AI绘画管家：OpenClaw+Qwen3.5-9B批量整理Stable Diffusion产出
AI绘画管家：OpenClaw+Qwen3.5-9B批量整理Stable Diffusion产出
1. 为什么需要AI绘画管家？
每次用Stable Diffusion生成几十张图片后，最头疼的就是整理工作。手动给每张图打标签、筛选质量、按风格分类，至少要花半小时。更麻烦的是，有些图片的prompt写得很抽象，光看文件名根本不知道是什么风格。
上个月我尝试用Python写脚本自动化处理，但发现两个痛点：一是图片质量判断需要复杂的CV算法，二是语义分类需要理解prompt的深层含义。正当我准备放弃时，偶然发现了OpenClaw+Qwen3.5-9B这个组合方案。
2. 整体方案设计
2.1 技术栈选型
核心思路是让AI像人类一样操作电脑：
- OpenClaw：负责文件操作、截图识别、执行分类动作
- Qwen3.5-9B：解析prompt语义、判断图片质量、生成分类建议
这个组合的优势在于：
- 完全本地运行，不用担心生成图片泄露
- Qwen3.5-9B对视觉-语言的理解能力很强
- OpenClaw可以模拟人类操作文件管理器
2.2 工作流设计
整个流程分为四个阶段：
- 扫描阶段：遍历SD输出目录，提取图片和对应prompt
- 分析阶段：用Qwen3.5分析每张图的prompt和缩略图
- 决策阶段：生成标签、质量评分和分类建议
- 执行阶段：按规则移动文件、重命名、生成统计报告
3. 具体实现过程
3.1 环境准备
首先在Mac上部署OpenClaw：
curl -fsSL https://openclaw.ai/install.sh | bash openclaw onboard --install-daemon然后配置Qwen3.5-9B本地模型（假设已通过星图平台部署）：
// ~/.openclaw/openclaw.json { "models": { "providers": { "qwen-local": { "baseUrl": "http://localhost:8080/v1", "api": "openai-completions", "models": [ { "id": "qwen3.5-9b", "name": "Local Qwen3.5", "contextWindow": 32768 } ] } } } }3.2 核心技能开发
我开发了一个自定义skill来处理图片，核心逻辑是：
def analyze_image(image_path, prompt): # 调用Qwen3.5分析图片 response = openclaw.llm.chat( model="qwen3.5-9b", messages=[ {"role": "system", "content": "你是一个专业的AI绘画分析师..."}, {"role": "user", "content": f"图片prompt:{prompt}"} ] ) # 解析返回的JSON result = parse_response(response) # 执行文件操作 if result["quality_score"] > 7: move_to_category_folder(image_path, result["category"]) add_tags_to_exif(image_path, result["tags"])3.3 质量判断策略
Qwen3.5会根据prompt和缩略图给出1-10分的质量评分，规则包括：
- 构图完整性：主体是否完整
- 风格一致性：是否符合prompt描述
- 艺术性：是否有创意或美感
- 技术缺陷：是否有变形、模糊等问题
实际测试发现，对于"人物脸部扭曲"这类问题的识别准确率很高。
4. 使用效果验证
4.1 测试数据集
我用之前生成的200张图片做测试，涵盖：
- 不同风格（二次元、写实、科幻）
- 不同质量（精心调参和随机生成）
- 不同复杂度（简单物体和复杂场景）
4.2 分类准确率
通过人工复核，发现：
- 风格分类准确率约85%
- 质量判断准确率约78%（主要误判在抽象艺术类）
- 标签生成相关性很高
4.3 效率提升
原本需要30分钟的手动整理工作，现在只需：
- 启动OpenClaw任务（1分钟）
- 等待自动处理（3-5分钟）
- 快速复核结果（2分钟）
5. 遇到的问题与解决方案
5.1 模型响应不稳定
初期发现Qwen3.5有时会返回格式错误的JSON。解决方案是：
- 在prompt中严格要求响应格式
- 添加重试机制
- 设置超时限制
5.2 文件权限问题
OpenClaw在移动文件时偶尔会遇到权限拒绝。通过以下方式解决：
- 明确指定工作目录权限
- 使用sudo运行gateway（仅限开发环境）
- 添加错误处理和日志
5.3 资源占用过高
同时处理大量图片时内存占用很高。优化措施包括：
- 限制并发处理数量
- 添加处理间隔
- 关闭不必要的预览图生成
6. 实际应用建议
经过一个月的使用，我总结出几个实用技巧：
- 预处理prompt：删除多余的参数和符号，提高解析准确率
- 分级存储：按质量分数建立"精选/普通/待删"三级目录
- 人工复核：对质量7-8分的图片进行二次筛选
- 定期优化：根据误判案例调整prompt模板
这套系统特别适合：
- 需要批量生成概念图的设计师
- 运营人员管理营销素材
- 个人创作者整理作品集
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。