小红书爆款首图生成prompt v0.1

由于平时需要在小红书,抖音,公众号等自媒体平台发布一些内容,其中一个需求就是需要一个亮眼的首图,特别是小红书,首图效果好坏会直接决定推流的效果。

受到李继刚老师一系列 Prompt 的启发,创作了下面这个小红书爆款首图 prompt 模板,基本符合需求,大家可以也可以用用看

目前效果最好的还是在 Claude Sonnect 里,其他的我也不太想折腾。

随机生成五种风格,生成的风格会契合文案内容,总有一款你会喜欢。

之所以使用 Html 代码,是因为需要一些炫酷的反差比较大效果,

这些用 Html 控制会灵活一些,也方便后期手动调整。


使用特别简单,输入标题即可

其他内容都是自动生成的。

大部分时候是非常 OK 的,元素都非常贴合主题。


当然,可以调整下面的 prompt 模板,换成适合你的。

比如你可以换成抖音,B 站,公众号首图,它会自动调整相应尺寸。

如果有不 follow 的情况,直接把 prompt 再甩给它就行。

大概调试了 30 版以上,修复了一些小的瑕疵。


玩儿的开心!

后续会分享更多类似 Prompt,点个关注不迷路,三连走起来!!


贴几个效果图:

;; 作者: 一支烟花AI社区
;; 版本: 0.1
;; 模型: Claude Sonnet
;; 用途: 小红书爆款首图生成
;; 设定如下内容为你的 *System Prompt*

;;; 要求:
1. 图片尺寸为750x1000像素,符合小红书推荐的3:4比例。
2. 设计应适合移动端显示。
3. 每个设计都应包含主题内容,并进行夸张的艺术创作以最大化吸引力。
4. 随机提供5种截然不同的风格
5. 每个设计都应包括:
   - 醒目的标题,使用输入内容
   - 简洁的描述或副标题
   - 与主题相关的图形元素或SVG图标
   - 设计3个简短的要点回答,每个不超过15个字,每个回答前使用一个相关emoji
   - 使用吸引人的背景色
   - 设计一个具有视觉冲击效果,震撼,炫酷效果的图案
   - 图案和文案排版可以很好的融合,图案至少占比二分之一
   - 不要动态效果,直接生成最终效果
6. 使用内联CSS样式,确保代码可以直接使用。
7. 考虑使用渐变、动画或其他视觉效果来增强吸引力。
8. 字体大小和元素尺寸应适合移动设备阅读。
9. 在HTML中使用了SVG元素,而不是通过背景图像URL来引入SVG。确保动画效果正常显示,同时避免代码显示问题

请为每种风格提供完整的HTML代码,并简要解释每种设计的特点和目标受众。


;;; Attention: 运行规则!
  ;; 1. 接收用户输入之后, 根据输入内容和模板生成相关内容
  ;; 2. 严格按照模板要求输出
  ;; 3. 每种风格参考现有小红书对应爆款首图效果,一定要美,吸引人
  ;; 4. No other comments!!
<think>我们正在创建一个专门用于生成小红书爆款图文的AI模型。根据引用内容,我们需要结合创意、热门趋势、幽默元素和独特排版设计。以下是从零开始的详细步骤: ### 一、需求分析与目标设定 1. **功能定义**(参考引用[1][5]): - 输入:热点话题关键词/原始文案/图片素材 - 输出: - 三个版本的文案(保守/优化/创意版)[^5] - 符合小红书审美的图文排版方案 - 核心能力: - 热点捕捉(整合每日热点库[^3][^4]) - 风格仿写(保持原意并优化表达[^5]) - 视觉设计建议(色彩/字体/布局[^1]) ### 二、技术选型 1. **基础模型**: - 文案生成:选用微调后的`GPT-3.5/4`或开源替代(如`Llama 3`)[^5] - 视觉设计:使用多模态模型`Yi-VL 6B`(开源)或`DALL·E 3` 2. **辅助工具**: - 热点抓取:`Scrapy`爬虫框架(采集小红书/抖音热榜[^3]) - 图文排版:`Pillow`图像处理库实现自动化设计 ### 三、数据集构建 ```python # 示例数据结构(JSONL格式) { "original_text": "夏日必备防晒霜 SPF50+ PA++++ 清爽不油腻", # 原始文案 "image_desc": "白色防晒霜瓶子放在沙滩上", # 图片描述 "rewrite_1": "夏季防晒推荐...", # 保守版改写 "rewrite_2": "今夏防晒天花板...", # 创意版改写[^5] "design_spec": { # 设计规范 "color_palette": ["#FF9EAA", "#5AC8FA"], # 配色方案 "font": "站酷小薇体", "layout_type": "右文左图" } } ``` **数据来源**: 1. 爬取小红书热门笔记(使用`Apify`工具,注意遵守`robots.txt`) 2. 公开数据集:`COCO`(图片描述)、`ChineseNLP`(中文文案) ### 四、模型训练流程 #### 1. 文案生成模型微调(LoRA高效微调) ```python from peft import LoraConfig, get_peft_model # LoRA配置(减少90%训练参数) peft_config = LoraConfig( r=8, target_modules=["q_proj", "v_proj"], task_type="CAUSAL_LM" ) model = AutoModelForCausalLM.from_pretrained("Llama-3-8B-Chinese") model = get_peft_model(model, peft_config) # 注入LoRA层 ``` **训练参数**: ```bash deepspeed --num_gpus=2 train.py \ --batch_size_per_gpu 16 \ --learning_rate 3e-4 \ --epochs 5 \ --dataset_path ./xiaohongshu_rewrite.jsonl ``` #### 2. 视觉设计模型训练(多模态适配) ```python # 使用CLIP对齐图文特征 model = YiVLForCausalLM.from_pretrained("Yi-VL-6B") processor = AutoProcessor.from_pretrained("Yi-VL-6B") # 输入:图片+文案→输出设计参数 inputs = processor( text="生成夏日风格排版", images=design_example, return_tensors="pt" ) outputs = model(**inputs) # 预测布局/配色 ``` ### 五、系统整合(参考引用[5]) ```mermaid graph LR A[用户输入] --> B{热点分析模块} B --> C[爬取当日热门话题] A --> D[原始文案/图片] D --> E[文案改写模型] C --> E E --> F[生成三个版本文案] F --> G[图文排版引擎] G --> H[输出PNG/PSD文件] ``` ### 六、部署优化 1. **量化压缩**:使用`GPTQ`将8B模型压缩至4bit(仅需5GB显存) ```bash python quantize.py --model Yi-VL-6B --bits 4 --group_size 128 ``` 2. **API服务**: ```python from flask import Flask, request app = Flask(__name__) @app.route('/generate_post', methods=['POST']) def create_post(): data = request.json # 调用文案改写模型 rewritten = rewrite_model.generate(data["text"]) # 调用设计模型生成排版 design = design_model.predict(rewritten, data["image"]) return {"design": design, "versions": rewritten} ``` ### 七、测试用例 ```python 输入 = { "text": "周末宅家追剧零食清单", "image": "零食照片.jpg" } 输出 = { "文案": [ "保守版:周末追剧必备零食推荐...", "创意版:刷剧嘴停不下来?这9款零食承包你的快乐周末!" ], "设计参数": { "main_color": "#FFD1DC", "font": "阿里妈妈数黑体", "layout": "交错图文" } } ``` ### 关键挑战与解决方案 | 问题 | 解决方法 | 工具 | |---------------------|-----------------------------------|--------------------------| | 文案同质化 | 增加随机性温度系数(temp=0.9) | GenerationConfig | | 设计风格单一 | 构建风格向量库(插值生成新风格) | StyleGAN2-ADA | | 热点更新延迟 | 每30分钟爬取一次热榜 | Scrapy + CronJob | --- §§ 相关问题 §§ 1. 如何合法获取小红书平台数据进行训练? 2. 在没有GPU的情况下如何低成本运行该模型? 3. 如何评估生成文案的"爆款潜力"? 4. 图文排版设计如何适配不同手机屏幕尺寸? </think>### 从01构建小红书爆款图文生成模型的详细步骤 #### 一、需求分析与目标设定 1. **核心功能定义**(参考引用[1][5]): - 生成高趣味性段子(幽默诙谐、脑洞大开) - 精准捕捉流行热点和平台趋势(整合热点库[^3][^4]) - 自动化图文排版(色彩鲜明、符合小红书审美[^1]) - 多版本创作能力(保守/优化/创意三版本[^5]) 2. **性能指标**: - 响应时间:单次生成<5秒 - 原创性:文案重复率<15%(参考引用[3]) - 爆款率:生成内容点赞转化率>行业平均30% #### 二、技术栈选型 ```mermaid graph LR A[基础模型] --> B1(Llama 3 8B) A --> B2(Yi-VL 多模态模型) C[训练框架] --> D1(HuggingFace Transformers) C --> D2(PEFT高效微调) E[部署工具] --> F1(vLLM推理优化) E --> F2(Flask API) ``` #### 三、环境搭建(GPU服务器) ```bash # 1. 创建虚拟环境 conda create -n xhs-gen python=3.10 -y conda activate xhs-gen # 2. 安装核心库 pip install torch==2.1.2 transformers==4.38 peft==0.8.2 pip install pillow opencv-python # 图文处理 # 3. 多模态支持 pip install git+https://github.com/01-ai/Yi.git # Yi-VL视觉语言模型 ``` #### 四、数据集构建(关键步骤) 1. **数据来源**: - 爬取小红书热门笔记(使用`Apify`工具,遵守`robots.txt`) - 导入热点新闻库(每日更新[^3][^4]) - 收集行业爆款文案(美妆/穿搭/美食等垂直领域) 2. **数据结构示例**: ```json { "prompt": "夏日防晒产品文案", "image_desc": "海滩阳光下的防晒霜", "versions": { "conservative": "清爽防晒SPF50+", "optimized": "今夏防晒天花板!水感不黏腻", "creative": "☀️太阳见了都投降的‘隐形防护盾’" }, "design_spec": { "color_palette": ["#FFD1DC", "#87CEEB"], "font": "站酷快乐体", "layout": "右图左文" } } ``` #### 五、模型训练流程 1. **文案生成模型微调**: ```python from peft import LoraConfig, get_peft_model # 初始化LoRA配置(减少90%训练参数) peft_config = LoraConfig( r=8, target_modules=["q_proj", "v_proj"], task_type="CAUSAL_LM" ) # 加载基础模型 model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3-8B") model = get_peft_model(model, peft_config) # 训练配置(单卡RTX4090可运行) training_args = TrainingArguments( output_dir="./xhs_copywriter", per_device_train_batch_size=4, gradient_accumulation_steps=8, learning_rate=2e-4, num_train_epochs=3 ) ``` 2. **多模态图文模型训练**: ```python # 加载视觉语言模型 vl_model = YiVLForCausalLM.from_pretrained("Yi-VL-6B") processor = AutoProcessor.from_pretrained("Yi-VL-6B") # 输入:文案+图片 → 输出:排版方案 inputs = processor( text="防晒霜文案", images=image, return_tensors="pt" ) outputs = vl_model(**inputs) # 预测设计参数 ``` #### 六、系统集成部署 1. **架构设计**: ```mermaid sequenceDiagram User->>+API: 输入主题/关键词 API->>+文案模型: 生成三段式文案 API->>+多模态模型: 请求图文设计 多模态模型-->>-API: 返回排版参数 API->>+渲染引擎: 合成最终图文 渲染引擎-->>-User: 输出PNG/PSD文件 ``` 2. **API服务封装**: ```python from flask import Flask, request app = Flask(__name__) @app.route('/generate', methods=['POST']) def generate_post(): # 1. 获取用户输入 theme = request.json['theme'] # 2. 调用文案模型 copy_result = copy_model.generate(theme, max_length=100) # 3. 调用设计模型 design_spec = design_model.predict(copy_result['optimized']) # 4. 图文合成 final_image = renderer.compose( text=copy_result, design=design_spec ) return final_image ``` #### 七、效果优化策略 1. **爆款率提升**: - 热点实时更新:每30分钟同步热点库[^3] ```python # 热点更新定时任务 scheduler.add_job(update_hot_topics, 'interval', minutes=30) ``` - A/B测试:同时生成10组方案→筛选点赞预测最高组(使用CTR预测模型) 2. **原创性保障**: - 集成去重算法(MinHash LSH) ```python from datasketch import MinHashLSH lsh = MinHashLSH(threshold=0.7) # 设定相似度阈值 ``` #### 八、测试验证 ```python # 输入测试 input_theme = "情人节礼物推荐" output = generate_post(input_theme) # 验证输出 assert len(output['versions']) == 3 # 应有三个版本 assert output['design']['color_palette'] != [] # 配色方案非空 print("生成文案示例:", output['versions']['creative']) # 预期:"💘TA收到尖叫的暗恋神器!小心机让关系秒升温~" ``` ### 关键问题解决方案 | 阶段 | 挑战 | 解决方案 | |------------|---------------------------|------------------------------| | 文案原创性 | 平台重复检测 | 语义扰动+句式重构算法[^3] | | 热点捕捉 | 趋势更新快 | 实时爬虫+GPT-4摘要 | | 视觉设计 | 风格不符合平台调性 | 小红书TOP1000笔记风格聚类 | ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一支烟一朵花

所有打赏将用于一支烟花AI社区

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值