English · 简体中文

一个给 AI Agent 用的生图技能。装好之后，你用平时说话的方式告诉你的 Agent，它就会替你打开 Qwen Studio（千问，chat.qwen.ai），把你要的画面填进去，等画完，把全尺寸原图存到你电脑的「图片」文件夹里。

不需要 API Key，不按张收费，不用注册任何第三方服务。

装好之后，跟你的 Agent（Claude Code、Codex、WorkBuddy……都行）说人话就行：

用千问帮我画一张：樱花树下的和服少女，二次元插画，3:4

剩下的——打开网页、选模型、填提示词、等出图、存原图——全是它替你干。你在网页上能用什么模型，它就能用什么模型；网页给你多大尺寸的图，它就存多大的图。

"帮你点网页"的技能到处都是。真正决定画质好坏的，是交给网页的那句话怎么写。

这个技能自带一份实测过的提示词配方（references/prompt-recipes.md，针对 Qwen-Image 3.0）：

• 两套公式 —— 视觉类：主体 → 景别 → 视角 → 镜头 → 光线 → 风格 → 质感；信息类（海报 / 信息图 / 分镜 / UI）按创意简报七段写，别用"美图思维"
• 三档填空模板 —— 最小可用（≥120 字）/ 标准（250–400 字）/ 信息型
• 8 类现成配方，直接能抄 —— 写实人像、二次元立绘、街头时尚、风景建筑、产品商业、信息型海报、分镜多格、UI 概念图
• 六种反例及改法 —— 堆"8K / 杰作 / 大师作品"、写两个风格标签、"一个女生"就提交、描述复杂手部动作、用"不要 XX"表达排斥（网页端没有反向提示词入口，否定词会被忽略）……
• 提交前 5 秒自检表

而且这条是写进技能规则的：你只给一句话（比如"来张猫"）时，Agent 必须先按模板补全再提交，不许原样丢给网页——"随手一句"和"能用的图"，差别就在这。

市面上"免费生图 API"一般来自聚合站，而聚合站有两个老毛病：模型可能被悄悄换成廉价旧款，画质经常被降档。

这个技能直接驱动浏览器用网页版，绕开中间商：你账号下是什么模型就是什么模型，网页出多大图就存多大图（3:4 ≈ 1792×2400 全尺寸原图，不是缩略图）。

因为 Qwen Studio（chat.qwen.ai）可以免费畅用 Qwen-Image 3.0，而国内版千问不行——额度、入口都不一样。

这个技能打的就是这个网页版，所以你能免费用上最新的 3.0。

存下来的是全尺寸原图（脚本剥掉了网页的缩略图参数），不是页面上那个小缩略图：

尺寸是从 PNG 文件头里读出来的真实数值，不是估算。

实测：一次完整生图约 50 多万 token（走 Agent 调用，含脚本往返）。

为什么能压在这个量级——因为这套流程全程不看图：

• 不截图：判定"出图完成"靠 DOM 事实（图片元素的真实尺寸、状态栏模型名、画幅标签），而不是反复截图给模型看。图片进上下文是最贵的开销之一。
• 推理在脚本里：怎么点、何时重试、如何抓原图，全写在脚本中；Agent 只发一条命令、收一行 JSON。
• 失败有结构化出口：出错返回 {"error":"..."}，不用 Agent 反复试探页面找原因。

和同类项目比：其他"浏览器代驾 / Computer Use"类方案通常走「边做边截图 → 把截图和整页 DOM 回传给模型 → 模型再决策」的循环，单次常是百万级 token（按机制推算的量级，随步数与模型而变，不点具体项目）。本技能把这些判断前移到了脚本层，所以更省。

它不会帮你登录，也永远不会碰你的账号和密码。

它用的，是浏览器里已经登录着的那个千问。所以第一次用之前，先在 Tabbit 浏览器里打开 chat.qwen.ai 登录好。登录这件事，它替不了你，也不该替你。

这个技能最大的特点：它驱动的是给 Agent 用的浏览器。

这类浏览器现在还很少：Mac 上有 ego lite（lite.ego.app，目前仅 macOS），Windows 上主要是 Tabbit——本技能用的就是它。

都是发给 Agent 的话，复制粘贴就行。

第一步 · 装，把下面这句话复制给你的 Agent（右上角有复制键）：

请把 https://github.com/shangshansuchi-del/qwen-free-imagegen-skill 下载到我的技能文件夹里，然后读一下 SKILL.md。

第二步 · 用，把下面这句复制给它（照抄就能看出效果，之后随便改成你想要的）：

用 Qwen Studio 帮我生成一张：日系动画半身立绘，银灰渐变双马尾少女，琥珀色大眼，白色水手服配深蓝领结，樱花纷飞的校园走廊，午后金光穿过枝叶洒下光斑，柔和赛璐璐上色，发丝高光细腻，3:4

第一次跑之前：在 Tabbit 浏览器里登录好 chat.qwen.ai（见上面 ⚠️）。

两个小提醒：

• 别让它被掐断：出图要几十秒到几分钟，而很多命令行工具默认 2 分钟没结果就把进程掐了——一掐就前功尽弃，你只会看到一片空白。所以跟 Agent 说一句：「超时设成 10 分钟，别催它」
• 先体检再开跑：让 Agent 跑一次体检（见技术细节的 --doctor），一次问清楚用哪个后端、要不要配 CDP——报错一次就是白烧一轮 token，别等报错再返工
• 画完 Agent 会把图片的保存路径报给你

默认存在你电脑的「图片」文件夹下的 qwen-imagegen 子文件夹里：

• Windows：C:\你的用户名\Pictures\qwen-imagegen
• Mac / Linux：~/Pictures/qwen-imagegen

什么都不用配置，装好就能用。 想换个地方存？跟 Agent 说一声就行（它支持指定路径，也有环境变量开关，见下面的技术细节）。

如果屏幕上什么都没显示，那就是失败了，直接再跑一次。 这不是"还在画"。

scripts/qwen_image.sh 是唯一入口：预检浏览器 → 复用上次的标签组和对话（同一对话延续，不散落）→ 驱动页面选「图像生成」模式、锁定 Qwen-Image 3.0、填提示词提交 → 轮询 DOM 等完成 → 抓去掉 OSS 缩图参数的全尺寸原图 → 存 PNG → 打印结果。

成功时输出一行 JSON（width/height 从 PNG 头读出，是真实尺寸，不是页面 450px 缩略图）：

{"path":"C:/you/Pictures/qwen-imagegen/qwen-20260926-001530.png","bytes":5904848,"width":1792,"height":2400,"model":"Qwen-Image 3.0","ratio":"3:4"}

命令行第三参数  >  环境变量 QWEN_IMAGEGEN_OUT_DIR  >  默认 ~/Pictures/qwen-imagegen

平时让 Agent 干就行；排查问题时才用：

/usr/bin/bash.exe "<技能目录>/scripts/qwen_image.sh" "<提示词>" [画幅] [输出路径]
# 超时后只补跑下载（仅限一次）：
/usr/bin/bash.exe "<技能目录>/scripts/qwen_image.sh" --fetch "<输出路径>"

第一步 · 给浏览器开"调试门"——CDP 不会自己生效，得让 Chrome / Edge 把门打开，Playwright 才能接管它：

用 Tabbit 的话不需要这一步：Tabbit 有自己的专用通道（本技能默认就走它）。CDP 这条路是给用 Chrome / Edge 的人准备的。

⚠️ CDP 路线的已知代价：千问可能认出这是自动化并弹出人机验证，需要你手动过一次（脚本会报 verification-required 明确提示）。Tabbit 路线不会触发这个——它本来就是给 Agent 用的浏览器。

1. 完全退出 Chrome / Edge（托盘里也要退出，否则启动参数会被忽略）

2. 带参数重新启动：

   • Windows · Edge："C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" --remote-debugging-port=9222
   • Windows · Chrome："C:\Program Files\Google\Chrome\Application\chrome.exe" --remote-debugging-port=9222
   • macOS：/Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome --remote-debugging-port=9222

   （调试端口没法对已经开着的浏览器事后补开，所以只能带参数重启一次）

3. 验证门开了没：浏览器里打开 http://127.0.0.1:9222/json/version，能看到一串 JSON（里面有 "Browser" 字样）就成了

4. 然后正常登录 chat.qwen.ai——登录态就留在你自己的浏览器里，脚本只是接过去用

嫌自己敲麻烦？让 Agent 帮你：第一次用的时候它会先跑一次体检（--doctor，见下一节），发现两个后端都不可用时，会问你一句"现在帮你把浏览器重启一次、把调试端口开好吗？"——你点头，它就关掉浏览器再带参数拉起来。**用的是你原来的用户配置，登录态不会丢。**一次就好，别等报错再返工。

第二步 · 装一次依赖（只有 CDP 这条路需要；Tabbit 用户跳过）：

npm install playwright-core

在技能目录下跑一次（约 14 MB，纯库、不含浏览器）。装完 --doctor 会显示 "playwright_core":1，就算就绪。

⚠️ 两个提醒：

• 这个端口只开在本机（127.0.0.1），别把它暴露到局域网或公网——那等于把浏览器控制权交给别人
• 用完把带参数的浏览器窗口关掉，门就关了

/usr/bin/bash.exe "<技能目录>/scripts/qwen_image.sh" --doctor

不开浏览器、不消耗额度、秒级返回，只回答一个问题：这台机器该用哪个后端？

{"tabbit":true,"cdp_port":"closed","recommended_backend":"tabbit","next":"直接按 SKILL.md 正常调用即可，无需任何配置"}

• "recommended_backend":"tabbit" → 直接用，什么都不用配
• "cdp" → 浏览器调试端口已开，走 CDP 后端（开发中）
• "none" → 两个都不可用，先配一个再来（见上一节）

探测顺序：① 环境变量 QWEN_IMAGEGEN_BACKEND → ② Tabbit → ③ CDP 端口（9222 / 9223）。

JS 层（generate.js + wait_download.js，共 148 行）是纯 Playwright API（page.goto / getByRole / locator / evaluateAll），没有任何 require("playwright")——page 由外部注入（Tabbit 的 nodejs 子命令把文件内容包进 async 函数体执行）。换后端不用动页面逻辑，只需适配 4 个动作：

空输出 = 失败，直接重跑。

完整契约见 SKILL.md。

qwen-imagegen/
├── SKILL.md                      # 技能入口 + 完整错误码契约
├── scripts/
│   ├── qwen_image.sh             # 主流程：后端分派、重试、输出 JSON
│   ├── runner_cdp.js             # CDP 后端运行器：attach 用户自己的浏览器
│   ├── generate.js               # 页面操作：选模式 / 选模型 / 填提示词 / 提交
│   └── wait_download.js          # 等出图完成 + 抓全尺寸原图
└── references/
    ├── prompt-recipes.md         # 生图提示词配方：两套公式 / 三档模板 / 8 类配方 / 六反例 / 自检表
    ├── cdp-backend.md            # 只有走 CDP 时才读：两步配置 / 依赖 / 实现要点 / 排错
    └── ui-selectors.md           # 页面结构、选择器、接口抓包

• 仅供编程学习、浏览器自动化研究与个人使用，与阿里云 / 通义千问官方无关。
• 请遵守千问平台的用户服务协议与内容规范。
• 请勿用于非法、侵权、恶意刷量或商业牟利。
• 因使用本项目导致的账号封禁、功能受限或其他损失由使用者承担，作者不承担责任。

MIT