5、n8n 主流平台批量文生图工作流实操

5、n8n 主流平台批量文生图工作流实操 5、n8n 主流平台批量文生图工作流实操 Modified September 28, 2025 Agent的提示词可以自己设置，建议简单点就好，或者是直接用前面表单定义的字段 chatInput，更简单方便，效果好。 文生图的提示词参考，及最终返回的效果图片。 再结合这两个节点就能下载生成的图像 不过在这个文件转换节点，大模型可能输出的图像是 output[1].inlineData.data 或者 output[0].inlineData.data 大家可以在提示词或者在工作流中优化一下 七）Provider 速查映射（最常用字段） 下表我们把各大平台常用的一些字段拿出来做对比，仅供参考。 课堂提示：适配器里做“键名翻译”，不要把平台命名泄漏到上游。 八）把现有表单流“升级”为可批量+多模型 现有节点：图片要求提交 → 风格提示词生成 → 图片生成 → 返回 图片/下载到本地 按下面补齐即可： 1. 入口双通道：保留表单；新增 飞书表格触发器（或别的子工作流触发的形式） 2. Set 统一 schema：把表单/表格字段都映射到上文 schema（含尺寸解析/风格） 3. 幂等去重：给每条任务生成 request id，用 Merge(A−B) 过滤重复 4. 批处理：Switch 之前包一层 Split In Batches + Wait 5. 多 Provider 适配器：复制你“Together 图片生成”节点，改成“Provider 适配器（HTTP）”，每家一条支路 6. 失败聚合：你已有“报错提醒/聚合报错信息”，并到 Error Trigger 7. 托管与回写：保留你“返回图片”UI；新增 Sheets/Bitable Update，把链接与状态写回 8. 凭证安全：把你 JSON 里的 API key 移到 Credentials，在 Header 用表达式读凭证 九）可复制片段（参考） 1）尺寸字符串 → 数值宽高（Code） Code block JavaScript Copy const it = $input.item.json; const m = String(it.size || it.Size || ) .match(/(\d{2,4})\D+(\d{2,4})/); it.width = m ? +m[1] : (it.width || 1024); it.height = m ? +m[2] : (it.height || 1024); return [{ json: it }]; 2）请求幂等哈希（Code） Code block JavaScript Copy const crypto = require('crypto'); for (const it of $input.all()) { const base = [ it.json.model, it.json.prompt, it.json.width, it.json.height, it.json.ref image url||'' ].join('|'); it.json.request id = crypto.createHash('md5').update(base).digest('hex'); } return $input.all(); 3）Split In Batches 限速循环（官方范式） • Split In Batches：batchSize=8 • 批尾 Wait：7500ms • Wait → 回到 Split（直到 noItemsLeft 停止） 4）HTTP 节点失败重试（推荐） Settings 勾 Retry on Fail：Max Tries = 3，Wait Between Tries(ms)=1000 5）Together 适配器（HTTP Body 示范） Code block JSON Copy { "model": "{{ $json.model === 'gpt image 1' ? 'gpt image 1' : 'black forest labs/FLUX.1 schnell' }}", "prompt": "{{ $json.prompt }}", "width": {{ $json.width }}, "height": {{ $json.height }}, "steps": {{ $json.steps || 4 }}, "n": 1, "response format": "b64 json" } 6）Base64 → binary（Move Binary Data） • Operation: JSON to Binary • Property: data[0].b64 json 或 images[0].base64 • Binary Property Name: image • File Name: {{$json.request id}}.png 7）表格回写（Google Sheets Update） • Range：定位 meta.source row • 更新：status=done, image url={{$json.image url}}, provider={{$json.provider}} 8）成本估算（示例） Code block JavaScript Copy for (const it of $input.all()) { const m = it.json.model; let cost = 0; if (m==='gpt image 1') cost = (it.json.width it.json.height =1536 1536)?0.08:0.04; if (m==='flux schnell') cost = 0.002; // 示例，自行按账户计费表调整 it.json.cost usd = +cost.toFixed(4); } return $input.all(); 十）常见坑与排查 1. 429/排队：总是先上 Split In Batches + Wait；必要时分 Provider 设不同批次 2. base64 太大/节点超时：HTTP Timeout 调大、尽量上传到图床再传链接 3. ComfyUI 无响应：没 enable api、prompt 图键名不匹配、端口/防火墙 4. 表格回写错行：务必把 source row 带流转，更新用它而非索引猜测 5. Key 泄露：一律用 Credentials；Body/Set 里别硬编码 6. 提示词“跑偏”：风格库 + LLM 提示词统一器，温度 ≤ 0.5，必要时中文→英文 十一）建议实践 跟着SOP文档跑通工作流中1 2条路径，建议先从即梦插件方式开始。 Agent的提示词可以自己设置，建议简单点就好，或者是直接用前面表单定义的字段 chatInput，更简单方便，效果好。 文生图的提示词参考，及最终返回的效果图片。 再结合这两个节点就能下载生成的图像 不过在这个文件转换节点，大模型可能输出的图像是 output[1].inlineData.data 或者 output[0].inlineData.data 大家可以在提示词或者在工作流中优化一下 七）Provider 速查映射（最常用字段） 下表我们把各大平台常用的一些字段拿出来做对比，仅供参考。 课堂提示：适配器里做“键名翻译”，不要把平台命名泄漏到上游。 课堂提示：适配器里做“键名翻译”，不要把平台命名泄漏到上游。 八）把现有表单流“升级”为可批量+多模型 现有节点：图片要求提交 → 风格提示词生成 → 图片生成 → 返回 图片/下载到本地 按下面补齐即可： 1. 入口双通道：保留表单；新增 飞书表格触发器（或别的子工作流触发的形式） 2. Set 统一 schema：把表单/表格字段都映射到上文 schema（含尺寸解析/风格） 3. 幂等去重：给每条任务生成 request id，用 Merge(A−B) 过滤重复 4. 批处理：Switch 之前包一层 Split In Batches + Wait 5. 多 Provider 适配器：复制你“Together 图片生成”节点，改成“Provider 适配器（HTTP）”，每家一条支路 6. 失败聚合：你已有“报错提醒/聚合报错信息”，并到 Error Trigger 7. 托管与回写：保留你“返回图片”UI；新增 Sheets/Bitable Update，把链接与状态写回 8. 凭证安全：把你 JSON 里的 API key 移到 Credentials，在 Header 用表达式读凭证 九）可复制片段（参考） 1）尺寸字符串 → 数值宽高（Code） 2）请求幂等哈希（Code） 3）Split In Batches 限速循环（官方范式） • Split In Batches：batchSize=8 • 批尾 Wait：7500ms • Wait → 回到 Split（直到 noItemsLeft 停止） 4）HTTP 节点失败重试（推荐） Settings 勾 Retry on Fail：Max Tries = 3，Wait Between Tries(ms)=1000 5）Together 适配器（HTTP Body 示范） 6）Base64 → binary（Move Binary Data） • Operation: JSON to Binary • Property: data[0].b64 json 或 images[0].base64 • Binary Property Name: image • File Name: {{$json.request id}}.png 7）表格回写（Google Sheets Update） • Range：定位 meta.source row • 更新：status=done, image url={{$json.image url}}, provider={{$json.provider}} 8）成本估算（示例） 十）常见坑与排查 1. 429/排队：总是先上 Split In Batches + Wait；必要时分 Provider 设不同批次 2. base64 太大/节点超时：HTTP Timeout 调大、尽量上传到图床再传链接 3. ComfyUI 无响应：没 enable api、prompt 图键名不匹配、端口/防火墙 4. 表格回写错行：务必把 source row 带流转，更新用它而非索引猜测 5. Key 泄露：一律用 Credentials；Body/Set 里别硬编码 6. 提示词“跑偏”：风格库 + LLM 提示词统一器，温度 ≤ 0.5，必要时中文→英文 十一）建议实践 跟着SOP文档跑通工作流中1 2条路径，建议先从即梦插件方式开始。 十二）文档总结 这个文档，我们带大家梳理了 n8n 批量文生图工作流的整体框架。让散落在各个平台的AI出图功能汇聚在这样一条工作流里面，很适合作为我们学习n8n在AI绘画中的相关使用。 当然，这仍然是不够成熟的工作流，要成为真正稳定的AI智能体，还需要在系统层面进行更多的操作，比如统一入参，统一返回参数，统一报错等等。 如果你对于MCP有一定的了解，还能通过子工作流触发的形式把我们这个工作流作为MCP服务器，在别的平台进行使用。 掌握了这些基础，后续在视频创作的流程中，你会更加得心应手。 n8n 批量文生图工作流全流程（liblib / runninghub / ComfyUI / 即梦 / Fluxshell / GPT img1 / Google Imagen / Gooogle Nano Banana） 【难度较大，看文档能大概理解，搭建基本的即梦和liblib生图工作流即可】 一）课程地图（全景→细节） 我结合sop的一些内容和ChatGPT5的深度思考和互联网搜索，得到一份比较完整的各平台对比表格，供大家参考。 PPRR 循环 • 感知：Form / Webhook / Google Sheets / Bitable / Schedule Trigger • 规划：Set 统一字段 → Switch 路由 → Provider 适配 • 执行：Split In Batches + Wait 限速，HTTP Request/官方节点出图，Retry on fail • 回顾：上传图床（或飞书 Drive）、回写表/Notion、Error Trigger 告警、成本/成功率看板 目标成品 1. 批量出图工厂：从表格批量读取任务 → 多模型限速生成 → 上传图床 → 回写链接与成本 2. 即时出图机器人：Webhook/表单一键生成（沿用同一“统一 schema + 适配器”） 二）预备知识与环境 必备 • n8n（建议 Docker） • 任务源：n8n form表单 / 飞书 Bitable（二选一） • 模型凭证（至少 1 个）：Together（可走 FLUX/GPT Image 1），或你已有的 liblib/runninghub/即梦/Fluxshell；自部署 ComfyUI（启动需 enable api） 凭证清单（先配好） • Google OAuth / 飞书凭证（Bitable/Drive） • Together / 其他平台 API Key（用 n8n Credentials，别放在 Set 明文） • Cloudinary（可选） 三）核心节点 • 触发：Schedule Trigger（定时扫表）、Form/Webhook（即时触发） • 控制流：Split In Batches（批量限速）、Wait（批间停顿）、IF/Switch（路由）、Merge（汇合） • 数据：Set（统一 schema）、Code（尺寸解析/成本估算/ComfyUI JSON 组装） • 执行：HTTP Request（万能），官方 OpenAI/Cloudinary/Google 节点（能用就用） • 观测：Error Trigger（失败→群里告警） 四）模型调用“金字塔”（选型优先级） 1. 官方商业 API（质稳）：OpenAI GPT Image 1、Google Imagen4（质量/稳定性高，成本高） 2. 托管开源聚合（性价比）：liblib / runninghub / Fluxshell / 即梦（多模型、排队与稳定性因平台而异） 3. 自部署（终极控制）：ComfyUI（零单次费，需 GPU 与维护；API 为“节点图”JSON） 策略：优先走可控且稳定的（Together/官方/企业托管），再兜底开源聚合，最后上自部署。所有分支都走统一输入/输出，随时可替换。 策略：优先走可控且稳定的（Together/官方/企业托管），再兜底开源聚合，最后上自部署。所有分支都走统一输入/输出，随时可替换。 五）统一 schema（极简而通用） 我们把任何来源的任务规范成下列字段，下游所有分支只吃这套： 课堂心法：入口统一、出口统一、Provider 只做“翻译”。这样换模型=换“适配器”节点，而不是改全局。 课堂心法：入口统一、出口统一、Provider 只做“翻译”。这样换模型=换“适配器”节点，而不是改全局。 六）实战：从 0 搭“批量 AI 艺术工厂”（12 步） 这里先给大家看前面半部分，主要是接受参数，优化提示词，设置路由，到后续具体的平台分支出图。 触发我这里设置了两种方式，一种是n8n中的表单填写，另一种是我们通过父工作流触发，父工作流可以有很多种方式，比如MCP调用，webhook调用，飞书notion等应用事件触发。 1、任务源/触发器 我们这里是用的是表单，未来大家也可以集成到一些文档中，增加触发事件，比如飞书，Notion或者Google Sheets（Google Sheets Trigger：On Row Added（或 Schedule 每 10 分钟扫一次“status=todo”）读出 prompt/model/size/style/ref image 等原始列）。 复制粘贴下面的json内容到n8n工作流编辑页面，参考其中的内容。内置了很多图像风格，如果希望按照提示词来，则可以选择 跟随提示词 下拉框 输入 表单 ◦ 接收表单的数据，标准化字段 ◦ 接收表单的数据，标准化字段 ◦ 统一成“5 统一字段”（prompt/size/style/model/background） 2、设置参数 把一些需要统一设置的参数填在这里，后面各个分支都能拿到。 （这些大家前期不用全部设置，按照自己的工作流后续需要实际设置的动态参数来定） 3、Agent｜风格融合与英文化 把 prompt/style/size 喂进去，产出 prompt en / width / height等等 用户提示词 系统提示词 大模型我这里选择的是Gemini 2.5 flash，大家也可以根据自己的需求和方便选择模型。 结构化解析 可选 | 去重/幂等 ◦ Code 生成 request id = md5(model + prompt + width + height + (ref image url||"")) ◦ 在“结果表”里查这个 request id 是否存在 → 存在则跳过（A−B） ◦ Code 生成 request id = md5(model + prompt + width + height + (ref image url||"")) ◦ 在“结果表”里查这个 request id 是否存在 → 存在则跳过（A−B） 可选 | 限速阀 ◦ Split In Batches（batchSize=8）→ 批尾 Wait(7500ms) → 回到 Split ◦ 统一把所有任务压平后再分发，避免单 Provider 峰值 ◦ Split In Batches（batchSize=8）→ 批尾 Wait(7500ms) → 回到 Split ◦ 统一把所有任务压平后再分发，避免单 Provider 峰值 4、Switch｜路由 {{$('设置参数').item.json.Model}} in [“gpt image 1”, “flux schnell”, “imagen”, “comfyui”, “liblib”, “runninghub”, “jimeng”, “fluxshell”] {{$('设置参数').item.json.Model}} in [“gpt image 1”, “flux schnell”, “imagen”, “comfyui”, “liblib”, “runninghub”, “jimeng”, “fluxshell”] 每个分支接“适配器（HTTP/官方）” 【注意】这里不一定每个平台都需要，大家按需即可，每个平台都跑通需要花不少时间。 参考json文件 5、即梦（推荐） 即梦是字节跳动旗下的AI绘画，视频平台，中国风的相关内容效果非常好，整体综合实力比较强。 网址：https://jimeng.jianying.com/ai tool/home 参考结果，一次请求四张图片 工作流整体节点参考 合法化宽高是可选的，用来约束输入的图片尺寸 （可能会存在即梦模型更新问题，导致部分尺寸即梦不支持，前期测试图片尺寸尽可能用1024x1024） n8n 调用即梦的两种方式对比 方法一（可选）： 即梦的API在火山引擎上面，我们首先要开通相关服务：https://www.volcengine.com/product/jimeng 点击即梦 AI 图片生成 的产品详情 按照这四步依次进行，最终我们在 n8n 里面一个 http 节点或者 n8n 的jimeng 节点 使用即梦的 AI 绘画能力 我们要先获取密钥，然后复制下来，作为后面即梦节点里面的凭证。 这种方法大家感兴趣可以尝试，参考文档：https://www.volcengine.com/docs/85621/1756900 下面内容大致参考下，主要是授权那个参数比较难处理 方法二（推荐）： 我们 还是先从设置节点跳转到社区节点 https://www.npmjs.com/search?q=jimeng 搜索 jimeng 官方认证的节点是这个 n8n nodes jimeng。 然后我们返回到社区安装节点：http://localhost:5678/settings/community nodes 去安装好这个节点 这样就说明安装成功了 回到 n8n 工作流页面搜索 jimeng 就能使用我们安装的这个节点了，其他的扩展节点也是类似的方法，大家后续可以举一反三。 点开发现很多节点，我们选择本次需要的文生图节点即可。 我们接着去创建凭证，注意，如果是插件节点 要这样获取 是F12快捷键 到 application 里面看 cookies 下的 jimeng 的 sessionid 保存到该节点的凭证，保存即可。 启动工作流，填写表单，进行变量引入和调试。 把路由里面对应的字段拖到里面去。 这样我们生成了四张图片 注意⚠️：即梦的图片长度宽度得是数字，别用字符串 对应我们前端页面也有这么多图片 如果是想把所有的图片都下载，增加一个code节点，命名 展开图片List 然后使用http节点，用请求每个url，即可下载。 写入到磁盘节点 取名可以参考下面的表达式 补充：方法3可以参考我们前面的即梦4.0工作流，能够使用最新的即梦4.0模型 6、ComfyUI 本地部署（难） 这种方式要求我们本地有独立显卡(显存 =8GB) 查看电脑显卡方式，右键单击此电脑，点击属性。 这种方式比较自由灵活，成本相对可控，有一块较好性能的显卡，跑起来非常爽。 我们需要在n8n安装ComfyUI节点，方便直接使用本地comfyui。 复制包名 n8n nodes comfyui 回到 http://localhost:5678/settings/community nodes 进行安装 然后就能在列表中看到该节点，回到工作流页面，能搜到该节点，说明安装成功。 然后在n8n中创建新的ComfyUI凭证 如果是通过秋叶安装包安装的本地Comfyui，记得先在高级设置里面开放远程连接，这样我们本地docker里面部署的n8n才好连接。