1. 项目概述：当免费AI绘画工具遇上“长猫”

最近在折腾自动化工作流，发现一个挺有意思的事儿。不少朋友在用n8n这个强大的开源自动化工具，去调用各种AI绘画API，比如Midjourney或者Stable Diffusion的在线服务。但一提到想用免费的、能画“长猫”（LongCat）这种梗图或者特定风格图片的AI，很多人就摇头，觉得在n8n里搞不定，或者流程太复杂。说实话，看到这种说法，我第一个反应就是：不服！

“长猫”这个梗，简单说就是那种身体被无限拉长的猫猫图片，带着点无厘头和幽默感，在社交媒体上特别受欢迎。而市面上确实存在一些提供免费额度、对生成这类趣味图片比较友好的AI绘画模型或平台。把它们和n8n结合起来，实现一个自动化的“长猫”生成器，或者更广泛地说，一个免费的创意图片自动化生产流水线，不仅完全可行，而且能玩出很多花样。

这个项目的核心价值在于，它打破了“免费AI绘画工具难以集成到自动化流程”的刻板印象。通过n8n，我们可以将零散的、需要手动操作的免费AI资源串联起来，构建稳定、可重复、甚至能根据特定触发条件（比如定时、收到关键词、监控到热点话题）自动运行的图片生成系统。无论是个人用来制作社交媒体内容、生成创意素材，还是小团队用于内容营销的初步尝试，都是一个成本极低、灵活性极高的解决方案。接下来，我就把自己搭建这套系统的完整思路、踩过的坑和实战经验，毫无保留地分享出来。

2. 核心思路与方案选型：为什么是n8n+免费AI绘画？

在决定用n8n调用免费AI画“长猫”之前，我们得先理清楚，为什么是这两个组合，以及有哪些具体的免费资源可以利用。

2.1 n8n作为自动化中枢的独特优势

n8n是一个基于节点的可视化工作流自动化工具。你可以把它想象成一个功能超级强大的“数字乐高”，每个节点代表一个具体的操作（比如读取文件、发送HTTP请求、判断条件、发送邮件等），通过连线把这些节点组合起来，就能构建出复杂的自动化流程。对于整合免费AI绘画API这类任务，n8n有几个无可替代的优势：

1. 强大的HTTP请求节点：这是核心。绝大多数免费AI绘画服务都通过Web API提供接口，n8n的HTTP Request节点可以非常灵活地配置请求方法、头部、参数和身体数据，完美适配各种API。
2. 出色的错误处理和重试机制：免费服务常有速率限制或不稳定情况。n8n节点可以设置重试次数、延迟，并能将失败流程导向错误处理分支，比如换一个备用API或发送通知，保障流程的鲁棒性。
3. 丰富的数据处理能力：AI绘画需要输入提示词（Prompt）。n8n可以轻松地从Excel、数据库、RSS订阅、社交媒体监听等节点获取数据，动态生成或优化Prompt，再喂给AI，实现“数据驱动创作”。
4. 成本为零：n8n可以完全自托管，你只需要一台自己的服务器（甚至是一台性能不错的旧电脑），就能永久免费使用其全部功能，没有任何订阅费用。这对于利用免费额度AI服务来说，是绝配。

2.2 免费AI绘画资源盘点与选型策略

免费AI绘画服务不少，但各有各的限制和特点。我们的选型需要围绕“能画长猫/趣味图”和“易于API集成”两个核心。

第一梯队：专有模型的免费额度这类通常是商业AI绘画平台提供的体验额度，质量高，但限制也明确。

• Replicate平台上的开源模型：Replicate托管了成千上万个AI模型，包括Stable Diffusion的各种变体。它提供免费的初始额度（约几美元），之后按次付费。优势是模型极多，可以通过搜索找到擅长动漫、插画、搞怪风格的模型，很可能有适合生成“长猫”风格的。其API文档清晰，非常适合n8n调用。
• Hugging Face Inference API：与Replicate类似，HF也提供大量模型和免费的API调用额度。一些社区训练的有趣模型，比如专门生成“猫咪在奇怪地方”的模型，就可以在这里找到。需要一定的技术眼光去筛选。
• 国内部分平台的体验接口：一些国内AI绘画平台为了吸引开发者，会提供有限的免费API调用次数。这些通常对中文Prompt理解更好，但需要仔细阅读其使用条款，确认是否允许自动化调用以及是否支持我们想要的风格。

第二梯队：完全免费的开源自托管模型这是最自由但技术要求最高的方案。

• Stable Diffusion WebUI (Automatic1111) 的API：如果你有一张不错的显卡（NVIDIA，显存6GB以上），可以在自己的电脑或服务器上部署Stable Diffusion WebUI，并启用其内置的API。这样，你就拥有了一个完全免费、无限次调用、且可以安装任何LoRA（风格模型）来定制“长猫”风格的私有AI绘画服务。然后，n8n通过HTTP请求调用本地或内网的API地址即可。这是实现“长猫自由”的终极方案，但前期部署有一定门槛。

选型决策要点：对于大多数想快速上手的用户，我推荐从Replicate开始。它的免费额度足够进行大量测试，模型库丰富，API简单。我们可以先找到一个生成“卡通猫”、“夸张动物”效果好的模型进行试验。对于有硬件条件、追求完全控制权和长期免费的用户，则应该考虑自托管Stable Diffusion。

注意：无论选择哪种免费服务，都必须严格遵守其服务条款（Terms of Service）。重点关注：是否禁止自动化调用（很多免费服务禁止）、每日/每月调用次数限制、生成图片的版权和用途规定。滥用可能导致封禁。

2.3 “长猫”Prompt的工程化设计思路

要让AI理解“长猫”，光靠“long cat”这个词可能不够。我们需要设计更有效的Prompt（提示词）。在自动化流程中，Prompt可以是模板化的。

一个基础的“长猫”Prompt模板可能是：“a cat with an extremely elongated, slender body, stretching across the entire image, in a playful and cartoonish style, trending on artstation, digital art”（一只身体极度拉长、纤细的猫，横跨整个图像，风格 playful 且卡通化，artstation 趋势，数字艺术）

在n8n里，我们可以这样工程化地处理Prompt：

1. 变量替换：从数据源（如一个热门话题列表）读取关键词，动态插入到Prompt模板中。例如，将{scene}替换为“on top of the Eiffel Tower”（在埃菲尔铁塔顶上）。
2. 风格循环：准备多个风格关键词（如“watercolor painting”, “pixel art”, “cyberpunk”），让n8n循环调用API，用同一主题生成不同风格的“长猫”。
3. 负面提示词（Negative Prompt）：这是提升出图质量的关键。固定使用一些通用的负面词，如“deformed, blurry, bad anatomy, disfigured, poorly drawn face, mutation, extra limb”，可以有效减少AI生成畸形图片的概率。

3. 实战构建：基于Replicate API的n8n自动化“长猫”生成器

我们以Replicate平台为例，展示一个完整的n8n工作流构建过程。这个工作流将实现：定时触发 -> 从预设列表选取随机主题 -> 构造Prompt -> 调用Replicate API生成图片 -> 将图片保存到本地并重命名。

3.1 前期准备与环境配置

1. 获取Replicate API Token：

   • 访问Replicate官网注册账号。
   • 在账户设置中找到API Tokens页面，生成一个新的Token。妥善保存，它只会显示一次。

2. 在n8n中配置Replicate凭证：

   • 打开你的n8n实例（自托管或云版）。
   • 进入Settings->Credentials。
   • 点击Add Credential，选择HTTP Request类型（因为Replicate API本质是HTTP请求）。
   • 在凭证设置中，Name填写“Replicate API”，Headers部分添加一个键值对：
     • Key:Authorization
     • Value:Token <你的Replicate API Token>（注意Token后面有个空格）。
   • 保存凭证。

3. 选择一个合适的模型：

   • 在Replicate模型库中搜索。例如，我们可以使用stability-ai/stable-diffusion这个基础模型，或者更专业的cjwbw/anything-v4.0（擅长动漫风格）。记下模型的版本ID，如stability-ai/stable-diffusion:27b93a2413e7f36cd83da926f3656280b2931564ff050bf9575f1fdf9bcd7478。

3.2 n8n工作流节点详解

我们将创建一个包含以下核心节点的工作流：

节点1: Schedule Trigger (定时触发器)

• 作用：设定工作流自动运行的时间规则，例如每天上午9点运行一次。
• 配置：选择Cron表达式。例如，0 9 * * *代表每天9:00运行。你可以根据需要调整，比如每小时运行一次（0 * * * *）。

节点2: Code Node (代码节点) 或 Function Node

• 作用：生成随机的“长猫”场景主题，并构建完整的Prompt和参数。
• 配置（使用JavaScript）：

  // 定义一个场景数组 const scenes = [ "sleeping on a giant keyboard", "stretching across a starry galaxy", "as a noodle in a soup bowl", "wrapped around a skyscraper", "in a library between bookshelves" ]; // 随机选择一个场景 const randomScene = scenes[Math.floor(Math.random() * scenes.length)]; // 构建正面提示词 const positivePrompt = `a cute cat with an extremely long and slender body, ${randomScene}, cartoon style, vibrant colors, clean lines, trending on artstation.`; // 负面提示词 const negativePrompt = "deformed, blurry, bad anatomy, disfigured, poorly drawn face, mutation, extra limb, ugly, poorly drawn hands, missing limb, floating limbs, disconnected limbs, malformed hands, out of focus, long neck, long body, mutated hands, cloned face"; // 准备输出给下一个节点的数据 const output = [{ json: { prompt: positivePrompt, negative_prompt: negativePrompt, // Replicate API 常用参数 width: 512, height: 768, // 使用竖版更易体现“长”感 num_outputs: 1, num_inference_steps: 30, guidance_scale: 7.5, seed: -1, // -1 表示随机种子 scene: randomScene // 顺便把场景也传下去，用于后续命名 } }]; return output;

节点3: HTTP Request Node (HTTP请求节点)

• 作用：调用Replicate API的预测（Prediction）端点，提交生成任务。
• 配置：
  • Request Method:POST
  • URL:https://api.replicate.com/v1/predictions
  • Authentication: 选择之前创建的Replicate API凭证。
  • Send Body:true
  • Body Content Type:JSON
  • JSON Body:

    { "version": "27b93a2413e7f36cd83da926f3656280b2931564ff050bf9575f1fdf9bcd7478", "input": { "prompt": "={{ $json.prompt }}", "negative_prompt": "={{ $json.negative_prompt }}", "width": "={{ $json.width }}", "height": "={{ $json.height }}", "num_outputs": "={{ $json.num_outputs }}", "num_inference_steps": "={{ $json.num_inference_steps }}", "guidance_scale": "={{ $json.guidance_scale }}", "seed": "={{ $json.seed }}" } }

    注意：这里使用了n8n的表达式={{ $json.xxx }}来引用上一个节点输出的数据。

节点4: Wait Node (等待节点)

• 作用：Replicate API是异步的，提交任务后会立即返回一个状态为starting或processing的响应。我们需要等待任务完成。
• 配置：
  • Resume After: 选择After Time Interval。
  • Wait Amount:10(单位：秒)。这是一个初始等待时间，通常不够，我们主要用它衔接下一个循环节点。

节点5: Do Until Node (循环执行直到条件满足)

• 作用：循环查询预测任务的状态，直到它变为succeeded或failed。
• 配置：
  • Max Iterations: 设为30，防止因意外导致无限循环。
  • Options->Sleep After Each Iteration:true，并设置Sleep Time为5000毫秒（5秒）。这是查询间隔，避免请求过于频繁。
  • 在Do Until节点内部，需要放置两个子节点：
    1. HTTP Request Node (子节点1 - 查询状态)：
       • Method:GET
       • URL:https://api.replicate.com/v1/predictions/={{ $json.id }}(这里的id是节点3返回的预测任务ID)
       • Authentication:Replicate API
    2. IF Node (子节点2 - 判断状态)：
       • 条件设置：{{ $json.status }}equalssucceeded。当状态为成功时，循环结束。
  • Do Until节点的End Flow If条件可以设置为：{{ $json.status }}equalssucceeded或failed。

节点6: HTTP Request Node (下载图片)

• 作用：当任务成功后，从API返回的output字段（一个URL数组）中下载生成的图片。
• 配置：
  • Request Method:GET
  • URL:={{ $json.output[0] }}(假设只生成一张图)
  • Response Format:File
  • Binary Property: 填写一个名称，例如imageData。这个属性将保存图片的二进制数据。

节点7: Write Binary File Node (写入二进制文件)

• 作用：将下载的图片保存到服务器本地磁盘。
• 配置：
  • File Path:=/data/longcat_images/{{ $json.scene }}_{{ $now.format(\"YYYY-MM-DD_HH-mm-ss\") }}.png
    • /data/longcat_images/是你服务器上用于存储图片的目录，请确保n8n有写入权限。
    • {{ $json.scene }}来自我们代码节点生成的随机场景。
    • {{ $now.format(...) }}是当前时间戳，确保文件名唯一。
  • File Name: 可以留空，因为路径已包含文件名。
  • Data Property:imageData(与上一个节点设置的Binary Property名称一致)。

至此，一个完整的自动化“长猫”生成流水线就构建完成了。启动工作流后，它将按计划运行，每天为你生成一张随机场景的“长猫”图，并自动保存。

4. 进阶技巧与深度优化方案

基础流程跑通后，我们可以从稳定性、成本控制和创意多样性上进行深度优化。

4.1 提升稳定性与错误处理

免费API服务的不稳定性是最大挑战。我们必须构建健壮的错误处理机制。

1. API降级与备用方案：

   • 在调用Replicate的HTTP Request节点后，连接一个IF节点，判断响应状态码是否为429（请求过多）或5xx（服务器错误）。
   • 如果触发错误，将流程导向一个备用路径。例如，可以准备另一个免费AI绘画服务的API（如Hugging Face），或者切换到一个更简单、消耗资源更少的模型版本。
   • 在n8n中，这可以通过在错误分支上配置第二个HTTP Request节点来实现，并利用Run Once或Merge节点来确保最终只有一个输出。

2. 精细化重试逻辑：

   • 不要简单地在HTTP节点上设置重试。更好的做法是利用Catch节点（在节点设置中启用）。当主流程节点（如API调用）出错时，Catch节点会捕获错误，并可以将错误信息（如“额度不足”、“模型加载失败”）传递给后续处理节点。
   • 后续节点可以分析错误信息，如果是暂时的服务器问题，可以等待更长的时间（如10分钟）后，通过Wait节点再触发一次重试；如果是额度问题，则可以发送通知邮件，并暂停工作流。

3. 结果验证与质量过滤：

   • AI生成图片有一定失败率（如生成黑图、扭曲的图片）。可以在下载图片后，添加一个Code节点，使用简单的图像处理库（如jimp，可通过n8n的npm模块安装）进行基础验证。
   • 检查图片的平均亮度（避免全黑）、色彩丰富度，或者使用一个轻量级的CLIP模型来评估图片内容与Prompt的匹配度。只有通过验证的图片才被保存，否则触发重新生成或记录日志。

4.2 成本控制与免费额度最大化策略

免费额度弥足珍贵，必须精打细算。

1. 参数调优以降低计算成本：

   • num_inference_steps（推理步数）：这是影响生成时间和计算成本的关键参数。步数越多，细节可能越好，但成本越高。对于“长猫”这种卡通风格，完全可以从默认的50步降低到20-30步，在质量和成本间取得良好平衡。需要通过实验找到最低可接受值。
   • width和height（图片尺寸）：尺寸越大，消耗的计算资源呈平方增长。512x768或512x512通常是性价比最高的选择，完全满足网络分享需求。除非必要，不要轻易尝试1024x1024。
   • 利用模型缓存：Replicate等平台在短时间内使用相同模型版本进行多次预测时，可能会有模型缓存，第二次及之后的请求会更快、成本可能略低。因此，可以将工作流设计成在短时间内批量生成同一风格但不同主题的图片，而不是分散在一天内。

2. 多账户与多服务轮询：

   • 如果需求量大，可以注册多个Replicate账号（使用不同的邮箱），每个账号都有初始免费额度。
   • 在n8n中，可以创建一个“凭证池”。工作流运行时，从一个池中随机或轮流选取一个API Token进行调用。这需要更复杂的逻辑，但能显著延长免费资源的使用时间。
   • 同样，可以整合Hugging Face Inference API等其他服务的免费额度，在n8n中根据情况智能选择调用哪个服务。

4.3 创意扩展：从“长猫”到自动化内容生产

这套系统的真正威力不在于生成一张图，而在于成为一个自动化的内容引擎。

1. 热点话题驱动生成：

   • 用RSS Feed Read节点订阅科技、娱乐新闻的RSS。
   • 用HTML Extract节点或Code节点从新闻标题中提取关键词。
   • 将这些关键词动态填入我们的“长猫”Prompt模板中。例如，热点是“月球探索”，Prompt就变成“a long cat stretching across the surface of the moon...”。这样生成的图片就具备了时效性和话题性。

2. 社交媒体自动发布：

   • 在保存图片后，连接Twitter节点或Discord节点（n8n内置了这些应用的节点）。
   • 将生成的图片和一段有趣的描述（可以结合Prompt中的场景）自动发布到社交媒体账号上，打造一个全自动的“趣味AI绘画博主”。

3. 风格融合与模型混合：

   • 不要局限于一个模型。可以设计一个工作流，先用模型A生成一张“长猫”的线稿，再用模型B（擅长上色和渲染）对线稿进行图生图（img2img）处理。
   • 这需要更复杂的流程编排：第一个API调用生成图片并保存URL，第二个HTTP Request节点调用另一个模型的API，并将第一个图片的URL作为image参数传入。这能创造出单一模型无法达到的混合风格效果。

5. 常见问题与故障排查实录

在实际搭建和运行过程中，你几乎一定会遇到下面这些问题。这里是我踩过坑后的解决方案。

5.1 API调用失败相关问题

5.2 图片生成质量相关问题

5.3 n8n工作流执行问题

5.4 关于自托管Stable Diffusion的特殊问题

如果你选择了自托管SD WebUI的方案，还会遇到一些独特问题：

• API无法连接：确保启动SD WebUI时添加了--api参数。检查防火墙是否开放了SD WebUI的端口（默认7860）。在n8n中调用时，URL应为http://你的服务器IP:7860/sdapi/v1/txt2img。
• 显存不足（CUDA out of memory）：这是最常见的问题。在n8n的HTTP请求中，减少生成图片的batch_size（一次生成的张数），降低图片width和height。在SD WebUI的设置中，可以启用--medvram或--lowvram参数启动，以优化显存使用。
• 生成速度慢：自托管的速度取决于你的显卡。除了升级硬件，可以尝试使用更快的采样器（如Euler a,DPM++ 2M Karras），减少num_inference_steps。使用--xformers参数启动SD WebUI也能显著提升速度。

最后，一个非常重要的心得是：日志是你的好朋友。在n8l的每个关键节点后，尤其是HTTP请求和代码节点后，习惯性地添加一个Code节点，用console.log或$node.log输出中间数据（如生成的Prompt、API返回的状态、图片URL）。当工作流不按预期运行时，这些日志是定位问题最快的方式。自动化流程的搭建就是一个不断调试、优化和迭代的过程，每一次问题的解决都会让你对系统和工具的理解更深一层。