第 13 章 文生图入门：让 AI 为你作画

🎨 本章特色：从零开始理解"文生图"技术，学会安装和使用 zhz-image-gen 技能(Skill)生成单张图片，再用 zhz-picture-story-book 技能创作完整连环画，实战环节带你做出《狼来了》三页故事绘本。

本章目录：

1. 文生图技术概述

1.1 什么是文生图？

文生图（Text-to-Image），就是用文字告诉 AI 你想要什么画面，AI 从零开始"画"出来。

举个例子，你输入一句话：

"黄昏时分，永定河卢沟桥畔，几只白鹭掠过水面，远处的西山被晚霞染成金色，中国水墨画风格"

几秒钟后，屏幕上出现一张从未存在过的画，构图、色彩、光影全部由 AI 完成。它不是从素材库里搜一张现成的图，而是真的从噪声中生成一张全新的图片。

用更专业的说法：文生图是一个条件生成任务，以你的文字描述为"条件"，生成符合条件的图像像素。

1.2 扩散模型：从噪声到画面

目前主流的文生图模型都基于一种叫扩散模型（Diffusion Model） 的技术。它的核心思想出人意料地简单，可以拆解为三个关键步骤：

1. 正向扩散（加噪）：这是一个固定的数学过程。拿一张清晰照片，按预设规则一步步注入高斯噪声，直到它彻底变成纯随机的“雪花屏”。这一步不需要训练，仅仅是为了制造“题目”。
2. 反向学习（训练）：让神经网络反复观察“加噪过程”，学会预测每一步被加入的噪声是什么。通过千万次练习，网络掌握了从噪声中还原图像的规律。
3. 条件生成（推理）：从一团纯噪声出发，利用训练好的网络一步步“减去”预测出的噪声。此时，你的文字提示词会被编码为向量，在每一步去噪时引导减噪的方向，确保生成的画面符合描述。

简短总结：

1. 正向过程：一个预先定义好的加噪过程，把清晰图片逐步变成纯噪声。
2. 训练阶段：训练神经网络学会逆向的去噪过程。
3. 生成阶段：从纯噪声出发，用训练好的网络逐步去噪，生成图像。

当你输入“永定河畔的白鹭”时，这段文字会被编码成向量，然后在每一步去噪时引导图像生成的方向。就像一位画师在浓雾中，根据你说的话一步步摸索着画出画面。

💡 不需要理解数学公式，你只需要记住一件事：描述得越准确，出来的图越好。这就是"提示词工程"的意义。

1.3 关键概念速查

1.4 文生图发展简史

文生图不是突然冒出来的，它经历了清晰的演进：

🔑 对中国用户来说最重要的变化：阿里的通义万相系列模型已经能直接理解中文提示词，不再需要先把中文翻译成英文。这正是本章后续实战选择它的原因。

1.5 主流文生图模型一览

💡 本章选择通义万相：中文提示词直接用、API 稳定、价格合理、OpenClaw 集成最成熟。

2. 图像基础与提示词技巧

在使用文生图工具之前，我们先补几节"美术课"的基础知识。这些概念在日常使用电脑、手机时也会用到，理解了它们，你就能更好地控制 AI 生成的图片质量和用途。

2.1 像素与分辨率

像素（Pixel） 是数字图像的最小单位。你可以把一张数字图片想象成一幅巨大的十字绣：每一针就是一个像素，每个像素有自己的颜色。成千上万个像素排列在一起，就组成了一张完整的画面。

分辨率 就是一张图片的像素总数，通常用"宽 × 高"来表示。例如：

💡 像素越多，画面越精细，但文件也越大。AI 文生图通常生成 1024×1024 的图片，对于屏幕浏览已经足够清晰。如果需要印刷，可能需要用分辨率工具放大。

2.2 位图与矢量图

数字图片分为两大类：位图和矢量图。它们有本质区别。

位图（Bitmap / Raster Image）

位图就是由一个个像素点组成的图片。你用手机拍的照片、AI 生成的图片、屏幕截图，都是位图。

位图的特点：

• 放大后会变模糊，出现"马赛克"（像素方块）
• 文件保存的是每个像素的颜色信息
• 适合表现复杂的光影、色彩渐变、照片质感

矢量图（Vector Image）

矢量图不是由像素组成，而是由数学公式描述的几何图形（点、线、曲线、多边形）组成。

矢量图的特点：

• 无限放大不失真，无论放到多大都清晰锐利
• 文件保存的是"画一个半径 50 的红色圆"这类指令
• 适合 Logo、图标、字体、简单插画

💡 本章涉及的图片都是位图。如果你想把 AI 生成的图用作 Logo，可以用专门的工具将位图转换为矢量图（这个过程叫"矢量化"或"描摹"）。

2.3 常见图片格式

AI 生成的图片通常保存为 PNG 格式，但你可能还会遇到其他格式。了解它们的区别，能帮你选对格式。

💡 简单记忆：

• AI 生成的图片 → 用 PNG（画质最好）
• 发朋友圈/微信 → 用 JPG（文件小，传输快）
• 做网站/Logo → 用 SVG（清晰且小）

2.4 PNG 格式详解

因为 AI 文生图主要输出 PNG 格式，我们多说几句。

PNG 有两个重要优势：

优势一：无损压缩

PNG 使用无损压缩算法，保存和读取后的像素完全一致，不会丢失任何画面细节。相比之下，JPG 每次保存都会损失一些细节（就像反复复印文件，越复印越模糊）。

优势二：支持透明背景（Alpha 通道）

PNG 的每个像素除了 RGB 三种颜色，还有一个额外的 Alpha 通道，用来表示"这个像素有多透明"。

这意味着 PNG 可以做出"没有背景"的图片，比如一个单独的角色形象，背景是透明的，可以叠加到任何底图上。这在连环画制作和海报设计中非常有用。

RGBA 表示法是一种在 RGB（红、绿、蓝）色彩模型基础上增加 Alpha（透明度）通道的颜色表示方法。

有了 Alpha 通道，颜色就用四个分量表示：RGBA(红, 绿, 蓝, 透明度)。例如：

• RGBA(255, 0, 0, 255) = 纯红色，完全不透明
• RGBA(255, 0, 0, 128) = 纯红色，半透明
• RGBA(0, 0, 0, 0) = 完全透明（看不见）

2.5 RGB 色彩模型

计算机屏幕上的所有颜色，都由三种光混合而成：红（Red）、绿（Green）、蓝（Blue）。这就是 RGB 色彩模型。

R = Red（红）、G = Green（绿）、B = Blue（蓝），是加色法（光）的三原色，用于屏幕、显示器、投影等等。

每种颜色的强度范围是 0 到 255：

💡 生活中的类比：RGB 就像调色盘上的三管颜料。红色管和绿色管挤在一起，就变成黄色。三管都挤满，就是白色。

2.6 十六进制颜色码

在设计和编程中，人们更习惯用十六进制（Hex）来写颜色。格式是：

#RRGGBB

其中：

• # 是固定前缀，表示"这是一个颜色码"
• RR 是红色分量（两位十六进制数）
• GG 是绿色分量
• BB 是蓝色分量

十六进制和十进制的对应关系：

网页设计常见颜色的十六进制写法：

2.7 理解 #2196F3 这个蓝色

以 #2196F3 为例，拆解一下：

# 21 96 F3
  │  │  │
  │  │  └─ 蓝色分量：F3（十进制 243），很强
  │  └──── 绿色分量：96（十进制 150），中等
  └─────── 红色分量：21（十进制 33），很弱

红色很弱、绿色中等、蓝色很强，混合出来就是一种明亮清澈的天蓝色。这是 Google Material Design 中的"Blue 500"，在很多 UI 设计中用作主色调。

2.8 为什么文生图需要颜色代码？

在文生图的提示词和角色定义中，颜色代码有两个重要作用：

作用一：精确指定颜色

"蓝色"这个词太模糊了。天蓝、藏蓝、宝蓝、灰蓝，差别很大。写成 #2196F3（天蓝）还是 #1A237E（深藏蓝），AI 就知道你要哪种。

作用二：保持角色一致性

在连环画创作中，同一个角色在不同页面需要穿同样颜色的衣服。如果只写"蓝色 T 恤"，AI 每次生成的蓝色可能都不一样。写 蓝色 T 恤（#2196F3），就能显著提高跨页面颜色一致性。

2.9 提示词黄金公式

不管是单张图片还是连环画，写好提示词都是最重要的能力。好的提示词遵循这个公式：

主体 + 环境 + 动作 + 光线/色彩 + 风格

✅ 好的提示词：

一只灰鹤站在永定河浅滩上，低头啄食，
秋日傍晚的柔和光线，天空呈橙红色渐变（#FF7043），
水彩画风格，柔和笔触

❌ 不好的提示词：

一只鸟在河边

差距在哪？好提示词有：具体鸟种（灰鹤）、精确地点（永定河浅滩）、动作（低头啄食）、光线描述（秋日傍晚、橙红色渐变）、风格指定（水彩画、柔和笔触）。

💡 记住：AI 画师很"听话"，但也很"较真"。你说得越具体，它画得越准确。

2.10 图像基础知识小结

3. zhz-image-gen：一句话生成单张图片

zhz-image-gen 是一个专门为中文用户设计的 OpenClaw 文生图技能。它封装了通义万相（DashScope）API，让你用一行命令就能生成高质量图片。

3.1 技能是什么？

在 OpenClaw 中，技能（Skill） 就是一个预装好的"能力包"。安装技能后，你不需要自己写 API 调用代码，只需要按技能规定的方式使用它，就像安装了一个 App 一样。

zhz-image-gen 这个技能做了这些事：

• 封装了通义万相的 API 调用逻辑
• 支持 6 种模型可选
• 支持多种宽高比和画质
• 命令行一行搞定

3.2 安装技能

在 OpenClaw 中安装技能非常简单：

# 在 OpenClaw web页面对话框中输入
/clawhub install zhz-image-gen

或者在终端中输入 clawhub install zhz-image-gen

安装完成后，技能文件会存放在：

~/.openclaw/workspace/skills/zhz-image-gen/

目录结构如下：

zhz-image-gen/
├── SKILL.md          # 技能说明文档
└── scripts/
    └── main.py       # 核心生成脚本

3.3 安装依赖

这个技能依赖 Python 环境和两个库：

pip install requests pyyaml

建议使用 Python 3.12 及以上；如果 pip 安装慢，可更换为国内镜像源。

pip install requests pyyaml -i https://pypi.tuna.tsinghua.edu.cn/simple

3.4 配置 API Key

通义万相 API 需要一个密钥。获取方式：

1. 访问 阿里云 DashScope 控制台
2. 注册/登录阿里云账号
3. 在"API Key 管理"中创建一个 Key

然后在 OpenClaw 中配置：

# 设置环境变量（推荐）
# 在 OpenClaw 的 secrets 中保存
DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxx

3.5 基本用法

最简单的用法，一句话生成一张图：

python ~/.openclaw/workspace/skills/zhz-image-gen/scripts/main.py \
  --prompt "一只可爱的泰迪狗趴在窗台上晒太阳" \
  --image dog.png

就这么简单。十几秒后，dog.png 就出现在你面前。

3.6 命令行参数详解

3.7 选择模型

技能支持 6 种模型，按需求选择：

💡 新手建议：默认使用 qwen-image-3.0-pro，它在大多数场景下效果最好。

3.8 实用示例

生成横版风景图（石景山永定河）：

python scripts/main.py \
  --prompt "秋天傍晚，石景山永定河畔，河水倒映着西山红叶，
           河岸边芦苇摇曳，几只野鸭在水面嬉戏，暖色调" \
  --image yongding-river-autumn.png \
  --ar 16:9 \
  --quality 2k

生成竖版海报图：

python scripts/main.py \
  --prompt "一杯热牛乳燕麦片放在办公桌桌面上，旁边有几本书和一台笔记本电脑，
           温暖的午后阳光透过窗帘洒进来" \
  --image poster.png \
  --ar 3:4

从文件读取长提示词：

# 先将详细描述写入文件
echo "西城天宁寺塔，晨雾中的千年古塔，
塔身砖雕在薄雾中若隐若现，
塔檐下几只麻雀栖息，
远处隐约可见现代楼宇的轮廓，
中国水墨画风格，留白，淡墨渲染" > prompt.txt

python scripts/main.py --promptfiles prompt.txt --image tianningsi.png

3.9 配置文件（可选）

如果你想固定一些默认设置，可以创建配置文件：

# ~/.zhz-skills/image-gen/config.yaml
default_model: qwen-image-3.0-pro
default_quality: 2k
default_aspect_ratio: "1:1"

有了这个配置，每次生成图片就不用重复写 --model 和 --quality 了。

4. zhz-picture-story-book：连环画生成器

单张图片很有意思，但如果想讲一个完整的故事呢？这就轮到 zhz-picture-story-book 出场了。

4.1 什么是连环画？

连环画是中国传统的叙事形式，每一页由两部分组成：

┌──────────────────────┐
│                      │
│      插图（80%）      │  ← AI 生成的画面
│                      │
├──────────────────────┤
│   文字说明（20%）      │  ← 叙述旁白
└──────────────────────┘

和漫画不同，连环画更注重单幅完整场景配合文字叙事。像是一位说书人，每翻一页，给你讲一段故事、配一幅画。

4.2 技能概览

zhz-picture-story-book 是一个完整的连环画生产流水线：

故事构思 → 角色设计 → 分镜规划 → AI 生图 → 图文合成 → 输出 PDF

它会自动完成以上所有步骤，你只需要提供故事内容。

⚠️ 注意：这个技能内部调用 zhz-image-gen 生成图片，所以需要先安装 zhz-image-gen。

4.3 安装技能

# 先确保已安装 zhz-image-gen
clawhub install zhz-image-gen

# 再安装连环画技能
clawhub install zhz-picture-story-book

4.4 安装依赖

pip install Pillow fpdf2

• Pillow 是 Python 最常用的图像处理库（PIL 的维护分支），能打开、编辑、转换、保存各种格式的图片。使用Pillow将图片和文字拼接为一页。

• fpdf2 是轻量级的 PDF 生成库（FPDF 的现代维护版），用代码直接"画"出一份 PDF。使用fpdf2将多个图片拼接为一个PDF文件。

zhz-picture-story-book用这两个库进行

4.5 画风与画面基调：决定画面的"气质"

创作连环画时，你需要做两个关键的视觉决策：画风（画面的技法风格）和画面基调（画面的整体氛围）。两者组合在一起，决定了整本连环画的"气质"。

画风（Art Style） 控制的是 AI 用什么"笔法"来画画。就像现实中的画师，有人擅长水墨，有人擅长油画，有人画写实，有人画极简。画风决定了画面的线条质感、色彩运用和整体美学风格。

画面基调（Tone） 控制的是画面的"情绪"和"气氛"。同样是水彩画，温暖的基调会让画面笼罩在柔和的金色光线下，而戏剧化的基调则会拉高对比度、加重阴影。画面基调主要影响色彩倾向、光影对比和整体氛围。

两者的关系：画风是"怎么画"，画面基调是"什么感觉"。选对组合，事半功倍。

4.6 六种画风

4.7 五种画面基调

💡 组合建议：《狼来了》这种寓言故事适合 watercolor（水彩）+ warm（温暖），画面柔和有亲和力。如果是《武松打虎》这种激烈故事，则适合 ink-brush（水墨）+ dramatic（戏剧化），更有张力。

4.8 工作流八步走

这个技能的工作流非常清晰：

你只需要在第 2 步确认一下故事板和画风，其余全自动。

4.9 输出文件结构

picture-story/{主题简称}/
├── storyboard.md          # 故事大纲与分镜
├── characters.md          # 角色视觉定义
├── prompts/               # 每页的图片提示词
│   ├── 01-page-xxx.md
│   └── 02-page-xxx.md
├── illustrations/         # AI 生成的原始插图
│   ├── 01-page-xxx.png
│   └── 02-page-xxx.png
├── pages/                 # 最终合成页面（图+文）
│   ├── 01-page-xxx.png
│   └── 02-page-xxx.png
└── {主题简称}.pdf          # 最终 PDF

4.10 角色一致性

连环画最大的挑战是角色一致性，同一个角色在不同页面得看起来是同一个人。

这个技能的解决方案：
1. 在 characters.md 中定义每个角色的精确视觉描述（包括颜色的十六进制值）
2. 每页的生成提示词都包含完整的角色特征
3. 跨所有页面使用一致的颜色代码

💡 小贴士：角色描述越详细，跨页面的一致性越好。比如不要只说"一个男孩"，而要说"一个 10 岁男孩，短发，穿蓝色 T 恤（#2196F3），红色短裤（#F44336），白色运动鞋（#FFFFFF）"。有了这些精确的颜色代码，AI 在每个页面都会画出同样的衣服。

5. 实战：创作《狼来了》三页连环画

现在动手！我们要创作一个经典的《狼来了》故事连环画，三页，用水彩画风格讲述这个流传千年的寓言。

5.1 故事梗概

《狼来了》是伊索寓言中最著名的故事之一：

一个放羊娃每天在山坡上放羊，无聊之余两次大喊"狼来了"骗村民上山救他。村民气喘吁吁赶来，发现上当，愤愤离去。第三次，狼真的来了，放羊娃拼命呼救，却再也没人相信他。羊群被狼吃掉。

三页刚好能讲完这个故事：

• 第一页：放羊娃第一次撒谎
• 第二页：第二次撒谎，再次上当，村民不再信任
• 第三页：狼真的来了，无人来救

5.2 开始创作

在 OpenClaw 对话框中输入：

请用 zhz-picture-story-book 技能，帮我创作《狼来了》连环画。

要求：
- 3 页
- 水彩画风格（watercolor）
- 温暖画面基调（warm）
- 竖版（3:4）
- 中文

5.3 AI 会做什么

步骤 1：故事规划

AI 会自动拆分故事为三个场景，写入 storyboard.md：

---
title: "狼来了"
topic: "wolf-is-coming"
page_count: 3
art_style: "watercolor"
tone: "warm"
aspect_ratio: "3:4"
language: "zh"
---

# 狼来了 故事板

## 第 1 页：恶作剧
**场景**：放羊娃站在山坡上，手捂嘴巴大喊，远处村民匆忙跑上山来
**角色**：放羊娃、村民
**文字说明**：从前有个放羊娃，每天在山坡上看羊。他觉得太无聊了，
就朝山下大喊："狼来了！狼来了！救命啊！"村民们放下手中的活，
气喘吁吁跑上山来，却发现一只狼也没有。放羊娃笑得前仰后合。

## 第 2 页：信任崩塌
**场景**：放羊娃再次大喊，山下的村民们摇头摆手，不再上山
**角色**：放羊娃、村民
**文字说明**：过了几天，放羊娃又喊："狼来了！这次是真的！"
村民们互相看看，摇摇头说："又骗人呢，别理他。"
没有一个人上山。放羊娃觉得更好玩了。

## 第 3 页：真正的狼
**场景**：一只大灰狼从树林里钻出来，羊群惊恐逃散，放羊娃吓得大哭
**角色**：放羊娃、狼、羊群
**文字说明**：又过了几天，一只真正的大灰狼从树林里窜了出来！
放羊娃吓得拼命喊："狼来了！狼来了！这次是真的！"
可是山下的村民们听到了，只是笑笑说："又骗人呢。"
没有人来救他。

步骤 2：确认

AI 会向你展示上面的故事板，询问：

📋 故事板已准备好：
- 画风：水彩画（watercolor）
- 画面基调：温暖（warm）
- 页数：3 页

确认开始生成吗？

你回答"确认"即可继续。

步骤 3-4：角色定义和提示词

AI 会生成角色定义（characters.md）和每页的详细提示词文件。

角色定义示例：

# 角色定义  狼来了

## 放羊娃
- **角色**：主角
- **外貌**：10 岁左右的男孩，圆脸，大眼睛，皮肤晒得微黑
- **服装**：白色粗布短衫（#FAFAFA），棕色短裤（#8D6E63），
  草帽（#D7CCC8），赤脚或穿草鞋
- **标志性特征**：头上歪戴的草帽，手里一根放羊的长竹竿

## 村民
- **角色**：配角
- **外貌**：三四个中年农夫，朴实的面容
- **服装**：灰色或土黄色的粗布衣裳（#9E9E9E / #A1887F）
- **标志性特征**：扛着锄头或扁担

## 大灰狼
- **角色**：反派
- **外貌**：体型壮硕的灰狼，灰褐色毛发（#5D4037），
  黄色眼睛（#FFC107），尖牙外露
- **标志性特征**：尾巴蓬松，眼神凶狠

注意角色定义中每个颜色都标注了十六进制色值。白色粗布短衫是 #FAFAFA（不是纯白 #FFFFFF，而是略带暖意的米白），棕色短裤是 #8D6E63（深棕色），大灰狼的毛发是 #5D4037（深灰褐）。这些精确的颜色码确保了三页连环画中角色外观一致。

步骤 5：生成插图

AI 逐页调用 zhz-image-gen 生成三张插图。每页大约 15 到 30 秒。

步骤 6-7：合成与导出

AI 自动把图片和文字合成为最终页面，并合并为 PDF。

5.4 完成报告

连环画完成！
标题：狼来了 | 画风：watercolor | 画面基调：warm | 页数：3
位置：picture-story/wolf-is-coming/
✓ storyboard.md
✓ characters.md
✓ illustrations/（原始插图）
✓ pages/（最终页面含文字）
✓ prompts/（每页提示词）
✓ wolf-is-coming.pdf

打开 PDF，你会看到三页精美的水彩画连环画：每页上方是 AI 生成的场景插画，下方是清晰排版的中文叙述文字。

5.5 实际效果预期

5.6 换个画风试试

同样的故事，换个画风就是完全不同的味道：

请用 ink-brush 画风、dramatic 画面基调重新生成《狼来了》

水墨画风的《狼来了》会有一种中国传统民间故事的质感，而 dramatic 画面基调会让画面更有戏剧张力。

你也可以尝试：

6. 总结与进阶

6.1 本章核心知识回顾

6.2 课后练习与进阶

1. 基础：用 zhz-image-gen 生成 3 张不同风格的小猫图片（写实、水彩、水墨）
2. 进阶：用 zhz-picture-story-book 创作一个你喜欢的故事连环画（3 到 5 页），注意在角色定义中使用精确的十六进制颜色码
3. 挑战：用不同画风重新生成同一个故事，比较效果差异，选出你最满意的版本

掌握了本章的基础后，可以继续探索： 批量创作，结合 OpenClaw 的自动化能力，批量生成系列绘本。

本章完
本文为《OpenClaw 实战指南》系列第 13 篇。