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。
一、传统的 SOP 流程
我们之前传统的产图 SOP，需要投入的人力大概在 5 个：
技术开发同学：负责编写工程文件，预留 SD 的 API 接口，保证系统能够灵活调用 SD 进行图像生成。
模型炼制设计师：负责炼制 Lora，确保产出的素材符合公司需求的统一风格，能够满足不同类型素材的需求，如 3D 风格、插画风格和真实场景等。
prompt 编写设计师：编写 CSV，确定图像生成的具体需求（即生图 prompt）。
素材审核员：在图像生成完成后，整理和审核输出的素材。制定素材入库的视觉标准，区分素材为三类：一类是达到视觉标准，无需二次调整的素材；一类是有略微瑕疵，二次调整后可达到入库标准的素材；一类是严重异形、画面杂乱等素材，无修改价值的素材。
素材管理员：针对素材的业务、类型、标签、命名做有效分类，确保素材在平台上的可查找性和可管理性。
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？
二、SOP 流程：AI 节点提效
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：
1. 批量 csv 条目助手
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
① Prompt
② 输出效果
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。
2. 素材审核员
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。
① Prompt
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.")
3. 素材信息标注员
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”。
① Prompt
② 输出效果
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之后的文章。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：
部署 Python 集成开发环境（IDE）：为 Python 开发提供了一个强大的工具集，如 Spyder、Jupyter Notebook、PyCharm 等 Python 开发工具都可以。
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。