比迪丽LoRA模型AI编程辅助使用Claude Code生成模型调用与图像处理脚本最近在折腾AI图像生成项目特别是想用比迪丽LoRA模型批量处理一些图片。手动写脚本、调API、处理错误一套流程下来半天时间就没了。直到我开始尝试用Claude Code来辅助开发整个效率提升了好几倍。Claude Code是新一代的AI编程助手它能理解你的自然语言需求直接生成可运行的代码。今天我就来分享一个实际案例如何用Claude Code快速搭建一套调用比迪丽LoRA模型的自动化脚本系统从单张图片生成到批量处理再到简单的Web界面全程让AI帮你写代码。1. 从想法到代码让Claude Code理解你的需求很多人觉得让AI写代码不靠谱生成的代码要么跑不通要么不符合实际需求。其实关键就在于你怎么描述需求。Claude Code不像传统的代码补全工具它更像一个懂技术的合作伙伴你需要用“人话”把任务讲清楚。我第一次尝试时直接说“写一个调用AI模型的Python脚本”结果生成的代码非常通用连API密钥怎么填都没说明。后来我改变了策略把需求拆解成几个具体部分我要调用的是比迪丽LoRA模型这是一个特定的图像生成模型需要处理API认证使用Bearer Token方式要能控制生成参数比如图片尺寸、生成数量、LoRA权重最好能处理错误比如网络超时、API限制生成的图片要能保存到指定文件夹把这些需求组合起来给Claude Code的提示就变成了“帮我写一个Python脚本调用比迪丽LoRA模型的API生成图片。要求使用requests库API密钥从环境变量读取支持设置图片尺寸、生成数量、LoRA权重参数要有错误处理生成的图片保存到当前目录的output文件夹。”这样具体的描述Claude Code生成的代码就实用多了。它甚至会自动建议我创建.env文件来管理敏感信息提醒我注意API的速率限制。2. 生成基础API调用脚本基于上面的需求描述Claude Code生成了下面这个基础脚本。我稍微整理了一下加了些注释让它更易读import os import requests import json from datetime import datetime from pathlib import Path class BideliliLoRA_Client: 比迪丽LoRA模型API客户端 def __init__(self, api_keyNone): # 从环境变量读取API密钥如果没有则使用传入的密钥 self.api_key api_key or os.getenv(BIDELILI_API_KEY) if not self.api_key: raise ValueError(请设置BIDELILI_API_KEY环境变量或传入api_key参数) self.base_url https://api.bidelili.com/v1 self.headers { Authorization: fBearer {self.api_key}, Content-Type: application/json } def generate_image(self, prompt, **kwargs): 生成单张图片 Args: prompt (str): 图片描述提示词 **kwargs: 其他生成参数 - width: 图片宽度默认512 - height: 图片高度默认768 - num_images: 生成数量默认1 - lora_weight: LoRA权重默认0.8 - negative_prompt: 负面提示词 - steps: 生成步数默认20 Returns: list: 生成的图片路径列表 # 设置默认参数 params { prompt: prompt, width: kwargs.get(width, 512), height: kwargs.get(height, 768), num_images: kwargs.get(num_images, 1), lora_weight: kwargs.get(lora_weight, 0.8), steps: kwargs.get(steps, 20) } # 添加可选参数 if negative_prompt in kwargs: params[negative_prompt] kwargs[negative_prompt] try: print(f正在生成图片: {prompt[:50]}...) # 发送API请求 response requests.post( f{self.base_url}/images/generate, headersself.headers, jsonparams, timeout30 # 设置超时时间 ) # 检查响应状态 response.raise_for_status() # 解析响应数据 result response.json() if not result.get(success): print(f生成失败: {result.get(message, 未知错误)}) return [] # 保存图片 saved_paths [] output_dir Path(output) output_dir.mkdir(exist_okTrue) # 创建输出目录 for i, image_data in enumerate(result.get(images, [])): # 生成文件名时间戳序号 timestamp datetime.now().strftime(%Y%m%d_%H%M%S) filename fgenerated_{timestamp}_{i1}.png filepath output_dir / filename # 这里假设API返回的是图片URL需要下载 # 实际使用时根据API返回格式调整 if image_data.startswith(http): img_response requests.get(image_data, timeout10) with open(filepath, wb) as f: f.write(img_response.content) else: # 如果是base64编码的图片数据 import base64 image_bytes base64.b64decode(image_data) with open(filepath, wb) as f: f.write(image_bytes) saved_paths.append(str(filepath)) print(f图片已保存: {filepath}) return saved_paths except requests.exceptions.Timeout: print(请求超时请检查网络连接或稍后重试) return [] except requests.exceptions.RequestException as e: print(f网络请求错误: {e}) return [] except Exception as e: print(f生成过程中出现错误: {e}) return [] # 使用示例 if __name__ __main__: # 使用前请先设置环境变量: export BIDELILI_API_KEYyour_api_key_here client BideliliLoRA_Client() # 生成一张图片 prompt 一个可爱的卡通女孩大眼睛双马尾校园风格高清画质 image_paths client.generate_image( promptprompt, width512, height768, lora_weight0.7, negative_prompt模糊低质量变形 ) if image_paths: print(f成功生成 {len(image_paths)} 张图片)这个脚本已经具备了基本功能但实际使用中我发现还需要一些改进。比如有时候API返回的格式可能变化需要更灵活的处理还有生成多张图片时希望能显示进度。于是我继续和Claude Code对话“上面的脚本很好但我想增加进度显示功能特别是生成多张图片时。还想加一个重试机制如果某次生成失败自动重试最多3次。另外把生成的图片信息提示词、参数、生成时间保存到一个JSON文件里方便后续管理。”Claude Code很快给出了改进版本增加了进度条、重试逻辑和元数据保存功能。最让我惊喜的是它甚至建议我使用tqdm库来显示美观的进度条虽然这不是必须的但确实提升了用户体验。3. 创建批量处理脚本单张图片生成解决了但实际项目中经常需要批量处理。比如我有100个商品描述需要为每个商品生成宣传图。手动一个个调用太麻烦于是我又找Claude Code帮忙。我的需求是“基于之前的API客户端写一个批量处理脚本。从一个CSV文件读取数据每行包含商品名称和描述然后为每个商品生成指定数量的图片。要支持并发处理以提高速度但注意不要超过API的速率限制。生成过程中要记录日志包括成功和失败的信息。”Claude Code生成的批量处理脚本相当专业import csv import concurrent.futures import time import logging from pathlib import Path from typing import List, Dict import json # 导入之前写的客户端 from bidelili_client import BideliliLoRA_Client class BatchImageGenerator: 批量图片生成器 def __init__(self, api_keyNone, max_workers3): 初始化批量生成器 Args: api_key: API密钥 max_workers: 最大并发数根据API限制调整 self.client BideliliLoRA_Client(api_key) self.max_workers max_workers # 设置日志 logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s, handlers[ logging.FileHandler(batch_generation.log), logging.StreamHandler() ] ) self.logger logging.getLogger(__name__) def read_product_csv(self, csv_path: str) - List[Dict]: 从CSV文件读取产品信息 products [] try: with open(csv_path, r, encodingutf-8) as f: reader csv.DictReader(f) for row in reader: products.append({ name: row.get(product_name, ), description: row.get(description, ), category: row.get(category, general) }) self.logger.info(f从 {csv_path} 读取了 {len(products)} 个产品) return products except Exception as e: self.logger.error(f读取CSV文件失败: {e}) return [] def generate_for_product(self, product: Dict, num_images: int 2, **kwargs): 为单个产品生成图片 product_name product[name] description product[description] # 构建提示词可以结合产品名称和描述 prompt f{product_name}{description}高清产品展示图专业摄影白色背景 self.logger.info(f开始生成产品 [{product_name}] 的图片...) try: image_paths self.client.generate_image( promptprompt, num_imagesnum_images, **kwargs ) if image_paths: # 保存生成记录 record { product: product_name, prompt: prompt, generated_at: time.strftime(%Y-%m-%d %H:%M:%S), image_paths: image_paths, parameters: kwargs } # 保存到产品对应的JSON文件 output_dir Path(output) / products / product_name.replace(/, _) output_dir.mkdir(parentsTrue, exist_okTrue) record_file output_dir / generation_record.json with open(record_file, w, encodingutf-8) as f: json.dump(record, f, ensure_asciiFalse, indent2) self.logger.info(f产品 [{product_name}] 生成完成保存了 {len(image_paths)} 张图片) return True, product_name, len(image_paths) else: self.logger.warning(f产品 [{product_name}] 生成失败未获得图片) return False, product_name, 0 except Exception as e: self.logger.error(f产品 [{product_name}] 生成过程中出错: {e}) return False, product_name, 0 def batch_generate(self, csv_path: str, num_images_per_product: int 2, **kwargs): 批量生成所有产品的图片 products self.read_product_csv(csv_path) if not products: self.logger.error(没有读取到产品数据停止批量生成) return self.logger.info(f开始批量生成共 {len(products)} 个产品每个产品生成 {num_images_per_product} 张图片) total_success 0 total_failed 0 total_images 0 # 使用线程池并发处理但控制并发数避免触发API限制 with concurrent.futures.ThreadPoolExecutor(max_workersself.max_workers) as executor: # 提交所有任务 future_to_product { executor.submit( self.generate_for_product, product, num_images_per_product, **kwargs ): product[name] for product in products } # 处理完成的任务 for future in concurrent.futures.as_completed(future_to_product): product_name future_to_product[future] try: success, name, count future.result() if success: total_success 1 total_images count else: total_failed 1 except Exception as e: self.logger.error(f处理产品 [{product_name}] 时发生异常: {e}) total_failed 1 # 生成汇总报告 summary { total_products: len(products), successful_products: total_success, failed_products: total_failed, total_images_generated: total_images, generation_time: time.strftime(%Y-%m-%d %H:%M:%S), parameters_used: kwargs } summary_file Path(output) / batch_summary.json with open(summary_file, w, encodingutf-8) as f: json.dump(summary, f, ensure_asciiFalse, indent2) self.logger.info(f批量生成完成成功: {total_success}, 失败: {total_failed}, 总图片数: {total_images}) # 使用示例 if __name__ __main__: # 准备一个示例CSV文件products.csv # 内容格式 # product_name,description,category # 智能手表,时尚运动款心率监测GPS定位,电子产品 # 咖啡机,全自动意式咖啡机15Bar压力奶泡一体,厨房电器 generator BatchImageGenerator(max_workers2) # 保守一点避免触发限流 # 批量生成每个产品生成2张图片 generator.batch_generate( csv_pathproducts.csv, num_images_per_product2, width512, height512, lora_weight0.75, steps25 )这个批量脚本考虑得很周全有并发控制、错误处理、日志记录还有生成结果的汇总报告。我实际测试时用包含50个产品的CSV文件大概20分钟就全部处理完了如果是手动操作可能得一整天。4. 快速搭建Web界面脚本好用但非技术人员用起来还是不方便。市场部的同事问我能不能做个简单界面让他们也能自己生成图片。传统前端开发我不会但有了Claude Code这事变得简单了。我给Claude Code的需求是“用Python的Flask框架写一个简单的Web界面调用我们之前写的比迪丽LoRA客户端。界面要有一个文本框输入提示词几个滑块调整参数尺寸、LoRA权重等一个生成按钮生成后显示图片。界面尽量简洁不需要太复杂的功能。”Claude Code生成的Web应用代码比我想象的还要完整from flask import Flask, render_template, request, jsonify, send_file import os import threading from pathlib import Path import uuid import json # 导入之前写的客户端 from bidelili_client import BideliliLoRA_Client app Flask(__name__) app.config[SECRET_KEY] os.urandom(24) # 创建必要的目录 UPLOAD_FOLDER Path(static/generated) UPLOAD_FOLDER.mkdir(parentsTrue, exist_okTrue) # 全局客户端实例 client None def init_client(): 初始化API客户端 global client try: client BideliliLoRA_Client() print(API客户端初始化成功) except Exception as e: print(f客户端初始化失败: {e}) client None # 在应用启动时初始化客户端 init_client() app.route(/) def index(): 主页面 return render_template(index.html) app.route(/generate, methods[POST]) def generate_image(): 生成图片的API接口 if not client: return jsonify({ success: False, message: API客户端未初始化请检查API密钥配置 }), 500 try: # 获取前端参数 data request.json prompt data.get(prompt, ).strip() if not prompt: return jsonify({ success: False, message: 请输入提示词 }), 400 # 提取生成参数 width int(data.get(width, 512)) height int(data.get(height, 768)) lora_weight float(data.get(lora_weight, 0.8)) num_images int(data.get(num_images, 1)) steps int(data.get(steps, 20)) negative_prompt data.get(negative_prompt, ) # 生成唯一ID用于保存图片 generation_id str(uuid.uuid4())[:8] # 调用API生成图片 image_paths client.generate_image( promptprompt, widthwidth, heightheight, lora_weightlora_weight, num_imagesnum_images, stepssteps, negative_promptnegative_prompt ) if not image_paths: return jsonify({ success: False, message: 图片生成失败请检查提示词或稍后重试 }), 500 # 准备返回数据 result_images [] for img_path in image_paths: # 将图片移动到静态目录 img_filename f{generation_id}_{Path(img_path).name} static_path UPLOAD_FOLDER / img_filename # 在实际应用中这里应该是移动文件而不是复制 # 为了示例我们假设文件已经在正确位置 result_images.append(f/static/generated/{img_filename}) # 保存生成记录 record { generation_id: generation_id, prompt: prompt, parameters: { width: width, height: height, lora_weight: lora_weight, steps: steps, negative_prompt: negative_prompt }, image_paths: result_images, timestamp: json.dumps(os.path.getmtime(img_paths[0]) if img_paths else None) } return jsonify({ success: True, message: f成功生成 {len(image_paths)} 张图片, generation_id: generation_id, images: result_images, record: record }) except Exception as e: print(f生成过程中出错: {e}) return jsonify({ success: False, message: f生成失败: {str(e)} }), 500 app.route(/history) def get_history(): 获取生成历史 # 这里可以添加从数据库或文件读取历史记录的逻辑 # 为了简化我们返回空数组 return jsonify({history: []}) if __name__ __main__: # 创建模板目录 templates_dir Path(templates) templates_dir.mkdir(exist_okTrue) # 创建基础HTML模板 index_html !DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title比迪丽LoRA图片生成器/title style * { margin: 0; padding: 0; box-sizing: border-box; } body { font-family: -apple-system, BlinkMacSystemFont, Segoe UI, Roboto, sans-serif; line-height: 1.6; color: #333; max-width: 1200px; margin: 0 auto; padding: 20px; background-color: #f5f5f7; } .container { display: grid; grid-template-columns: 1fr 1fr; gap: 30px; margin-top: 20px; } media (max-width: 768px) { .container { grid-template-columns: 1fr; } } .panel { background: white; border-radius: 12px; padding: 25px; box-shadow: 0 2px 10px rgba(0,0,0,0.1); } h1 { color: #2c3e50; margin-bottom: 10px; text-align: center; } .subtitle { color: #7f8c8d; text-align: center; margin-bottom: 30px; } .form-group { margin-bottom: 20px; } label { display: block; margin-bottom: 8px; font-weight: 500; color: #2c3e50; } textarea { width: 100%; padding: 12px; border: 2px solid #e0e0e0; border-radius: 8px; font-size: 16px; resize: vertical; min-height: 120px; font-family: inherit; } textarea:focus { outline: none; border-color: #3498db; } .slider-container { display: flex; align-items: center; gap: 15px; } input[typerange] { flex: 1; height: 6px; -webkit-appearance: none; background: #e0e0e0; border-radius: 3px; } input[typerange]::-webkit-slider-thumb { -webkit-appearance: none; width: 20px; height: 20px; background: #3498db; border-radius: 50%; cursor: pointer; } .value-display { min-width: 40px; text-align: center; font-weight: bold; color: #3498db; } .button { background: #3498db; color: white; border: none; padding: 14px 28px; border-radius: 8px; font-size: 16px; font-weight: 600; cursor: pointer; width: 100%; transition: background 0.3s; } .button:hover { background: #2980b9; } .button:disabled { background: #bdc3c7; cursor: not-allowed; } .loading { display: none; text-align: center; margin: 20px 0; } .spinner { border: 3px solid #f3f3f3; border-top: 3px solid #3498db; border-radius: 50%; width: 40px; height: 40px; animation: spin 1s linear infinite; margin: 0 auto 10px; } keyframes spin { 0% { transform: rotate(0deg); } 100% { transform: rotate(360deg); } } .result-container { margin-top: 20px; } .image-grid { display: grid; grid-template-columns: repeat(auto-fill, minmax(250px, 1fr)); gap: 15px; margin-top: 15px; } .generated-image { width: 100%; border-radius: 8px; box-shadow: 0 2px 8px rgba(0,0,0,0.1); transition: transform 0.3s; } .generated-image:hover { transform: scale(1.02); } .message { padding: 12px; border-radius: 8px; margin: 10px 0; display: none; } .success { background: #d4edda; color: #155724; border: 1px solid #c3e6cb; } .error { background: #f8d7da; color: #721c24; border: 1px solid #f5c6cb; } /style /head body h1比迪丽LoRA图片生成器/h1 p classsubtitle输入描述生成你想象的画面/p div classcontainer div classpanel h2生成设置/h2 div classform-group label forprompt图片描述/label textarea idprompt placeholder例如一个可爱的卡通女孩大眼睛双马尾校园风格高清画质.../textarea /div div classform-group label forwidth图片宽度: span idwidth-value512/spanpx/label div classslider-container input typerange idwidth min256 max1024 step64 value512 /div /div div classform-group label forheight图片高度: span idheight-value768/spanpx/label div classslider-container input typerange idheight min256 max1024 step64 value768 /div /div div classform-group label forlora_weightLoRA权重: span idlora-value0.8/span/label div classslider-container input typerange idlora_weight min0.1 max1.0 step0.1 value0.8 /div /div div classform-group label fornum_images生成数量: span idnum-images-value1/span/label div classslider-container input typerange idnum_images min1 max4 step1 value1 /div /div button idgenerate-btn classbutton生成图片/button div classloading idloading div classspinner/div p正在生成图片请稍候.../p /div div idmessage classmessage/div /div div classpanel h2生成结果/h2 div classresult-container div idimage-container classimage-grid !-- 生成的图片会显示在这里 -- p stylecolor: #7f8c8d; text-align: center;生成的图片将显示在这里/p /div /div /div /div script // 更新滑块值的显示 document.getElementById(width).addEventListener(input, function() { document.getElementById(width-value).textContent this.value; }); document.getElementById(height).addEventListener(input, function() { document.getElementById(height-value).textContent this.value; }); document.getElementById(lora_weight).addEventListener(input, function() { document.getElementById(lora-value).textContent this.value; }); document.getElementById(num_images).addEventListener(input, function() { document.getElementById(num-images-value).textContent this.value; }); // 生成按钮点击事件 document.getElementById(generate-btn).addEventListener(click, async function() { const prompt document.getElementById(prompt).value.trim(); if (!prompt) { showMessage(请输入图片描述, error); return; } // 显示加载中 const loading document.getElementById(loading); const generateBtn document.getElementById(generate-btn); loading.style.display block; generateBtn.disabled true; hideMessage(); // 收集参数 const params { prompt: prompt, width: parseInt(document.getElementById(width).value), height: parseInt(document.getElementById(height).value), lora_weight: parseFloat(document.getElementById(lora_weight).value), num_images: parseInt(document.getElementById(num_images).value), steps: 20 }; try { // 发送生成请求 const response await fetch(/generate, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify(params) }); const result await response.json(); if (result.success) { showMessage(result.message, success); displayImages(result.images); } else { showMessage(result.message, error); } } catch (error) { showMessage(生成失败请检查网络连接, error); console.error(生成错误:, error); } finally { // 隐藏加载中 loading.style.display none; generateBtn.disabled false; } }); function displayImages(imageUrls) { const container document.getElementById(image-container); container.innerHTML ; if (imageUrls.length 0) { container.innerHTML p stylecolor: #7f8c8d; text-align: center;没有生成图片/p; return; } imageUrls.forEach(url { const img document.createElement(img); img.src url; img.alt 生成的图片; img.className generated-image; container.appendChild(img); }); } function showMessage(text, type) { const messageDiv document.getElementById(message); messageDiv.textContent text; messageDiv.className message ${type}; messageDiv.style.display block; // 3秒后自动隐藏 setTimeout(() { messageDiv.style.display none; }, 3000); } function hideMessage() { document.getElementById(message).style.display none; } /script /body /html # 保存HTML模板 with open(templates_dir / index.html, w, encodingutf-8) as f: f.write(index_html) print(Web界面已准备就绪) print(请在浏览器中访问: http://localhost:5000) print(按 CtrlC 停止服务器) app.run(debugTrue, host0.0.0.0, port5000)这个Web应用虽然简单但功能完整。前端界面干净清爽有实时更新的滑块控件生成过程中有加载动画生成结果以网格形式展示。后端处理了所有API调用和错误情况。我只需要运行一个命令市场部的同事就能在浏览器里直接生成图片了。5. 实际使用感受与建议用Claude Code辅助开发这一套系统前后大概花了不到一天时间。如果完全自己写估计得三四天。更重要的是Claude Code生成的代码质量不错结构清晰错误处理也考虑得比较周全。不过在实际使用中我也总结了一些经验第一给Claude Code的需求要尽可能具体。不要说“写一个Web应用”而要说“用Flask写一个单页应用有这些功能...”。具体的需求能得到更符合预期的代码。第二生成的代码需要适当调整。Claude Code不知道你的具体API接口细节所以生成的代码可能需要修改URL、参数名等。但整体框架和逻辑通常是对的能节省大量时间。第三复杂功能要分步实现。不要一次性要求太多功能先实现核心功能再逐步添加。比如我先让Claude Code生成基础API调用测试通过后再加批量处理最后做Web界面。第四注意代码安全性。Claude Code生成的代码可能包含一些安全隐患比如没有对用户输入做充分验证。在实际使用前一定要检查关键部分特别是涉及文件操作、系统命令的地方。现在这套系统已经在团队内部小范围使用了效果不错。特别是批量处理功能帮我们快速生成了几百张产品图。Web界面也让非技术同事能自助服务减少了我们开发团队的支持压力。6. 总结用AI辅助开发AI应用听起来有点绕但实际体验下来效率提升确实明显。Claude Code这样的工具让不擅长前端的人也能快速搭建界面让不熟悉API调用的人也能写出健壮的客户端代码。比迪丽LoRA模型本身效果不错加上这套自动化工具整个工作流程就顺畅多了。从单张测试到批量生成再到团队协作使用每个环节都有相应的工具支持。如果你也在用类似的AI模型不妨试试用Claude Code来辅助开发。不一定能完全替代人工编程但作为辅助工具它能帮你快速搭建原型验证想法把更多时间花在创意和优化上而不是重复的编码工作上。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。