樱桃小公举如果你是个游戏公司的原画师，过去一周的角色概念设计周期现在压缩到一天交付，你会怎么想？我的第一反应是这不可能，直到我自己把OpenClaw接上首都在线MaaS平台，跑完一整套角色原画的批量生成与精修流程，才发现“原画师一周的活，AI一天交卷”不是宣传口号，而是真的能落地的工作流。
这篇文章不是讲什么理论，就是我自己的实操记录。OpenClaw负责调度和流程自动化，首都在线MaaS提供云端显卡和大模型推理能力，两者组合起来以后，角色的草图发散、三视图生成、风格统一、文案归档全部有人（或者说有Agent）替你跑。下面我把整个项目的思路、部署过程、踩坑记录和最终成果拆开讲清楚，想复刻这套工作流的朋友可以直接照着抄。
1. 原画师一周的活，到底卡在哪了
1.1 一周工作量的真实构成
游戏原画里最常见的一个需求是角色概念设计。通常甲方或策划丢过来一段文字设定：角色背景、阵营、性格关键词、武器元素、服装风格，然后就等着你出图。一周的工作量看起来宽松，实际上被切得非常碎。第一天到第三天都在做资料收集和草图发散，第四天开始收敛方向，第五天第六天在Photoshop里一遍一遍改造型、配色和材质，最后一天还要补三视图、材质拆分说明和氛围图。
真正浪费时间的环节，其实不是“画”这个动作，而是“找参考”和“做试错”。比如一个蒸汽朋克风格的女机械师，光是头饰、护目镜、蒸汽管道这些元素的组合方式，你就得画十几个方案才能让甲方有感觉。每个方案从起稿到细化至少两小时，十几个方案就是整整一天多。更不用提中间沟通时说“整体感觉对了，但配色再冷一点”这种需求，改起来就是全图重绘级别的返工。
我这里不是否认绘画基本功的价值，而是说AI介入以后，原来的时间分配会被完全打散。草图发散可以交给批量生成，风格统一可以靠模型参数控制，反复修改的成本大幅下降。人只需要在关键节点做决策和精修，这在流程上是一种降维打击。
1.2 AI介入后的一天流程长什么样
我实际跑通的流程是这样的。早上把需求文档丢给OpenClaw，它自动读取设定、拆解关键词，然后调用首都在线MaaS平台上的图像生成模型批量出草稿。每个角色我要求它出20个方向，大概几百张图，OPenClaw会按风格、构图相似度自动做粗筛，挑出10张典型方案给我。下午我选一个方向，从兜里掏出参考图让AI做二次演化。晚上把定稿角色的三视图、换装变体、局部细节放大图全部批量生成出来，OpenClaw会顺手把每张图的提示词、参数、批次信息存成Excel和Markdown文件。
一天能出原来一周的量，关键在于OpenClaw把人和模型之间的交互变成了无人值守的流水线。你不需要守在电脑前一条一条敲提示词，只需要在每个决策节点出现就行。首都在线MaaS那边提供的是按需调用的模型API，算力不闲置、不用维护显卡，跑完就释放，成本上比自建机房划算很多。
用这套东西更适合谁？我觉得是已经有AI绘画基础、但苦于效率上不去的职业原画师，或者是接外包的个人画师。纯新手直接上来就跑Agent可能会手忙脚乱，因为流程里的参数调整和异常排查还是需要一些底子。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 方案选型：为什么是OpenClaw + 首都在线MaaS
2.1 OpenClaw不是“另一个画图AI”，是统筹全局的Agent
市面上AI绘画工具很多，Midjourney、Stable Diffusion WebUI、ComfyUI我都用过，但它们本质上都停留在“你给提示词，它给你图”这一步。真正的问题在于，一张原画从需求到交付，中间要经历几十次生成、筛选、修改、再生成的循环，每次都要手动复制提示词、手动保存图片、手动记录参数。这个重复劳动非常耗时，而且容易出错。
OpenClaw把我从这种循环里解放出来了。它是一个开源的AI Agent框架，核心能力是把大模型、工具调用、文件操作和外部API串成一个自主执行的流程。你可以给它一个目标，它能自己拆解成步骤，自己去调用绘图模型、自己检查输出目录、自己把结果汇总成报告。我在配置里告诉它“我要一批蒸汽朋克角色设定图”，它就会自动完成从写提示词到归档图片的全部过程。
我第一次感受到它的价值，是在一次要输出50张角色剪影的需求里。如果用WebUI手动操作，我起码要在电脑前坐三个小时。但用OpenClaw，它自己在那跑，我该开会开会、该吃饭吃饭，跑完直接把结果发我。这种体验完全不一样。
2.2 MaaS平台补上了算力这一环
大模型推理尤其是图像生成，吃显卡吃得非常凶。本地一张RTX 3090生成1024×1024的图，单张大概要10到20秒，批量跑几百张就是一整晚。更别提多人协作的时候，显卡一被占满，其他人就得排着队等。
首都在线MaaS平台解决的就是这个痛点。它把开源模型打包成API服务，SD系列、Flux、以及其他主流新模型都有，按调用量计费。你不需要懂运维，也不需要囤显卡，注册之后拿一个API Key就能把云端显卡当成自己的用。给我的感受就是“算力像自来水一样，打开就有”。
我测试下来，首都在线MaaS平台上的图像生成接口延迟和并发都算稳定。单张图生成时间通常在几秒到十几秒之间，关键是可以并发请求，一次提10个任务也不会排队太久。这对我来说很重要，因为OpenClaw作为调度者，最大的优势就是能并行处理任务，如果底层算力跟不上，Agent再智能也只能干等着。
2.3 这套组合的优势和适用边界
这套组合用一个比喻来说，OpenClaw是大脑，负责规划、执行和检查；首都在线MaaS是手脚，负责真正出力气跑模型。大脑指挥手脚干活，人只在最后验收。这个架构下面，重复性工作被自动化，创作决策被凸显，效率和可控性都有了。
但也有边界。如果你的需求是“画一张独一无二的艺术杰作”，那AI流水线并不适合，因为审美和风格化的最终判断必须由人来完成。如果你的需求是“项目前期快速验证方向、批量出设定素材”，这套组合就是大杀器。它的定位是把原画师从“熟练操作工”状态中解放出来，把更多时间留给真正的创作和沟通。
另外，项目的商用合规性也要注意。MaaS平台上的开源模型大部分允许商用，但不同模型授权协议不一样，生成内容的版权归属也各有不同。正式商用前一定要查清楚模型许可证和平台条款，不要把客户的项目置于风险里。
3. 从零起步：安装、部署和基础配置
3.1 Windows本机的快速安装
先说我本机的环境：Windows 11，32GB内存，RTX 3090显卡。OpenClaw在Windows下的安装我之前也踩过不少坑，最常见的错误是装上以后终端里敲openclaw提示“无法将openclaw项识别为cmdlet、函数、脚本文件或可运行程序的名称”。遇到这个情况，优先检查两件事：第一，Node.js装没装、装的是不是新版本；第二，npm全局bin目录在不在环境变量PATH里。
我用的安装方式是通过npm全局安装，命令很简单：
bash复制npm install -g openclaw
如果你网络环境一般，可以换国内镜像源再装，速度会快很多。装完以后，建议把npm全局目录加到PATH里，具体路径用npm prefix -g就能查出来。之后重新打开终端，openclaw -v能输出版本号就算成功了。
也可以直接用社区里流传的便携包方案。便携包的好处是免安装，解压以后里面自带runtime和依赖，双击启动脚本就能进交互界面。但缺点是升级麻烦，因为新版本要重新下载整包。我个人是本地用npm装、服务器上用Docker部署，这样兼顾灵活和稳定。
3.2 云端算力的接入方式
本地装好OpenClaw以后，还要让它能调用首都在线MaaS的图像生成模型。这一步本质上就是配置模型网关。OpenClaw支持自定义模型端点，你只需要在配置文件里把默认的模型地址改成MaaS平台提供的API地址，然后把密钥填进去就行。
配置文件的位置在用户目录下的.openclaw文件夹里，比如Windows上就是C:\Users\你的用户名\.openclaw\。打开配置文件可以看到模型相关的配置项，大致是这几个字段：
| 配置项 | 说明 | 示例值 |
|---|---|---|
model_provider |
模型服务商标识 | capitalonline_maas |
model_endpoint |
API地址 | MaaS平台分配的Endpoint |
api_key |
访问密钥 | 平台控制台生成的Key |
image_model |
图像模型名称 | sd-xl 或 flux |
首都在线MaaS平台在控制台里就能生成API Key，不用写代码，跟着页面提示操作就行。配置完以后，在OpenClaw里运行一条测试指令，让它生成一张测试图，如果输出目录里出现了图片，说明链路已经通了。
要注意的是，如果你是Linux服务器部署云端版本，路径会是/root/.openclaw/。权限配置和本机不完全一样，详细的坑我在后面“常见问题”部分会讲。
3.3 配置Skill与工作目录
OpenClaw的核心扩展机制是Skill，你可以把它理解成给Agent加的“技能包”。默认安装完可能只有基础技能，但绘图、文件归档、表格导出这些功能都来自指定的Skill。社区里有个叫ClawHub的仓库，专门收集各种现成Skill，安装方式类似包管理器，在OpenClaw交互界面里直接执行安装命令即可。
还建议你规划一下工作目录。默认工作区在.openclaw\workspace，所有生成的文件都会堆在这里。我建议按项目拆分子目录，比如project_name/concepts/、project_name/final/，这样Agent归档的时候不会把几百张图全塞一个文件夹里。我第一次跑批量生成就吃了这个亏，500张图混在一起，翻目录翻到怀疑人生。
3.4 权限与执行批准机制
OpenClaw执行外部命令的时候有一套安全机制，叫执行批准。它第一次要运行某个命令时，会向用户发送确认请求，你的决定会记录在一个名为exec-approvals.json的文件里。以后遇到同类命令，它就知道你是允许还是拒绝，不用重复询问。
这个机制很实用，不用每步都盯着，但也别盲目允许。我个人的原则是：涉及文件删除、批量覆盖、调用外部网络请求的命令，一定要先看一眼；只是生成图片、写日志、读取文件的操作，可以放心放行。有一次我写了一个自动化清理流程，差点把整个输出目录清空，还好执行批准机制拦了一道，避免了一场事故。
4. 实操：角色概念设计从需求到交付的完整流程
4.1 需求拆解与提示词工程
一切AI绘画的起点都是提示词。但和直接使用Midjourney不同，用OpenClaw时提示词可以做得更结构化，因为Agent可以批量管理几十个提示词变体，还能自动保持一致的前缀后缀。
我一般这样处理提示词：固定一个“主体描述模板”，把角色设定拆成“基础外貌 + 服装 + 武器/道具 + 环境氛围 + 画风关键词”五个部分。比如“女机械师”的基础描述是“female engineer, young adult”，再叠加“steam-punk goggles, copper mechanical arm, leather vest, gear ornaments”，最后统一加上画风后缀“concept art, character design sheet, high detail, clear silhouette, soft lighting”。
OpenClaw的好处是，我可以把主设定放在一个文档里，然后让它自动生成20个变体提示词，每个变体在某个元素上做变化。比如头饰分别在“护目镜”“礼帽”“传感器天线”之间切换，服装颜色在“暗铜”“不锈钢”“墨绿”之间轮换。这样一次批量生成，方向覆盖得又广又稳定。
4.2 草稿批量生成与初筛
拿到20个变体提示词之后，我让OpenClaw把它拆成并发任务，每张图用不同的随机种子跑一遍，同时要求首都在线MaaS平台的接口支持并发。最终一次性拿到几百张草稿图。
草稿不需要精修，关键是看剪影和元素组合的合理性。OpenClaw这里可以做一个简单的自动粗筛：通过图像的对比度和边缘密度做初步筛选，剔除纯黑纯白、内容溢出严重的废图。更高级的做法是接一个CLIP模型算相似度，但我觉得第一版流程用不上，体量大的时候再考虑。
这一步的经验是，批量生成的图会有一半左右因为构图、结构或提示词歧义而作废，这很正常。不用心疼，我们的目的是快速发现可行方向，不在废图上浪费时间。
4.3 风格统一和定向精修
选定一个方向之后，画师的核心工作才开始。AI生成的原图通常不能直接用，你需要用Photoshop或Procreate精修结构、调整透视、细化材质。我以前做这一步要看原始提示词慢慢改，效率很低。
现在我会让OpenClaw记录每个方案的完整参数和提示词，然后对选中方案的提示词做“加强版本”。比如原来的“leather vest”改成“worn leather vest with rivets and straps”，“gear ornaments”改成“brass gear ornaments with visible mechanism”，再把生成批次对应的种子保留，可以用图生图的方式把参考图丢进去做风格延续。多跑几轮，总有一版质感是达标的。
效率提升最大的其实是三视图和变体生成。选定一个正面造型后，OpenClaw可以基于同一批参数生成背面图、侧面图、表情变体和配色变体。过去画三视图至少需要一天，现在半天搞定，包括精修和调整。
4.4 自动归档与交付
最后一个环节经常被忽略，但其实是原画师职业化程度的分水岭：交付物的整理和归档。以前我常常画完图，素材乱七八糟放在硬盘各个角落，找起来非常痛苦。
OpenClaw这步帮了大忙。我在Skill里配了一个归档流程，在生成完一组图后，它会把成品和草稿分开存到不同的子目录，文件名统一改为“项目名_角色名_方案编号_视角_时间戳”，同时把每张图的完整提示词、模型参数、种子、模型版本写进同一个Markdown说明文件里。最后还会生成一份Excel索引表，可以直接发给策划或甲方查看。
这样一来，交付素材不仅干净，而且可复现。甲方说“这个方案基础上再改一个冬季涂装版”，我不用翻聊天记录大海捞针，直接让OpenClaw读取历史参数重新生成，一分钟开始新轮次。
5. 跑项目踩过的坑：问题排查与避坑心得
5.1 安装阶段的高频问题
Windows安装OpenClaw，出现“无法识别openclaw命令”是新手问得最多的问题。解决办法前面说了，重点检查PATH环境变量。如果PATH没问题，但依然报错，尝试用npx openclaw临时启动，或者在PowerShell里显式执行npm prefix -g目录下的openclaw.cmd文件。
还有一个高频坑是便携包解压后目录权限不足，导致OpenClaw在写入配置文件时失败。我建议不要把便携包放在C盘Program Files这类系统保护目录下，放到D盘用户目录下就没问题了。
Linux云服务器上部署时，OpenClaw可能会出现权限警告，提示“legacy exec approvals exist at /root/.openclaw/exec-approvals.json”。这个不是错误，只是提醒你旧的批准记录还在，不影响运行。如果要干净起步，可以备份后删除这个文件，让它重新建立批准记录。
5.2 模型调用失败和时间超时
接入首都在线MaaS后最常见的报错是连接失败和生成超时。连接失败多半是API Key填错或者地址写错，建议先打开平台控制台核对配置；生成超时则要检查两件事：一是本地网络到云端的连通性，二是输出图像的规格是否过高。我踩过几次坑是因为把图像分辨率设成了2048×2048，云端排队时间太长导致超时。
经验是，批量生成草稿阶段先用1024×1024，等确定方向进入精修阶段再提升分辨率。不仅速度更快，费用也更低。如果经常超时，可以适当调低并发数，让任务稳定排在队列里跑。
另外，OpenClaw支持自定义模型网关。如果你的项目需要使用特定渠道的特殊模型，不需要改代码，直接在配置文件里把端点指过去就行。要注意的是，不同的网关接口格式可能不一样，切换后最好先跑一张测试图确认参数兼容。
5.3 生成质量不稳定的处理
AI生成图像的不稳定性在批量任务里会被放大。同样的提示词，不同种子出来的图可能有的很惊艳，有的是完全不能看的废图。
我的处理方式是分两层。第一层，用固定提示词模板和统一画风后缀稳定基础质量；第二层，针对选中的方案，把种子锁定，然后用“局部重绘”或“图生图”的方式做迭代，而不是每次从头随机。这套逻辑同样可以让OpenClaw自动化：让它记录每次修改的种子和参数，然后以选中方案为基准，自动生成“种子邻近值”的多个变体，这样既保持了风格一致，又提供了细微差异供人挑选。
如果是角色身体结构经常崩坏，那问题的根源一般出在底模上。建议切换到对结构更友好的模型，或者控制提示词里不要叠加太多“风格化”词汇，给模型留出足够的结构还原空间。
5.4 效率与成本的平衡
云端API不是免费的，批量生成几百张图，费用会累计。这一点必须提前和项目预算对齐。
我习惯这样分配：需求发散阶段用速度最快、价格最低的基础模型，生成大量草图找感觉；方向确定后，再用高质量模型做精修和最终输出。这样可以最大程度节省成本，又不牺牲最终交付质量。
另外要把MaaS的并发设置给调到合理范围。并发太高会出现排队，太低则浪费带宽。首都在线MaaS控制台能看到实时调用量和延迟，我通常根据任务量和预算动态调整并发数，一般设在4到8之间比较平衡。
6. 关于AI辅助原画，我的一点实际体会
这套OpenClaw加首都在线MaaS平台跑下来，我最大的感受不是“AI会取代原画师”，而是“不会用AI的原画师会被会用的原画师拉开差距”。过去一周才能交付的工作量，现在一天搞定，并不是说画的难度降低了，而是流程里最繁琐的试错环节被极大压缩了，人可以把精力全部放在审美判断和风格打磨上。
最后再分享一个小建议：不要急着追求自动化到100%。我在最开始跑全自动流程时也翻过车，一次性生成的几百张图几乎都不能用，因为提示词模板没调好。一个好的工作习惯是先手动跑通10张图，搞清楚提示词参数和出图质量的关系后，再把整个流程托管给OpenClaw。工具可以是全自动的，但人的判断永远得在关键节点把关。