OpenClaw+Qwen3.5-9B组合创新：AI绘画描述词自动优化与批量生成-拓冰建站

OpenClaw+Qwen3.5-9B组合创新：AI绘画描述词自动优化与批量生成

1. 为什么需要AI绘画描述词优化

去年我开始尝试用Stable Diffusion进行艺术创作时，最头疼的就是提示词（prompt）的编写。每次都要反复调整形容词、风格修饰词、艺术家名字的组合，生成几十张图才能得到一张满意的作品。这种试错过程不仅耗时，还常常让我陷入"词穷"的困境——明明脑海里有画面，却找不到合适的词汇表达。

直到发现OpenClaw可以对接Qwen3.5-9B模型，我突然意识到：为什么不让AI来帮我优化提示词呢？这个组合最吸引我的地方在于：

风格分析能力：Qwen3.5-9B能理解我提供的参考图片风格特征
语义扩展能力：可以基于简单描述自动补充细节修饰词
批量处理能力：OpenClaw能自动管理生成队列，实现"描述-生成-筛选"的闭环

2. 环境搭建与模型对接

2.1 基础环境准备

我的工作环境是MacBook Pro M1，已安装：

Stable Diffusion WebUI（AUTOMATIC1111版本）
Python 3.9环境
16GB内存（建议最低配置）

OpenClaw安装采用官方推荐的一键脚本：

curl -fsSL https://openclaw.ai/install.sh | bash openclaw onboard --install-daemon

2.2 Qwen3.5-9B模型接入

在~/.openclaw/openclaw.json中配置本地模型服务地址（我的Qwen3.5-9B部署在同一台机器的8000端口）：

{ "models": { "providers": { "local-qwen": { "baseUrl": "http://127.0.0.1:8000/v1", "apiKey": "NULL", "api": "openai-completions", "models": [ { "id": "qwen3.5-9b", "name": "Local Qwen3.5-9B", "contextWindow": 32768 } ] } } } }

配置完成后重启网关服务：

openclaw gateway restart

3. 核心工作流实现

3.1 风格分析与提示词优化

我开发了一个简单的Python脚本，通过OpenClaw的HTTP接口调用Qwen3.5-9B进行提示词优化。核心逻辑是：

上传参考图片到临时目录
提取图片的CLIP特征向量
让模型基于特征向量生成风格描述
结合用户初始提示进行多轮优化

def optimize_prompt(init_prompt, image_path=None): # 构建OpenClaw请求体 request = { "model": "local-qwen/qwen3.5-9b", "messages": [ { "role": "system", "content": "你是一个专业的AI绘画提示词优化专家..." }, { "role": "user", "content": f"初始提示词：{init_prompt}" } ], "max_tokens": 1024 } if image_path: # 添加图片特征分析 image_features = extract_clip_features(image_path) request["messages"][1]["content"] += f"\n图片特征：{image_features}" # 调用OpenClaw接口 response = requests.post( "http://127.0.0.1:18789/v1/chat/completions", json=request ) return response.json()["choices"][0]["message"]["content"]

3.2 批量生成与自动筛选

通过OpenClaw的定时任务功能，我设置了夜间批量生成流程：

读取CSV文件中的基础提示词列表
对每个提示词生成3-5个变体
调用Stable Diffusion API生成图片
使用CLIP模型进行初筛
将结果保存到指定目录

@openclaw.task(schedule="0 2 * * *") # 每天凌晨2点执行 def batch_generate(): prompts = load_prompts_from_csv("input.csv") for prompt in prompts: variants = generate_variants(prompt) for variant in variants: image = generate_image(variant) if passes_quality_check(image): save_result(variant, image)