上周五下午，领导让我下班前出那个项目的系统架构图、数据分析和产品设计概念图，周一就要看。我是先在DeepSeekV4里整理素材、撰写报告，再切换到数据可视化工具制作图表，再打开GPT-Image-2喂素材生成图片，然后在Canva里排版。一套流程下来，两个小时没了，而且中间还要在不同工具之间切换格式、不断调整提示词。

整个流程下来，不仅耗时耗力，而且不同工具之间的数据和语义转换，常常会带来不必要的摩擦和效率损耗。你可能需要反复调整，才能让文字和图片真正“心领神会”，达到你想要的效果。这种“分而治之”的工作模式，在追求效率和一致性的今天，显得有些力不从心。

这就是我最近在折腾的一件事：使用OpenClaw和SenseNova-Skills技能库，配合商汤最近刚开源的SenseNova U1模型，搭建一套"从大纲到成品图"的闭环工作流。折腾了一周，有些心得想分享。

一、从“拼凑”到“原生”，多模态模新范式NEO-unify

在正式动手实践之前，先简单聊聊我为什么选了SenseNova U1。

市面上的多模态模型不少，但大多数走的还是"拼盘"路线——这种路线中，图像和文本往往被视为两种独立的模态，需要各自的编码器将其转换为统一的表征空间，再进行融合处理。

而SenseNova U1的不同之处在于，它大胆地摒弃了传统多模态模型中的视觉编码器（VE）与变分自编码器（VAE），而是采用了一个叫NEO-unify的架构，把语言理解和视觉生成放在同一个模型里统一建模。

官方的说法是"语言与视觉信息作为统一的复合体直接建模"，我的理解是：我们人类在理解世界时，也是这样将视觉与语言信息融为一体的，对应到架构上，SenseNova U1系列模型在看一张图的时候不是在"识物"，而是真的在"理解"图中元素之间的关系；生成的时候也不是在"拼像素"，而是在"表达"一种结构化的视觉语义。

这种统一架构的直接好处就是生成结果的一致性——图片的风格、配色、布局逻辑会和前面的理解上下文自然衔接，不会出现"前一张图是扁平风、后一张图突然变立体感"这种割裂感。

这种架构上的创新，实实在在地带来了令人惊喜的能力突破。SenseNova U1 在统一多模态理解与生成方面树立了新的标杆，在多种理解、推理与生成基准上均达到了开源模型中的先进水平。

本次开源的 SenseNova U1 Lite 系列围绕两个核心规格展开——SenseNova-U1-8B-MoT（稠密骨干，约 ~8B 理解 + ~8B 生成 = 总参 ~18B）与 SenseNova-U1-A3B-MoT（MoE 骨干，总参 ~39B，对显存更友好），两者均原生支持文生图、图像理解、多轮对话式编辑与交错图文生成。在此基础上，官方目前已放出六个可下载权重仓库：

开源地址：

• GitHub：https://github.com/OpenSenseNova/SenseNova-U1
• HuggingFace：https://huggingface.co/collections/sensenova/sensenova-u1

二、实操指南：手把手教你将 SenseNova U1 接入 OpenClaw

而要将 SenseNova U1 这一强大的原生多模态能力集成到我们自己的智能体或应用中，最便捷、高效的方式莫过于利用其配套的 SenseNova-Skills (OpenClaw) 技能库。这套体系的使用方式很简单，关键在于把几个组件串起来：SenseNova 平台提供模型能力，OpenClaw 提供 Agent 运行时，SenseNova-Skills 则是跑在这个运行时上的技能插件

2.1、环境准备：OpenClaw安装与API Key 准备

在开始实践之前，我们需要准备好 OpenClaw 和 SenseNova 的 API Key，OpenClaw 相信大家都有安装过了，无论是开源版的原版 OpenClaw，还是各个云厂商魔改过的小龙虾都可以——当然如果你不用小龙虾，用 Claude Code、 Hermes 等其他兼容 agentskills.io 标准的智能体框架，也都是能够的。这里我使用的是本地部署的OpenClaw 2026.5.2版本。

准备好OpenClaw后，由于我本地电脑没有独立显卡，需要申请一个 SenseNova 的 API Key ，点击https://platform.sensenova.cn/，注册登录控制台，点击右上角免费申请并复制API Key。

生成的key会在下方显示，拿到API Key之后记下来，后面配置要用，目前公测期间完全免费开放Token计划，支持每模型 1,500 次调用 / 5 小时， 完全够个人开发测试用。

2.2、加载 SenseNova-Skills 技能

这里有两种方式，推荐的是让 Agent 自动安装——把仓库地址发给它，让它自己 clone 并放到正确目录。比如我这里输入“请帮我把 https://github.com/OpenSenseNova/SenseNova-Skills 安装到 skills 目录”

或者更直接的方式是手动执行：

git clone https://github.com/OpenSenseNova/SenseNova-Skills.git --depth=1
mkdir -p ~/.openclaw/skills
cp -r SenseNova-Skills/skills/* ~/.openclaw/skills/

然后把我们api key发给OpenClaw让他帮我们配置，或者手工配置到skills里面，安装完成后，需要手动重启 agent 服务，新 skill 才会被加载。

三、深度体验：从“对话”到“创作”的真实感受

成功将 SenseNova-U1 的能力通过 SenseNova-Skills 接入 OpenClaw 之后，接下来是实际使用。我主要测试了三个场景：信息图生成、风格模仿创作。

3.1、一键生成业务信息图

这个案例测试的是端到端的信息图生成能力——你给一段文字描述，它还你一张结构清晰、视觉精美的信息图。

传统方案里，这种任务需要拆成好几步：先用 LLM 理解文本内容，提取关键数据和逻辑结构，然后写 prompt 调用生图模型，生图模型再根据 prompt 生成图像。两步之间的信息传递全靠人工——你得判断哪些信息重要、怎么组织视觉层级、prompt 怎么写才能让生图模型准确理解意图。

而用 SenseNova-Skills 的 sn-infographic 技能，这个过程被压缩成一步。我只需要描述主题，Agent 会自动调用模型。关键在于提示词要足够详细——越是复杂的提示词，生成效果越好。

这里我测试了一个创意场景——生成一张”超级水果：柠檬万能指南”。提示词如下：

用sn-infographic技能，生成一张”超级水果：柠檬万能指南”信息图。

详细要求：
- 风格：清新明亮的青绿色渐变背景，点缀白色星星、气泡和云朵元素，扁平化卡通插画风格
- 布局：垂直分层结构，从底部的”LEVEL_0: 营养核心”开始，向上依次排列 LEVEL_1 烹饪艺术、LEVEL_2 家居清洁、LEVEL_3 身心疗愈
- 背景：青绿色渐变，清新自然

内容要点：
1. LEVEL_0: 营养核心
   - 标题：”微观基础：营养宝库”
   - 文本：”柠檬是维生素C的发电站。它能增强免疫系统，促进胶原蛋白合成，是身体抵抗病毒的第一道防线。”
   - 视觉：显微镜图标，镜头下是放大的柠檬细胞结构

2. LEVEL_1: 烹饪艺术
   - 标题：”味觉层级：厨房炼金术”
   - 文本：”柠檬汁能通过'美拉德反应'提升肉类风味，防止水果氧化变色，并平衡油腻感。”
   - 视觉：正在煎制的鱼排，淋上柠檬汁

3. LEVEL_2: 家居清洁
   - 标题：”实用层级：天然清洁剂”
   - 文本：”利用柠檬酸的化学力量。它是天然的除油剂和除垢剂，能去除水龙头水垢，杀灭细菌，且没有刺鼻的化学气味。”
   - 视觉：装有柠檬片和清水的喷雾瓶

4. LEVEL_3: 身心疗愈
   - 标题：”精神层级：提神与疗愈”
   - 文本：”柠檬烯的香气能直接影响大脑边缘系统。它能显著减轻压力，提升专注力，甚至在早晨唤醒你的大脑。”
   - 视觉：正在工作的香薰机，散发出黄色蒸汽

5. FILTER: 酸度警示
   - 标题：”双刃剑（The Acid Limit）”
   - 文本：”尽管益处众多，但柠檬的高酸度(pH 2-3)可能会侵蚀牙釉质。建议使用吸管饮用柠檬水，并随后漱口。”

配色：青绿色渐变、白色星星气泡装饰
风格：扁平化卡通插画，生动图标和场景

生成的信息图在视觉呈现上超出预期。它不是简单地把文字配图，而是真正理解了”层级体系”这个核心概念，用垂直分层结构展现从基础营养到高级应用的递进关系。每个层级都有独特的视觉表达——显微镜下的细胞结构、煎鱼场景、喷雾瓶除垢、香薰疗法——既传递了科学知识，又兼具趣味性和实用性。

这种”分层递进”的布局能力，体现了模型对内容逻辑的深层理解。它知道营养是基础、烹饪是应用、清洁是延伸、疗愈是升华，所以能自动设计出符合认知逻辑的视觉层级。

我又测试了一个风格截然不同的案例——生成一张”汽车制动系统工程蓝图”，这个案例考验的是模型对专业技术内容的视觉化表达能力，提示词如下：

用sn-infographic技能，生成一张”汽车制动系统工程蓝图”信息图。

详细要求：
- 风格：工程蓝图（blueprint）风格，深蓝色网格背景，白色线条勾勒
- 布局：中心辐射式结构，围绕核心制动盘和卡钳展开
- 背景：深蓝色网格，工程蓝图质感

这个案例展现了模型对高密度技术内容的处理能力。它没有把六大模块简单平铺，而是通过中心辐射式结构将内容有机组织，形成清晰的逻辑分组。这种布局能力体现了模型对内容关系的深层理解。

最后，我又测试了一个更常用的场景——生成一张”孜然土豆排骨”菜谱的手绘图。提示词如下：

用sn-infographic技能，生成一张”孜然土豆排骨”手绘风格菜谱信息图。

一张竖版美食食谱卡片，标题为“孜然土豆排骨”，副标题“家常美味·香气四溢”，
右上角标注“约40分钟”和“中等难度”。

其中卡片主体分为左右两栏：
左侧从上到下依次为“主料”“调料”“辅料”列表，包含排骨、土豆、孜然粉、生抽、姜蒜等字样；
右侧为五个带编号的烹饪步骤示意图，每个步骤旁有小插画。
底部有一个“小贴士”区域，包含“小火慢煎”“孜然增量”“浸泡去淀粉”三条建议，并配有一个小火煎锅的简笔画。

整体风格为温馨手绘扁平风，浅米色背景，橙黄色和棕色系点缀，边缘有手绘食物装饰，文字清晰，排版像一张实用的家常菜谱卡。

结果完全超出了我对"菜谱手绘图"的想象。它给出的不是简单线稿，而是一张信息密度极高、视觉层次丰富的完整食谱信息图。

3.2、原生交错图文生成

前面演示的信息图生成，本质上还是”单张图+配文”的形式。但 SenseNova-U1 的”原生交错图文生成”能力更进一步——它可以用一个模型生成多张相互关联的图片，每张图片配上对应的文字描述，共同讲述一个完整的故事。这个能力是模型本身的内置特性，这种能力的工作方式与传统方案截然不同：

对比维度	传统方案	SenseNova-U1 原生交错图文
生成方式	图片和文字分别生成，人工拼接	单模型统一生成，图文自然交织
多图关联	需要人工保证风格一致	模型自动保持视觉风格统一
叙事逻辑	靠人工编排	模型理解故事线，自动分镜
输出形式	单张图或简单拼合	多张图+文本，一气呵成

举一个具体的例子。我想让模型重新讲述《卖火柴的小女孩》这个经典童话，但给出一个温暖的平行宇宙改编版——在最后一次擦亮火柴时，出现的不是幻象，而是一只拥有魔法的驯鹿，它载着小女孩飞向了有糖果和壁炉的城堡。提示词如下：

讲一下经典童话《卖火柴的小女孩》，但这次请给出一个温暖的平行宇宙改编版图文绘本。
在最后一次擦亮火柴时，出现的不是幻象，而是一只拥有魔法的驯鹿，它载着小女孩飞向了有糖果和壁炉的城堡

生成的结果是一个4页图文故事：冷蓝雪夜中赤脚的小女孩→火柴光芒里出现发着金光的魔法驯鹿→驯鹿用角轻触小女孩带她飞向天空→降落到温暖明亮的糖果城堡。每页都是一张独立的插画，配上叙述性文字。这种”多图+文本”的叙事能力，是传统单图生成方案无法做到的。

3.3、风格模仿：让 AI 读懂"我想要的风格"

这个案例源于一个更具体的需求：我有一张比较喜欢的“相机内部结构爆炸图”，现在我想生成风格一致但内容不同的图。这在品牌视觉设计、内容运营等场景里非常常见——你需要一张主视觉，然后在不同渠道、不同用途上做延伸，这些图必须风格高度统一。传统方案里，这件事几乎做不好。你只能把参考图发给生图模型，让它"学习"，但学到什么程度、哪些元素该保留、哪些该替换，全靠玄学。同一个 prompt 跑两次，可能出来两个完全不同的结果。

而使用SenseNova-U1模型，我输入了完整的“无人机内部结构拆解分析图”，结果几乎复刻了参考图的风格骨架：同样的深色科技背景、同样的绘制风格、同样的标注方式。飞控模块、电池组、电机、云台——每个组件的层级关系和参考图中相机镜头、传感器、快门组件的排布逻辑如出一辙。

用sn-image-imitate技能，生成一张无人机内部结构拆解分析图。

参考风格：相机内部结构爆炸图（精密技术图纸风格）

详细要求：
- 目标风格：精密技术蓝图风格，模拟专业产品拆解图
- 布局：横向爆炸分解图，各组件沿中心轴线水平排列
- 背景：工程蓝图质感，深浅蓝色网格线，带有微妙纸张纹理

内容结构（从左到右依次排列）：
1. 螺旋桨组件 - 描绘四轴旋翼的桨叶结构，碳纤维材质纹理
2. 电机总成 - 无刷电机外壳剖面，线圈绕组细节
3. 飞控模块 - 主控芯片位置，IMU传感器组，LED状态指示灯
4. 动力电池 - 智能飞行电池外观，电量显示条
5. GPS与指南针模块 - 天线结构，陶瓷外壳
6. 视觉避障传感器 - 双目摄像头，红外发射器
7. 云台相机（核心载荷）- 三轴机械稳定结构，镜头组剖面

所有组件通过虚线连接，标注引线清晰
配色：工程蓝、金属银、电路绿、警示橙
文字标注：中文为主，部件名称精确

sn-image-imitate 技能解决这个问题的思路很有意思。它不是简单地让模型"学习风格"，用 VLM 详细分析参考图，输出一个结构化的"风格蓝图"，包含视觉层级、区域拓扑、阅读流向、配色方案等维度。然后进行内容改写——保持风格蓝图的约束不变，只替换核心内容。最后是生成和布局一致性审查，确保输出图的布局拓扑和参考图类似。

四、总结

回看那个周五下午，两小时在几个工具之间来回切，最后交出去的图，说实话也就是“能用”。现在用这套 SenseNova-U1 + OpenClaw 的流程，同样的事情可能半小时就能搞定初稿，出来的东西甚至比之前两小时磨出来的更协调。说几个最直观的感受。

最大的感受是关于"意图传递"的损耗问题。我之前用那些拼接方案，每次都要做一层"翻译"——把脑子里的想法倒成文字，再把文字塞给生图模型。这个过程里损耗了多少？可能连我自己都说不清。但用 SenseNova U1 之后，我发现这种损耗少了很多。不是因为它的 prompt 写得更好，而是架构本身就少了那些跨模型传递的环节。这不是某个参数调一调能弥补的，是从底层设计就决定的事情。

然后是关于"一致性"的惊喜。我之前最头疼的问题就是风格不统一——同一套东西，前一张图是扁平插画风，后一张突然变成写实渲染，放一起怎么看怎么别扭。但用 SenseNova-U1结合上sn-image-imitate 这个 skill，现在只需要一张参考图，剩下的交给这条链路去“对齐”。这不仅仅是省时间，更关键的是让脑子里那个模糊的“感觉”能稳定地落到画面上，不用再靠运气。

回过头来说，这些体验背后真正发挥作用的，还是SenseNova U1系列模型。正是因为它把理解和生成统一在同一套建模体系里，上面那些技能才有可能实现——提示词优化依赖模型对语义的理解，布局一致性依赖模型对视觉结构的把握，。这些能力不是靠堆 prompt 能堆出来的，是架构本身决定的。开源 SenseNova-U1 这件事本身，对于整个开发者生态来说，都是一件值得认真对待的事情。

如果你也在折腾类似的事情，建议直接安装开始体验。门槛很低，半小时就能跑起来，剩下的，自己判断。