AI生图+大模型文案：小红书图文带货自动化工作流实操

之前做小红书图文带货时，最大的痛点就是素材产出太慢：拍图、修图、写标题、写文案，单条笔记折腾下来大半天就没了。后来我把 AI 生图和大模型文案生成接进了工作流，再用脚本把素材批量整理成待发布文件，整个流程被压缩到了“配置好以后，十分钟批量出几十条初稿”的程度。这篇文章就围绕这套工作流展开，分享一套可以直接落地的实操方案，包含合规边界分析、工具选型、完整的 Python 脚本示例、批量生成思路以及发布环节的注意事项。

适合准备做小红书图文带货的新手，也适合已经有一个账号、想提高内容生产效率的创作者。读完你可以掌握：如何用 AI 批量生成图片素材，如何用大模型批量产出标题和文案，如何把图文素材自动规整到本地目录，以及在合规前提下规划和执行发布流程。

1. 小红书 AI 图片笔记带货的基本逻辑

1.1 什么是 AI 图片笔记带货

小红书图文笔记带货，简单说就是通过发布带商品链接或商品介绍的图文笔记，让用户被图片和文案吸引，进而点击购买。传统做法是拍摄实拍图、修图、排版、写文案，整个链路非常依赖人工。

引入 AI 之后，这条链路变成了：

商品信息/灵感和真实素材 ↓ AI 生图工具生成图片素材（或辅助精修） ↓ 大模型批量生成标题和文案 ↓ 人工审核 + 批量整理素材 ↓ 通过合规渠道发布笔记

AI 在这里主要解决两个问题：一是图片素材的生产效率，二是标题文案的批量产出。对于没有专业摄影条件的个人创作者来说，AI 生图可以快速搭建场景、调整风格、生成多版本素材，再通过脚本完成尺寸统一和文件归档，从而大幅降低内容生产门槛。

1.2 带货内容与传统种草内容的区别

小红书带货笔记和普通种草笔记有一个明显区别：带货笔记需要最终引导用户完成购买转化，因此内容里往往包含产品展示、使用场景、卖点说明和购买入口。

这意味着 AI 生成素材时不能只是“好看”，还要围绕“产品主体清晰、卖点明确、画面有留白方便加文字”来设计。比如卖保温杯，图片要让人一眼看清杯子的外形和颜色；卖护肤品，瓶身不能变形，品牌相关信息不能编造或夸张。

这些都会影响后续的图片生成提示词设计和文案生成规则，在动手之前要先有自己的产品清单和内容规划。

1.3 为什么强调“合规操作”

小红书对社区内容有明确规范，对虚假营销、夸张宣传、诱导互动、批量发布垃圾内容都有约束。所谓“不违规不限流”并不是靠破解平台规则实现，而是通过生产“更接近真人原创、更有信息价值”的内容来降低被判定为低质营销的风险。

这里要特别强调：合规操作的核心不是绕过检测，而是让 AI 真正参与到创作流程中，帮助创作者提升内容质量。AI 生成的内容是否会被判为低质，主要取决于内容本身有没有价值，而不是“是否用了 AI”。这一前提会贯穿全文的所有方案。

2. 环境准备与工具选型

2.1 工具矩阵总览

一套完整的 AI 图片笔记带货自动化工作流，通常由四类工具组成：

版本方面，Python 建议使用 3.10 或更高版本；依赖库通过 pip 安装，不强制锁定某个具体版本。Stable Diffusion WebUI 或其他生图服务，需要根据你自己的部署情况调整接口地址和参数。大模型 API 的版本差异比较大，本文示例采用兼容 OpenAI 风格的接口调用方式，具体 base_url 和模型名需要结合你的服务商文档填写。

2.2 安装 Python 依赖

建议新建一个独立的虚拟环境，避免依赖冲突：

mkdir ai-note-toolkit cd ai-note-toolkit python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate pip install openai pandas pillow requests

说明：

• openai用于调用大模型 API，很多国内服务商都提供兼容 OpenAI 格式的接口。
• pandas用来处理商品信息表格和批量生成的文案结果。
• pillow用来统一图片尺寸、检查图片尺寸、为封面图加基础文字等。
• requests用来调用 Stable Diffusion WebUI 的 HTTP 接口。

2.3 准备商品信息表

为了让脚本知道“要生成什么内容”，需要准备一份商品信息表。用 Excel 或 CSV 维护即可，建议字段如下：

product_id,product_name,category,main_selling_point,scenes,target_user,style A001,简约陶瓷保温杯,水杯,316不锈钢内胆,办公室/书房,上班族,ins风 A002,便携榨汁杯,榨汁机,30秒鲜榨,健身/出差,健身人群,清新自然

这份表是后续图片提示词和文案生成的“数据源”。每增加一个商品，只需要在表里加一行，脚本会自动批量生成素材，这也是整个工作流实现批量化的基础。

3. 核心实现：批量生成图片素材

3.1 为什么优先选择本地 Stable Diffusion 流程

如果你的电脑配置允许，本地部署 Stable Diffusion WebUI 是最灵活的方式：没有生成次数限制、可以批量出图、可以调用熟悉的 txt2img 接口。如果你不打算本地部署，也可以使用在线生图工具的 API，接口参数写法类似，但要注意调用频率和成本。

本文示例使用 Stable Diffusion WebUI 的/sdapi/v1/txt2img接口，这是一个在本地部署中非常通用的接口，适合把图片生成流程脚本化。

3.2 编写图片生成脚本

新建generate_images.py，代码如下：

# 文件路径：generate_images.py import os import time import base64 import csv import requests from pathlib import Path # 配置区 SD_URL = "http://127.0.0.1:7860" OUTPUT_DIR = Path("output/images") CSV_PATH = Path("products.csv") # 提示词模板 POSITIVE_TEMPLATE = ( "{product_name}, {style}, " "clean and simple background, " "product photography, high quality, " "{scenes} scene, clear product subject, " "composition with blank space for text" ) NEGATIVE_PROMPT = ( "lowres, bad anatomy, bad hands, text, watermark, " "signature, blurry, deformed, messy background" ) def load_products(csv_path: Path): products = [] with open(csv_path, mode="r", encoding="utf-8-sig") as f: reader = csv.DictReader(f) for row in reader: products.append(row) return products def generate_image(product: dict, save_dir: Path, index: int = 0): prompt = POSITIVE_TEMPLATE.format( product_name=product["product_name"], style=product["style"], scenes=product["scenes"], ) payload = { "prompt": prompt, "negative_prompt": NEGATIVE_PROMPT, "steps": 25, "width": 720, "height": 960, "batch_size": 1, "cfg_scale": 7, } resp = requests.post(f"{SD_URL}/sdapi/v1/txt2img", json=payload, timeout=120) resp.raise_for_status() data = resp.json() os.makedirs(save_dir, exist_ok=True) file_path = save_dir / f"{product['product_id']}_{index}.png" for i, img_b64 in enumerate(data.get("images", [])): img_bytes = base64.b64decode(img_b64) with open(file_path, "wb") as f: f.write(img_bytes) return file_path if __name__ == "__main__": products = load_products(CSV_PATH) for product in products: for i in range(2): # 每个商品先生成 2 张底图 try: path = generate_image(product, OUTPUT_DIR, index=i) print(f"生成成功: {path}") except Exception as e: print(f"生成失败: {product['product_name']}, 错误: {e}") time.sleep(1)

3.3 脚本关键点解释

• 提示词模板把商品名称、风格、场景组合起来。写提示词时不要只写“a beautiful cup”，而要写“简约陶瓷保温杯、办公室场景、干净背景”，这样生成结果才贴近带货素材的需求。
• negative_prompt中明确加入了text、watermark、signature，是为了避免生成图片自带乱码文字或水印。带货配图如果需要文字标题，优先在后期排版加上，直接让模型生成文字很容易出现乱字。
• width=720、height=960是小红书常见的 3:4 竖版构图比例，适合笔记封面展示。你可以根据实际需要调整。
• 每次请求之间加了time.sleep(1)，避免过于频繁请求本地服务导致卡顿。如果你用在线 API，这个间隔还要更保守一些。

3.4 图片素材的筛选和整理

脚本生成的图片是“底图”，不能直接发布。你需要人工筛选一遍，挑出产品主体清楚、不变形、背景干净、留白充足的图片，再用 Pillow 统一裁剪尺寸。这里给一个统一尺寸的脚本片段：

# 文件路径：resize_images.py from PIL import Image from pathlib import Path SOURCE_DIR = Path("output/images") TARGET_DIR = Path("output/resized") TARGET_SIZE = (720, 960) TARGET_DIR.mkdir(parents=True, exist_ok=True) for img_path in SOURCE_DIR.glob("*.png"): img = Image.open(img_path) img = img.resize(TARGET_SIZE, Image.LANCZOS) output_path = TARGET_DIR / img_path.name img.save(output_path) print(f"处理完成: {output_path}")

为什么一定要统一尺寸？因为小红书对笔记图片有比例要求，尺寸不对会导致平台自动裁切，把产品主体切掉，直接影响点击率和转化率。建议所有封面图都统一为 3:4 竖版。

4. 核心实现：批量生成标题与文案

4.1 提示词模板：让大模型输出结构化内容

文案生成的关键不是“直接问”，而是用一套清晰的系统提示词约束输出格式。为了让脚本能继续处理，最好要求大模型以 JSON 格式返回。

下面是一个 Python 示例，假设你使用兼容 OpenAI 格式的 API 服务：

# 文件路径：generate_copywriting.py import os import csv import json import time from openai import OpenAI from pathlib import Path # 配置区：请从环境变量读取，不要硬编码 API_KEY = os.getenv("LLM_API_KEY") BASE_URL = os.getenv("LLM_BASE_URL") # 按你的服务商填写 MODEL_NAME = os.getenv("LLM_MODEL_NAME", "gpt-4o-mini") CSV_PATH = Path("products.csv") OUTPUT_CSV = Path("output/copywriting.csv") SYSTEM_PROMPT = """ 你是一名小红书图文带货笔记编辑。请根据商品信息生成 3 组不同的标题和正文。 要求： 1. 标题不超过 20 个字，口语化，有吸引点。 2. 正文 100 到 200 字，结构为：使用感受/场景带入 + 核心卖点 + 引导互动。 3. 不要使用夸张医疗功效词汇，不要做虚假承诺，不要出现“最”“第一”等极限词。 4. 每个建议附带 3 个相关话题标签。 5. 只输出 JSON 数组，格式如下： [ { "title": "标题1", "content": "正文1", "tags": ["标签1", "标签2", "标签3"] } ] """ def build_user_prompt(product: dict): return ( f"商品ID：{product['product_id']}\n" f"商品名称：{product['product_name']}\n" f"核心卖点：{product['main_selling_point']}\n" f"使用场景：{product['scenes']}\n" f"目标人群：{product['target_user']}\n" ) def generate_copywriting(product: dict): client = OpenAI(api_key=API_KEY, base_url=BASE_URL) resp = client.chat.completions.create( model=MODEL_NAME, messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": build_user_prompt(product)}, ], temperature=0.8, response_format={"type": "json_object"}, ) content = resp.choices[0].message.content.strip() # 部分接口不支持 response_format，需要做兼容 if content.startswith("```json"): content = content.strip("`") if content.startswith("json"): content = content[4:] content = content.strip() data = json.loads(content) if isinstance(data, dict): data = data.get("data", data.get("items", [])) return data def main(): products = [] with open(CSV_PATH, mode="r", encoding="utf-8-sig") as f: reader = csv.DictReader(f) for row in reader: products.append(row) results = [] for product in products: try: items = generate_copywriting(product) for item in items: results.append({ "product_id": product["product_id"], "product_name": product["product_name"], "title": item["title"], "content": item["content"], "tags": " ".join(item["tags"]), }) print(f"文案生成成功: {product['product_name']}") except Exception as e: print(f"文案生成失败: {product['product_name']}, 错误: {e}") time.sleep(1) Path("output").mkdir(exist_ok=True) with open(OUTPUT_CSV, mode="w", encoding="utf-8-sig", newline="") as f: writer = csv.DictWriter(f, fieldnames=["product_id", "product_name", "title", "content", "tags"]) writer.writeheader() writer.writerows(results) print(f"文案已保存到 {OUTPUT_CSV}") if __name__ == "__main__": main()

4.2 为什么要在系统提示词里限制内容边界

大模型生成的文案有概率出现夸张用语，比如“效果惊人”“全网最好”“用了就变白”，这些词在小红书带货内容里非常容易被判定为虚假宣传或营销过度。所以在系统提示词里要提前约束：

• 不出现“最”“第一”“顶级”等广告法极限词。
• 不使用没有依据的医疗功效描述。
• 不编造用户评价或销量数据。

如果生成内容里出现这些词，脚本可以做一个简单的规则过滤，比如用正则或关键词列表匹配。如果过滤失败，就把这条文案标记为“待人工修改”，而不是直接发布。

4.3 文案生成结果的容错处理

大模型接口偶尔会返回非标准 JSON。上面的代码已经兼容了 Markdown 代码块包裹的情况。如果解析仍然失败，建议把这部分文案保存到一个failed.csv，后续人工处理，不要让整个流程中断。

这里补充一个简单过滤函数：

# 文件路径：filter_rules.py import re BANNED_WORDS = ["最好", "第一", "绝对", "全网", "顶级", "立刻见效", "根治"] def filter_copywriting(text: str) -> bool: """返回 True 表示需要人工修改，返回 False 表示通过基础过滤。""" for word in BANNED_WORDS: if word in text: return True # 连续感叹号检查，避免营销感过强 if re.search(r"!!{3,}", text): return True return False

5. 将图文素材自动归集到待发布目录

5.1 目录结构设计

当图片和文案都生成后，需要把同一商品的封面图、备用图和文案放到同一个目录，方便后续发布时取用。推荐目录结构如下：

output/ ├── copywriting.csv ├── resized/ │ ├── A001_0.png │ ├── A001_1.png │ └── A002_0.png └── publish/ ├── A001/ │ ├── cover.png │ ├── images/ │ └── copywriting.txt └── A002/ ├── cover.png ├── images/ └── copywriting.txt

5.2 归集脚本

# 文件路径：organize_assets.py import csv import shutil from pathlib import Path RESIZED_DIR = Path("output/resized") COPYWRITING_CSV = Path("output/copywriting.csv") PUBLISH_DIR = Path("output/publish") def organize(): PUBLISH_DIR.mkdir(exist_ok=True) with open(COPYWRITING_CSV, mode="r", encoding="utf-8-sig") as f: reader = csv.DictReader(f) rows = list(reader) for row in rows: product_id = row["product_id"] product_dir = PUBLISH_DIR / product_id images_dir = product_dir / "images" images_dir.mkdir(parents=True, exist_ok=True) # 复制该商品的所有图片 for img_path in RESIZED_DIR.glob(f"{product_id}_*.png"): shutil.copy2(img_path, images_dir / img_path.name) # 封面优先取第一张 cover_img = RESIZED_DIR / f"{product_id}_0.png" if cover_img.exists(): shutil.copy2(cover_img, product_dir / "cover.png") # 合并同一商品的文案 copy_text_path = product_dir / "copywriting.txt" with open(copy_text_path, mode="a", encoding="utf-8") as cf: cf.write(f"标题：{row['title']}\n") cf.write(f"正文：{row['content']}\n") cf.write(f"标签：{row['tags']}\n") cf.write("-" * 40 + "\n") print(f"素材整理完成，发布目录：{PUBLISH_DIR}") if __name__ == "__main__": organize()

5.3 为什么“待发布目录”比“直接发布”更稳妥

很多新手拿到 AI 生成的图文后，第一反应是“赶紧一键发布”。但从平台规则和内容质量角度，发布前的人工审核是不可省的。把素材整理成目录，可以形成一条“AI 初稿 -> 人工审核 -> 发布”的流水线。你可以打开目录，快速预览每个商品的封面图、阅读文案，确认没有违规词、没有图片变形、没有产品卖点错误后再发布。

这个步骤看似多了一步，却能有效避免批量发布后大量笔记被判违规或限流。真正安全的自动化，是把重复劳动自动化，而不是把“需要人来判断质量”的工作也完全甩给脚本。

6. 自动化发布：不同路径的合规分析

6.1 方案一：通过官方开放平台 API 发布

小红书开放平台面向企业开发者提供内容发布、数据查询等能力。如果你或你的团队具备企业资质，并且通过了开放平台的接口申请，可以通过技术对接完成内容发布。

技术重点：

• 对接前仔细阅读开放平台文档，确认当前是否支持你要发布的内容类型。
• 需要处理 access_token 的获取、刷新和过期逻辑。
• 上线前先在测试环境验证接口参数，不要直接批量调用生产接口。
• 控制接口调用频率，遵守平台对频次的限制。

由于开放平台的接口细节会随平台政策调整变化，本文不给死代码，具体接口路径以官方文档为准。思路如下：

# 伪代码示意：真实接口请以官方文档为准 def publish_note(token, title, content, image_paths): # 1. 上传图片，拿到图片文件 ID # 2. 调用笔记发布接口，提交标题、正文、图片 ID # 3. 根据返回结果判断是否发布成功 pass

6.2 方案二：草稿箱 + 人工发布

对个人创作者来说，更现实的方式是把整理好的图文批量导入草稿箱，然后在手机端人肉点一下“发布”。

这会用到手机自动化工具，比如安卓端的 Auto.js、iOS 的快捷指令，或者电脑端的 RPA 工具。需要特别提醒的是：

• 使用这类工具前，务必阅读平台服务条款，确认是否允许第三方自动化工具操作。
• 不建议高频、大批量自动发布，尤其是同一个 IP、同一设备短时间内发布大量相似内容，很容易被判定为机器操作。
• 更稳妥的姿势是：脚本生成图文素材，自动填入草稿箱，然后由你在一个集中时间段人工审核发布。

6.3 方案三：人工发布 + AI 提效

这是最稳定的方案，也是适合大多数新手的第一步。脚本只负责：生成图片、生成文案、整理素材、生成发布清单。真正打开 App 上传图片、复制文案、发布笔记，仍然由人工完成。

等你跑通了整个流程，理解了平台对流量的基本判断规则，再逐步尝试更高阶的自动化，风险会小得多。

6.4 发布频率与内容质量建议

无论选择哪种发布方式，都不要一上来就追求“一天几十条”。小红书的内容推荐机制更倾向于账号在垂直领域持续稳定地输出优质内容。即使你具备了全套自动化能力，也要控制发布频率。

比较合理的方式是：先用脚本批量生成素材，然后从中挑选最满意的 3 到 5 条发布，观察数据反馈，再决定后续的内容方向和发布频率。内容质量永远是第一位的，AI 只是帮你降低了量产门槛，而不是替你决定内容有没有价值。

7. 常见问题与排查思路

7.1 关于“图片重复度”的排查

AI 生图的一大问题是：同一提示词重复生成时，图片可能高度相似。如果连续几天发布相似背景、相似构图的图片，很容易让平台判定为低质搬运内容。

解决方案是让提示词有变化。你可以为每个商品维护多组场景词、风格词，脚本每次随机选取一组组合，让即使同一商品的图片也有变化：

import random SCENE_VARIANTS = { "办公室": ["木质桌面", "窗边自然光", "简约办公桌"], "厨房": ["大理石台面", "暖色灯光", "清晨厨房"], } scene = random.choice(SCENE_VARIANTS[product["scenes"]])

8. 最佳实践与工程建议

8.1 不要把 API Key 写死在脚本里

无论是大模型 API 还是生图服务的密钥，都建议通过环境变量或本地配置文件读取，并且不要把含密钥的代码提交到公开仓库。本地项目里可以放一个.env.example文件，把需要的变量名列出来，但不填真实值。

LLM_API_KEY=your_api_key_here LLM_BASE_URL=https://your-endpoint.example.com LLM_MODEL_NAME=your-model-name

在 Python 里使用python-dotenv读取：

pip install python-dotenv

from dotenv import load_dotenv load_dotenv()

8.2 建立素材命名规范

建议统一按商品ID_序号的规则命名图片和文案文件。这样做的价值在于：脚本可以自动匹配图片和文案，后续排查问题也能快速定位是哪件商品、哪一批素材出了问题。

这是我的推荐命名规则：

A001_0.png # 商品 A001 的第 1 张图 A001_1.png # 商品 A001 的第 2 张图 A001_copy.txt # 商品 A001 的文案

8.3 用日志记录每次批量任务

批量生成脚本建议增加日志记录，方便回溯任务状态：

import logging logging.basicConfig( filename="generator.log", level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s", ) logging.info("开始生成商品 A001 图片")

日志不仅能帮你排查脚本问题，也能记录每次生成时的提示词版本。如果某批素材效果特别好，可以回看日志分析当时的参数和提示词。

8.4 控制批量规模，避免一次性生成过多

本地 SD 一次性生成几十张图片，会长时间占用显卡，也可能导致内存溢出。建议分批生成，每个批次控制在一个商品的三五张图内。脚本里已经通过sleep(1)做了基本限制，但实际任务规模需要根据你的硬件情况调整。

8.5 内容合规自检清单

每次发布前，建议按下面清单过一遍：

• 封面图是否清晰，产品主体是否完整，是否被裁切。
• 文案是否包含极限词或虚假功效描述。
• 图片是否存在品牌变形、乱码文字。
• 是否按平台要求标注 AI 生成内容。
• 商品信息是否真实准确，没有盗用他人素材。
• 发布频率是否合理，有没有短时间内大量发内容。

9. 总结与学习路线

这篇文章介绍了一套从 AI 生图、文案批量生成、素材整理，到合规发布的小红书 AI 图片笔记带货工作流。核心不是“绕过平台规则”，而是把 AI 当作一个内容创作提效工具，让创作者把更多精力放在审核、优化和真实用户沟通上。

如果你只是刚入门，建议先跑通 3.2 和 4.1 这两个脚本，用自己熟悉的商品试一版，观察生成效果；再逐步扩大到多商品批量生产。等你能稳定产出高质量素材后，再考虑通过官方开放平台或草稿箱自动化完善发布环节。

最后提醒一句：小红书的内容生态始终鼓励真实、有用、有审美的分享。AI 可以帮你提高效率，但真正决定笔记能否受欢迎的核心，仍然是你的选品眼光、内容审美和对用户需求的理解。把这些基本功和自动化工具结合起来，这套流程才能真正为你带来长期价值。