8n, Zapier。它代表一个独立的、可复用的功能单元。每个 Skill 都封装了一个特定的能力例如read_excel_skill: 从 Excel 文件读取数据。call_codex_api_skill: 调用 Codex API 生成图片。resize_image_skill: 调整图片尺寸。upload_to_oss_skill: 上传图片到阿里云 OSS。一个复杂的工作流就是由多个 Skills 像积木一样连接而成。数据在这些 Skills 之间流动前一个 Skill 的输出成为后一个 Skill 的输入。工作流引擎如n8n,Apache Airflow, 或自定义的 Python 脚本负责调度和执行这些 Skills并处理它们之间的依赖关系和错误重试。2.3 自动化作图工作流的核心原理整个工作流的运行原理可以用下面的简化流程图来理解注本文不使用 Mermaid以下为文字描述开始 ↓ [Skill: 读取数据] 从 CSV/Excel/数据库获取商品列表含商品名、卖点、关键词 ↓ [Skill: 构建 Prompt] 根据商品信息结合预设模板生成给 Codex 的绘图指令 ↓ [Skill: 调用 Codex API] 发送 Prompt接收生成的图片文件或 URL ↓ [Skill: 后处理] 裁剪尺寸、添加统一水印、优化画质 ↓ [Skill: 存储与分发] 保存图片到本地或云存储并更新商品后台的图片链接 ↓ 结束这个流程可以定时触发如每天凌晨也可以由事件触发如新品入库时。关键在于一旦搭建完成它就能无人值守地运行。3. 环境准备与前置条件在开始搭建之前你需要准备好以下“基础设施”。请确保你的操作环境满足这些条件。3.1 基础运行环境操作系统推荐 Windows 10/11, macOS, 或 Linux (Ubuntu 20.04)。本文示例将以macOS/Linux 命令行和Python环境为主Windows 用户建议使用 WSL2 或 Git Bash 以获得类似体验。Python版本 3.8 或以上。这是运行大多数自动化脚本和 Skills 的基础。包管理工具pip(Python), 可能还需要conda如果你习惯用 Anaconda 管理环境。3.2 核心账户与密钥Codex 服务访问权限你需要注册一个提供图像生成 API 的服务。这可能是各大云厂商的 AI 绘画服务如阿里云通义万相、百度文心一格 API。专门的 AI 绘画 API 聚合平台。自建的 Stable Diffusion API 服务如使用stable-diffusion-webui的 API 模块。重要获取该服务的API Endpoint (URL)和API Key。这是工作流能调用 AI 绘图能力的“钥匙”。网络要求确保你的服务器或本地环境能够稳定访问你选择的 Codex 服务 API。如果遇到网络问题可能需要检查代理或防火墙设置注意此处仅提及技术性网络配置不涉及任何违规内容。3.3 开发与自动化工具代码编辑器VS Code, PyCharm 等任选。工作流编排工具可选但推荐对于简单的线性流程用 Python 脚本足矣。但对于复杂、带分支、需调度的流程建议使用可视化工具。本文后续将提供两种方式的示例Python 脚本方案纯代码灵活性高。n8n 方案开源、可视化的自动化工具适合不擅长编码的用户。你需要能安装并运行 n8n支持 Docker 或直接安装。3.4 初始项目结构在你的工作目录下先创建如下结构的文件夹和文件以便后续管理auto-design-workflow/ ├── config/ # 配置文件目录 │ └── settings.yaml # 存放API密钥等敏感配置 ├── data/ # 数据文件目录 │ ├── input/ # 输入的原始数据如product_list.csv │ └── output/ # 生成的图片和日志 ├── skills/ # 自定义Skills模块目录 │ ├── __init__.py │ ├── data_loader.py │ ├── prompt_engineer.py │ ├── image_generator.py │ └── image_processor.py ├── workflows/ # 工作流定义目录 │ └── main_flow.py # 主工作流Python脚本 ├── requirements.txt # Python依赖列表 └── .env.example # 环境变量示例文件4. 核心流程拆解五步构建自动化流水线让我们将宏大的“自动化作图”目标拆解成五个可执行的核心步骤。4.1 第一步准备“原材料”——结构化商品数据自动化始于数据。你需要一份结构化的商品信息表例如一个 CSV 文件product_list.csv。product_id,product_name,key_features,style_keywords,target_size 1001,夏日碎花连衣裙,透气棉麻,A字裙,ins风,清新,1:1 1002,男士商务衬衫,免烫抗皱,修身剪裁,商务,简约,4:3 1003,儿童卡通书包,轻便护脊,多隔层,卡通,可爱,9:16product_id: 商品唯一标识。product_name: 商品名称。key_features: 核心卖点用于生成描述。style_keywords: 风格关键词指导 AI 画风。target_size: 目标图片比例如 1:1方图、4:3横图、9:16竖图。4.2 第二步设计“生产图纸”——构建动态 PromptAI 绘图的质量极度依赖 Prompt。我们不能对每个商品都用同一个 Prompt。需要设计一个Prompt 模板引擎将商品数据动态填充进去。 一个简单的模板可以是“一张[style_keywords]风格的电商产品图主体是[product_name]具有[key_features]等特点纯色背景高清8K细节丰富商业摄影”例如对于“夏日碎花连衣裙”生成的 Prompt 就是“一张ins风,清新风格的电商产品图主体是夏日碎花连衣裙具有透气棉麻,A字裙等特点纯色背景高清8K细节丰富商业摄影”4.3 第三步启动“AI 印刷机”——调用 Codex API这是核心步骤。我们需要编写一个 Skill向 Codex 服务的 API 发送 HTTP 请求。通常这类 API 接受一个 JSON 载荷包含prompt、negative_prompt反向提示词、size、num生成数量等参数。4.4 第四步“精加工流水线”——图片后处理AI 生成的原始图片可能尺寸不符或缺少品牌标识。我们需要后处理 Skill 来完成尺寸裁剪/缩放根据target_size将图片调整为电商平台要求的精确像素如 800x800主图、750x1000详情长图。添加水印/Logo在图片角落添加统一的品牌标识。格式转换与优化转换为 WebP 或压缩 PNG 以减小体积。4.5 第五步“质检与入库”——存储与链接更新将处理好的最终图片保存到指定位置本地目录或云存储如 OSS、S3并最好能生成一个记录文件如 JSON 或 CSV将product_id与最终图片的访问链接对应起来。这个文件可以供后续的 CMS 系统自动读取并更新商品主图。5. 完整示例与代码实现我们将用 Python 脚本方案实现一个简化但完整的工作流。假设我们使用的 Codex 服务 API 与 OpenAI DALL-E 3 的接口兼容。5.1 环境配置与依赖安装首先在项目根目录创建requirements.txtrequests2.28.0 Pillow9.5.0 pandas1.5.0 pyyaml6.0 python-dotenv0.21.0安装依赖pip install -r requirements.txt创建配置文件config/settings.yaml注意不要将此文件提交到 Gitcodex_api: endpoint: https://api.your-codex-service.com/v1/images/generations # 替换为你的真实端点 api_key: your-secret-api-key-here # 替换为你的真实API密钥 model: dall-e-3 # 或你服务支持的模型名 default_size: 1024x1024 image_processing: output_dir: ./data/output/images watermark_path: ./assets/watermark.png # 水印图片路径 sizes: 1:1: - [800, 800] # 淘宝主图 - [400, 400] # 缩略图 4:3: - [1200, 900] # 商品海报 9:16: - [1080, 1920] # 抖音/小红书竖图使用.env文件管理密钥更安全这里用 YAML 示例。5.2 Skill 1: 数据加载 (skills/data_loader.py)import pandas as pd import os class DataLoader: def __init__(self, data_path): self.data_path data_path def load_products_from_csv(self, filenameproduct_list.csv): 从CSV文件加载商品数据 file_path os.path.join(self.data_path, filename) try: df pd.read_csv(file_path) # 确保必要的列存在 required_cols [product_id, product_name, key_features, style_keywords, target_size] for col in required_cols: if col not in df.columns: raise ValueError(fCSV文件缺少必要列: {col}) # 将数据转换为字典列表便于后续处理 products df.to_dict(records) print(f成功加载 {len(products)} 个商品信息。) return products except FileNotFoundError: print(f错误未找到数据文件 {file_path}) return [] except Exception as e: print(f加载数据时发生错误: {e}) return [] # 示例用法 if __name__ __main__: loader DataLoader(./data/input) products loader.load_products_from_csv() for p in products[:2]: # 打印前两个商品 print(p)5.3 Skill 2: Prompt 工程师 (skills/prompt_engineer.py)class PromptEngineer: def __init__(self, templateNone): # 一个可配置的Prompt模板 self.template template or ( Commercial product photography of {product_name}, {key_features}. Style: {style_keywords}. Clean background, high detail, 8K, professional lighting. No text, no watermark. ) def generate_prompt(self, product_info): 根据商品信息生成绘图Prompt try: prompt self.template.format( product_nameproduct_info[product_name], key_featuresproduct_info[key_features], style_keywordsproduct_info[style_keywords] ) # 简单的清理确保Prompt格式良好 prompt .join(prompt.split()) # 合并多余空格 return prompt except KeyError as e: print(f商品信息缺少生成Prompt所需的键: {e}) return None # 示例用法 if __name__ __main__: engineer PromptEngineer() sample_product { product_id: 1001, product_name: 夏日碎花连衣裙, key_features: 透气棉麻, A字裙, style_keywords: ins风, 清新, target_size: 1:1 } prompt engineer.generate_prompt(sample_product) print(f生成的Prompt: {prompt})5.4 Skill 3: AI 图像生成器 (skills/image_generator.py)这是与 Codex API 交互的核心模块。import requests import time import yaml import os from pathlib import Path class CodexImageGenerator: def __init__(self, config_path./config/settings.yaml): # 加载配置 with open(config_path, r) as f: config yaml.safe_load(f) self.api_endpoint config[codex_api][endpoint] self.api_key config[codex_api][api_key] self.model config[codex_api][model] self.default_size config[codex_api][default_size] self.headers { Authorization: fBearer {self.api_key}, Content-Type: application/json } def generate(self, prompt, sizeNone, num1, save_dirNone): 调用Codex API生成图片并保存到本地 if not prompt: raise ValueError(Prompt cannot be empty.) size size or self.default_size payload { model: self.model, prompt: prompt, n: num, # 生成数量 size: size, quality: standard, response_format: url # 假设API返回图片URL } print(f正在生成图片... Prompt: {prompt[:50]}...) try: response requests.post(self.api_endpoint, jsonpayload, headersself.headers, timeout60) response.raise_for_status() # 如果状态码不是200抛出异常 result response.json() # 假设API返回结构为 {data: [{url: ...}, ...]} image_url result[data][0][url] print(f图片生成成功URL: {image_url}) # 下载图片 img_response requests.get(image_url, timeout30) img_response.raise_for_status() # 保存图片 if save_dir: Path(save_dir).mkdir(parentsTrue, exist_okTrue) # 用时间戳和prompt哈希部分生成唯一文件名 timestamp int(time.time()) filename fgen_{timestamp}_{hash(prompt) % 10000}.png filepath os.path.join(save_dir, filename) with open(filepath, wb) as f: f.write(img_response.content) print(f图片已保存至: {filepath}) return filepath else: # 如果不保存返回图片二进制内容 return img_response.content except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) if hasattr(e, response) and e.response is not None: print(f响应状态码: {e.response.status_code}) print(f响应内容: {e.response.text}) return None except KeyError as e: print(f解析API响应失败未找到预期字段: {e}) print(f完整响应: {result}) return None # 示例用法 if __name__ __main__: # 注意运行前请确保config/settings.yaml配置正确 generator CodexImageGenerator() test_prompt A cute cat wearing a hat, digital art saved_path generator.generate(test_prompt, save_dir./tmp_test) if saved_path: print(f测试图片保存路径: {saved_path})5.5 Skill 4: 图片后处理器 (skills/image_processor.py)from PIL import Image, ImageDraw, ImageFont import os class ImageProcessor: def __init__(self, watermark_pathNone): self.watermark_path watermark_path self.watermark None if watermark_path and os.path.exists(watermark_path): try: self.watermark Image.open(watermark_path).convert(RGBA) print(f水印加载成功: {watermark_path}) except Exception as e: print(f加载水印失败: {e}) def resize_image(self, image_path, target_sizes, output_dir): 将图片调整为多个目标尺寸 original_img Image.open(image_path) original_name os.path.splitext(os.path.basename(image_path))[0] saved_paths [] for size_name, dimensions_list in target_sizes.items(): for dim in dimensions_list: if len(dim) 2: width, height dim # 保持比例的高质量缩放 resized_img original_img.resize((width, height), Image.Resampling.LANCZOS) # 构建输出路径 size_dir os.path.join(output_dir, size_name) os.makedirs(size_dir, exist_okTrue) output_filename f{original_name}_{width}x{height}.png output_path os.path.join(size_dir, output_filename) resized_img.save(output_path, PNG) saved_paths.append(output_path) print(f已生成尺寸: {width}x{height} - {output_path}) return saved_paths def add_watermark(self, image_path, output_pathNone, opacity0.3): 为图片添加水印 if not self.watermark: print(未提供水印跳过此步骤。) return image_path base_img Image.open(image_path).convert(RGBA) wm self.watermark.copy() # 调整水印大小例如缩放到基础图片宽度的20% wm_size int(base_img.width * 0.2) wm.thumbnail((wm_size, wm_size), Image.Resampling.LANCZOS) # 调整水印透明度 if opacity 1.0: alpha wm.split()[3] alpha alpha.point(lambda p: int(p * opacity)) wm.putalpha(alpha) # 将水印放置在右下角 position (base_img.width - wm.width - 20, base_img.height - wm.height - 20) # 创建一个临时透明层来合成 transparent Image.new(RGBA, base_img.size, (0,0,0,0)) transparent.paste(wm, position) combined Image.alpha_composite(base_img, transparent) if output_path is None: output_path image_path.replace(.png, _watermarked.png) combined.convert(RGB).save(output_path, PNG) print(f水印添加完成: {output_path}) return output_path # 示例用法 if __name__ __main__: processor ImageProcessor(watermark_path./assets/watermark.png) # 假设有一张生成的图片 test_image ./tmp_test/gen_1234567890_1234.png if os.path.exists(test_image): # 定义需要生成的尺寸 target_sizes_config { 1:1: [(800, 800), (400, 400)], 4:3: [(1200, 900)], } saved processor.resize_image(test_image, target_sizes_config, ./data/output) if saved: # 为第一个尺寸的图片添加水印 watermarked processor.add_watermark(saved[0]) print(f最终带水印图片: {watermarked})5.6 工作流主程序 (workflows/main_flow.py)现在我们将所有 Skills 串联起来。import sys import os sys.path.append(os.path.join(os.path.dirname(__file__), ..)) from skills.data_loader import DataLoader from skills.prompt_engineer import PromptEngineer from skills.image_generator import CodexImageGenerator from skills.image_processor import ImageProcessor import yaml import json from datetime import datetime def main(): print( 电商自动化作图工作流启动 ) # 1. 加载配置 with open(./config/settings.yaml, r) as f: config yaml.safe_load(f) output_base config[image_processing][output_dir] os.makedirs(output_base, exist_okTrue) # 2. 加载商品数据 print(\n[步骤1] 加载商品数据...) loader DataLoader(./data/input) products loader.load_products_from_csv() if not products: print(没有商品数据工作流终止。) return # 3. 初始化各模块 prompt_engineer PromptEngineer() image_generator CodexImageGenerator() image_processor ImageProcessor(config[image_processing][watermark_path]) result_log [] # 4. 遍历每个商品执行流水线 for idx, product in enumerate(products, 1): print(f\n--- 处理商品 {idx}/{len(products)}: {product[product_name]} ---) # 4.1 生成Prompt prompt prompt_engineer.generate_prompt(product) if not prompt: print(f 跳过商品 {product[product_name]}Prompt生成失败。) continue # 4.2 调用AI生成原始图片 # 根据商品的目标比例选择初始生成尺寸这里做简单映射 size_map {1:1: 1024x1024, 4:3: 1024x768, 9:16: 768x1024} gen_size size_map.get(product[target_size], 1024x1024) raw_image_path image_generator.generate( promptprompt, sizegen_size, save_diros.path.join(output_base, raw) # 原始图保存目录 ) if not raw_image_path: print(f 图片生成失败跳过后续处理。) continue # 4.3 图片后处理调整尺寸 # 根据配置获取该比例对应的所有目标尺寸 target_ratio product[target_size] processing_config config[image_processing][sizes] if target_ratio in processing_config: target_sizes {target_ratio: processing_config[target_ratio]} else: target_sizes {default: [(1024, 1024)]} # 默认尺寸 resized_paths image_processor.resize_image( raw_image_path, target_sizes, os.path.join(output_base, resized) ) # 4.4 (可选) 为第一个尺寸的图片添加水印 final_paths [] if resized_paths: watermarked_path image_processor.add_watermark( resized_paths[0], output_pathos.path.join(output_base, final, f{product[product_id]}_final.png) ) final_paths.append(watermarked_path) # 4.5 记录结果 log_entry { product_id: product[product_id], product_name: product[product_name], prompt: prompt, raw_image: raw_image_path, resized_images: resized_paths, final_image: watermarked_path if resized_paths else None, processed_at: datetime.now().isoformat() } result_log.append(log_entry) print(f 商品 {product[product_name]} 处理完成。) # 5. 保存处理日志 log_file os.path.join(output_base, processing_log.json) with open(log_file, w, encodingutf-8) as f: json.dump(result_log, f, ensure_asciiFalse, indent2) print(f\n 工作流执行完成共处理 {len(result_log)} 个商品。 ) print(f日志已保存至: {log_file}) print(f原始图片位于: {os.path.join(output_base, raw)}) print(f最终图片位于: {os.path.join(output_base, final)}) if __name__ __main__: main()6. 运行结果与效果验证6.1 如何运行工作流确保你的data/input/product_list.csv文件已按格式准备好。确保config/settings.yaml中的 API 端点endpoint和密钥api_key已正确配置。在项目根目录下运行主工作流脚本cd /path/to/your/auto-design-workflow python workflows/main_flow.py观察控制台输出。你应该能看到类似以下的日志 电商自动化作图工作流启动 [步骤1] 加载商品数据... 成功加载 3 个商品信息。 --- 处理商品 1/3: 夏日碎花连衣裙 --- 正在生成图片... Prompt: Commercial product photography of 夏日碎花连衣裙... 图片生成成功URL: https://xxx.xxx/xxx.png 图片已保存至: ./data/output/images/raw/gen_1712345678_8523.png 已生成尺寸: 800x800 - ./data/output/images/resized/1:1/gen_1712345678_8523_800x800.png 已生成尺寸: 400x400 - ./data/output/images/resized/1:1/gen_1712345678_8523_400x400.png 水印添加完成: ./data/output/images/final/1001_final.png 商品 夏日碎花连衣裙 处理完成。 ... (处理其他商品) ... 工作流执行完成共处理 3 个商品。 检查输出目录data/output/images/你会看到按结构组织的图片文件。6.2 效果验证清单功能验证[ ]raw/目录下是否生成了 AI 创作的原始图片[ ]resized/目录下是否按比例生成了多个尺寸的图片[ ]final/目录下的图片是否成功添加了水印[ ]processing_log.json文件是否被创建并包含了所有处理记录质量验证[ ] AI 生成的图片是否符合商品描述和风格关键词[ ] 图片尺寸是否精确符合要求如 800x800 像素[ ] 水印位置、大小和透明度是否合适自动化验证[ ] 整个流程是否无需人工干预从读取 CSV 到输出最终图片一气呵成[ ] 如果增加新的商品到 CSV 文件重新运行脚本是否能自动处理新商品7. 常见问题与排查思路在搭建和运行过程中你可能会遇到以下问题。这里提供系统的排查思路。问题现象可能原因排查方式解决方案运行脚本时报ModuleNotFoundErrorPython 依赖未安装或环境不对。1. 检查当前 Python 版本 (python --version)。2. 检查是否在项目目录下安装了依赖 (pip list | grep requests)。1. 确认使用 Python 3.8。2. 在项目根目录执行pip install -r requirements.txt。DataLoader加载 CSV 失败1. CSV 文件路径错误。2. CSV 文件格式不对如编码问题。3. 缺少必要的列。1. 检查data/input/product_list.csv文件是否存在。2. 用文本编辑器或pandas简单读取测试。3. 打印df.columns查看列名。1. 确保文件路径和脚本中的一致。2. 将 CSV 保存为 UTF-8 编码。3. 按示例修改 CSV 文件确保列名完全匹配。调用 Codex API 返回401或403错误API 密钥无效、过期或没有权限。1. 检查config/settings.yaml中的api_key是否正确。2. 检查 API 密钥是否有调用图像生成接口的权限。3. 尝试用curl或 Postman 直接调用 API 验证。1. 重新生成或复制正确的 API Key。2. 联系你的 Codex 服务提供商确认权限和配额。调用 Codex API 返回429错误请求频率超限或配额用尽。查看 API 返回的错误信息通常会有提示。1. 降低调用频率在代码中增加time.sleep(2)等间隔。2. 升级服务套餐或等待配额重置。API 调用超时或网络错误1. 网络连接不稳定。2. API 端点地址错误。3. 服务器端问题。1. 使用ping或curl测试到 API 域名的连通性。2. 检查endpoint配置是否正确是否多了空格。1. 检查本地网络或尝试在服务器环境运行。2. 核对 API 文档确认端点 URL。3. 联系服务商确认服务状态。生成的图片质量差不符合预期1. Prompt 描述不够好。2. 使用的 AI 模型不适合该风格。3. 参数如size,quality设置不当。1. 分析生成的 Prompt 文本是否清晰、具体。2. 在服务商提供的 Playground 中手动测试不同 Prompt 和模型。1. 优化PromptEngineer中的模板加入更具体、更风格化的描述词。2. 在配置中尝试切换不同的model。3. 调整 API 调用参数如使用hd质量、更具体的style参数等。图片后处理缩放、水印失败1. 原始图片下载不完整或损坏。2. 水印图片路径错误或格式不支持。3.PIL(Pillow) 库处理特定图片格式时出错。1. 检查raw/目录下的图片文件是否能正常打开。2. 检查watermark_path配置的图片是否存在。3. 查看具体的错误堆栈信息。1. 确保网络稳定图片下载完整。2. 水印图片建议使用 PNG 透明格式。3. 尝试将图片统一转换为 RGB 模式后再处理 (img.convert(‘RGB’))。工作流处理到一半中断1. 某个商品数据异常导致程序崩溃。2. API 调用间歇性失败。3. 磁盘空间不足。1. 查看控制台打印的错误信息。2. 检查processing_log.json看是在处理哪个商品时中断的。1. 在代码中加入更完善的异常捕获 (try...except)记录错误并跳过当前商品继续处理下一个。2. 为 API 调用增加重试机制。3. 检查输出目录的磁盘空间。8. 最佳实践与工程建议将原型转化为稳定、可维护的生产级工作流还需要考虑以下几点8.1 配置与密钥管理永远不要将密钥硬编码在代码中。本文示例使用了 YAML 文件但在团队协作或生产环境更推荐使用环境变量或专业的密钥管理服务如 AWS Secrets Manager, HashiCorp Vault。# 在运行脚本前设置环境变量 export COdex_API_KEYyour-actual-key然后在代码中通过os.getenv(COdex_API_KEY)读取。将config/settings.yaml加入.gitignore并提供一个settings.yaml.example模板文件。8.2 错误处理与重试机制在网络请求和外部 API 调用处必须添加重试逻辑例如使用tenacity库。from tenacity import retry, stop_after_attempt, wait_exponential retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def call_api_safely(payload): # ... 原有的请求代码 ...实现完善的日志记录不仅打印到控制台也写入文件便于后期排查。可以使用 Python 标准库的logging模块。8.3 性能与成本优化异步处理如果商品数量很多同步顺序调用 API 会非常慢。可以考虑使用asyncio和aiohttp进行异步并发请求但要注意 API 提供方的速率限制。缓存策略对于风格、背景相似的图片可以考虑缓存生成的图片或者对相似的 Prompt 使用之前生成的结果避免重复调用产生不必要的费用。成本监控Codex 类服务通常按调用次数或生成图片的尺寸/数量收费。在脚本中集成简单的计数和成本估算功能避免预算超支。8.4 扩展性与模块化支持多数据源当前的DataLoader只支持 CSV。可以将其抽象为接口未来轻松扩展支持从数据库MySQL, MongoDB、电商平台 API淘宝、Shopify直接拉取商品数据。插件化 Skills将每个 Skill 设计得更独立通过配置文件来定义工作流的步骤和顺序。这样要增加一个“自动上传到 CMS”的 Skill只需开发新模块并修改配置无需改动主流程代码。集成可视化工作流引擎当流程变得非常复杂时可以考虑迁移到n8n或Apache Airflow。它们提供了可视化编排、任务调度、监控和报警等企业级功能。本文的每个 Skill 都可以封装成一个 n8n 节点。8.5 提示词Prompt工程优化这是决定出图质量的关键。不要满足于一个固定模板。建立提示词库为不同商品类目服装、数码、食品和风格写实、插画、3D建立不同的 Prompt 模板库。动态参数注入除了商品基本信息还可以注入季节、节日、热门话题等动态参数让生成的图片更具时效性。人工审核与迭代初期可以将生成的图片和对应的 Prompt 保存下来建立一个小型数据集。定期审核哪些 Prompt 效果好哪些差不断迭代优化你的 Prompt 模板。9. 总结与后续学习方向通过本文我们完成了一个从商品数据到营销图片的全链路自动化作图工作流的搭建。你不仅学会了如何调用 Codex API更重要的是掌握了将多个独立 Skills 串联成一个自动化管道的系统工程思维。这个工作流就像一个乐高城堡每个 Skill 都是一块积木你可以随时替换或添加新的积木例如增加一个“自动生成卖点文案”的 Skill或一个“将图片发布到社交媒体”的 Skill。回顾核心价值这个方案的核心优势不在于用了多炫酷的 AI 模型而在于将确定性的、重复的流程交给了机器。它把电商从业者从“美工”的角色中部分解放出来使其能更专注于选品、策划和营销策略。下一步你可以探索的方向深入集成将工作流与你现有的电商后台如 Shopify、Shopee、淘宝开放平台或 CMS 系统打通实现“商品上架 - 自动作图 - 自动更新主图”的闭环。质量管控引入一个“人工审核”或“AI 初筛”节点。例如使用另一个 AI 模型对生成的图片进行打分只将高分图片送入后续流程低分图片则触发重新生成或人工干预。探索更多 AI 能力除了文生图还可以集成图生图用商品白底图生成场景图、智能修图AI 抠图、调色、视频生成等能力打造更强大的多媒体内容生产线。部署与调度将 Python 脚本部署到服务器并使用cronLinux或任务计划程序Windows进行定时调度实现真正的 7x24 小时无人值守运行。自动化不是要完全取代人而是将人从重复劳动中解放出来去做更有创造性和决策性的工作。从这个工作流开始尝试去自动化你工作中任何一个枯燥的环节你会发现效率提升 100% 只是一个起点。 基于Codex与Skills的电商自动化作图工作流实战指南
如果你是一名电商运营、设计师或内容创作者每天需要处理海量的商品图、营销海报、社交媒体配图那么你肯定对“作图”这件事又爱又恨。爱的是好的视觉是流量的敲门砖恨的是重复、繁琐的修图、排版、套模板工作不仅耗时耗力还严重挤压了思考创意和策略的时间。你可能会想“要是有个‘数字员工’能自动完成这些重复劳动就好了。” 过去这或许只是个幻想但今天通过结合Codex和Skills构建的自动化工作流这个幻想正在成为触手可及的现实。这篇文章要解决的正是这个核心痛点如何将 AI 绘图能力与自动化流程深度结合打造一个属于你自己的、7x24小时不间断的“自动化作图工厂”。网上很多教程只告诉你某个工具怎么用但真正影响效率的从来不是单个工具而是工具之间的“连接”与“协同”。本文将带你深入一个具体的场景电商场景下的自动化作图。我们将拆解如何利用 Codex作为 AI 绘图核心和各种 Skills作为流程自动化节点搭建一个从“商品信息输入”到“成品多尺寸海报输出”的完整流水线。读完本文你将获得一个可立即上手的自动化作图工作流架构理解 Codex 与 Skills 如何分工协作。一套详细的实操步骤包括环境准备、核心配置、代码示例和避坑指南。对“自动化”的重新认识它不只是省时间更是将你的创意从执行中解放出来让你能专注于更高价值的决策。1. 这篇文章真正要解决的问题从“人工流水线”到“AI流水线”的跃迁在传统电商作图流程中一个商品上新可能需要经历收集素材 - 用 PS 修图 - 寻找设计灵感 - 套用模板排版 - 调整文案 - 导出不同平台尺寸淘宝主图、详情页、小红书方图、抖音竖版- 批量加水印/Logo。每一步都依赖人工操作效率低下且容易出错设计师宝贵的创造力被大量重复劳动消耗。我们引入的Codex Skills 自动化工作流旨在重构这个流程。它的核心思想是Codex扮演“AI 设计师”的角色。你不再需要手动操作设计软件而是通过文本指令Prompt告诉它你想要什么风格的图它就能生成对应的图像。它是这个工作流的“创意执行终端”。Skills扮演“流水线机器人”和“调度员”的角色。Skills 可以是一段 Python 脚本、一个 API 调用工具、一个文件处理节点等。它们负责自动化完成那些规则明确的任务例如从数据库或 Excel 读取商品信息、调用 Codex 的 API 生成图片、对生成的图片进行尺寸裁剪和格式转换、自动上传到图床或 CMS 系统。这个工作流解决的不是“如何用 AI 画一张好图”而是“如何让 AI 稳定、批量、按需地生产符合业务要求的图”。它的价值在于将零散的、手动的操作串联成一个自动化的、可复用的管道。对于电商团队这意味着新品上架速度提升、营销素材制作成本降低、视觉风格更统一对于个人创作者这意味着能从繁琐的作图中解脱聚焦于内容本身。2. 基础概念与核心原理Codex 与 Skills 是什么在深入实操前必须厘清几个关键概念避免后续配置时混淆。2.1 Codex不止是代码生成更是图像生成的强大引擎首先需要澄清一个常见的误解这里提到的Codex并非特指 OpenAI 那个用于代码生成的 Codex 模型。在 AI 绘图和自动化工作流语境下“Codex”更常指代一类提供了图像生成 API 的服务或平台。它可能是一个集成了 Stable Diffusion、DALL-E、Midjourney 等模型的统一 API 网关或中转服务。它的核心价值在于标准化接口无论底层是哪个模型对外提供统一的 API 调用方式通常是 HTTP POST 请求简化了开发集成。模型管理可以方便地切换、对比不同模型的出图效果和成本。提升稳定性相比直接调用某些不稳定的开源模型服务这类服务通常提供了更好的可用性和负载均衡。你可以把它理解为一个“AI 绘图云服务”的接入点。在本文的语境中我们将其视为一个黑盒的图像生成服务我们通过向它的 API 发送包含提示词Prompt的请求来获取生成的图片。2.2 Skills让自动化“活”起来的积木块Skills的概念来源于智能体Agent和自动化平台如 n8n, Zapier。它代表一个独立的、可复用的功能单元。每个 Skill 都封装了一个特定的能力例如read_excel_skill: 从 Excel 文件读取数据。call_codex_api_skill: 调用 Codex API 生成图片。resize_image_skill: 调整图片尺寸。upload_to_oss_skill: 上传图片到阿里云 OSS。一个复杂的工作流就是由多个 Skills 像积木一样连接而成。数据在这些 Skills 之间流动前一个 Skill 的输出成为后一个 Skill 的输入。工作流引擎如n8n,Apache Airflow, 或自定义的 Python 脚本负责调度和执行这些 Skills并处理它们之间的依赖关系和错误重试。2.3 自动化作图工作流的核心原理整个工作流的运行原理可以用下面的简化流程图来理解注本文不使用 Mermaid以下为文字描述开始 ↓ [Skill: 读取数据] 从 CSV/Excel/数据库获取商品列表含商品名、卖点、关键词 ↓ [Skill: 构建 Prompt] 根据商品信息结合预设模板生成给 Codex 的绘图指令 ↓ [Skill: 调用 Codex API] 发送 Prompt接收生成的图片文件或 URL ↓ [Skill: 后处理] 裁剪尺寸、添加统一水印、优化画质 ↓ [Skill: 存储与分发] 保存图片到本地或云存储并更新商品后台的图片链接 ↓ 结束这个流程可以定时触发如每天凌晨也可以由事件触发如新品入库时。关键在于一旦搭建完成它就能无人值守地运行。3. 环境准备与前置条件在开始搭建之前你需要准备好以下“基础设施”。请确保你的操作环境满足这些条件。3.1 基础运行环境操作系统推荐 Windows 10/11, macOS, 或 Linux (Ubuntu 20.04)。本文示例将以macOS/Linux 命令行和Python环境为主Windows 用户建议使用 WSL2 或 Git Bash 以获得类似体验。Python版本 3.8 或以上。这是运行大多数自动化脚本和 Skills 的基础。包管理工具pip(Python), 可能还需要conda如果你习惯用 Anaconda 管理环境。3.2 核心账户与密钥Codex 服务访问权限你需要注册一个提供图像生成 API 的服务。这可能是各大云厂商的 AI 绘画服务如阿里云通义万相、百度文心一格 API。专门的 AI 绘画 API 聚合平台。自建的 Stable Diffusion API 服务如使用stable-diffusion-webui的 API 模块。重要获取该服务的API Endpoint (URL)和API Key。这是工作流能调用 AI 绘图能力的“钥匙”。网络要求确保你的服务器或本地环境能够稳定访问你选择的 Codex 服务 API。如果遇到网络问题可能需要检查代理或防火墙设置注意此处仅提及技术性网络配置不涉及任何违规内容。3.3 开发与自动化工具代码编辑器VS Code, PyCharm 等任选。工作流编排工具可选但推荐对于简单的线性流程用 Python 脚本足矣。但对于复杂、带分支、需调度的流程建议使用可视化工具。本文后续将提供两种方式的示例Python 脚本方案纯代码灵活性高。n8n 方案开源、可视化的自动化工具适合不擅长编码的用户。你需要能安装并运行 n8n支持 Docker 或直接安装。3.4 初始项目结构在你的工作目录下先创建如下结构的文件夹和文件以便后续管理auto-design-workflow/ ├── config/ # 配置文件目录 │ └── settings.yaml # 存放API密钥等敏感配置 ├── data/ # 数据文件目录 │ ├── input/ # 输入的原始数据如product_list.csv │ └── output/ # 生成的图片和日志 ├── skills/ # 自定义Skills模块目录 │ ├── __init__.py │ ├── data_loader.py │ ├── prompt_engineer.py │ ├── image_generator.py │ └── image_processor.py ├── workflows/ # 工作流定义目录 │ └── main_flow.py # 主工作流Python脚本 ├── requirements.txt # Python依赖列表 └── .env.example # 环境变量示例文件4. 核心流程拆解五步构建自动化流水线让我们将宏大的“自动化作图”目标拆解成五个可执行的核心步骤。4.1 第一步准备“原材料”——结构化商品数据自动化始于数据。你需要一份结构化的商品信息表例如一个 CSV 文件product_list.csv。product_id,product_name,key_features,style_keywords,target_size 1001,夏日碎花连衣裙,透气棉麻,A字裙,ins风,清新,1:1 1002,男士商务衬衫,免烫抗皱,修身剪裁,商务,简约,4:3 1003,儿童卡通书包,轻便护脊,多隔层,卡通,可爱,9:16product_id: 商品唯一标识。product_name: 商品名称。key_features: 核心卖点用于生成描述。style_keywords: 风格关键词指导 AI 画风。target_size: 目标图片比例如 1:1方图、4:3横图、9:16竖图。4.2 第二步设计“生产图纸”——构建动态 PromptAI 绘图的质量极度依赖 Prompt。我们不能对每个商品都用同一个 Prompt。需要设计一个Prompt 模板引擎将商品数据动态填充进去。 一个简单的模板可以是“一张[style_keywords]风格的电商产品图主体是[product_name]具有[key_features]等特点纯色背景高清8K细节丰富商业摄影”例如对于“夏日碎花连衣裙”生成的 Prompt 就是“一张ins风,清新风格的电商产品图主体是夏日碎花连衣裙具有透气棉麻,A字裙等特点纯色背景高清8K细节丰富商业摄影”4.3 第三步启动“AI 印刷机”——调用 Codex API这是核心步骤。我们需要编写一个 Skill向 Codex 服务的 API 发送 HTTP 请求。通常这类 API 接受一个 JSON 载荷包含prompt、negative_prompt反向提示词、size、num生成数量等参数。4.4 第四步“精加工流水线”——图片后处理AI 生成的原始图片可能尺寸不符或缺少品牌标识。我们需要后处理 Skill 来完成尺寸裁剪/缩放根据target_size将图片调整为电商平台要求的精确像素如 800x800主图、750x1000详情长图。添加水印/Logo在图片角落添加统一的品牌标识。格式转换与优化转换为 WebP 或压缩 PNG 以减小体积。4.5 第五步“质检与入库”——存储与链接更新将处理好的最终图片保存到指定位置本地目录或云存储如 OSS、S3并最好能生成一个记录文件如 JSON 或 CSV将product_id与最终图片的访问链接对应起来。这个文件可以供后续的 CMS 系统自动读取并更新商品主图。5. 完整示例与代码实现我们将用 Python 脚本方案实现一个简化但完整的工作流。假设我们使用的 Codex 服务 API 与 OpenAI DALL-E 3 的接口兼容。5.1 环境配置与依赖安装首先在项目根目录创建requirements.txtrequests2.28.0 Pillow9.5.0 pandas1.5.0 pyyaml6.0 python-dotenv0.21.0安装依赖pip install -r requirements.txt创建配置文件config/settings.yaml注意不要将此文件提交到 Gitcodex_api: endpoint: https://api.your-codex-service.com/v1/images/generations # 替换为你的真实端点 api_key: your-secret-api-key-here # 替换为你的真实API密钥 model: dall-e-3 # 或你服务支持的模型名 default_size: 1024x1024 image_processing: output_dir: ./data/output/images watermark_path: ./assets/watermark.png # 水印图片路径 sizes: 1:1: - [800, 800] # 淘宝主图 - [400, 400] # 缩略图 4:3: - [1200, 900] # 商品海报 9:16: - [1080, 1920] # 抖音/小红书竖图使用.env文件管理密钥更安全这里用 YAML 示例。5.2 Skill 1: 数据加载 (skills/data_loader.py)import pandas as pd import os class DataLoader: def __init__(self, data_path): self.data_path data_path def load_products_from_csv(self, filenameproduct_list.csv): 从CSV文件加载商品数据 file_path os.path.join(self.data_path, filename) try: df pd.read_csv(file_path) # 确保必要的列存在 required_cols [product_id, product_name, key_features, style_keywords, target_size] for col in required_cols: if col not in df.columns: raise ValueError(fCSV文件缺少必要列: {col}) # 将数据转换为字典列表便于后续处理 products df.to_dict(records) print(f成功加载 {len(products)} 个商品信息。) return products except FileNotFoundError: print(f错误未找到数据文件 {file_path}) return [] except Exception as e: print(f加载数据时发生错误: {e}) return [] # 示例用法 if __name__ __main__: loader DataLoader(./data/input) products loader.load_products_from_csv() for p in products[:2]: # 打印前两个商品 print(p)5.3 Skill 2: Prompt 工程师 (skills/prompt_engineer.py)class PromptEngineer: def __init__(self, templateNone): # 一个可配置的Prompt模板 self.template template or ( Commercial product photography of {product_name}, {key_features}. Style: {style_keywords}. Clean background, high detail, 8K, professional lighting. No text, no watermark. ) def generate_prompt(self, product_info): 根据商品信息生成绘图Prompt try: prompt self.template.format( product_nameproduct_info[product_name], key_featuresproduct_info[key_features], style_keywordsproduct_info[style_keywords] ) # 简单的清理确保Prompt格式良好 prompt .join(prompt.split()) # 合并多余空格 return prompt except KeyError as e: print(f商品信息缺少生成Prompt所需的键: {e}) return None # 示例用法 if __name__ __main__: engineer PromptEngineer() sample_product { product_id: 1001, product_name: 夏日碎花连衣裙, key_features: 透气棉麻, A字裙, style_keywords: ins风, 清新, target_size: 1:1 } prompt engineer.generate_prompt(sample_product) print(f生成的Prompt: {prompt})5.4 Skill 3: AI 图像生成器 (skills/image_generator.py)这是与 Codex API 交互的核心模块。import requests import time import yaml import os from pathlib import Path class CodexImageGenerator: def __init__(self, config_path./config/settings.yaml): # 加载配置 with open(config_path, r) as f: config yaml.safe_load(f) self.api_endpoint config[codex_api][endpoint] self.api_key config[codex_api][api_key] self.model config[codex_api][model] self.default_size config[codex_api][default_size] self.headers { Authorization: fBearer {self.api_key}, Content-Type: application/json } def generate(self, prompt, sizeNone, num1, save_dirNone): 调用Codex API生成图片并保存到本地 if not prompt: raise ValueError(Prompt cannot be empty.) size size or self.default_size payload { model: self.model, prompt: prompt, n: num, # 生成数量 size: size, quality: standard, response_format: url # 假设API返回图片URL } print(f正在生成图片... Prompt: {prompt[:50]}...) try: response requests.post(self.api_endpoint, jsonpayload, headersself.headers, timeout60) response.raise_for_status() # 如果状态码不是200抛出异常 result response.json() # 假设API返回结构为 {data: [{url: ...}, ...]} image_url result[data][0][url] print(f图片生成成功URL: {image_url}) # 下载图片 img_response requests.get(image_url, timeout30) img_response.raise_for_status() # 保存图片 if save_dir: Path(save_dir).mkdir(parentsTrue, exist_okTrue) # 用时间戳和prompt哈希部分生成唯一文件名 timestamp int(time.time()) filename fgen_{timestamp}_{hash(prompt) % 10000}.png filepath os.path.join(save_dir, filename) with open(filepath, wb) as f: f.write(img_response.content) print(f图片已保存至: {filepath}) return filepath else: # 如果不保存返回图片二进制内容 return img_response.content except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) if hasattr(e, response) and e.response is not None: print(f响应状态码: {e.response.status_code}) print(f响应内容: {e.response.text}) return None except KeyError as e: print(f解析API响应失败未找到预期字段: {e}) print(f完整响应: {result}) return None # 示例用法 if __name__ __main__: # 注意运行前请确保config/settings.yaml配置正确 generator CodexImageGenerator() test_prompt A cute cat wearing a hat, digital art saved_path generator.generate(test_prompt, save_dir./tmp_test) if saved_path: print(f测试图片保存路径: {saved_path})5.5 Skill 4: 图片后处理器 (skills/image_processor.py)from PIL import Image, ImageDraw, ImageFont import os class ImageProcessor: def __init__(self, watermark_pathNone): self.watermark_path watermark_path self.watermark None if watermark_path and os.path.exists(watermark_path): try: self.watermark Image.open(watermark_path).convert(RGBA) print(f水印加载成功: {watermark_path}) except Exception as e: print(f加载水印失败: {e}) def resize_image(self, image_path, target_sizes, output_dir): 将图片调整为多个目标尺寸 original_img Image.open(image_path) original_name os.path.splitext(os.path.basename(image_path))[0] saved_paths [] for size_name, dimensions_list in target_sizes.items(): for dim in dimensions_list: if len(dim) 2: width, height dim # 保持比例的高质量缩放 resized_img original_img.resize((width, height), Image.Resampling.LANCZOS) # 构建输出路径 size_dir os.path.join(output_dir, size_name) os.makedirs(size_dir, exist_okTrue) output_filename f{original_name}_{width}x{height}.png output_path os.path.join(size_dir, output_filename) resized_img.save(output_path, PNG) saved_paths.append(output_path) print(f已生成尺寸: {width}x{height} - {output_path}) return saved_paths def add_watermark(self, image_path, output_pathNone, opacity0.3): 为图片添加水印 if not self.watermark: print(未提供水印跳过此步骤。) return image_path base_img Image.open(image_path).convert(RGBA) wm self.watermark.copy() # 调整水印大小例如缩放到基础图片宽度的20% wm_size int(base_img.width * 0.2) wm.thumbnail((wm_size, wm_size), Image.Resampling.LANCZOS) # 调整水印透明度 if opacity 1.0: alpha wm.split()[3] alpha alpha.point(lambda p: int(p * opacity)) wm.putalpha(alpha) # 将水印放置在右下角 position (base_img.width - wm.width - 20, base_img.height - wm.height - 20) # 创建一个临时透明层来合成 transparent Image.new(RGBA, base_img.size, (0,0,0,0)) transparent.paste(wm, position) combined Image.alpha_composite(base_img, transparent) if output_path is None: output_path image_path.replace(.png, _watermarked.png) combined.convert(RGB).save(output_path, PNG) print(f水印添加完成: {output_path}) return output_path # 示例用法 if __name__ __main__: processor ImageProcessor(watermark_path./assets/watermark.png) # 假设有一张生成的图片 test_image ./tmp_test/gen_1234567890_1234.png if os.path.exists(test_image): # 定义需要生成的尺寸 target_sizes_config { 1:1: [(800, 800), (400, 400)], 4:3: [(1200, 900)], } saved processor.resize_image(test_image, target_sizes_config, ./data/output) if saved: # 为第一个尺寸的图片添加水印 watermarked processor.add_watermark(saved[0]) print(f最终带水印图片: {watermarked})5.6 工作流主程序 (workflows/main_flow.py)现在我们将所有 Skills 串联起来。import sys import os sys.path.append(os.path.join(os.path.dirname(__file__), ..)) from skills.data_loader import DataLoader from skills.prompt_engineer import PromptEngineer from skills.image_generator import CodexImageGenerator from skills.image_processor import ImageProcessor import yaml import json from datetime import datetime def main(): print( 电商自动化作图工作流启动 ) # 1. 加载配置 with open(./config/settings.yaml, r) as f: config yaml.safe_load(f) output_base config[image_processing][output_dir] os.makedirs(output_base, exist_okTrue) # 2. 加载商品数据 print(\n[步骤1] 加载商品数据...) loader DataLoader(./data/input) products loader.load_products_from_csv() if not products: print(没有商品数据工作流终止。) return # 3. 初始化各模块 prompt_engineer PromptEngineer() image_generator CodexImageGenerator() image_processor ImageProcessor(config[image_processing][watermark_path]) result_log [] # 4. 遍历每个商品执行流水线 for idx, product in enumerate(products, 1): print(f\n--- 处理商品 {idx}/{len(products)}: {product[product_name]} ---) # 4.1 生成Prompt prompt prompt_engineer.generate_prompt(product) if not prompt: print(f 跳过商品 {product[product_name]}Prompt生成失败。) continue # 4.2 调用AI生成原始图片 # 根据商品的目标比例选择初始生成尺寸这里做简单映射 size_map {1:1: 1024x1024, 4:3: 1024x768, 9:16: 768x1024} gen_size size_map.get(product[target_size], 1024x1024) raw_image_path image_generator.generate( promptprompt, sizegen_size, save_diros.path.join(output_base, raw) # 原始图保存目录 ) if not raw_image_path: print(f 图片生成失败跳过后续处理。) continue # 4.3 图片后处理调整尺寸 # 根据配置获取该比例对应的所有目标尺寸 target_ratio product[target_size] processing_config config[image_processing][sizes] if target_ratio in processing_config: target_sizes {target_ratio: processing_config[target_ratio]} else: target_sizes {default: [(1024, 1024)]} # 默认尺寸 resized_paths image_processor.resize_image( raw_image_path, target_sizes, os.path.join(output_base, resized) ) # 4.4 (可选) 为第一个尺寸的图片添加水印 final_paths [] if resized_paths: watermarked_path image_processor.add_watermark( resized_paths[0], output_pathos.path.join(output_base, final, f{product[product_id]}_final.png) ) final_paths.append(watermarked_path) # 4.5 记录结果 log_entry { product_id: product[product_id], product_name: product[product_name], prompt: prompt, raw_image: raw_image_path, resized_images: resized_paths, final_image: watermarked_path if resized_paths else None, processed_at: datetime.now().isoformat() } result_log.append(log_entry) print(f 商品 {product[product_name]} 处理完成。) # 5. 保存处理日志 log_file os.path.join(output_base, processing_log.json) with open(log_file, w, encodingutf-8) as f: json.dump(result_log, f, ensure_asciiFalse, indent2) print(f\n 工作流执行完成共处理 {len(result_log)} 个商品。 ) print(f日志已保存至: {log_file}) print(f原始图片位于: {os.path.join(output_base, raw)}) print(f最终图片位于: {os.path.join(output_base, final)}) if __name__ __main__: main()6. 运行结果与效果验证6.1 如何运行工作流确保你的data/input/product_list.csv文件已按格式准备好。确保config/settings.yaml中的 API 端点endpoint和密钥api_key已正确配置。在项目根目录下运行主工作流脚本cd /path/to/your/auto-design-workflow python workflows/main_flow.py观察控制台输出。你应该能看到类似以下的日志 电商自动化作图工作流启动 [步骤1] 加载商品数据... 成功加载 3 个商品信息。 --- 处理商品 1/3: 夏日碎花连衣裙 --- 正在生成图片... Prompt: Commercial product photography of 夏日碎花连衣裙... 图片生成成功URL: https://xxx.xxx/xxx.png 图片已保存至: ./data/output/images/raw/gen_1712345678_8523.png 已生成尺寸: 800x800 - ./data/output/images/resized/1:1/gen_1712345678_8523_800x800.png 已生成尺寸: 400x400 - ./data/output/images/resized/1:1/gen_1712345678_8523_400x400.png 水印添加完成: ./data/output/images/final/1001_final.png 商品 夏日碎花连衣裙 处理完成。 ... (处理其他商品) ... 工作流执行完成共处理 3 个商品。 检查输出目录data/output/images/你会看到按结构组织的图片文件。6.2 效果验证清单功能验证[ ]raw/目录下是否生成了 AI 创作的原始图片[ ]resized/目录下是否按比例生成了多个尺寸的图片[ ]final/目录下的图片是否成功添加了水印[ ]processing_log.json文件是否被创建并包含了所有处理记录质量验证[ ] AI 生成的图片是否符合商品描述和风格关键词[ ] 图片尺寸是否精确符合要求如 800x800 像素[ ] 水印位置、大小和透明度是否合适自动化验证[ ] 整个流程是否无需人工干预从读取 CSV 到输出最终图片一气呵成[ ] 如果增加新的商品到 CSV 文件重新运行脚本是否能自动处理新商品7. 常见问题与排查思路在搭建和运行过程中你可能会遇到以下问题。这里提供系统的排查思路。问题现象可能原因排查方式解决方案运行脚本时报ModuleNotFoundErrorPython 依赖未安装或环境不对。1. 检查当前 Python 版本 (python --version)。2. 检查是否在项目目录下安装了依赖 (pip list | grep requests)。1. 确认使用 Python 3.8。2. 在项目根目录执行pip install -r requirements.txt。DataLoader加载 CSV 失败1. CSV 文件路径错误。2. CSV 文件格式不对如编码问题。3. 缺少必要的列。1. 检查data/input/product_list.csv文件是否存在。2. 用文本编辑器或pandas简单读取测试。3. 打印df.columns查看列名。1. 确保文件路径和脚本中的一致。2. 将 CSV 保存为 UTF-8 编码。3. 按示例修改 CSV 文件确保列名完全匹配。调用 Codex API 返回401或403错误API 密钥无效、过期或没有权限。1. 检查config/settings.yaml中的api_key是否正确。2. 检查 API 密钥是否有调用图像生成接口的权限。3. 尝试用curl或 Postman 直接调用 API 验证。1. 重新生成或复制正确的 API Key。2. 联系你的 Codex 服务提供商确认权限和配额。调用 Codex API 返回429错误请求频率超限或配额用尽。查看 API 返回的错误信息通常会有提示。1. 降低调用频率在代码中增加time.sleep(2)等间隔。2. 升级服务套餐或等待配额重置。API 调用超时或网络错误1. 网络连接不稳定。2. API 端点地址错误。3. 服务器端问题。1. 使用ping或curl测试到 API 域名的连通性。2. 检查endpoint配置是否正确是否多了空格。1. 检查本地网络或尝试在服务器环境运行。2. 核对 API 文档确认端点 URL。3. 联系服务商确认服务状态。生成的图片质量差不符合预期1. Prompt 描述不够好。2. 使用的 AI 模型不适合该风格。3. 参数如size,quality设置不当。1. 分析生成的 Prompt 文本是否清晰、具体。2. 在服务商提供的 Playground 中手动测试不同 Prompt 和模型。1. 优化PromptEngineer中的模板加入更具体、更风格化的描述词。2. 在配置中尝试切换不同的model。3. 调整 API 调用参数如使用hd质量、更具体的style参数等。图片后处理缩放、水印失败1. 原始图片下载不完整或损坏。2. 水印图片路径错误或格式不支持。3.PIL(Pillow) 库处理特定图片格式时出错。1. 检查raw/目录下的图片文件是否能正常打开。2. 检查watermark_path配置的图片是否存在。3. 查看具体的错误堆栈信息。1. 确保网络稳定图片下载完整。2. 水印图片建议使用 PNG 透明格式。3. 尝试将图片统一转换为 RGB 模式后再处理 (img.convert(‘RGB’))。工作流处理到一半中断1. 某个商品数据异常导致程序崩溃。2. API 调用间歇性失败。3. 磁盘空间不足。1. 查看控制台打印的错误信息。2. 检查processing_log.json看是在处理哪个商品时中断的。1. 在代码中加入更完善的异常捕获 (try...except)记录错误并跳过当前商品继续处理下一个。2. 为 API 调用增加重试机制。3. 检查输出目录的磁盘空间。8. 最佳实践与工程建议将原型转化为稳定、可维护的生产级工作流还需要考虑以下几点8.1 配置与密钥管理永远不要将密钥硬编码在代码中。本文示例使用了 YAML 文件但在团队协作或生产环境更推荐使用环境变量或专业的密钥管理服务如 AWS Secrets Manager, HashiCorp Vault。# 在运行脚本前设置环境变量 export COdex_API_KEYyour-actual-key然后在代码中通过os.getenv(COdex_API_KEY)读取。将config/settings.yaml加入.gitignore并提供一个settings.yaml.example模板文件。8.2 错误处理与重试机制在网络请求和外部 API 调用处必须添加重试逻辑例如使用tenacity库。from tenacity import retry, stop_after_attempt, wait_exponential retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def call_api_safely(payload): # ... 原有的请求代码 ...实现完善的日志记录不仅打印到控制台也写入文件便于后期排查。可以使用 Python 标准库的logging模块。8.3 性能与成本优化异步处理如果商品数量很多同步顺序调用 API 会非常慢。可以考虑使用asyncio和aiohttp进行异步并发请求但要注意 API 提供方的速率限制。缓存策略对于风格、背景相似的图片可以考虑缓存生成的图片或者对相似的 Prompt 使用之前生成的结果避免重复调用产生不必要的费用。成本监控Codex 类服务通常按调用次数或生成图片的尺寸/数量收费。在脚本中集成简单的计数和成本估算功能避免预算超支。8.4 扩展性与模块化支持多数据源当前的DataLoader只支持 CSV。可以将其抽象为接口未来轻松扩展支持从数据库MySQL, MongoDB、电商平台 API淘宝、Shopify直接拉取商品数据。插件化 Skills将每个 Skill 设计得更独立通过配置文件来定义工作流的步骤和顺序。这样要增加一个“自动上传到 CMS”的 Skill只需开发新模块并修改配置无需改动主流程代码。集成可视化工作流引擎当流程变得非常复杂时可以考虑迁移到n8n或Apache Airflow。它们提供了可视化编排、任务调度、监控和报警等企业级功能。本文的每个 Skill 都可以封装成一个 n8n 节点。8.5 提示词Prompt工程优化这是决定出图质量的关键。不要满足于一个固定模板。建立提示词库为不同商品类目服装、数码、食品和风格写实、插画、3D建立不同的 Prompt 模板库。动态参数注入除了商品基本信息还可以注入季节、节日、热门话题等动态参数让生成的图片更具时效性。人工审核与迭代初期可以将生成的图片和对应的 Prompt 保存下来建立一个小型数据集。定期审核哪些 Prompt 效果好哪些差不断迭代优化你的 Prompt 模板。9. 总结与后续学习方向通过本文我们完成了一个从商品数据到营销图片的全链路自动化作图工作流的搭建。你不仅学会了如何调用 Codex API更重要的是掌握了将多个独立 Skills 串联成一个自动化管道的系统工程思维。这个工作流就像一个乐高城堡每个 Skill 都是一块积木你可以随时替换或添加新的积木例如增加一个“自动生成卖点文案”的 Skill或一个“将图片发布到社交媒体”的 Skill。回顾核心价值这个方案的核心优势不在于用了多炫酷的 AI 模型而在于将确定性的、重复的流程交给了机器。它把电商从业者从“美工”的角色中部分解放出来使其能更专注于选品、策划和营销策略。下一步你可以探索的方向深入集成将工作流与你现有的电商后台如 Shopify、Shopee、淘宝开放平台或 CMS 系统打通实现“商品上架 - 自动作图 - 自动更新主图”的闭环。质量管控引入一个“人工审核”或“AI 初筛”节点。例如使用另一个 AI 模型对生成的图片进行打分只将高分图片送入后续流程低分图片则触发重新生成或人工干预。探索更多 AI 能力除了文生图还可以集成图生图用商品白底图生成场景图、智能修图AI 抠图、调色、视频生成等能力打造更强大的多媒体内容生产线。部署与调度将 Python 脚本部署到服务器并使用cronLinux或任务计划程序Windows进行定时调度实现真正的 7x24 小时无人值守运行。自动化不是要完全取代人而是将人从重复劳动中解放出来去做更有创造性和决策性的工作。从这个工作流开始尝试去自动化你工作中任何一个枯燥的环节你会发现效率提升 100% 只是一个起点。