AI起来以后，很多公司都在寻找AI的落地应用场景，都在思考项目工程的流程节点怎么用AI去做提效。随着人工智能技术的快速发展，图像生成需求在许多行业中迅速增长。目前，许多企业已经开始广泛使用Stable Diffusion（SD）技术进行图像生成。例如创作IP的延展，或应用于广告、产品设计、游戏开发等多个领域。然而，面向企业的大规模图像生成需求，批量化是一种刚需。
企业在使用SD进行图像生成时，往往需要处理大量的图像素材。这一过程中包括编写CSV需求单、审核素材、打标和命名等步骤，传统的手工操作流程效率低下且容易出错。如果通过AI节点式接入和GPT技术，可以显著优化这些流程，提高效率和质量。
所以我们需要去搭建一整个SOP，将批量生图做成工程化，这样才能提高效率。批量产图SOP的设计需要明确每一个流程节点，保证高效、标准化的操作。
我们之前传统的产图SOP，需要投入的人力大概在5个：
整个SOP的运行中最核心的是prompt编写设计师的角色，他需要调控prompt和替换lora，需要去调试工程文件中的节点。技术开发同学和模型炼制设计师其实都是前置资源，从产图到入库可使用的这个逻辑是这样的：
由prompt编写设计师编写csv条目，一个条目是一个图像生成的prompt，所以批量生产同样的需要批量写prompt，prompt影响最终产图的质量。例如我们编写10个prompt，那就可以产出10张素材。编写100个，那就可以产出100张素材。但人工编写的过程非常耗时耗力，这个节点是否可以借助AI的能力去提效？又该如何接入AI？这个可以先思考一下，我们接着链路往下看⬇
当批量产出素材后，例如今天产出2000张素材，将素材转接给素材审核员，按照入库的视觉标准将素材进行分类和二次调整。2000张图需要多久，不包含调整的过程，只去审核区分素材就需要1-2个小时。那20000张呢？这个节点是否有AI运作的空间？⬇
当素材处理完，假设良品率为40%，可直接入库的素材为800张，由素材管理员进行分类和素材信息标注。当然我们也可以只给素材命个名，如:3D红包.png 那如果有200个不同的红包素材，素材如何有效召回，所以素材如何有效管理，之前传统的素材管理，是将命名作分级，如：业务A/3D/红包/装满金币。那仅这个命名过程，假设一张素材命名需要5s，那800张仅命名大约需要1.11小时。那这个时间是否可以借助AI给吃掉？
ok，我们梳理一下整个产图到入库的流程链路，其中费时费力的节点：
prompt批量编写
素材审核
素材分类及信息标注
这些节点如何借助AI做提效或者直接用AI的能力给吃掉。我是借助GPT的能力，让技术同学预留出GPT的API接口，我负责炼制GPTs，将调试好的prompt发给前端，在工程文件中调用。在多个节点安插GPT：
输入想要的素材关键词及数量--批量产出prompt条目（GPT助力）--导入csv需求单--运行程序--调用SD做批量产图--素材质量筛选，将素材分类（GPT助力）--素材信息标注（GPT助力）
所以除了前置资源，前端提供的工程文件和模型炼制设计师提供的lora，剩余的事情只需要一名设计师即可，不仅减少人力成本，而且效率还比之前高数倍甚至数十倍。
GPT助力，都炼制了哪些GPTs？我们逐一分析一下相关的prompt该如何写：
通过简单的关键词描述， 批量产出csv，不过这里要注意一点，我们需要制定prompt规则：
prompt指令规则：*图像名称(内容）,*图像具体关键词,不希望图像里有什么
打开[新建文件夹】
找到“csv”右键打开操作目录，选择“打开于-Finder”
选中文件夹中的“csv”，
右键打开方式选择-“文稿编辑”
填入csv条目
输出的所有csv条目，并非可以一次成功，产出素材的内容差异性和风格统一性还是需要人工把控，毕竟只有你才知道你真正想要什么，你想要一个有卡通翅膀的红包，这种装饰性词汇具备不可控且不可猜性，所以人工针对csv条目做二次调整。
用AI代替人工做素材质量的判断和分类，做初级筛选，人工做素材质量的二次审核，确保最终素材均达到入库标准。
批量产出的素材分为三个档：S级、A级、B级。
S级：完全达到入库视觉标准；A级：基本达到入库视觉标准，单一或部分元素轻微瑕疵；B级：不符合入库视觉标准，画面杂乱、元素变形、穿模等严重瑕疵。
大家可以试一下，将GPT的API接入工程文件中，批量生产的素材输出在【新建文件夹】中，调用API读取图片，将每个图片文件传输后做质量审核和分类。API返回的数据包含会label字段，用于分类。根据返回的分类标签，将图片移动到对应的分类文件夹中。
处理返回数据并自动分类移动图片的Python代码示例：
import os
import openai
import shutil
# 设置OpenAI API密钥
openai.api_key = 'your_openai_api_key'
# 批量图片文件夹路径
input_folder = 'Batch_Image'
output_folder = 'Processed_Images'
# 创建输出文件夹（如果不存在）
if not os.path.exists(output_folder):
os.makedirs(output_folder)
# 函数：调用OpenAI API进行图片质量审核和分类
def analyze_image(file_path):
with open(file_path, 'rb') as image_file:
image_data = image_file.read()
response = openai.Image.create(
file=image_data,
n=1,
size="1024x1024",
prompt="Classify and review the quality of this image."
)
return response
# 遍历Batch_Image文件夹中的所有图片文件
for filename in os.listdir(input_folder):
if filename.endswith('.jpg') or filename.endswith('.png'):
file_path = os.path.join(input_folder, filename)
# 调用OpenAI API
response = analyze_image(file_path)
# 假设API返回的数据如下
result = response['data'][0]
classification = result['label']
# 打印结果（可选）
print(f"Image: {filename}, Classification: {classification}")
# 根据分类结果将图片移动到不同的文件夹中
classification_folder = os.path.join(output_folder, classification)
if not os.path.exists(classification_folder):
os.makedirs(classification_folder)
shutil.move(file_path, os.path.join(classification_folder, filename))
print("Processing completed.")素材的管理以业务、素材类型做分类；以标签、命名做标注。所以也需要一些前置信息的准备。业务和素材类型的全量信息，标签库的搭建和标签填充，命名的规则和限制。
其中标签，我以类别维度去搭建的标签格式：
一、主要类别（1）子分类 [具体标签]
大概整理了17个主要类别，基本囊括80%的图片素材类别，后期也会定期维护更新。
标签体系搭建后，对素材进行了全面的命名规范：
业务（判断）-素材类型（判断）-标签一、标签二、标签三-人物描述/物体名称（判断，不超过4个字）-动作/场景/特征（判断，不超过6个字）。
素材的名称即为：人物描述/物体名称（判断，不超过4个字）-动作/场景/特征（判断，不超过6个字）。例：一张女足的素材。全命名为“业务-3D-青年、运动健身、运动员-女孩-踢球”。
完成这一切的部署，就可以批量生图，素材审核，针对素材信息进行自动填充，素材批量上传入库。
关于Prompt如何编写，感兴趣的同学可以看一下上一篇文章。此篇文章意在分享目前大厂内部针对AI是如何运作，如何借助AI的能力做节点式提效。
由于该SOP并不是一个产品化的流程，所以需要设计师掌握一定的代码能力：
目前的批量生成素材的质量还是不错的，不过良品率还是有点低，在15%左右，不过纯批量生产可以达到1200张/小时，可直接入库的素材至少有144张。若不调试csv持续输出，每天达到入库视觉标准的素材有1152张。当然这是理想的数据。目前有着隐性和显性两个方面的元素影响，例如一：网速、调用SD批量生图时长和读取图片的返回数据时长这些隐形因素。二：人工二次审核和csv条目的调试这些显性因素。
通过接入GPT，减少了人工操作的时间，使得整体流程更加高效。prompt批量生成、素材筛选、标签生成和命名等环节均实现了自动化，大幅提升了工作效率。利用GPT的智能筛选与标记功能，可以确保素材质量的一致性和可靠性，减少了人工操作可能导致的错误。自动化的生成与筛选流程大大减轻了人工操作的负担，使得成本降低的同时效率提升。
再接再厉，共同探索AI的更多可能性～
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。