想要通过Recraft API批量测试同一提示词，生成多个图像版本进行效果对比？如果仅采用简单的循环调用，很容易出现输出重复、参数错乱或结果难以追溯的问题。无需担心，以下这套系统化的操作流程，将帮助您实现可控、可复现的批量生成与效果评估。
一、创建包含变量占位符的多版本Prompt模板
首先，需要将可能变动的参数——例如艺术风格、图像分辨率、待渲染的具体文字内容以及随机种子——从具体提示词中抽象出来。使用花括号 {} 作为标记，构建一个灵活的模板。这样做的好处在于，您只需维护一个核心模板，测试时通过脚本自动填充不同的参数组合，既提升效率，又避免人为错误。
操作非常简单：在本地新建一个文本文件，例如命名为 recraft_prompt_template.txt，并写入如下格式的内容：
"a realistic portrait of a {style} character holding a sign that says '{text_content}', ultra-detailed, {resolution}, seed:{seed}"
可以看到，{style}、{text_content}、{resolution} 和 {seed} 即为定义的变量占位符。此模板将成为后续所有批量生成任务的统一蓝图。
二、准备多组参数组合的CSV配置文件
蓝图已定，接下来需要准备具体的“测试配方”。使用CSV文件管理多组参数组合非常合适，每一行代表一个独立的测试用例，便于程序读取与循环执行。
新建一个 versions.csv 文件，首行定义字段名：style, text_content, seed, resolution。从第二行开始，填入您计划测试的各种参数组合，例如：
cyberpunk, "RECRaFT V3 TEST", 123, "1024x1024"watercolor, "Recraft renders text perfectly", 456, "768x768"oil painting, "batch prompt testing active", 789, "1536x768"
至此，您已拥有一个清晰的测试矩阵，覆盖了风格、文本、种子及分辨率等多个维度的变化。
三、调用Recraft API执行批量图像生成
材料与配方准备就绪，即可启动“批量生产”。编写一个Python脚本，使其自动读取CSV文件，将每一行参数值填充至预设的模板中，随后依次调用Recraft API进行生成。
首先，请确保运行环境已安装必要库：pip install requests pandas。
脚本的核心逻辑应包含以下步骤：
- 读取
versions.csv文件与recraft_prompt_template.txt模板。 - 遍历CSV的每一行数据，用当前行的值替换模板中对应的
{key}，生成最终可用的提示词。 - 构造API请求数据，其中
"prompt"字段填入上一步生成的完整提示词，"model"可设置为recraft-v3。 - 在请求头中携带您的API密钥：
Authorization: Bearer YOUR_API_KEY。 - 向Recraft API端点
https://api.recraft.ai/v1/images/generations发送POST请求。
关键在于，每次请求都携带了唯一的种子（seed）及特定的参数组合，从而确保生成图像既具备可比性，又能有效避免重复。
四、解析响应并持久化存储结果元数据
API调用会返回大量生成结果，但批量测试的核心价值在于建立“输入参数”与“输出质量”之间的明确关联。如果只生成不记录，测试将失去意义。
因此，必须完整保存每次调用的“档案”信息，至少应包括：
- 填充后的完整提示词（prompt_filled）
- 所使用的种子（seed）、风格（style）等全部参数
- API返回的图片URL（image_url）
- 请求状态码及响应时间
在脚本中，可将每次成功调用的上述信息存储为一个字典，并追加到一个列表中。最终，使用Pandas将该列表转换为DataFrame，并保存为类似 results_metadata_20260509.csv 的文件。这样，日后查看任何一张生成图像时，都能立即追溯其生成条件。
五、基于OCR技术本地校验文本渲染准确性
最后这一步至关重要，却常被忽视。我们测试的核心目标之一，是验证Recraft V3模型是否准确理解并渲染了提示词中的指定文本，而非仅绘制了形似的符号。
这需要借助OCR（光学字符识别）技术来完成。具体操作流程如下：
- 使用脚本将所有生成图片从其URL下载至本地，例如存放在
generated_images/目录。 - 对每张图片，使用如
pytesseract等OCR库来提取图像中的文字内容。 - 将OCR识别出的文本，与CSV中记录的原始
text_content进行比对。为提升容错率，可先去除双方的空格和标点符号再进行对比。 - 将比对结果（完全匹配记为True，否则为False）作为新列（如
text_render_accuracy）添加至上一步的元数据CSV文件中。
通过以上五个步骤，您就完成了一个从模板设计、参数配置、批量生成、元数据记录到效果验证的完整闭环。这套方法论不仅适用于Recraft API的批量测试，其结构化思想也可迁移至其他AI图像生成服务的评估流程中，让您的批量对比工作更加科学、高效。