前言：构建经济高效的 AI 图像生成与编辑工作流

通义千问 Qwen-Image 作为一款开源的文生图模型，凭借其在复杂文本渲染，尤其是中文字符生成方面的卓越能力，获得了广泛关注。 与主流模型相比，它能在图像中精准地嵌入多行、多段的文字内容，为海报设计、内容创作等场景提供了新的可能性。

然而，尽管模型本身是开源的，但通过商业平台调用此类服务的成本往往不菲。例如，一些平台提供的插件服务在免费额度耗尽后，每张图片的生成费用可能高达0.25元，这对于需要大量生成或频繁迭代的用户而言是一笔不小的开销。

本文将探讨一种替代方案，旨在利用 Dify 应用编排平台、ModelScope（魔搭社区）的 Qwen-Image 插件以及腾讯云对象存储（COS），搭建一个兼具强大功能与成本效益的图像生成与编辑智能体（Agent）。最终实现的效果如下，该智能体不仅能根据文本生成图像，还能在后续对话中对已生成的图像进行修改。

系统搭建的准备工作

在开始构建之前，需要准备好以下几个关键组件和服务。整个系统的核心是 Dify 平台上的 Qwen Text2Image & Image2Image 插件。

1. Dify 插件市场与 Qwen-Image 插件

Dify 是一个开源的 LLM 应用开发平台，允许用户通过可视化的界面编排和创建 AI 应用。首先，需要在 Dify 的插件市场中找到并下载 Qwen Text2Image & Image2Image 插件。

2. ModelScope 社区访问凭证

ModelScope（魔搭社区）是阿里巴巴旗下的一个模型开源社区，提供了大量预训练模型和 API 服务。要使用 Dify 上的 Qwen-Image 插件，需要一个 ModelScope 社区的 API Key 作为访问凭证。

可以从 ModelScope 官网的个人中心获取 API Key：https://modelscope.cn/my/myaccesstoken

3. 腾讯云对象存储 (COS)

Qwen-Image 的图像编辑（图改图）功能要求输入的原始图片必须是可通过公网访问的 URL 地址。为了解决这个问题，可以利用云存储服务。本文选用腾讯云对象存储（COS）来存放生成的图片，并为其生成公网链接。

需要创建一个腾讯云 COS 存储桶（Bucket），用于后续的图片上传。具体配置过程此处不赘述，只需确保 Bucket 具备公有读权限即可。

访问地址：https://console.cloud.tencent.com/cos/bucket

4. 用于图片上传的 API 服务

为了将 Dify 工作流中生成的图片上传到腾讯云 COS，需要一个中间服务作为桥梁。这个服务接收 Dify 发送的图片文件，执行上传操作，然后返回图片的公网 URL。

可以使用 FastAPI 快速搭建这样一个接口服务。以下是核心的 Python 代码：

安全警告： 以下示例代码中直接硬编码了 secret_id 和 secret_key，这存在极大的安全风险。在生产环境中，切勿如此操作。强烈建议使用环境变量、配置文件或专业的密钥管理服务来存储和调用这些敏感凭证。

import requests
import json
import base64
from PIL import Image
import io
import os
import sys
from qcloud_cos import CosConfig, CosS3Client
import datetime
import random
from fastapi import FastAPI, UploadFile, File
from pydantic import BaseModel
# --- 配置信息 ---
# 临时文件存储路径
output_path = "D:\\tmp\\zz" 
# 腾讯云 COS 配置
region = "ap-guangzhou"
secret_id = "AKIDnRsFUYKwfNvHQQFsIj9WpwpWzEG5hAUi"  # 替换为你的 SecretId
secret_key = "5xb1EF9*******ydFi1MYWHpMpBbtx"  # 替换为你的 SecretKey
bucket = "jenya-130****694"  # 替换为你的 Bucket 名称
app = FastAPI()
class GenerateImageRequest(BaseModel):
prompt: str
def generate_timestamp_filename(extension='png'):
"""根据时间戳和随机数生成唯一文件名"""
timestamp = datetime.datetime.now().strftime("%Y%m%d%H%M%S")
random_number = random.randint(1000, 9999)
filename = f"{timestamp}_{random_number}.{extension}"
return filename
def base64_to_image(base64_string, output_dir):
"""将 Base64 字符串解码并保存为图片文件"""
filename = generate_timestamp_filename()
output_filepath = os.path.join(output_dir, filename)
image_data = base64.b64decode(base64_string)
image = Image.open(io.BytesIO(image_data))
image.save(output_filepath)
print(f"图片已保存到 {output_filepath}")
return filename, output_filepath
def image_to_base64(image_data: bytes) -> str:
"""将图片文件流转换为 Base64 编码的字符串"""
return base64.b64encode(image_data).decode('utf-8')
def upload_to_cos(file_name, base_path):
"""上传本地文件到腾讯云 COS"""
config = CosConfig(Region=region, SecretId=secret_id, SecretKey=secret_key)
client = CosS3Client(config)
file_path = os.path.join(base_path, file_name)
response = client.upload_file(
Bucket=bucket,
LocalFilePath=file_path,
Key=file_name
)
if response and 'ETag' in response:
print(f"文件 {file_name} 上传成功")
url = f"https://{bucket}.cos.{region}.myqcloud.com/{file_name}"
return url
else:
print(f"文件 {file_name} 上传失败")
return None
@app.post("/upload_image/")
async def upload_image_endpoint(file: UploadFile = File(...)):
"""接收图片文件，上传到 COS 并返回 URL"""
file_content = await file.read()
# 将上传的文件内容（二进制）直接转换为 Base64
image_base64 = image_to_base64(file_content)
# 将 Base64 保存为本地临时文件
filename, local_path = base64_to_image(image_base64, output_path)
# 上传到腾讯云 COS
public_url = upload_to_cos(filename, output_path)
if public_url:
return {
"filename": filename,
"local_path": local_path,
"url": public_url
}
else:
raise HTTPException(status_code=500, detail="Image upload to COS failed.")
if __name__ == "__main__":
import uvicorn
# 确保临时文件夹存在
if not os.path.exists(output_path):
os.makedirs(output_path)
uvicorn.run(app, host="0.0.0.0", port=8083)

将以上代码保存为 main.py 文件并运行，即可启动一个监听在 8083 端口的 HTTP 服务。

Dify 工作流搭建流程

核心思路是实现一个可以进行多轮对话的智能体，它能够区分用户的意图是“生成新图”还是“修改旧图”，并根据意图执行相应的操作。

关键节点包括：

1. 参数提取器：判断用户意图。
2. HTTP 请求：将生成的图片上传到 API 服务，获取公网 URL。
3. 会话变量：存储图片 URL，用于多轮对话中的图片编辑。

1. 开始节点

此节点作为工作流的入口，接收用户的输入。通常使用默认配置即可。

2. 参数提取器

这是实现多轮对话逻辑的关键。通过一个大语言模型（建议选用推理能力较强的模型）来分析用户的输入，判断其意图是首次生成图片还是修改已有图片。根据判断结果，为变量 is_update 赋予不同的值（例如 0 表示生图，1 表示改图）。

3. 会话变量与条件分支

为了在对话中“记住”上一次生成的图片，需要设置一个会话变量 picture_url 来存储图片的公网 URL。

接下来，使用条件分支节点。该节点根据两个条件创建不同的执行路径：

• 分支一（生图）：当 is_update 的值为 0 时触发，执行文生图流程。
• 分支二（改图）：当 is_update 的值为 1 且 picture_url 变量不为空时触发，执行图改图流程。

4. LLM 提示词优化

为了让 Qwen-Image 生成更专业的图像，可以在调用它之前，先用一个 LLM 节点对用户的原始提示词进行优化和扩展。这个 LLM 扮演“AI 绘画提示词专家”的角色，将简单的用户描述转化为更丰富、更符合 AI 绘画习惯的英文提示词，并内置安全规则过滤。

系统提示词 (System Prompt) 示例：

Role: AI绘画和修改提示词专家

Profile

• 专长: 生成和修改AI绘画提示词
• 语言能力: 中英文双语流利
• 创造力: 高
• 安全意识: 强

Background

你是一位专业的AI绘画提示词专家,擅长将用户的简单描述转化为详细、富有创意的AI绘画提示词。你还能根据用户的反馈修改和优化提示词。

Goals

1. 将用户的简单描述转化为详细的AI绘画提示词
2. 根据用户的反馈修改和优化提示词
3. 确保生成的内容符合安全和道德标准

Rules

1. 始终以英语生成最终的AI绘画提示词
2. 提供详细、富有想象力的描述,包括场景、颜色、光线等元素
3. 严格遵守安全指南,不生成任何不适当或有害的内容

Workflow

1. 分析用户的初始描述
2. 扩展描述,添加细节和创意元素
3. 将扩展后的描述转换为英文AI绘画提示词

Safety Guidelines

• 禁止生成色情、暴力、仇恨言论等不适当内容。
• 避免描述伤害或悲剧。

Output Format

用户描述: [用户原始输入]
扩展描述: [中文扩展描述]
AI绘画提示词: [英文AI绘画提示词]

Examples

用户描述: 请帮我生成一个小男孩读书的画面,关键字是画。
扩展描述: 一幅温馨的画面,展示了一个可爱的小男孩专注地读着一本大书。他坐在一个舒适的扶手椅上,周围是温暖的黄色灯光。背景是一个充满书籍的书房,墙上挂着几幅艺术画作。男孩的表情充满好奇和喜悦,仿佛沉浸在书中的世界里。
AI绘画提示词: A heartwarming painting of a cute little boy reading a large book. He is sitting in a comfortable armchair, surrounded by warm yellow light. The background shows a study room filled with books and a few artistic paintings on the walls. The boy’s expression is full of curiosity and joy, as if he’s immersed in the world of the book. The scene has a soft, painterly quality with visible brushstrokes.

用户提示词 (User Prompt)：

请根据用户输入提示词:{{#sys.query#}}

节点配置：

5. 调用 Qwen-Image 工具

（1）文生图分支

在此分支中，调用 Qwen-Image 插件，并将前一步 LLM 优化后的英文提示词作为输入。

（2）图改图分支

在此分支中，同样调用 Qwen-Image 插件，但需要提供两个输入：

• Image URL：引用会话变量 picture_url，即上次生成的图片地址。
• Prompt：用户本轮输入的修改指令，同样经过 LLM 优化。

6. HTTP 请求与图片上传

在 Qwen-Image 节点之后，添加一个 HTTP 请求节点。此节点将 Qwen-Image 生成的图片文件（files 格式）发送到之前部署的 FastAPI 服务的 /upload_image/ 接口。API 服务会返回一个包含公网 URL 的 JSON 数据。

7. 代码执行与变量赋值

（1）提取 URL

接着添加一个代码执行节点，用于从上一步 HTTP 请求返回的 JSON 中解析出图片的公网 URL。

代码如下：

import json
def main(arg1: dict) -> dict:
# arg1 是 HTTP 节点返回的 JSON 对象
# 根据 FastAPI 的返回结构，URL 在 'url' 字段中
image_url = arg1.get('url')
return {
"result": f"Image URL is {image_url}",
"picture_url": image_url
}

该节点会输出一个名为 picture_url 的新变量。

（2）更新会话变量

在流程的末端，添加一个变量赋值节点。其作用是将代码执行节点输出的新图片 URL 赋值给会话变量 picture_url。这样，当下一轮对话开始时，picture_url 就会持有最新图片的地址，确保图改图功能始终作用于正确的图片上。

8. 直接回复

最后，使用直接回复节点，将生成的图片展示给用户。可以配置该节点显示 HTTP 请求节点返回的图片文件。

最终测试与验证

完成工作流搭建后，可以点击 Dify 右上角的“预览”按钮进行测试。

测试一：文生图

输入请求：

给我生成一副霸气的对联，贴在门上，字体采用帅气的隶书
上联：雄心壮志展未来
下联：宏图大业谱新篇
横批：大展宏图

系统成功生成了符合要求的对联图片：

测试二：图改图

在同一对话中，继续输入修改指令：

把这个对联的横批:大展宏图改成前程似锦

系统理解了指令，并基于上一张图片进行了修改，成功替换了横批内容：

通过以上流程，一个能够进行多轮对话、支持文本生成和图像编辑的智能体便搭建完成。该方案巧妙地结合了 Dify 的编排能力、ModelScope 的模型资源和云存储服务，为实现复杂 AI 应用提供了一个低成本且高效的范例。