AI编程助手新用途：使用Claude Code生成Qwen-Image-Edit-F2P的自动化测试脚本

1. 引言：当AI开始测试AI

最近在折腾一个图像编辑模型，叫Qwen-Image-Edit-F2P。这玩意儿挺有意思，能根据文字指令修改图片，比如换个背景、调整下风格什么的。模型跑起来了，效果看着也不错，但有个问题一直让我头疼：怎么系统地评估它的生成质量？

传统方法就是手动测。我让团队的小伙伴们上传几十张图，输入各种指令，然后一张张看结果。效率低不说，还特别主观——你觉得这张脸修得自然，我觉得眼睛有点怪。更别提想测一些边界情况了，比如给模型一张特别模糊的人脸，让它“生成一张微笑的年轻女性面孔”，结果会怎样？手动测这种场景，工作量太大了。

就在琢磨怎么自动化的时候，我试了试Claude Code。本来只是用它来写点常规的脚本，突然灵光一现：既然它能理解自然语言需求并生成代码，那我能不能直接告诉它：“嘿，帮我写个脚本，自动生成100张不同年龄、性别的人脸，然后用Qwen-Image-Edit-F2P去编辑，最后检查下有没有生成畸形的脸？”

结果一试，还真行。这套方法不仅把我们从重复的手动测试里解放了出来，更重要的是，它让测试过程变得可量化、可复现。今天就跟大家聊聊，怎么用Claude Code这个AI编程助手，来给另一个AI模型（Qwen-Image-Edit-F2P）搭建一套自动化测试流水线。你会发现，让AI来辅助开发AI，效率提升不是一点半点。

2. 为什么需要自动化测试脚本？

在深入具体操作之前，咱们先掰扯清楚，为什么非得搞自动化测试。对于Qwen-Image-Edit-F2P这类图像生成/编辑模型，手动测试的短板实在太明显了。

首先，测试覆盖率是个大问题。图像编辑的需求千变万化。用户的指令可能很简单，比如“把背景换成沙滩”，也可能很复杂，比如“将这个人物的发型换成卷发，表情调整为微笑，并穿上西装”。手动测试很难穷尽所有这些组合。你可能会测一些常见场景，但那些不常见却可能出错的“边角案例”，往往就被忽略了。而自动化脚本可以轻松地构建一个庞大的测试用例库，覆盖各种指令、各种输入图片，确保模型在更多场景下都能稳定输出。

其次，评估标准主观，难以量化。手动看结果，全靠人眼判断。“这张图修得不错”，“那张脸有点歪”——这种评价太模糊了，而且不同人的标准可能不一样。今天你觉得合格，明天换个人看可能就不及格。自动化测试可以引入一些客观的指标，比如用专门的人脸检测算法来检查五官是否错位、是否出现了多张脸等明显畸形。虽然不能完全替代人工审核，但能快速筛出明显有问题的坏案例，大大减轻人工复审的压力。

最后，也是最重要的，效率瓶颈。模型迭代很快，可能每周甚至每天都有新版本。每次更新后，如果都靠人工从头测一遍，耗时耗力，严重拖慢开发节奏。自动化脚本可以在夜间自动跑起来，第二天早上开发人员就能看到一份详细的测试报告，知道新版本在哪些方面有改进，又在哪些地方引入了新的问题。这为快速迭代提供了可能。

所以，自动化测试不是为了取代人，而是把人从重复、繁琐的劳动中解放出来，去关注更核心的问题，比如测试策略的设计、复杂案例的分析等。而Claude Code的出现，让编写这类自动化脚本的门槛大大降低。

3. 认识我们的两位“主角”：Qwen-Image-Edit-F2P与Claude Code

在开始动手之前，我们先快速了解一下这次要用到的两个核心工具。你不用成为专家，知道它们是干什么的、能帮我们解决什么问题就行。

Qwen-Image-Edit-F2P 是一个开源的图像编辑模型。简单来说，你给它一张图片和一段文字指令，它就能按照你的意思去修改图片。比如，你上传一张单人照片，告诉它“生成一位戴眼镜的老年男性”，它就会尝试在原有图片的基础上，生成符合你描述的新图像。它的特点是参数规模相对适中，对计算资源的要求不像一些超大模型那么高，适合我们自己部署和折腾。我们自动化测试的目标，就是批量、反复地调用它的这个能力，检验其生成结果的可靠性和质量。

Claude Code 则是我们这次的主力“开发助手”。它不是传统的编程IDE，而是一个能理解你用自然语言描述的编程需求，并直接生成对应代码的大语言模型。你不需要从零开始敲每一行代码，只需要像跟同事沟通需求一样告诉它：“我需要一个Python脚本，调用某个API，处理一批数据，然后把结果保存下来。”它就能给你一个可运行或接近可运行的代码草稿。这对于编写测试脚本这种模式相对固定、但细节繁琐的任务来说，简直是神器。它极大地减少了我们查文档、调试语法错误的时间，让我们能更专注于测试逻辑本身。

那么，这两者怎么结合呢？思路很直接：我们用Claude Code来编写一个“测试机器人”。这个机器人的任务就是，按照我们设定的规则（比如：不同的年龄、性别组合），自动生成测试指令，然后去调用Qwen-Image-Edit-F2P的服务，拿到生成结果，最后再用一些简单的算法自动检查结果有没有大问题。整个流程，从代码编写到执行，都尽可能自动化。

4. 第一步：向Claude Code描述你的测试需求

好了，现在我们来点实际的。整个自动化测试流程的第一步，也是最关键的一步，就是如何清晰地向Claude Code“布置任务”。你描述得越清楚，它生成的代码就越靠谱，你后期需要修改的地方就越少。

别把它想得太复杂，就跟我们平时提需求一样。下面我举一个具体的例子，你可以根据自己的情况调整。

假设我的测试目标是：评估Qwen-Image-Edit-F2P在“修改人脸属性”这个任务上的表现。我想测试它对于不同年龄（年轻、中年、老年）和性别（男、女）组合的指令，生成的人脸是否自然，是否会出现五官错位、多张脸等严重畸形。

那么，我给Claude Code的提示词（Prompt）可以这样写：

“我需要一个Python脚本，用于对Qwen-Image-Edit-F2P图像编辑模型进行自动化测试。

核心任务：脚本能自动生成一系列测试用例，每个用例包含一条文字指令（如‘生成一位微笑的年轻女性面孔’），然后调用Qwen-Image-Edit-F2P的API，使用一张固定的人脸图片作为输入，执行该编辑指令，并保存生成的结果图片。

具体需求：

1. 测试用例生成：请组合以下属性生成指令：
   • 年龄：['年轻', '中年', '老年']
   • 性别：['男性', '女性']
   • 表情（可选）：['微笑的', '严肃的', ''] # 空字符串代表不指定 生成所有可能的组合（如‘生成一位微笑的年轻男性面孔’），指令模板为“生成一位{表情}{年龄}{性别}面孔”，其中表情为空时自动调整语句通顺。
2. API调用：假设Qwen-Image-Edit-F2P的API端点为 http://localhost:8000/v1/images/edit，请求方式为POST。请求体应为JSON，包含image（base64编码的图片数据）和prompt（编辑指令）字段。请编写相应的调用代码。
3. 图片处理：脚本需要读取一个本地人脸图片文件（如base_face.jpg），并将其转换为base64编码格式。
4. 结果保存：将API返回的生成图片（假设在响应JSON的image字段里，也是base64格式）解码并保存为文件。文件名应包含测试指令的关键信息，例如young_male_smiling.jpg。
5. 简单异常处理：加入网络请求超时、API返回错误等基本异常处理，并记录日志。
6. 基础质量筛查（加分项）：在保存图片后，尝试使用face_recognition或OpenCV库的人脸检测功能，检查生成的图片中是否恰好检测到一张人脸。如果检测到零张或多张人脸，将该文件单独标记或记录到日志中，作为潜在的质量问题。

请输出完整的Python脚本代码，并附上简要的注释说明关键步骤。”

看到没？我并没有要求它写一个完美无缺、能直接上生产环境的系统，而是聚焦在核心流程上：生成指令、调用API、保存结果。同时，我提出了一个“加分项”——用现成的人脸检测库做初筛。Claude Code通常能很好地处理这种结构清晰、步骤明确的需求。

5. 第二步：解读与完善Claude Code生成的脚本

Claude Code会根据你的需求生成一份Python代码。它生成的代码通常结构不错，但可能需要一些“微调”才能完全符合你的实际环境。我们一起来看一下它可能生成的核心部分，以及我们需要关注哪些修改点。

它会生成一个包含主要功能的脚本。核心逻辑一般包括：

1. 构建测试指令列表。
2. 读取并编码基础图片。
3. 遍历指令，调用API。
4. 处理响应并保存图片。
5. （如果实现了）进行人脸检测并记录问题。

你需要检查和修改的地方通常有这些：

• API地址和参数：我给的例子是http://localhost:8000/v1/images/edit，但你的Qwen-Image-Edit-F2P服务可能部署在不同的地址和端口，API的路径和参数名也可能略有不同。你需要根据实际的API文档来修改requests.post那部分的URL和JSON结构。
• 依赖库安装：脚本开头会导入requests、base64、json等库。如果你要求了人脸检测，还会导入face_recognition或cv2。确保你的Python环境里已经安装了这些包（pip install requests opencv-python face_recognition）。注意face_recognition库的安装可能需要先安装dlib，在有些系统上会有点麻烦，如果遇到问题，可以考虑先用OpenCV的级联分类器进行简单的人脸计数，虽然精度稍低但更简单。
• 图片处理细节：Claude Code生成的图片编码解码代码通常是正确的，但要注意图片的读写路径。确保base_face.jpg这个文件放在和脚本相同的目录，或者你修改为正确的绝对路径。同样，生成图片的保存目录（例如./output/）也需要事先创建好，或者在脚本中添加创建目录的代码。
• 错误处理与日志：生成的脚本可能包含了基本的try...except。你可以增强它，比如将失败的用例（指令、错误原因）记录到一个error_log.txt文件中，方便后续排查。
• 添加进度提示：对于批量生成（比如几十上百个用例），在循环里加一句打印当前进度的话，会让你知道脚本还在正常运行，而不是卡死了。

这个过程就像是“代码审查”，你作为更了解自己测试环境和目标的人，来引导和修正AI助手生成的草案。经过这样一番调整，你就得到了一个可运行的、量身定制的自动化测试脚本。

6. 第三步：运行脚本并分析测试结果

脚本完善后，就可以运行了。打开终端，进入脚本所在目录，执行python your_test_script.py。如果一切配置正确，你会看到脚本开始工作，打印出处理进度，并在output文件夹里看到一张张生成好的图片。

测试跑起来不是终点，分析结果才是关键。自动化脚本帮我们完成了海量调用和数据收集，接下来我们需要从这些结果中提炼出有价值的信息。

1. 初步分类：如果脚本实现了人脸检测的初筛，那么首先根据日志，把图片分成三类：“检测到一张脸”（初步正常）、“检测到多张脸/未检测到脸”（疑似畸形）、“API调用失败”。重点关注后两类。
2. 人工复审：对于“疑似畸形”的图片，必须进行人工检查。看看是模型真的生成了怪脸，还是人脸检测算法误判了（比如侧脸、光线暗可能导致检测失败）。对于“API调用失败”的，检查错误信息，看是网络问题、指令问题还是模型内部错误。
3. 发现规律：这是提升模型和测试质量的关键。浏览生成成功的图片，你能发现规律吗？
   • 指令敏感性：是不是某些特定词汇（如“老年”、“严肃”）更容易导致结果不佳？
   • 属性耦合：当同时指定“微笑”和“老年”时，效果是否比单独指定“老年”要差？
   • 基础图影响：换一张不同的基础人脸图片，结果差异大吗？

这些发现非常宝贵。它们不仅能直接反映当前模型的弱点，还能指导我们优化测试用例本身。比如，如果发现“生成愤怒的老年男性”总是失败，我们可以将这个用例单独拿出来，进行更深入的排查，或者反馈给模型研发团队。我们也可以根据这些发现，回去修改给Claude Code的需求描述，增加更多有针对性的测试维度，让下一轮的测试脚本更强大。

7. 扩展思路：让测试脚本更智能、更全面

上面我们完成了一个基础的自动化测试流程。但它的潜力远不止于此。借助Claude Code，我们可以很容易地扩展这个脚本，让它变得更智能，测试更全面。

• 多样化输入源：我们之前只用了一张固定的人脸。现实中，模型需要处理各种图片。我们可以让脚本从一个包含数百张不同人脸（不同种族、肤色、姿态、光照条件）的文件夹中随机选取输入图片，从而测试模型的泛化能力。这个需求只需要对Claude Code说：“修改脚本，使其能从./input_faces/目录中随机读取图片进行测试。”
• 复杂指令与组合测试：除了年龄性别，还可以测试发型、配饰、肤色等属性。甚至可以测试更复杂的指令，如“生成一位戴眼镜和帽子的中年女性，背景是图书馆”。我们可以设计一个更复杂的指令生成器，或者从一个CSV文件中读取预先设计好的测试用例。
• 量化评估指标：除了定性的“有无畸形”，我们还可以引入一些简单的量化指标。例如，使用图像相似度算法（如SSIM）比较生成图和基础图的差异，确保编辑是有效的而不仅仅是原图输出；或者计算生成图片的清晰度。你可以对Claude Code说：“在保存图片后，计算生成图片与原始输入图片的结构相似性指数（SSIM），并将数值记录在日志中。”
• 集成到CI/CD流程：最终，这个测试脚本可以集成到模型的持续集成/持续部署（CI/CD）流水线中。每次有新的模型版本提交，就自动触发测试脚本，运行一批核心测试用例，并生成一份包含成功率、平均生成时间、问题图片列表的报告。如果关键指标下降或出现严重问题，流水线可以自动失败，阻止有缺陷的模型被部署。

通过Claude Code，实现这些扩展功能通常只需要用自然语言清晰地描述新增的逻辑。它负责把想法转化成代码框架，而你则负责将框架适配到你的具体系统中。这种协作模式，能让你快速构建出相当复杂的测试工具链。

8. 总结

回过头来看，我们用Claude Code为Qwen-Image-Edit-F2P搭建自动化测试的过程，其实是一个“用AI管理AI生命周期”的生动例子。它解决了AI模型评估中的一个核心痛点：如何高效、客观、可扩展地进行质量验证。

这个方法的好处是显而易见的。效率上，它把我们从重复劳动中解放出来；质量上，它让测试覆盖更全面，评估更客观；流程上，它为模型的快速迭代提供了基础设施。而Claude Code这类工具的存在，极大地降低了实现这一切的技术门槛。你不需要是一个测试框架专家，只需要能清晰地描述你想要什么。

当然，目前这套方法还有其局限性。比如，人脸检测只能筛出明显的结构错误，对于肤色不自然、表情僵硬等更细腻的质量问题，还是需要人的判断。自动化脚本生成的测试用例，其“创造性”也依赖于我们给Claude Code的指令。但这已经是一个巨大的进步了。

如果你也在开发或使用类似的AI模型，不妨试试这个方法。从一个小而具体的测试目标开始，比如“测试10种不同的背景替换指令”，向Claude Code描述你的需求，看看它能给你带来怎样的惊喜。你会发现，当AI成为我们开发流程中的助手时，我们能更专注于那些真正需要人类智慧和创造力的部分。

---

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。