Day 03 ：AI 生成营销素材：从文字描述到海报

周五下午 4 点，老板走过来："梅雅达工作室下个月有暑期班招生，帮我出一套海报，下周一要用。"我联系设计师，对方回了一句："感冒了，下周再来。"这个场景对小型工作室、教育培训机构、个体创业者来说太常见了——"做一张海报"听起来简单，实际操作起来全是坑：

• 请设计师：一张海报少说 300-800 块，一套下来好几千
• 自己用模板工具：Canva、稿定设计确实能用，但改到满意可能要花半天
• 找 AI 生图工具：Midjourney 要翻墙、DALL-E 要绑卡，门槛不低

有没有一种方案——用 Python 写几行代码，输入文字描述，直接出海报，而且免费？有。今天的主角是智谱的 CogView-4，国内目前最强的开源文生图模型之一，API 调用完全免费，而且原生支持中文提示词，甚至能在图片里写出汉字。

扩散模型到底在干嘛

写代码之前，花 3 分钟理解 AI 是怎么"画图"的。搞懂原理，写 Prompt 的时候就知道该怎么跟 AI 沟通。

扩散模型（Diffusion Model）的原理，说白了就是：先往一张清晰图片上加满噪点，直到变成纯雪花屏；然后训练 AI 学会"去噪"，把雪花屏一步步还原成图片。

想象你有一张清晰的照片：

第一步：加噪（训练阶段）。你一步步往照片上撒沙子。第 1 步撒一点点，照片还有点轮廓；第 100 步撒完，整张照片全被沙子盖住，变成一块纯灰色的板子。这个过程叫前向扩散——从"有信息"到"纯噪声"。

第二步：去噪（生成阶段）。反过来，拿一块纯灰色的板子，让 AI 一步步把沙子吹掉。第 1 步吹掉一点，隐约出现一些色块；第 50 步，能看出大致的轮廓和颜色分布；第 100 步，一张全新的清晰图片出现了。这个过程叫反向去噪——从"纯噪声"到"有信息"。

关键来了：AI 学过的不是某一张具体的图，而是**"沙子应该怎么被吹掉"的规律**。所以给它一块全新的灰色板子，它能"吹"出一张从未存在过的图片。

纯噪声 ░░░░░ → 去噪1步 ░▒░░░ → 去噪50步 ▓▓▒░░ → 去噪100步 🖼️清晰图片

跟 Prompt 有什么关系？ 去噪过程中，你的文字提示词就是导航仪。AI 在每一步去噪时，都会参考提示词来"决定"该怎么还原：

• 你说"蓝色海洋"，AI 就会把噪点往蓝色、波浪方向还原
• 你说"赛博朋克风格的街道"，AI 就会把噪点往霓虹灯、暗色调方向还原
• 你说"海报上写’暑期招生’五个大字"，AI 就会尝试在画面中渲染这几个字

所以提示词要尽量具体——方向越明确，AI 去噪时越不会跑偏。

准备工作：API Key 与依赖

第一步：获取 API Key

# Windows (PowerShell)
$env:ZHIPUAI_API_KEY = "你的API Key"

# Mac / Linux
export ZHIPUAI_API_KEY="你的API Key"

第二步：安装依赖

pip install zhipuai requests

完整代码：生成一套招生海报

"""
Day03 – AI 生成营销素材：给梅雅达工作室生成招生海报
依赖：pip install zhipuai requests
环境变量：ZHIPUAI_API_KEY
"""
import os
import time
import requests
from pathlib import Path
from zhipuai import ZhipuAI

def get_client():
"""初始化智谱 AI 客户端"""
api_key = os.environ.get("ZHIPUAI_API_KEY")
if not api_key:
raise ValueError("请先设置环境变量 ZHIPUAI_API_KEY")
return ZhipuAI(api_key=api_key)

def generate_single_image(client, prompt, size="1024×1024", output_path=None):
"""调用 cogview-4 生成单张图片并下载到本地"""
response = client.images.generations(model="cogview-4", prompt=prompt, size=size)
image_url = response.data[0].url
output_path = output_path or f"poster_{int(time.time())}.png"
Path(output_path).parent.mkdir(parents=True, exist_ok=True)
with open(output_path, "wb") as f:
f.write(requests.get(image_url, timeout=60).content)
return output_path

def generate_poster_series(client):
"""实战：给梅雅达编程工作室生成一套招生海报（3 张不同风格）"""
output_dir = "day03_posters"
# 海报 1：科技风（prompt 写法示例）
prompt_1 = ("一张科技感十足的编程教育招生海报。深蓝色渐变背景，画面中央有发光的代码符号和电路纹理。"
"海报上方用白色大字写着“暑期编程训练营”，下方写着“梅雅达编程工作室”。"
"画面整体风格现代、专业，有未来感。竖版构图。")
generate_single_image(client, prompt=prompt_1.strip(), size="720×1440",
output_path=f"{output_dir}/01_tech_style.png")
# 海报 2 温暖教育风、海报 3 极简风：同样换 prompt 与 output_path 即可
# ……（完整三张海报见配套 day03.py）

if __name__ == "__main__":
client = get_client()
generate_poster_series(client)

运行结果

🎨 正在生成：一张科技感十足的编程教育招生海报。…
✅ 生成成功！URL: 2026-09-17kt03bozi4vj.png
💾 已保存至：day03_posters/01_tech_style.png
🎨 正在生成：一张温暖明亮的编程教育海报。…
✅ 生成成功！URL: 2026-09-17kt03bozi4vj.png
💾 已保存至：day03_posters/02_warm_style.png
🎨 正在生成：一张极简风格的编程课程海报。…
✅ 生成成功！URL: 2026-09-17kt03bozi4vj.png
💾 已保存至：day03_posters/03_minimal_style.png

🎉 全部生成完毕！海报保存在 day03_posters/ 目录下

从运行到出图，3 张海报大概 30-60 秒搞定。

实际生成效果

用真实 API Key 调用 CogView-4 生成的 3 张海报（本机实跑结果）：

!在这里插入图片描述

!在这里插入图片描述

!在这里插入图片描述

控制台运行日志：

!在这里插入图片描述

Prompt 工程：出图质量的分水岭

代码跑通了，你会发现一个现实——同样的代码，Prompt 写得好和写得差，出图质量天差地别。这就是 Prompt 工程的魅力。

给你一个用了几个月的万能公式：

主体描述 + 环境/背景 + 风格/氛围 + 文字内容（如果需要）+ 构图/尺寸要求

反面教材：

一张招生海报

这种 Prompt 太笼统了，AI 完全不知道你想要什么，出来的东西基本是开盲盒。

正面教材：

一张面向家长的少儿编程招生海报。
背景是明亮的教室环境，蓝白配色。
画面中有孩子使用电脑的剪影。
顶部大字写着"暑期编程班 火热报名中"。
整体风格专业、可信、有亲和力。
竖版构图，适合手机端查看。

7 个实用技巧

技巧 1：先说主体，再说细节

AI 处理信息有优先级。先告诉它"画什么"，再告诉它"怎么画"。

✅ 一只柴犬坐在咖啡馆门口，日系胶片风格，暖色调
❌ 暖色调的日系胶片风格的坐在咖啡馆门口的柴犬

技巧 2：用具体名词替代抽象形容词

✅ 背景是浅灰色混凝土墙面，上面有淡淡的苔藓纹理
❌ 背景很有质感

技巧 3：明确指定颜色方案

✅ 整体配色为深蓝底 + 金色文字 + 白色装饰线条

技巧 4：指定光线方向

✅ 侧面自然光照射，光线从画面左侧 45 度角打过来

技巧 5：写文字内容时用引号包裹

CogView-4 支持中文文字渲染，用引号明确告诉 AI 要写什么：

✅ 海报中央用白色大字写着"暑期招生"

技巧 6：加上"不要什么"也很有效

CogView-4 的 API 没有直接的 negative prompt 参数，但你可以把不想要的元素从描述中排除，或者明确说"画面中不要出现人物"。

技巧 7：一次只改一个变量

对生成结果不满意时，每次只调整 Prompt 的一个部分，这样才能知道是哪个改动起了作用。一次改三四个地方，你根本不知道是改好了还是改坏了。

前沿：Runway Media Router——让 AI 自动选模型

生图模型已经多到数不过来：Midjourney、DALL-E、Stable Diffusion、CogView、FLUX……问题来了：怎么知道哪个模型最适合当前这个需求？

这就是 2026 年 7 月 Runway 发布的 Media Router 要解决的问题。简单说，它是一个智能模型路由器——你不用手动选模型，它帮你自动挑最合适的。工作原理就三步：

你的请求 → 路由器评估 → 自动选择最优模型 → 生成结果

路由器的选择基于三个维度：

你可以在后台配置好偏好（比如"这个工作流我要求质量优先，但单张成本不超过 X 元"），之后每次请求就自动按这个策略走。官方公告：Runway 官方博客 ，开发者入口：Runway 开发者文档

Media Router 目前主要面向企业级开发者，但模型路由的思路可以直接借鉴：

# 简化的模型路由思路
def smart_generate(prompt, priority="quality"):
"""根据优先级自动选择生成方案"""
if priority == "speed":
# 快速方案：CogView-3-Flash（免费，速度快）
return generate_with_cogview_flash(prompt)
elif priority == "quality":
# 高质量方案：CogView-4（免费，效果最好）
return generate_with_cogview4(prompt)
elif priority == "cost":
# 本地免费方案：Stable Diffusion（有显卡就行）
return generate_with_local_sd(prompt)

核心是：不绑定单一模型，而是根据任务需求动态选择。今天 CogView-4 免费又好用，如果明天出了更好的免费模型，只需要在路由逻辑里加一行判断。

本地部署：Stable Diffusion（有显卡的玩法）

如果你有 NVIDIA 显卡（显存 ≥ 6GB），可以本地跑 Stable Diffusion，完全免费、无限生成、不联网：

# 安装依赖
pip install diffusers torch transformers accelerate

# 最简单的文生图
python -c "
from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
'stable-diffusion-v1-5/stable-diffusion-v1-5',
torch_dtype=torch.float16
).to('cuda')

image = pipe('a cute cat wearing sunglasses').images[0]
image.save('local_cat.png')
"

本地方案的优势：

• 完全免费：没有 API 调用次数限制
• 隐私安全：所有数据不出本机
• 可定制：可以加载各种 LoRA、ControlNet 做精细控制

劣势：

• 需要好显卡（推荐 RTX 3060 12GB 以上）
• 生成速度慢（单张 512×512 约 5-15 秒）
• 不支持中文文字渲染

建议：日常使用走 CogView-4 API（免费、快、支持中文），需要精细控制或批量生成时再考虑本地 SD。相关仓库：Stable Diffusion、Diffusers 文档、MJ 的 Prompt 指南（思路通用）。

费用

整套方案从 API 到本地部署，一分钱不用花。如果你有显卡，连网都不用上。API 文档参考 智谱 API 文档 ，CogView-4 开源仓库在 GitHub 仓库 THUDM/CogView4 。

自己动手改

三道题，由易到难：

题 1：生成朋友圈封面图

修改代码，生成一张微信朋友圈封面图（尺寸 1080×1920），内容是"梅雅达编程工作室"的品牌宣传图。要求：竖版构图、包含工作室名称、风格自选。

题 2：批量生成 + 自动重命名

写一个脚本，根据 CSV 文件批量生成海报。CSV 格式如下：

filename,prompt,size
poster_a.png,科技风格海报,720×1440
poster_b.png,温馨风格海报,1024×1024
poster_c.png,极简风格海报,720×1440

脚本读取 CSV，逐行调用 API 生成图片，并按 filename 列命名保存。配套脚本里的 batch_generate_from_csv() 是参考答案。

题 3：实现简易模型路由

参考文中的 smart_generate 思路，写一个完整的模型路由函数：

• 输入：prompt + priority（speed/quality/cost）
• 输出：根据优先级调用不同模型
• 加上异常处理：如果主选模型报错，自动降级到备选模型
• 记录每次调用的模型名称和耗时

配套脚本里的 smart_generate() 实现了降级和计时，可以直接对照。把这三道题做完，"AI 生图"这件事基本就吃透了。