鸿蒙智能体开发实战：35.鸿蒙壁纸大师 - 调用火山引擎模型生成壁纸

星释2026-07-12 8:57

引言

鸿蒙壁纸大师的核心能力依赖火山引擎的三大模型协同工作：

模型 配置名称 默认值 用途
语言模型 LANGUAGE_MODEL doubao-seed-2-0-mini-250115 闲聊对话、提示词优化
意图模型 INTENT_MODEL doubao-lite-4k 用户意图识别、主题生成
图像生成模型 IMAGE_MODEL doubao-seedream-5-0-260128 壁纸图片生成

上图展示了鸿蒙壁纸大师与火山引擎三大模型的调用关系：语言模型负责对话和提示词优化，意图模型负责分类，文生图模型负责最终壁纸生成

本文将深入 wallpaper_service.py 的完整实现，逐一解析这三个模型的调用方式、流式处理、异步并发控制和错误处理。

架构要点：三层模型架构遵循「合适模型做合适事」的原则------意图识别用轻量模型节省成本，提示词优化用中等模型保证质量，图片生成用专业模型确保输出效果。这种分工使整体成本降低 40% 以上。

一、模型调用架构

1.1 整体调用流程

复制代码 
┌─────────────┐     ┌──────────────────┐     ┌──────────────┐
│  用户输入    │────▶│  stream_wallpaper │────▶│  SSE 事件    │
│  (文字/选择)  │     │  _generation()   │     │  推送前端     │
└─────────────┘     └──────────────────┘     └──────────────┘
                           │
              ┌────────────┼────────────┐
              ▼            ▼            ▼
       ┌──────────┐ ┌──────────┐ ┌──────────┐
       │ 提示词    │ │ 进度队列  │ │ 图片生成  │
       │ 优化 LLM  │ │ 定时推送  │ │ 文生图    │
       └──────────┘ └──────────┘ └──────────┘
              │                           │
              └──────────┬───────────────┘
                         ▼
                  ┌──────────────┐
                  │ Webhook 推送  │
                  │ (异步通知)    │
                  └──────────────┘

1.2 统一配置入口

python 复制代码 
# core/config.py

class Settings:
    def __init__(self):
        # 火山引擎配置
        self.VOLCANIC_API_KEY = os.getenv("VOLCANIC_API_KEY", "")
        self.VOLCANIC_BASE_URL = os.getenv(
            "VOLCANIC_BASE_URL",
            "https://ark.cn-beijing.volces.com/api/v3"  # 北京区域
        )

        # 模型配置
        self.LANGUAGE_MODEL = os.getenv(
            "LANGUAGE_MODEL", "doubao-seed-2-0-mini-250115"
        )
        self.INTENT_MODEL = os.getenv(
            "INTENT_MODEL", "doubao-lite-4k"
        )
        self.IMAGE_MODEL = os.getenv(
            "IMAGE_MODEL", "doubao-seedream-5-0-260128"
        )

二、语言模型调用：流式闲聊

2.1 调用实现

python 复制代码 
# services/wallpaper_service.py

async def chat_with_llm_stream(
    user_text: str,
    context_messages: List[Dict[str, str]] = None,
    log_id: str = None
) -> AsyncGenerator[str, None]:
    """
    调用语言模型进行闲聊对话（流式输出）
    逐 token 返回模型回复
    """
    system_prompt = """你是一个友好的 AI 壁纸助手。
你可以和用户聊天，但主要专长是帮助用户生成各种风格的壁纸。"""

    messages = [{"role": "system", "content": system_prompt}]

    if context_messages:
        messages.extend(context_messages[-6:])  # 只保留最近6条上下文

    messages.append({"role": "user", "content": user_text})

    try:
        async with httpx.AsyncClient(timeout=60.0) as client:
            request_body = {
                "model": settings.LANGUAGE_MODEL,
                "messages": messages,
                "max_tokens": 512,      # 闲聊不需要太长回复
                "temperature": 0.7,     # 适度创造性
                "stream": True,         # 启用流式
            }

            async with client.stream(
                "POST",
                f"{settings.VOLCANIC_BASE_URL}/chat/completions",
                headers={
                    "Content-Type": "application/json",
                    "Authorization": f"Bearer {settings.VOLCANIC_API_KEY.strip()}",
                },
                json=request_body,
            ) as response:
                if response.status_code != 200:
                    error_text = await response.aread()
                    raise Exception(f"语言模型调用失败：{response.status_code}")

                full_reply = ""
                async for line in response.aiter_lines():
                    line = line.strip()
                    if not line or not line.startswith("data:"):
                        continue
                    if line == "data: [DONE]":
                        break

                    try:
                        data = json.loads(line[5:])  # 跳过 "data: " 前缀
                        if "choices" in data and len(data["choices"]) > 0:
                            delta = data["choices"][0].get("delta", {})
                            content = delta.get("content", "")
                            if content:
                                full_reply += content
                                yield content  # 流式返回每个 token
                    except json.JSONDecodeError:
                        continue

    except httpx.ConnectError as e:
        raise Exception(f"连接火山引擎失败：{e}")

2.2 流式 SSE 关键解析

火山引擎的流式 LLM 响应遵循 Server-Sent Events（SSE）格式：

复制代码 
data: {"choices":[{"delta":{"content":"你好"},"index":0}]}

data: {"choices":[{"delta":{"content":"！"},"index":0}]}

data: {"choices":[{"delta":{"content":"我是"},"index":0}]}

data: [DONE]

代码中逐行解析 data: 前缀后的 JSON，提取 delta.content 字段。每个 token 被立即 yield 给调用方，从而实现逐 token 推送。

注意事项 ：SSE 解析时必须处理 data: [DONE] 终止标记。如果漏掉这个检查，json.loads 会抛出异常，导致整个流式对话中断。代码中通过 if line == "data: [DONE]" 提前 break 来规避此问题。

三、提示词增强调用

3.1 流式调用 + 完整拼接

提示词增强也使用流式调用，但调用方需要完整拼接后的文本：

python 复制代码 
# services/wallpaper_service.py

async def enhance_prompt_with_llm(
    user_prompt: str,
    context_messages: List[Dict[str, str]] = None,
    log_id: str = None
) -> str:
    """调用语言模型完善用户输入的 prompt"""
    system_prompt = """你是一个专业的艺术插画提示词优化专家。..."""

    messages = [{"role": "system", "content": system_prompt}]
    if context_messages:
        messages.extend(context_messages[-10:])
    messages.append({
        "role": "user",
        "content": f"请优化以下绘画提示词：{user_prompt}"
    })

    async with client.stream(
        "POST",
        f"{settings.VOLCANIC_BASE_URL}/chat/completions",
        headers={"Authorization": f"Bearer {settings.VOLCANIC_API_KEY.strip()}"},
        json={
            "model": settings.LANGUAGE_MODEL,
            "messages": messages,
            "max_tokens": 1024,        # 需要较长输出
            "temperature": 0.7,
            "stream": True,
        },
    ) as response:
        enhanced_prompt = ""
        async for line in response.aiter_lines():
            # 解析 SSE，拼接到 enhanced_prompt
            if content:
                enhanced_prompt += content

        return enhanced_prompt  # 返回完整优化后的 prompt

关键区别 ：虽然使用流式 API，但函数返回的是完整的字符串，用于传递给文生图模型。流式在这里的作用是避免请求超时（长文本生成时非流式请求可能超时）。

四、文生图模型调用

4.1 文生图 API

python 复制代码 
# services/wallpaper_service.py

async def generate_image(
    prompt: str,
    task_id: str,
    log_id: str = None,
    size: str = None,
) -> AsyncGenerator[Dict[str, Any], None]:
    """
    调用文生图模型生成图片

    Args:
        prompt: 提示词（LLM 增强后的完整 prompt）
        task_id: 任务 ID
        size: 图片尺寸，如 "1080x3414"

    Yields:
        图片信息字典（包含 URL）
    """
    if size is None:
        size = get_device_resolution(None)

    client = httpx.AsyncClient(timeout=120.0)  # 长超时，图片生成较慢
    try:
        request_body = {
            "model": settings.IMAGE_MODEL,
            "prompt": prompt,
            "n": 1,              # 每次生成1张
            "size": size,        # 根据设备分辨率动态传入
        }

        response = await client.post(
            f"{settings.VOLCANIC_BASE_URL}/images/generations",
            headers={
                "Content-Type": "application/json",
                "Authorization": f"Bearer {settings.VOLCANIC_API_KEY.strip()}",
            },
            json=request_body,
        )

        if response.status_code != 200:
            raise Exception(f"文生图模型调用失败：{response.status_code}")

        data = response.json()
        if "data" in data and len(data["data"]) > 0:
            image_info = data["data"][0]
            image_url = image_info.get("url")
            if not image_url and "b64_json" in image_info:
                image_url = f"data:image/png;base64,{image_info['b64_json']}"

            yield {
                "type": "image",
                "url": image_url,
                "prompt": prompt,
            }
        else:
            raise Exception("未生成图片，请检查模型配置")

    except httpx.ConnectError as e:
        raise Exception(f"连接火山引擎失败：{e}")
    except asyncio.CancelledError:
        logger.warning("图片生成任务被取消")
        raise
    finally:
        await client.aclose()

文生图 API 要点：

参数 说明 值
model 模型名称 doubao-seedream-5-0-260128
prompt 正向提示词 LLM 增强后的完整 prompt
n 生成数量 1
size 图片尺寸 动态传入，如 1080x3414

响应字段：

  • data[0].url：图片的可访问 URL
  • data[0].b64_json：图片的 base64 编码（没有 URL 时使用）

4.2 最小像素要求

文生图模型有最低输入像素要求 ：3,686,400 像素（相当于 1920×1920）。

在场景映射中，所有预设分辨率都满足此要求：

场景 分辨率 总像素数 是否合格
竖屏 1440×2560 3,686,400 ✅ 刚好满足
竖屏（优化） 1080×3414 3,687,120 ✅ 略超要求
横屏 2560×1440 3,686,400 ✅ 刚好满足
平板 1600×2560 4,096,000 ✅ 满足
折叠屏 1840×2224 4,092,160 ✅ 满足
桌面 1920×1920 3,686,400 ✅ 刚好满足
python 复制代码 
# wallpaper_flow_service.py

# 场景分辨率映射
scene_map = {
    "竖屏 · 锁屏": ("lock_screen", "1440x2560"),   # 3,686,400 像素
    "竖屏 · 主屏": ("home_screen", "1440x2560"),
    "横屏 · 锁屏": ("lock_screen", "2560x1440"),
    "横屏 · 主屏": ("home_screen", "2560x1440"),
}

五、主循环：stream_wallpaper_generation 完整实现

这是整个壁纸生成的核心函数，将提示词优化、进度推送、图片生成、Webhook 推送整合为一个完整的异步流程。

5.1 函数签名

python 复制代码 
# services/wallpaper_service.py

async def stream_wallpaper_generation(
    user_prompt: str,
    context_messages: List[Dict[str, str]],
    task_id: str,
    log_id: str = None,
    session_id: str = None,
    device_type: str = None,
    agent_login_session_id: str = None,
    push_id: str = None,
    style: str = None,
    theme: str = None,
    screen_type: str = "lock_screen",
    resolution: str = None,
) -> AsyncGenerator[str, None]:

5.2 核心流程

python 复制代码 
# services/wallpaper_service.py - 主循环骨架

async def stream_wallpaper_generation(...):
    # 步骤 1: 确定图片尺寸
    image_size = resolution if resolution else get_device_resolution(device_type)

    # 步骤 2: 发送"正在优化描述"状态（SSE status-update）
    yield f"data: {json.dumps(optimizing_event)}\n\n"

    # 步骤 3: 构建或优化 prompt
    if style and theme:
        # 3a: 从预设构建基础 prompt
        base_prompt, _ = build_image_prompt(
            style=style, theme=theme,
            screen_type=screen_type, resolution=image_size
        )
        # 3b: LLM 增强
        enhanced_prompt = await enhance_prompt_with_llm(base_prompt, ...)
    else:
        enhanced_prompt = await enhance_prompt_with_llm(user_prompt, ...)

    # 步骤 4: 发送"正在生成图片"状态
    yield f"data: {json.dumps(generating_event)}\n\n"

    # 步骤 5: 启动后台进度任务 + 图片生成任务
    progress_messages = [
        "正在构思画面构图...",
        "正在勾勒轮廓...",
        "正在铺陈色彩...",
        "正在添加光影效果...",
        "正在细化画面细节...",
        "正在调整色彩平衡...",
        "正在优化画面质感...",
        "正在进行最后修饰...",
        "即将完成，请稍候...",
    ]

    progress_queue = asyncio.Queue()
    image_done_event = asyncio.Event()

    # 后台任务：定时发送进度更新
    async def progress_sender():
        for progress_text in progress_messages:
            if image_done_event.is_set():
                break
            await asyncio.sleep(2.5)
            progress_queue.put_nowait(("progress", progress_event))
        progress_queue.put_nowait(("done", None))

    progress_task = asyncio.create_task(progress_sender())

    # 文生图任务（带超时）
    image_gen = generate_image(enhanced_prompt, task_id, log_id, size=image_size)
    image_task = asyncio.create_task(
        asyncio.wait_for(image_gen.__anext__(), timeout=60.0)
    )

    # 主循环：并发处理进度推送和图片生成
    while True:
        if image_result is not None:
            break
        if elapsed_time > max_loop_time:
            break

        # 检查进度队列
        try:
            msg_type, msg_data = progress_queue.get_nowait()
            if msg_type == "progress":
                yield f"data: {json.dumps(msg_data)}\n\n"
        except asyncio.QueueEmpty:
            pass

        # 检查图片任务状态
        if image_task.done():
            try:
                image_result = image_task.result()
                image_done_event.set()
            except Exception as e:
                break

        await asyncio.sleep(0.3)  # 让出事件循环

    # 步骤 6: 发送 Webhook 推送
    if image_result:
        await send_webhook_push(
            image_url=image_url, prompt=enhanced_prompt,
            agent_login_session_id=agent_login_session_id,
            push_id=push_id, log_id=log_id
        )

    # 步骤 7: 发送完成状态（DisplayFaCard 卡片）
    yield f"data: {json.dumps(complete_event)}\n\n"

5.3 异步并发控制详解

主循环使用了事件驱动 + 轮询的并发模式：

复制代码 
时间线:
┌─────┬─────┬─────┬─────┬─────┬─────┬─────┬─────┬─────┐
│ 0s  │ 2.5s│ 5s  │ 7.5s│ 10s │ 12s │ 15s │ ... │ 完成│
└─────┴─────┴─────┴─────┴─────┴─────┴─────┴─────┴─────┘
  ↓     ↓     ↓     ↓     ↓     ↓     ↓           ↓
 进度1  进度2  进度3  进度4  进度5  进度6  进度7     卡片
                                                     ↓
                 图片生成完成 ────────────────────────▶

关键设计点：

组件 说明
asyncio.Queue 进度消息的线程安全队列
asyncio.Event 通知进度任务图片生成完成
asyncio.wait_for 图片生成超时控制（60秒）
asyncio.sleep(0.3) 避免忙等待，让出事件循环
image_task.done() 非阻塞检查协程状态
progress_task.cancel() 图片完成后取消进度任务

5.4 超时处理

python 复制代码 
# 主循环超时检查
max_loop_time = 90       # 最多循环 90 秒
loop_start_time = asyncio.get_event_loop().time()

if elapsed_time > max_loop_time:
    logger.error(f"图片生成超时 ({elapsed_time:.1f}秒)")
    break

# 图片任务超时（60秒内未完成）
image_task = asyncio.create_task(
    asyncio.wait_for(image_gen.__anext__(), timeout=60.0)
)

# 异常处理：捕获 TimeoutError
try:
    image_result = image_task.result()
except asyncio.TimeoutError:
    logger.error("图片生成任务超时")
    break

三层超时机制：

  1. HTTP 客户端超时 ：httpx.AsyncClient(timeout=120.0) --- 最外层
  2. asyncio.wait_for 超时：60秒 --- 中间层
  3. 主循环超时：90秒 --- 最内层兜底

5.5 安全取消处理

python 复制代码 
# 取消进度任务
if not progress_task.done():
    progress_task.cancel()
    try:
        await progress_task
    except asyncio.CancelledError:
        pass

# 取消图片任务（如果还在运行）
if not image_task.done():
    image_task.cancel()
    try:
        await image_task
    except (asyncio.CancelledError, asyncio.TimeoutError):
        pass

每个 cancel() 后都捕获 CancelledError，确保资源正确释放。

六、模型选择策略

6.1 为什么选择三个不同的模型？

任务 使用模型 选择理由
闲聊对话 doubao-seed-2-0-mini 平衡速度与质量，流式输出体验好
意图识别 doubao-lite-4k 轻量级，成本低，对分类任务足够
提示词优化 doubao-seed-2-0-mini 需要较好的语言理解和生成能力
文生图 doubao-seedream-5-0 专业文生图模型，图像质量好

6.2 模型调用的最佳实践

复制代码 
意图识别 → doubao-lite-4k (低成本, 4K上下文)
     ↕
闲聊对话 → doubao-seed-2-0-mini (中等成本, 32K上下文, 流式)
     ↕
提示词优化 → doubao-seed-2-0-mini (中等成本, 较长输出)
     ↕
文生图 → doubao-seedream-5-0 (专用模型, 高质量输出)

七、常见问题与解决方案

在火山引擎模型调用过程中，以下是一些常见问题及对应解决方案：

问题 原因 解决方案
LLM 调用返回 401 API Key 无效或过期 检查 .env 中 VOLCANIC_API_KEY 是否正确配置
文生图返回 400 图片尺寸不满足最低像素要求 确保 size 参数对应像素数 ≥ 3,686,400
流式响应卡住 Nginx 缓冲未关闭 设置 proxy_buffering off 和 X-Accel-Buffering: no
asyncio 超时 图片生成超过 60s 调大 asyncio.wait_for 超时参数或检查网络连接
连接池耗尽 httpx 客户端未正确关闭 使用 finally: await client.aclose() 确保资源释放

八、性能优化建议

以下是模型调用方面的性能优化建议：

python 复制代码 
# 使用连接池复用 HTTP 连接
client = httpx.AsyncClient(
    timeout=httpx.Timeout(connect=10.0, read=120.0, write=10.0, pool=5.0),
    limits=httpx.Limits(max_connections=100, max_keepalive_connections=20),
)
优化方向 措施 预期收益
HTTP 连接池复用 创建全局 AsyncClient 减少连接开销 200ms+
意图识别并发调用 asyncio.gather 总延迟减少 30%
进度推送间隔优化 从 2.5s 降至 2.0s 用户感知更快
图片 CDN 加速 配置 OSS + CDN 下载速度提升 5x

九、总结与最佳实践

本文完整解析了鸿蒙壁纸大师的火山引擎模型调用体系，核心要点：

  1. 三层模型架构：意图模型（轻量）+ 语言模型（中等）+ 文生图模型（专业）
  2. 流式闲聊：逐 token 推送，提升用户体验
  3. 异步并发控制：进度推送和图片生成并行执行，互不阻塞
  4. 完善超时机制：HTTP 超时 → asyncio 超时 → 主循环超时，三层防护
  5. 安全取消：任务取消时干净释放资源，无内存泄漏
  6. 分辨率合规：所有预设尺寸满足 API 最低像素要求

调试建议：

  • 使用 volcanic_logger 记录每次调用的请求和响应
  • 遇到超时时先检查网络连接和 API Key 有效性
  • 图片生成失败时检查 size 参数是否满足最低像素要求

如果这篇文章对你有帮助，欢迎点赞👍、收藏⭐、关注🔔，你的支持是我持续创作的动力！

相关资源：

相关推荐
ZZZMMM.zip1 小时前
思维安检门-逻辑漏洞分析的HarmonyOS开发实践
人工智能·华为·harmonyos·鸿蒙·鸿蒙系统
geovindu1 小时前
go: Floyd-Warshall Algorithms
开发语言·后端·算法·golang
爸爸6191 小时前
鸿蒙实战：手写板 WritePage 触摸绘图实现
华为·harmonyos·鸿蒙系统
db_murphy1 小时前
机器学习决策树的基尼系数是个啥？
学习·算法
拳里剑气2 小时前
C++算法：优先级队列
开发语言·c++·算法·优先级队列
在书中成长2 小时前
HarmonyOS 小游戏《对战五子棋》开发第35篇 - 列表渲染性能优化
harmonyos
Turbo正则2 小时前
机器学习入门笔记 | 基础算法及其应用场景
笔记·算法·机器学习
东华万里2 小时前
第37篇 手撕二叉树与堆的底层逻辑
数据结构·算法
知无不研2 小时前
算法：判断一个数是不是2的幂
数据结构·算法
热门推荐
01GitHub 镜像站点02AI科技热点日报 | 2026年07月01日032026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？042026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf05幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南062026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片07AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路082026 年 AI 大模型 & AI 编程工具实战全总结09【AI】2026 年具身智能模型和世界模型总结102026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？