咱们直接进入正题。上一集我们解决了 Agent 的基础对话与工具调用这一集来做一个非常实用的落地场景让 Agent 自动完成配图工作。无论是写技术博客、做产品文案、生成会议封面还是给公众号排一篇带示意图的教程配图都是一个高频且耗时的环节。本文会完整拆解如何基于 Agent 架构实现“输入一段文本自动输出一张合适配图”的全流程包含环境准备、原理解析、可运行代码与常见坑点。本文适合三类读者想在项目里快速落地自动化配图能力的朋友正在学习 Agent 开发、想理解“模型 工具 记忆”如何协作的朋友以及已经用过 Agent 框架、想了解多模态配图链路设计的开发者。阅读本文后你可以掌握 Agent 自动配图的最小实现、核心设计思路以及如何排查算力、接口、缓存等常见问题还能根据业务场景扩展出批量配图、模板配图、数据可视化配图等能力。1. Agent 是什么自动配图为什么需要一个“Agent”1.1 从“脚本自动配图”到“Agent 自动配图”如果只是做一批固定尺寸、固定样式的图片传统脚本完全可以胜任读取文本、匹配模板、替换文案、导出图片。但一旦需求变成这样输入是“一篇包含技术名词、数据表格和代码的博客文章”输出是“三张风格统一、重点突出、适合网站封面或内容插图的图”过程中还需要判断每张图是用图表、流程图、还是装饰性 Banner如果第一版图效果不好还需要自己决定是否换风格、换布局、重新生成。这时候逻辑分支非常多传统脚本要写一堆if-else去猜用户意图维护成本很高。Agent 的优势在于它不靠死规则而是通过大模型的推理能力把“理解内容、规划配图方案、调用画图工具、检查结果、反馈修正”这整个流程串联起来。简单来说Agent 是一个“能自己想办法完成任务”的程序。它通常具备三个基础能力理解指令知道用户要什么。调用工具调用搜索、代码执行、图片生成等外部能力。记忆上下文记住之前生成的图片、风格偏好、已经完成的任务状态。自动配图这个场景恰好把这三部分都用上了。你输入一篇文章Agent 要理解文章结构理解指令调用画图接口生成候选图调用工具并参考用户之前设置的“简约蓝白风格”或“适合公众号头图的比例”来调整输出记忆上下文。1.2 自动配图 Agent 的常见应用场景博客与公众号配图根据文章段落自动生成封面图和插图。产品文案批处理为商品标题生成广告背景图。数据周报可视化根据 Excel 或数据库查询结果生成图表再包装成适合汇报的图片。社交内容批量制作为一组短文生成统一风格的海报。电商详情页辅助自动生成商品卖点图、对比图。在这些场景里Agent 的核心价值并不是“画得比专业设计师好”而是“把重复劳动自动化”并能在无人干预的情况下完成从理解需求到交付成图的闭环。1.3 为什么不用一个“接口调用”就结束有一个常见的误区既然已经有非常成熟的文生图 API直接调用不就行了吗其实不行。单个画图 API 只能完成“文本 → 图片”这一步但生产级流程还需要把用户输入整理成高质量画图提示词Prompt决定图片尺寸、比例、风格关键词、负面提示词调用多个厂商的接口做容灾或效果对比把生成结果与原始文章关联存储对生成失败的图片做重试或降级处理。这些步骤加起来就是一个 Agent 的工作。因此我把自动配图理解为“Agent 多模态模型 文件管理”的综合工程而不是一个简单的 SDK 示例。2. 环境准备与项目结构规划2.1 基础环境由于不同系统和项目依赖有差异本文不会强行绑定一套绝对版本但给出一个常见可用的组合方便你对照搭建依赖项建议说明操作系统Windows 10/11、Ubuntu 20.04、macOS 均可Python3.9 以上推荐 3.10 或 3.11国内可访问的模型接口需要兼容 OpenAI 格式的文本模型与图像生成模型图像处理库Pillow、requests、pydanticAgent 运行框架本文以轻量自实现为主方便理解原理注意模型接口的版本变化比较快同一家厂商的模型名称、接口地址、鉴权方式可能定期调整因此下面的代码里凡是涉及model和base_url的配置都需要按你自己的实际环境替换。2.2 项目目录结构为了方便阅读和后期扩展我建议按下面的结构组织代码agent_autofigure/ ├── main.py # 入口接收输入调度 Agent ├── agent_core.py # Agent 核心循环与工具注册 ├── prompt_templates.py # 各类 Prompt 模板 ├── image_generator.py # 调用图像生成接口 ├── config.py # 配置项密钥、URL、默认参数 ├── requirements.txt # 依赖列表 ├── outputs/ # 生成图片目录 └── cache/ # 缓存目录避免重复生成先创建目录mkdir -p agent_autofigure/outputs agent_autofigure/cache cd agent_autofigure2.3 依赖安装pip install requests pillow pydantic python-dotenv如果你希望后面接入更完整的 Agent 框架可以暂时不安装本文先带你手写一遍核心循环你会更清楚框架帮我们封装了什么。3. Agent 自动配图的核心原理拆解3.1 配图任务的任务链路一个文本自动配图 Agent理想情况下要按如下链路工作用户输入文本 ↓ 理解与拆解判断需要几张图每张图配什么内容 ↓ 生成画图提示词按风格、比例、负面词约束 ↓ 调用图像生成接口 ↓ 质量校验失败或不符合要求则修正 ↓ 返回图片路径或图片流这里面有两个关键设计点拆解和修正。拆解解决“配什么图”的问题。比如用户丢过来一篇 2000 字的文章Agent 不能从头到尾只生成一张图而是要根据段落主题拆成多段描述再决定用流程图、图表还是场景插画。修正解决“图不满意”的问题。如何判断是否满意在纯自动化场景里我们可以先做规则层面的检查例如请求是否返回成功图片是否损坏文件大小、格式图片是否包含违禁内容通过内容审核接口。至于“是否好看”交给用户后续反馈或人工抽检。这也是工程落地和纯 Demo 的差别Demo 只追求一张图工程需要可控和质量底线。3.2 Agent 的工具设计为了让 Agent 具备自动配图能力我们需要至少注册以下工具工具名称作用输入输出parse_article拆解文章为多个配图单元原始文本结构化列表generate_image根据提示词与参数生成图片提示词、尺寸、风格图片路径save_image保存图片与元信息图片数据文件路径实际上你可以把parse_article做成一个“内部步骤”由 Agent 在推理时直接返回 JSON而不是注册成可调用工具。这样更接近真实框架里的“Plan-and-Execute”模式。后面的代码我会同时给出两种做法方便对比。3.3 画图提示词的结构很多朋友把画图失败归咎于模型不行其实大部分情况下是提示词写得不行。画图提示词建议包含下面几个部分1. 主体内容画面里有什么。 2. 风格限定插画、3D、扁平、摄影、国风等。 3. 构图与比例居中、留白、16:9、1:1。 4. 色彩倾向明亮、低饱和、蓝白主色调。 5. 负面提示词避免文字乱码、避免变形、避免多余物体。比如原始文本是“介绍 Redis 缓存的基本原理”一段简单的配图描述可能是主体内容一个服务器和多个数据库之间的数据流动 风格限定扁平插画简洁透明背景 构图与比例居中16:9 色彩倾向蓝白主色浅灰背景 负面提示词不要文字不要logo不要复杂背景。在工程代码中我会用一个build_image_prompt()函数把这些拼装起来。3.4 记忆与状态管理自动配图如果一次只处理一张图不需要复杂的记忆。但如果是给一篇文章配多张图Agent 需要记住之前已经生成过哪些图当前正在处理第几个配图单元用户设定的全局风格偏好。在轻量实现中我们可以用一个 Python 字典或一个TaskState对象来保存。如果接入正式框架可以把这些存到独立的记忆模块或数据库中。4. 完整实战基于轻量架构搭建 Agent 自动配图接下来我们进入正题。下面的代码不依赖重型框架主要帮助你理解链路同时可以快速跑通。4.1 config.py配置项# 文件路径agent_autofigure/config.py import os from dotenv import load_dotenv load_dotenv() class Config: # 文本模型配置 TEXT_API_KEY os.getenv(TEXT_API_KEY, your-text-api-key) TEXT_BASE_URL os.getenv(TEXT_BASE_URL, https://api.example.com/v1) TEXT_MODEL os.getenv(TEXT_MODEL, gpt-4o-mini) # 图像模型配置 IMAGE_API_KEY os.getenv(IMAGE_API_KEY, your-image-api-key) IMAGE_BASE_URL os.getenv(IMAGE_BASE_URL, https://api.example.com/v1) IMAGE_MODEL os.getenv(IMAGE_MODEL, dall-e-3) # 输出目录 OUTPUT_DIR os.getenv(OUTPUT_DIR, outputs) CACHE_DIR os.getenv(CACHE_DIR, cache) # 默认图片参数 DEFAULT_SIZE 1024x1024要注意的是这里出现了TEXT_API_KEY和IMAGE_API_KEY两个配置是因为在很多厂商体系中文本模型和图像模型的鉴权方式虽然相似但可能分属不同的应用或子账户。如果你的服务商统一鉴权设置为同一个也完全没问题。4.2 prompt_templates.py提示词模板# 文件路径agent_autofigure/prompt_templates.py ARTICLE_SPLIT_PROMPT 你是一个专业的配图策划。请阅读下面的文章内容将文章划分为适合配图的单元。 每个单元返回一个 JSON 对象格式如下 { units: [ { index: 1, title: 单元标题, summary: 这个单元的核心信息50字以内, scene: 配图场景concept | process | data | decoration, image_description: 适合作为画图提示词的画面描述句子要具体 } ] } 要求 1. 每篇文章拆分为 1-3 个配图单元。 2. image_description 不要出现具体品牌名和难以理解的专有名词。 3. scene 是给后续规则使用不是必须展示在图上。 文章内容 {article} IMAGE_PROMPT_TEMPLATE 请根据以下画面描述生成一张图。 画面描述{description} 风格{style} 比例{aspect_ratio} 色彩{color_tone} 负面提示{negative_prompt} 这里的关键是ARTICLE_SPLIT_PROMPT它让 Agent 先扮演一个配图策划而不是直接让画图模型生成一大堆图。先规划再执行这样能有效减少无效图片数量。4.3 image_generator.py图像生成器# 文件路径agent_autofigure/image_generator.py import base64 import hashlib import os import time import requests from pathlib import Path from config import Config class ImageGenerator: def __init__(self): self.api_key Config.IMAGE_API_KEY self.base_url Config.IMAGE_BASE_URL.rstrip(/) self.model Config.IMAGE_MODEL staticmethod def _generate_cache_key(prompt: str) - str: 根据提示词计算缓存键避免重复请求导致成本增加 return hashlib.md5(prompt.encode(utf-8)).hexdigest() def _get_cache_path(self, prompt: str) - Path: cache_key self._generate_cache_key(prompt) return Path(Config.CACHE_DIR) / f{cache_key}.png def _download_image(self, url: str, save_path: Path) - bool: resp requests.get(url, timeout30) if resp.status_code 200: save_path.write_bytes(resp.content) return True return False def generate(self, prompt: str, size: str None, save_name: str None) - Path: size size or Config.DEFAULT_SIZE cache_path self._get_cache_path(prompt) if cache_path.exists(): print(f[ImageGenerator] 命中缓存: {cache_path}) return cache_path payload { model: self.model, prompt: prompt, n: 1, size: size, } headers { Authorization: fBearer {self.api_key}, Content-Type: application/json, } url f{self.base_url}/images/generations resp requests.post(url, jsonpayload, headersheaders, timeout120) if resp.status_code ! 200: raise RuntimeError(f图像生成请求失败: {resp.status_code} {resp.text}) data resp.json() # 常见返回结构data[0].url 或 data[0].b64_json image_url data.get(data, [{}])[0].get(url) b64_image data.get(data, [{}])[0].get(b64_json) if image_url: ok self._download_image(image_url, cache_path) if not ok: raise RuntimeError(图片下载失败) return cache_path if b64_image: cache_path.write_bytes(base64.b64decode(b64_image)) return cache_path raise RuntimeError(无法识别的图像返回结构) def generate_with_retry(self, prompt: str, size: str None, retries: int 2): 带重试机制的图像生成避免一次网络抖动导致整体失败 for attempt in range(retries 1): try: return self.generate(prompt, size) except Exception as e: print(f[ImageGenerator] 第 {attempt 1} 次生成失败: {e}) if attempt retries: time.sleep(2) else: raise这份代码提供两个关键设计缓存和重试。缓存的意义在于同一篇文章如果被重复处理不能每次都调用付费图像接口否则成本会翻倍。重试的意义在于公共 API 偶尔会出现超时或限流直接抛错会影响整条 Agent 任务链。4.4 agent_core.pyAgent 核心循环这一部分是实现 Agent 行为的关键。我采用了一个简化的“规划-执行-总结”循环。# 文件路径agent_autofigure/agent_core.py import json import requests from pathlib import Path from config import Config from prompt_templates import ARTICLE_SPLIT_PROMPT, IMAGE_PROMPT_TEMPLATE from image_generator import ImageGenerator class AutoFigureAgent: def __init__(self): self.text_api_key Config.TEXT_API_KEY self.text_base_url Config.TEXT_BASE_URL.rstrip(/) self.text_model Config.TEXT_MODEL self.image_generator ImageGenerator() self.state { units: [], images: [], style: flat illustration, aspect_ratio: 16:9, color_tone: blue and white, light gray background, negative_prompt: no text, no logo, no watermark, no complex background, } def _call_text_model(self, messages): url f{self.text_base_url}/chat/completions headers { Authorization: fBearer {self.text_api_key}, Content-Type: application/json, } payload { model: self.text_model, messages: messages, temperature: 0.3, } resp requests.post(url, jsonpayload, headersheaders, timeout60) if resp.status_code ! 200: raise RuntimeError(f文本模型调用失败: {resp.status_code} {resp.text}) data resp.json() return data[choices][0][message][content] def parse_article(self, article: str): 解析文章生成配图单元列表 messages [ {role: system, content: 你是一个严谨的配图策划。只输出 JSON不要额外解释。}, {role: user, content: ARTICLE_SPLIT_PROMPT.format(articlearticle)}, ] content self._call_text_model(messages) # 兼容模型返回被 json 包裹的情况 if in content: content content.strip() if content.startswith(json): content content[4:] try: parsed json.loads(content) self.state[units] parsed.get(units, []) except json.JSONDecodeError as e: print(模型返回内容无法解析为 JSON原内容如下) print(content) raise RuntimeError(f解析配图单元失败: {e}) return self.state[units] def build_image_prompt(self, unit: dict) - str: 根据配图单元和全局风格生成画图提示词 return IMAGE_PROMPT_TEMPLATE.format( descriptionunit.get(image_description, ), styleself.state[style], aspect_ratioself.state[aspect_ratio], color_toneself.state[color_tone], negative_promptself.state[negative_prompt], ) def run(self, article: str, output_prefix: str article): if not article.strip(): raise ValueError(文章内容不能为空) # 第一步规划配图方案 print( 第 1 步解析文章并规划配图单元) units self.parse_article(article) print(f解析得到 {len(units)} 个配图单元) # 第二步逐单元生成图片 output_path Path(Config.OUTPUT_DIR) output_path.mkdir(parentsTrue, exist_okTrue) for idx, unit in enumerate(units, start1): print(f 第 2 步生成第 {idx} 张配图) prompt self.build_image_prompt(unit) try: img_path self.image_generator.generate_with_retry(prompt) # 复制或重命名到输出目录 target output_path / f{output_prefix}_{idx}.png if img_path.resolve() ! target.resolve(): target.write_bytes(img_path.read_bytes()) self.state[images].append(str(target)) print(f图片已保存{target}) except Exception as e: print(f生成第 {idx} 张图失败: {e}) # 实际项目中可以在这里做降级处理比如生成纯色占位图 return self.state[images]这段代码的核心思路就是两个阶段。第一阶段用文本模型把长文拆解为多个配图单元第二阶段逐张调用图像模型生成图片。注意_call_text_model()使用的是兼容 OpenAI 格式的接口这样即使你切换不同供应商也不需要大量改动代码。4.5 main.py入口# 文件路径agent_autofigure/main.py from agent_core import AutoFigureAgent def main(): article Redis 是一个开源的内存数据库常用于缓存、消息队列和分布式锁。 它支持字符串、列表、哈希、集合、有序集合等数据结构。 在实际项目中Redis 的高性能读写能力可以有效降低数据库压力。 例如在秒杀场景中我们可以用 Redis 预减库存再异步更新数据库。 同时Redis 也提供了 RDB 和 AOF 两种持久化机制保证重启后数据不丢失。 agent AutoFigureAgent() images agent.run(article, output_prefixredis_intro) print(所有配图生成完成) for img in images: print(img) if __name__ __main__: main()这里给了一段 Redis 简介文本作为示例。真实项目中你可以从文件、数据库、消息队列中读取文章内容再传入agent.run()。4.6 运行与预期输出在agent_autofigure/目录下执行python main.py如果配置正确你会在终端看到类似输出 第 1 步解析文章并规划配图单元 解析得到 2 个配图单元 第 2 步生成第 1 张配图 [ImageGenerator] 命中缓存: cache/xxx.png 图片已保存outputs/redis_intro_1.png 第 2 步生成第 2 张配图 图片已保存outputs/redis_intro_2.png 所有配图生成完成 outputs/redis_intro_1.png outputs/redis_intro_2.png第一次运行没有缓存时会直接请求图像接口耗时通常取决于网络和模型速度。第二次运行同一段文本时会直接走缓存速度非常快同时也能节省费用。5. 进阶实战加入更多 Agent 行为5.1 增加“步骤反思”机制上面的版本是典型的“两步走”拆解 生成。但是若第一轮生成的图片出现内容缺失或者拆解的配图单元与文章重点不匹配Agent 并不会自动修正。在实际项目中我们可以加入一个反思节点# 伪代码片段在生成流程图类配图后让文本模型评估提示词是否覆盖核心要点 def review_image_result(self, unit, image_prompt): messages [ {role: system, content: 你是图片质量评审判断提示词是否准确表达了单元主题。只能回答 PASS 或 NEED_IMPROVE并给出理由。}, {role: user, content: f单元标题{unit[title]}\n提示词{image_prompt}}, ] result self._call_text_model(messages) return result如果返回NEED_IMPROVEAgent 可以尝试改写提示词并重新调用图像生成接口。这会让链路变得更长但也更符合“自动配图 Agent”的定位——它不仅会画还会判断自己画得合不合适。5.2 支持批量文章自动配图如果我们把run()包一层循环就可以批量处理一个文件夹下的所有文章from pathlib import Path def batch_run(article_dir: str): agent AutoFigureAgent() article_dir Path(article_dir) for article_file in article_dir.glob(*.txt): article article_file.read_text(encodingutf-8) output_prefix article_file.stem agent.run(article, output_prefixoutput_prefix) print(f完成{article_file.name})批量场景里要注意需要设计更严格的缓存策略避免不同文章出现相同提示词时互相覆盖需要对图片生成接口做并发限制最好控制并发数在 13 之间每篇文章的任务状态最好持久化到 JSON 或 SQLite方便中断恢复。5.3 与 Agent 框架整合的思路如果你读完上面的代码已经理解了核心链路那么再去看主流 Agent 框架时会轻松很多。以Microsoft Agent Framework为代表的编排型框架通常会把“模型调用、工具注册、记忆管理、多轮对话状态”封装成标准组件。你可以将ImageGenerator注册为一个自定义工具把parse_article作为 Agent 的规划节点把图片路径当作最终输出。框架帮你解决的是“复杂多轮交互”和“多工具调度”而自动配图的业务逻辑仍然是我们手写的这些函数。所以我一直建议先手写一遍再上框架。6. 常见问题与排查思路6.1 问题列表问题现象常见原因解决思路文本模型返回的不是 JSON上下文太长、模型能力不足、系统提示词没强调输出格式增加 few-shot 示例或使用更强模型在代码中做容错解析图像接口返回 401API Key 错误或没有权限检查鉴权配置确认该 Key 是否开通图像生成权限图像接口返回 429请求频率过高或额度不足加入限速增加重试间隔检查账户余额图片生成成功但内容不符合预期提示词描述不够具体或缺少负面提示词优化build_image_prompt()增加主体、构图、色彩描述生成图片尺寸异常未设置 size 或模型不支持该尺寸根据厂商文档确认可用的尺寸参数生成的图片带有文字乱码画图模型对文字渲染不稳定在负面提示词中增加“no text, no letters”或改用模板叠加方式添加文字程序运行较慢多张图串行生成在账号和 API 允许范围内改为并发调用并增加超时控制磁盘空间增长过快缓存没有清理机制定期清理 cache 目录或缓存时设置过期时间6.2 排查流程遇到问题时我建议按下面顺序排查先确认是不是配置问题打印Config中的base_url、model和 API Key 前缀看看有没有被环境变量覆盖为空。再确认是不是模型问题先单独用 curl 或 Postman 调用一次文本接口确认网络与鉴权通顺。然后确认是不是提示词问题把image_prompt打印出来人工读一遍看看画面主体是否清晰。最后确认是不是代码问题错误堆栈是否指向 JSON 解析、图片写入或目录权限。# 示例单独测试文本接口 curl https://your-api-base-url/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_KEY \ -d { model: your-text-model, messages: [{role: user, content: 你好}] }这个 curl 命令能很快帮你定位“代码没问题是接口配置有问题”的尴尬情况。7. 最佳实践与工程建议7.1 提示词工程自动配图的效果上限很大程度上取决于提示词工程的精细度。建议把风格、比例、色彩这些参数从代码中抽离到配置文件或数据库中这样运营同学可以按活动主题快速调整而不需要每次改代码。也要针对不同场景维护多套模板例如技术博客用扁平插画产品海报用 3D 渲染公众号封面用简洁渐变背景。7.2 成本与缓存图像生成接口的费用远高于文本接口因此缓存策略一定要设计好。建议不仅缓存最终图片还缓存“提示词 → 图片路径”的映射。如果两次请求的提示词完全相同直接返回上次结果。更精细的做法是将提示词做语义相似度匹配如果用户微调了几个字可以重新生成如果整体语义没变则复用缓存。但语义匹配有误判风险所以默认建议先用“规范化后的精确匹配”。7.3 内容安全与合规自动配图涉及模型生成内容必须设置安全边界在提示词层面增加违禁词过滤在结果层面通过内容审核接口或图片检测接口复查对用户上传的原始文章做敏感信息脱敏避免泄露个人信息图片中不要直接使用未经授权的品牌 Logo、人物肖像。如果业务面向外部用户建议在生成结果页提供一个“举报/替换图片”入口不能完全依赖模型自治。7.4 可观测性与日志Agent 自动配图链路包含多次模型调用一旦失败很难定位。建议每次调用都记录模型名称输入提示词的 hash 值接口耗时返回状态码错误信息重试次数。记录到结构化日志中方便后续用日志查询平台检索。日志示例{ time: 2025-06-01T10:00:00Z, component: image_generator, model: dall-e-3, prompt_hash: a1b2c3, status: success, duration_ms: 3200 }7.5 回退与降级在任何 Agent 工程里“永远成功”是不现实的。自动配图也一样图像接口可能暂时不可用或者模型生成了不合规内容。建议准备降级策略文本模型失败时使用规则分词 关键词模板生成配图方案图像模型失败时返回预先准备的占位图或纯色背景图所有失败任务进入重试队列由定时任务补处理。7.6 多模型切换不要把所有逻辑写死在一家服务商上。至少抽象一层ImageProvider接口每个厂商实现一个类。这样当一个模型的风格不适合当前业务或价格调整后可以快速切换。我们的image_generator.py中已经用了base_url和model配置切换只需要改环境变量。不过要注意不同厂商的请求格式和返回字段会有差异例如有的返回b64_json有的返回url这部分需要单独适配。8. 进一步的扩展方向自动配图做到这里还只是一个基础闭环。顺着这个思路你可以继续扩展图文融合不满足于“文本 → 图片”而是把生成图片嵌入到排版好的 HTML 或 PDF 中。模板化定制预置一批企业级模板Agent 把生成图放到模板的指定位置。历史风格学习根据用户对图片的点赞或反馈动态调整风格参数。多轮对话式配图用户可以对当前图片说“把蓝色改成绿色”Agent 根据指令做局部修改或重新生成。数据自动可视化当输入内容包含表格数据时Agent 调用图表库生成折线图、柱状图再包装成图片。如果你往“数据自动可视化”方向走核心是把scene: data的配图单元交给matplotlib或ECharts而不是画图模型。这样出来的图表更准确也更容易定制。这里有一个很实用的区分画图模型适合生成概念图、场景图、插画图表库适合生成精确的数据图。Agent 的价值就在于能根据内容自动判断该走哪条路。9. 总结与下一步学习这一集我们从零实现了一个可运行的 Agent 自动配图链路核心步骤包括使用文本模型解析文章生成结构化配图方案使用提示词模板把配图方案转换为画图模型可理解的提示词封装图像生成接口支持缓存、重试和降级通过一个轻量 Agent 核心把前面步骤串成完整流程。如果你理解了这些内容后续不管是用开源 Agent 框架还是自己维护一套内部自动化系统都会更从容。下一步建议重点学习三块内容一是提示词工程尤其是图像生成提示词的常见写法和结构化表达二是 Agent 框架的编排机制理解它是如何进行多工具调度和状态管理的三是工程化能力包括缓存、日志、并发控制和灰度发布。推荐先在自己实际业务里选一个小场景比如“给周报自动配封面图”把本文的流程跑通并优化一版再逐步扩展到更复杂的业务场景。如果你在搭建过程中遇到问题欢迎在评论区留言我会根据实际项目经验和你一起排查。也别忘了把生成的图片效果拿到真实页面里看一看毕竟配图好不好最终还是由阅读者说了算。具体代码片段我放在文末的示例中你可以直接复制到项目中继续开发。 基于Agent架构的文本自动配图全流程实现与工程实践
咱们直接进入正题。上一集我们解决了 Agent 的基础对话与工具调用这一集来做一个非常实用的落地场景让 Agent 自动完成配图工作。无论是写技术博客、做产品文案、生成会议封面还是给公众号排一篇带示意图的教程配图都是一个高频且耗时的环节。本文会完整拆解如何基于 Agent 架构实现“输入一段文本自动输出一张合适配图”的全流程包含环境准备、原理解析、可运行代码与常见坑点。本文适合三类读者想在项目里快速落地自动化配图能力的朋友正在学习 Agent 开发、想理解“模型 工具 记忆”如何协作的朋友以及已经用过 Agent 框架、想了解多模态配图链路设计的开发者。阅读本文后你可以掌握 Agent 自动配图的最小实现、核心设计思路以及如何排查算力、接口、缓存等常见问题还能根据业务场景扩展出批量配图、模板配图、数据可视化配图等能力。1. Agent 是什么自动配图为什么需要一个“Agent”1.1 从“脚本自动配图”到“Agent 自动配图”如果只是做一批固定尺寸、固定样式的图片传统脚本完全可以胜任读取文本、匹配模板、替换文案、导出图片。但一旦需求变成这样输入是“一篇包含技术名词、数据表格和代码的博客文章”输出是“三张风格统一、重点突出、适合网站封面或内容插图的图”过程中还需要判断每张图是用图表、流程图、还是装饰性 Banner如果第一版图效果不好还需要自己决定是否换风格、换布局、重新生成。这时候逻辑分支非常多传统脚本要写一堆if-else去猜用户意图维护成本很高。Agent 的优势在于它不靠死规则而是通过大模型的推理能力把“理解内容、规划配图方案、调用画图工具、检查结果、反馈修正”这整个流程串联起来。简单来说Agent 是一个“能自己想办法完成任务”的程序。它通常具备三个基础能力理解指令知道用户要什么。调用工具调用搜索、代码执行、图片生成等外部能力。记忆上下文记住之前生成的图片、风格偏好、已经完成的任务状态。自动配图这个场景恰好把这三部分都用上了。你输入一篇文章Agent 要理解文章结构理解指令调用画图接口生成候选图调用工具并参考用户之前设置的“简约蓝白风格”或“适合公众号头图的比例”来调整输出记忆上下文。1.2 自动配图 Agent 的常见应用场景博客与公众号配图根据文章段落自动生成封面图和插图。产品文案批处理为商品标题生成广告背景图。数据周报可视化根据 Excel 或数据库查询结果生成图表再包装成适合汇报的图片。社交内容批量制作为一组短文生成统一风格的海报。电商详情页辅助自动生成商品卖点图、对比图。在这些场景里Agent 的核心价值并不是“画得比专业设计师好”而是“把重复劳动自动化”并能在无人干预的情况下完成从理解需求到交付成图的闭环。1.3 为什么不用一个“接口调用”就结束有一个常见的误区既然已经有非常成熟的文生图 API直接调用不就行了吗其实不行。单个画图 API 只能完成“文本 → 图片”这一步但生产级流程还需要把用户输入整理成高质量画图提示词Prompt决定图片尺寸、比例、风格关键词、负面提示词调用多个厂商的接口做容灾或效果对比把生成结果与原始文章关联存储对生成失败的图片做重试或降级处理。这些步骤加起来就是一个 Agent 的工作。因此我把自动配图理解为“Agent 多模态模型 文件管理”的综合工程而不是一个简单的 SDK 示例。2. 环境准备与项目结构规划2.1 基础环境由于不同系统和项目依赖有差异本文不会强行绑定一套绝对版本但给出一个常见可用的组合方便你对照搭建依赖项建议说明操作系统Windows 10/11、Ubuntu 20.04、macOS 均可Python3.9 以上推荐 3.10 或 3.11国内可访问的模型接口需要兼容 OpenAI 格式的文本模型与图像生成模型图像处理库Pillow、requests、pydanticAgent 运行框架本文以轻量自实现为主方便理解原理注意模型接口的版本变化比较快同一家厂商的模型名称、接口地址、鉴权方式可能定期调整因此下面的代码里凡是涉及model和base_url的配置都需要按你自己的实际环境替换。2.2 项目目录结构为了方便阅读和后期扩展我建议按下面的结构组织代码agent_autofigure/ ├── main.py # 入口接收输入调度 Agent ├── agent_core.py # Agent 核心循环与工具注册 ├── prompt_templates.py # 各类 Prompt 模板 ├── image_generator.py # 调用图像生成接口 ├── config.py # 配置项密钥、URL、默认参数 ├── requirements.txt # 依赖列表 ├── outputs/ # 生成图片目录 └── cache/ # 缓存目录避免重复生成先创建目录mkdir -p agent_autofigure/outputs agent_autofigure/cache cd agent_autofigure2.3 依赖安装pip install requests pillow pydantic python-dotenv如果你希望后面接入更完整的 Agent 框架可以暂时不安装本文先带你手写一遍核心循环你会更清楚框架帮我们封装了什么。3. Agent 自动配图的核心原理拆解3.1 配图任务的任务链路一个文本自动配图 Agent理想情况下要按如下链路工作用户输入文本 ↓ 理解与拆解判断需要几张图每张图配什么内容 ↓ 生成画图提示词按风格、比例、负面词约束 ↓ 调用图像生成接口 ↓ 质量校验失败或不符合要求则修正 ↓ 返回图片路径或图片流这里面有两个关键设计点拆解和修正。拆解解决“配什么图”的问题。比如用户丢过来一篇 2000 字的文章Agent 不能从头到尾只生成一张图而是要根据段落主题拆成多段描述再决定用流程图、图表还是场景插画。修正解决“图不满意”的问题。如何判断是否满意在纯自动化场景里我们可以先做规则层面的检查例如请求是否返回成功图片是否损坏文件大小、格式图片是否包含违禁内容通过内容审核接口。至于“是否好看”交给用户后续反馈或人工抽检。这也是工程落地和纯 Demo 的差别Demo 只追求一张图工程需要可控和质量底线。3.2 Agent 的工具设计为了让 Agent 具备自动配图能力我们需要至少注册以下工具工具名称作用输入输出parse_article拆解文章为多个配图单元原始文本结构化列表generate_image根据提示词与参数生成图片提示词、尺寸、风格图片路径save_image保存图片与元信息图片数据文件路径实际上你可以把parse_article做成一个“内部步骤”由 Agent 在推理时直接返回 JSON而不是注册成可调用工具。这样更接近真实框架里的“Plan-and-Execute”模式。后面的代码我会同时给出两种做法方便对比。3.3 画图提示词的结构很多朋友把画图失败归咎于模型不行其实大部分情况下是提示词写得不行。画图提示词建议包含下面几个部分1. 主体内容画面里有什么。 2. 风格限定插画、3D、扁平、摄影、国风等。 3. 构图与比例居中、留白、16:9、1:1。 4. 色彩倾向明亮、低饱和、蓝白主色调。 5. 负面提示词避免文字乱码、避免变形、避免多余物体。比如原始文本是“介绍 Redis 缓存的基本原理”一段简单的配图描述可能是主体内容一个服务器和多个数据库之间的数据流动 风格限定扁平插画简洁透明背景 构图与比例居中16:9 色彩倾向蓝白主色浅灰背景 负面提示词不要文字不要logo不要复杂背景。在工程代码中我会用一个build_image_prompt()函数把这些拼装起来。3.4 记忆与状态管理自动配图如果一次只处理一张图不需要复杂的记忆。但如果是给一篇文章配多张图Agent 需要记住之前已经生成过哪些图当前正在处理第几个配图单元用户设定的全局风格偏好。在轻量实现中我们可以用一个 Python 字典或一个TaskState对象来保存。如果接入正式框架可以把这些存到独立的记忆模块或数据库中。4. 完整实战基于轻量架构搭建 Agent 自动配图接下来我们进入正题。下面的代码不依赖重型框架主要帮助你理解链路同时可以快速跑通。4.1 config.py配置项# 文件路径agent_autofigure/config.py import os from dotenv import load_dotenv load_dotenv() class Config: # 文本模型配置 TEXT_API_KEY os.getenv(TEXT_API_KEY, your-text-api-key) TEXT_BASE_URL os.getenv(TEXT_BASE_URL, https://api.example.com/v1) TEXT_MODEL os.getenv(TEXT_MODEL, gpt-4o-mini) # 图像模型配置 IMAGE_API_KEY os.getenv(IMAGE_API_KEY, your-image-api-key) IMAGE_BASE_URL os.getenv(IMAGE_BASE_URL, https://api.example.com/v1) IMAGE_MODEL os.getenv(IMAGE_MODEL, dall-e-3) # 输出目录 OUTPUT_DIR os.getenv(OUTPUT_DIR, outputs) CACHE_DIR os.getenv(CACHE_DIR, cache) # 默认图片参数 DEFAULT_SIZE 1024x1024要注意的是这里出现了TEXT_API_KEY和IMAGE_API_KEY两个配置是因为在很多厂商体系中文本模型和图像模型的鉴权方式虽然相似但可能分属不同的应用或子账户。如果你的服务商统一鉴权设置为同一个也完全没问题。4.2 prompt_templates.py提示词模板# 文件路径agent_autofigure/prompt_templates.py ARTICLE_SPLIT_PROMPT 你是一个专业的配图策划。请阅读下面的文章内容将文章划分为适合配图的单元。 每个单元返回一个 JSON 对象格式如下 { units: [ { index: 1, title: 单元标题, summary: 这个单元的核心信息50字以内, scene: 配图场景concept | process | data | decoration, image_description: 适合作为画图提示词的画面描述句子要具体 } ] } 要求 1. 每篇文章拆分为 1-3 个配图单元。 2. image_description 不要出现具体品牌名和难以理解的专有名词。 3. scene 是给后续规则使用不是必须展示在图上。 文章内容 {article} IMAGE_PROMPT_TEMPLATE 请根据以下画面描述生成一张图。 画面描述{description} 风格{style} 比例{aspect_ratio} 色彩{color_tone} 负面提示{negative_prompt} 这里的关键是ARTICLE_SPLIT_PROMPT它让 Agent 先扮演一个配图策划而不是直接让画图模型生成一大堆图。先规划再执行这样能有效减少无效图片数量。4.3 image_generator.py图像生成器# 文件路径agent_autofigure/image_generator.py import base64 import hashlib import os import time import requests from pathlib import Path from config import Config class ImageGenerator: def __init__(self): self.api_key Config.IMAGE_API_KEY self.base_url Config.IMAGE_BASE_URL.rstrip(/) self.model Config.IMAGE_MODEL staticmethod def _generate_cache_key(prompt: str) - str: 根据提示词计算缓存键避免重复请求导致成本增加 return hashlib.md5(prompt.encode(utf-8)).hexdigest() def _get_cache_path(self, prompt: str) - Path: cache_key self._generate_cache_key(prompt) return Path(Config.CACHE_DIR) / f{cache_key}.png def _download_image(self, url: str, save_path: Path) - bool: resp requests.get(url, timeout30) if resp.status_code 200: save_path.write_bytes(resp.content) return True return False def generate(self, prompt: str, size: str None, save_name: str None) - Path: size size or Config.DEFAULT_SIZE cache_path self._get_cache_path(prompt) if cache_path.exists(): print(f[ImageGenerator] 命中缓存: {cache_path}) return cache_path payload { model: self.model, prompt: prompt, n: 1, size: size, } headers { Authorization: fBearer {self.api_key}, Content-Type: application/json, } url f{self.base_url}/images/generations resp requests.post(url, jsonpayload, headersheaders, timeout120) if resp.status_code ! 200: raise RuntimeError(f图像生成请求失败: {resp.status_code} {resp.text}) data resp.json() # 常见返回结构data[0].url 或 data[0].b64_json image_url data.get(data, [{}])[0].get(url) b64_image data.get(data, [{}])[0].get(b64_json) if image_url: ok self._download_image(image_url, cache_path) if not ok: raise RuntimeError(图片下载失败) return cache_path if b64_image: cache_path.write_bytes(base64.b64decode(b64_image)) return cache_path raise RuntimeError(无法识别的图像返回结构) def generate_with_retry(self, prompt: str, size: str None, retries: int 2): 带重试机制的图像生成避免一次网络抖动导致整体失败 for attempt in range(retries 1): try: return self.generate(prompt, size) except Exception as e: print(f[ImageGenerator] 第 {attempt 1} 次生成失败: {e}) if attempt retries: time.sleep(2) else: raise这份代码提供两个关键设计缓存和重试。缓存的意义在于同一篇文章如果被重复处理不能每次都调用付费图像接口否则成本会翻倍。重试的意义在于公共 API 偶尔会出现超时或限流直接抛错会影响整条 Agent 任务链。4.4 agent_core.pyAgent 核心循环这一部分是实现 Agent 行为的关键。我采用了一个简化的“规划-执行-总结”循环。# 文件路径agent_autofigure/agent_core.py import json import requests from pathlib import Path from config import Config from prompt_templates import ARTICLE_SPLIT_PROMPT, IMAGE_PROMPT_TEMPLATE from image_generator import ImageGenerator class AutoFigureAgent: def __init__(self): self.text_api_key Config.TEXT_API_KEY self.text_base_url Config.TEXT_BASE_URL.rstrip(/) self.text_model Config.TEXT_MODEL self.image_generator ImageGenerator() self.state { units: [], images: [], style: flat illustration, aspect_ratio: 16:9, color_tone: blue and white, light gray background, negative_prompt: no text, no logo, no watermark, no complex background, } def _call_text_model(self, messages): url f{self.text_base_url}/chat/completions headers { Authorization: fBearer {self.text_api_key}, Content-Type: application/json, } payload { model: self.text_model, messages: messages, temperature: 0.3, } resp requests.post(url, jsonpayload, headersheaders, timeout60) if resp.status_code ! 200: raise RuntimeError(f文本模型调用失败: {resp.status_code} {resp.text}) data resp.json() return data[choices][0][message][content] def parse_article(self, article: str): 解析文章生成配图单元列表 messages [ {role: system, content: 你是一个严谨的配图策划。只输出 JSON不要额外解释。}, {role: user, content: ARTICLE_SPLIT_PROMPT.format(articlearticle)}, ] content self._call_text_model(messages) # 兼容模型返回被 json 包裹的情况 if in content: content content.strip() if content.startswith(json): content content[4:] try: parsed json.loads(content) self.state[units] parsed.get(units, []) except json.JSONDecodeError as e: print(模型返回内容无法解析为 JSON原内容如下) print(content) raise RuntimeError(f解析配图单元失败: {e}) return self.state[units] def build_image_prompt(self, unit: dict) - str: 根据配图单元和全局风格生成画图提示词 return IMAGE_PROMPT_TEMPLATE.format( descriptionunit.get(image_description, ), styleself.state[style], aspect_ratioself.state[aspect_ratio], color_toneself.state[color_tone], negative_promptself.state[negative_prompt], ) def run(self, article: str, output_prefix: str article): if not article.strip(): raise ValueError(文章内容不能为空) # 第一步规划配图方案 print( 第 1 步解析文章并规划配图单元) units self.parse_article(article) print(f解析得到 {len(units)} 个配图单元) # 第二步逐单元生成图片 output_path Path(Config.OUTPUT_DIR) output_path.mkdir(parentsTrue, exist_okTrue) for idx, unit in enumerate(units, start1): print(f 第 2 步生成第 {idx} 张配图) prompt self.build_image_prompt(unit) try: img_path self.image_generator.generate_with_retry(prompt) # 复制或重命名到输出目录 target output_path / f{output_prefix}_{idx}.png if img_path.resolve() ! target.resolve(): target.write_bytes(img_path.read_bytes()) self.state[images].append(str(target)) print(f图片已保存{target}) except Exception as e: print(f生成第 {idx} 张图失败: {e}) # 实际项目中可以在这里做降级处理比如生成纯色占位图 return self.state[images]这段代码的核心思路就是两个阶段。第一阶段用文本模型把长文拆解为多个配图单元第二阶段逐张调用图像模型生成图片。注意_call_text_model()使用的是兼容 OpenAI 格式的接口这样即使你切换不同供应商也不需要大量改动代码。4.5 main.py入口# 文件路径agent_autofigure/main.py from agent_core import AutoFigureAgent def main(): article Redis 是一个开源的内存数据库常用于缓存、消息队列和分布式锁。 它支持字符串、列表、哈希、集合、有序集合等数据结构。 在实际项目中Redis 的高性能读写能力可以有效降低数据库压力。 例如在秒杀场景中我们可以用 Redis 预减库存再异步更新数据库。 同时Redis 也提供了 RDB 和 AOF 两种持久化机制保证重启后数据不丢失。 agent AutoFigureAgent() images agent.run(article, output_prefixredis_intro) print(所有配图生成完成) for img in images: print(img) if __name__ __main__: main()这里给了一段 Redis 简介文本作为示例。真实项目中你可以从文件、数据库、消息队列中读取文章内容再传入agent.run()。4.6 运行与预期输出在agent_autofigure/目录下执行python main.py如果配置正确你会在终端看到类似输出 第 1 步解析文章并规划配图单元 解析得到 2 个配图单元 第 2 步生成第 1 张配图 [ImageGenerator] 命中缓存: cache/xxx.png 图片已保存outputs/redis_intro_1.png 第 2 步生成第 2 张配图 图片已保存outputs/redis_intro_2.png 所有配图生成完成 outputs/redis_intro_1.png outputs/redis_intro_2.png第一次运行没有缓存时会直接请求图像接口耗时通常取决于网络和模型速度。第二次运行同一段文本时会直接走缓存速度非常快同时也能节省费用。5. 进阶实战加入更多 Agent 行为5.1 增加“步骤反思”机制上面的版本是典型的“两步走”拆解 生成。但是若第一轮生成的图片出现内容缺失或者拆解的配图单元与文章重点不匹配Agent 并不会自动修正。在实际项目中我们可以加入一个反思节点# 伪代码片段在生成流程图类配图后让文本模型评估提示词是否覆盖核心要点 def review_image_result(self, unit, image_prompt): messages [ {role: system, content: 你是图片质量评审判断提示词是否准确表达了单元主题。只能回答 PASS 或 NEED_IMPROVE并给出理由。}, {role: user, content: f单元标题{unit[title]}\n提示词{image_prompt}}, ] result self._call_text_model(messages) return result如果返回NEED_IMPROVEAgent 可以尝试改写提示词并重新调用图像生成接口。这会让链路变得更长但也更符合“自动配图 Agent”的定位——它不仅会画还会判断自己画得合不合适。5.2 支持批量文章自动配图如果我们把run()包一层循环就可以批量处理一个文件夹下的所有文章from pathlib import Path def batch_run(article_dir: str): agent AutoFigureAgent() article_dir Path(article_dir) for article_file in article_dir.glob(*.txt): article article_file.read_text(encodingutf-8) output_prefix article_file.stem agent.run(article, output_prefixoutput_prefix) print(f完成{article_file.name})批量场景里要注意需要设计更严格的缓存策略避免不同文章出现相同提示词时互相覆盖需要对图片生成接口做并发限制最好控制并发数在 13 之间每篇文章的任务状态最好持久化到 JSON 或 SQLite方便中断恢复。5.3 与 Agent 框架整合的思路如果你读完上面的代码已经理解了核心链路那么再去看主流 Agent 框架时会轻松很多。以Microsoft Agent Framework为代表的编排型框架通常会把“模型调用、工具注册、记忆管理、多轮对话状态”封装成标准组件。你可以将ImageGenerator注册为一个自定义工具把parse_article作为 Agent 的规划节点把图片路径当作最终输出。框架帮你解决的是“复杂多轮交互”和“多工具调度”而自动配图的业务逻辑仍然是我们手写的这些函数。所以我一直建议先手写一遍再上框架。6. 常见问题与排查思路6.1 问题列表问题现象常见原因解决思路文本模型返回的不是 JSON上下文太长、模型能力不足、系统提示词没强调输出格式增加 few-shot 示例或使用更强模型在代码中做容错解析图像接口返回 401API Key 错误或没有权限检查鉴权配置确认该 Key 是否开通图像生成权限图像接口返回 429请求频率过高或额度不足加入限速增加重试间隔检查账户余额图片生成成功但内容不符合预期提示词描述不够具体或缺少负面提示词优化build_image_prompt()增加主体、构图、色彩描述生成图片尺寸异常未设置 size 或模型不支持该尺寸根据厂商文档确认可用的尺寸参数生成的图片带有文字乱码画图模型对文字渲染不稳定在负面提示词中增加“no text, no letters”或改用模板叠加方式添加文字程序运行较慢多张图串行生成在账号和 API 允许范围内改为并发调用并增加超时控制磁盘空间增长过快缓存没有清理机制定期清理 cache 目录或缓存时设置过期时间6.2 排查流程遇到问题时我建议按下面顺序排查先确认是不是配置问题打印Config中的base_url、model和 API Key 前缀看看有没有被环境变量覆盖为空。再确认是不是模型问题先单独用 curl 或 Postman 调用一次文本接口确认网络与鉴权通顺。然后确认是不是提示词问题把image_prompt打印出来人工读一遍看看画面主体是否清晰。最后确认是不是代码问题错误堆栈是否指向 JSON 解析、图片写入或目录权限。# 示例单独测试文本接口 curl https://your-api-base-url/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer YOUR_KEY \ -d { model: your-text-model, messages: [{role: user, content: 你好}] }这个 curl 命令能很快帮你定位“代码没问题是接口配置有问题”的尴尬情况。7. 最佳实践与工程建议7.1 提示词工程自动配图的效果上限很大程度上取决于提示词工程的精细度。建议把风格、比例、色彩这些参数从代码中抽离到配置文件或数据库中这样运营同学可以按活动主题快速调整而不需要每次改代码。也要针对不同场景维护多套模板例如技术博客用扁平插画产品海报用 3D 渲染公众号封面用简洁渐变背景。7.2 成本与缓存图像生成接口的费用远高于文本接口因此缓存策略一定要设计好。建议不仅缓存最终图片还缓存“提示词 → 图片路径”的映射。如果两次请求的提示词完全相同直接返回上次结果。更精细的做法是将提示词做语义相似度匹配如果用户微调了几个字可以重新生成如果整体语义没变则复用缓存。但语义匹配有误判风险所以默认建议先用“规范化后的精确匹配”。7.3 内容安全与合规自动配图涉及模型生成内容必须设置安全边界在提示词层面增加违禁词过滤在结果层面通过内容审核接口或图片检测接口复查对用户上传的原始文章做敏感信息脱敏避免泄露个人信息图片中不要直接使用未经授权的品牌 Logo、人物肖像。如果业务面向外部用户建议在生成结果页提供一个“举报/替换图片”入口不能完全依赖模型自治。7.4 可观测性与日志Agent 自动配图链路包含多次模型调用一旦失败很难定位。建议每次调用都记录模型名称输入提示词的 hash 值接口耗时返回状态码错误信息重试次数。记录到结构化日志中方便后续用日志查询平台检索。日志示例{ time: 2025-06-01T10:00:00Z, component: image_generator, model: dall-e-3, prompt_hash: a1b2c3, status: success, duration_ms: 3200 }7.5 回退与降级在任何 Agent 工程里“永远成功”是不现实的。自动配图也一样图像接口可能暂时不可用或者模型生成了不合规内容。建议准备降级策略文本模型失败时使用规则分词 关键词模板生成配图方案图像模型失败时返回预先准备的占位图或纯色背景图所有失败任务进入重试队列由定时任务补处理。7.6 多模型切换不要把所有逻辑写死在一家服务商上。至少抽象一层ImageProvider接口每个厂商实现一个类。这样当一个模型的风格不适合当前业务或价格调整后可以快速切换。我们的image_generator.py中已经用了base_url和model配置切换只需要改环境变量。不过要注意不同厂商的请求格式和返回字段会有差异例如有的返回b64_json有的返回url这部分需要单独适配。8. 进一步的扩展方向自动配图做到这里还只是一个基础闭环。顺着这个思路你可以继续扩展图文融合不满足于“文本 → 图片”而是把生成图片嵌入到排版好的 HTML 或 PDF 中。模板化定制预置一批企业级模板Agent 把生成图放到模板的指定位置。历史风格学习根据用户对图片的点赞或反馈动态调整风格参数。多轮对话式配图用户可以对当前图片说“把蓝色改成绿色”Agent 根据指令做局部修改或重新生成。数据自动可视化当输入内容包含表格数据时Agent 调用图表库生成折线图、柱状图再包装成图片。如果你往“数据自动可视化”方向走核心是把scene: data的配图单元交给matplotlib或ECharts而不是画图模型。这样出来的图表更准确也更容易定制。这里有一个很实用的区分画图模型适合生成概念图、场景图、插画图表库适合生成精确的数据图。Agent 的价值就在于能根据内容自动判断该走哪条路。9. 总结与下一步学习这一集我们从零实现了一个可运行的 Agent 自动配图链路核心步骤包括使用文本模型解析文章生成结构化配图方案使用提示词模板把配图方案转换为画图模型可理解的提示词封装图像生成接口支持缓存、重试和降级通过一个轻量 Agent 核心把前面步骤串成完整流程。如果你理解了这些内容后续不管是用开源 Agent 框架还是自己维护一套内部自动化系统都会更从容。下一步建议重点学习三块内容一是提示词工程尤其是图像生成提示词的常见写法和结构化表达二是 Agent 框架的编排机制理解它是如何进行多工具调度和状态管理的三是工程化能力包括缓存、日志、并发控制和灰度发布。推荐先在自己实际业务里选一个小场景比如“给周报自动配封面图”把本文的流程跑通并优化一版再逐步扩展到更复杂的业务场景。如果你在搭建过程中遇到问题欢迎在评论区留言我会根据实际项目经验和你一起排查。也别忘了把生成的图片效果拿到真实页面里看一看毕竟配图好不好最终还是由阅读者说了算。具体代码片段我放在文末的示例中你可以直接复制到项目中继续开发。