Nano-Banana实战手册：与Notion API集成实现结构图自动归档工作流

Nano-Banana实战手册与Notion API集成实现结构图自动归档工作流你是不是也遇到过这样的烦恼用Nano-Banana生成了一大堆精美的产品结构图它们散落在电脑的各个文件夹里时间一长连自己都忘了哪个图对应哪个项目。想找一张之前做的耳机分解图做参考得翻半天硬盘。对于设计师、产品经理或硬件工程师来说这些结构图不仅是作品更是重要的设计资产和灵感库。手动整理效率低下而且缺乏统一的描述和标签后期检索非常困难。今天我就带你解决这个问题。我们将把Nano-Banana这个强大的“结构拆解实验室”与Notion这个“万能数字工作台”连接起来打造一个全自动的图片归档工作流。生成即归档描述自动写标签自动打让你的每一份创意都井井有条。1. 为什么需要自动化归档在深入代码之前我们先看看手动管理AI生成图片的几个典型痛点资产分散图片保存在本地与项目文档、设计思路分离形成信息孤岛。元数据缺失生成图片时用的提示词Prompt、参数设置这些“创作基因”没有记录下来导致无法复现或优化。检索困难靠文件名和记忆查找图片效率极低无法进行“风格”、“物体类型”等维度筛选。协作壁垒本地文件难以与团队实时共享和讨论。而Notion作为一个集成了数据库、Wiki、任务管理功能的平台恰好能完美解决这些问题。我们可以把Notion数据库当作一个专业的“数字影集”每张图片都是一条记录附带完整的元数据。我们这个实战项目的目标很简单在Nano-Banana生成图片的一瞬间自动将图片和它的所有生成信息提示词、参数、时间保存到指定的Notion数据库中。2. 工作流架构与核心组件整个自动化流程可以看作一个“生成-捕获-推送”的管道。下图清晰地展示了数据是如何流动的flowchart TD A[Nano-Banana 生成图片] -- B[Python 捕获脚本] B -- C{图片元数据} C -- D[上传图片至图床br如OSS/S3] C -- E[格式化数据] D -- F[获取图片公开URL] E -- F F -- G[调用 Notion API] G -- H[Notion 数据库br新增一条记录] H -- I[完成自动归档]要实现这个流程我们需要准备三样东西一个Notion数据库用来接收和存储我们的图片数据。一个Notion集成Integration相当于我们脚本访问Notion的“钥匙”。一段Python脚本负责捕获Nano-Banana的信息并调用Notion API。下面我们一步步来设置。2.1 第一步在Notion中创建数据库首先在你的Notion工作区新建一个页面然后添加一个“Database - Full page”或内联数据库。我们需要为数据库设计一些属性Properties来匹配图片的元数据。建议至少包含以下列属性名 (Name)属性类型 (Type)说明NameTitle图片标题我们可以用提示词的前几个字自动生成。ImageFiles media用于存放图片本身。PromptText完整的生成提示词。StyleMulti-select风格标签如Knolling,Exploded View。可以手动或根据提示词关键词自动添加。ObjectSelect物体类型如Clothing,Electronics,Footwear。LoRA ScaleNumber记录生成时使用的LoRA权重。CFG ScaleNumber记录生成时使用的CFG规模。Date CreatedDate图片生成日期。StatusStatus状态如Archived,In Review。创建好后记住这个数据库的ID。打开数据库页面浏览器地址栏的URL中在www.notion.so/后面、?v或?pvs前面的那一长串字符就是数据库ID。例如https://www.notion.so/yourworkspace/1234567890abcdef1234567890abcdef?v...其中加粗部分就是数据库ID。2.2 第二步创建Notion集成并获取密钥访问 Notion Developers 页面点击 “ New integration”。为你的集成起个名字比如 “Nano-Banana Auto-Archiver”。选择关联的工作区。点击 “Submit” 创建。创建成功后你会看到“Internal Integration Token”。这个令牌Token就是你的API密钥务必妥善保存我们称之为NOTION_TOKEN。接下来需要把这个集成邀请到你刚才创建的数据库。打开你的数据库页面点击右上角的···选择Add connections然后在列表中找到你刚创建的 “Nano-Banana Auto-Archiver” 集成点击添加。现在你的脚本就有权限向这个数据库写入数据了。2.3 第三步理解Nano-Banana的信息捕获点Nano-Banana基于Streamlit构建。在标准部署中生成的图片和参数都存在于Streamlit的会话状态st.session_state或前端组件中。为了捕获这些信息我们需要对Nano-Banana的源码进行小幅修改或者在其生成流程结束时触发我们的脚本。一个简单可行的思路是在Nano-Banana的生成函数执行完毕后将关键信息图片路径/字节流、提示词、参数写入一个临时文件如JSON文件然后由另一个独立的守护进程或计划任务读取这个文件并执行Notion上传逻辑。这样做的好处是解耦不影响Nano-Banana本身的稳定性。下面我们主要编写这个独立的“归档器”脚本。3. 核心脚本编写Notion归档器假设Nano-Banana在生成图片后会在/tmp/nano_banana_job.json路径下生成一个任务文件。我们的脚本就监听这个文件的变化或者定期扫描它。首先安装必要的Python库pip install notion-client requests pillow接下来是完整的脚本notion_archiver.pyimport json import os import time from datetime import datetime from pathlib import Path import requests from notion_client import Client from PIL import Image # 配置信息 - 请替换成你自己的 NOTION_TOKEN 你的Notion集成Token DATABASE_ID 你的Notion数据库ID JOB_FILE_PATH /tmp/nano_banana_job.json # Nano-Banana输出任务信息的路径 IMAGE_UPLOAD_URL https://你的图床服务/upload # 可选如果需要先上传图片到图床 IMAGE_UPLOAD_AUTH {Authorization: Bearer 你的图床密钥} # 可选 # 初始化Notion客户端 notion Client(authNOTION_TOKEN) def upload_image_to_notion(image_path): 将图片上传到Notion。 Notion API要求图片必须先有一个公开可访问的URL。 这里提供两种方案 方案A如果你有图床如OSS、S3、Imgur API先上传到图床返回URL。 方案B如果图片在本地且脚本与Notion在同一网络环境通常不现实可尝试直接传文件更复杂。 本例以方案A为例假设我们有一个上传接口。 # 方案A: 上传到自己的图床服务 if IMAGE_UPLOAD_URL: with open(image_path, rb) as f: files {file: (os.path.basename(image_path), f, image/png)} response requests.post(IMAGE_UPLOAD_URL, headersIMAGE_UPLOAD_AUTH, filesfiles) if response.status_code 200: return response.json().get(url) # 假设返回JSON包含url字段 else: print(f图床上传失败: {response.status_code}, {response.text}) return None else: # 方案B: 本地文件演示实际使用需要解决公网访问问题 print(未配置图床无法上传图片。请配置IMAGE_UPLOAD_URL。) return None # 注意Notion也支持直接上传二进制文件但需要更复杂的multipart/form-data处理 # 且受限于Notion API的文件大小限制。对于高清图推荐先上传到图床。 def extract_style_tags(prompt): 从提示词中提取风格标签。 tags [] prompt_lower prompt.lower() if knolling in prompt_lower: tags.append(Knolling) if exploded view in prompt_lower: tags.append(Exploded View) if flat lay in prompt_lower: tags.append(Flat Lay) if instructional diagram in prompt_lower: tags.append(Instructional) return tags def extract_object_type(prompt): 从提示词中提取物体类型。 prompt_lower prompt.lower() if any(word in prompt_lower for word in [shirt, jacket, dress, clothing, garment]): return Clothing elif any(word in prompt_lower for word in [camera, phone, laptop, headphone, electronic]): return Electronics elif any(word in prompt_lower for word in [shoe, sneaker, boot, footwear]): return Footwear elif any(word in prompt_lower for word in [bag, backpack, handbag]): return Bag else: return Other def create_notion_page(job_data, image_url): 在Notion数据库中创建新页面。 # 准备属性 prompt job_data.get(prompt, ) title prompt[:50] ... if len(prompt) 50 else prompt properties { Name: {title: [{text: {content: title}}]}, Prompt: {rich_text: [{text: {content: prompt}}]}, Style: {multi_select: [{name: tag} for tag in extract_style_tags(prompt)]}, Object: {select: {name: extract_object_type(prompt)}}, Date Created: {date: {start: datetime.now().isoformat()}}, Status: {status: {name: Archived}}, # 假设默认归档 } # 添加数字参数 if lora_scale in job_data: properties[LoRA Scale] {number: job_data[lora_scale]} if cfg_scale in job_data: properties[CFG Scale] {number: job_data[cfg_scale]} # 准备子节点图片 children [] if image_url: children.append({ object: block, type: image, image: { type: external, external: {url: image_url} } }) # 调用API创建页面 try: new_page notion.pages.create( parent{database_id: DATABASE_ID}, propertiesproperties, childrenchildren ) print(f 成功归档到Notion! 页面ID: {new_page[id]}) return True except Exception as e: print(f 创建Notion页面失败: {e}) return False def process_job_file(): 处理任务文件。 if not os.path.exists(JOB_FILE_PATH): return False try: with open(JOB_FILE_PATH, r) as f: job_data json.load(f) print(f读取到任务数据: {job_data.keys()}) # 1. 上传图片 image_path job_data.get(image_path) image_url None if image_path and os.path.exists(image_path): image_url upload_image_to_notion(image_path) if not image_url: print(图片上传失败跳过本次归档。) return False else: print(任务中未找到有效的图片路径。) # 可选如果Nano-Banana直接输出图片base64可以在这里处理 # image_data job_data.get(image_base64) # 2. 创建Notion页面 success create_notion_page(job_data, image_url) # 3. 处理成功后删除或备份任务文件 if success: backup_path JOB_FILE_PATH f.backup_{int(time.time())} os.rename(JOB_FILE_PATH, backup_path) print(f任务文件已备份至: {backup_path}) return success except json.JSONDecodeError as e: print(f任务文件JSON格式错误: {e}) except Exception as e: print(f处理任务文件时发生未知错误: {e}) return False def main(): 主循环监听任务文件。 print( Nano-Banana Notion归档器已启动...) print(f监听文件: {JOB_FILE_PATH}) print(等待生成任务... (按 CtrlC 退出)) last_mod_time 0 while True: try: if os.path.exists(JOB_FILE_PATH): current_mod_time os.path.getmtime(JOB_FILE_PATH) # 如果文件被修改新任务产生并且不是我们刚刚备份的 if current_mod_time ! last_mod_time: print(\n检测到新任务开始处理...) last_mod_time current_mod_time process_job_file() time.sleep(3) # 每3秒检查一次 except KeyboardInterrupt: print(\n 归档器已停止。) break if __name__ __main__: main()4. 在Nano-Banana中触发任务生成现在我们需要修改Nano-Banana的源码通常是app.py或主Streamlit脚本在图片生成成功的回调函数中将信息写入任务文件。找到Nano-Banana中生成图片并显示后的代码位置。例如在Streamlit中可能有一个点击“Generate”按钮后的处理块。修改示例需根据实际代码结构调整# 假设在Nano-Banana的某个生成函数中 def generate_image(prompt, lora_scale, cfg_scale, ...): # ... 原有的图片生成逻辑 ... # image 是生成的PIL Image对象 # output_path 是图片保存的路径 # 在生成成功后写入任务信息 job_data { prompt: prompt, lora_scale: lora_scale, cfg_scale: cfg_scale, image_path: output_path, # 图片保存的完整路径 timestamp: datetime.now().isoformat(), # 可以添加更多参数如seed、steps等 } job_file_path /tmp/nano_banana_job.json with open(job_file_path, w) as f: json.dump(job_data, f, indent2) print(f任务信息已写入: {job_file_path}) # 原有的返回或显示图片的逻辑... return image5. 部署与运行配置脚本将notion_archiver.py中的NOTION_TOKEN、DATABASE_ID和IMAGE_UPLOAD_URL替换成你自己的值。启动归档器在服务器上使用python notion_archiver.py或nohup python notion_archiver.py 在后台运行此脚本。修改Nano-Banana按第4步修改Nano-Banana源码确保它能正确写入任务文件。重启服务重启Nano-Banana的Streamlit服务。现在当你在Nano-Banana中生成一张新的结构图时稍等几秒钟刷新你的Notion数据库就会发现一条包含图片和所有详细信息的新记录已经自动创建好了6. 总结通过这个实战项目我们成功地将Nano-Banana的创意生成能力与Notion的知识管理能力无缝衔接。这个自动化工作流带来的价值是显而易见的效率提升彻底告别手动保存、重命名、复制粘贴提示词的操作。资产沉淀所有生成物及其上下文都被结构化地保存下来形成了可搜索、可复用的设计资产库。流程标准化确保了每一张输出图片都带有完整的元数据便于团队协作和项目复盘。灵感激发在Notion中浏览按风格、物体分类的图库本身就是绝佳的灵感来源。你可以在此基础上继续扩展例如添加“生成失败”的状态记录。将Notion数据库与团队评审流程如添加In Review、Approved状态结合。在归档后自动触发一个Slack通知告知团队有新设计图入库。使用更复杂的AI模型来自动分析生成图片的内容添加更丰富的标签。希望这份实战手册能帮你打造一个更高效、更有序的AI辅助设计工作流。解构万物之后也让你的创作过程本身变得清晰而优雅。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。