批量操作技巧：一次处理上百个素材

单张素材的处理在 Eagle 里几乎不构成问题。真正的成本来自几十张、上百张同类素材的处理——一批下载的图、一个项目的截图墙、从旧工具倒进来的存量。本文讲怎么让这种批量处理从“一个下午”变成”十分钟“。

一个前提：先分清“能批量”和”不能批量“

不是所有素材都值得同样对待。把一批素材分成两类：

把异质批当同质批处理，会得到一堆错误的标签和错误的分类——这比不做更糟，因为错误的元信息会污染你之后的检索。

一、同质批：Eagle 自带的批量入口

Eagle 的批量操作入口是统一的：先多选，再操作。多选之后，右键菜单和检查器里的所有字段都会作用到整个选区。

可批量修改的字段包括：所属文件夹、标签、评分、注释。

一次典型操作：

1. 切到 Grid 或 List 布局（这批量大，用 List 更利于范围选择）。
2. 框选或用 Shift 连选，把这批全部选中。
3. 在检查器里填入标签——多个标签用分隔符隔开，一次加完。
4. 拖到左侧栏的目标文件夹，一次归位。
5. 选中后统一打一个评分（1～5 星）。

整个过程五次动作，与素材数量无关。100 张和 10 张的操作次数是一样的。

二、命名批量改：靠筛选而不是靠手打

批量改名的关键洞察：Eagle 的命名不是靠逐个编辑实现的，而是靠筛选出目标集合后统一处理，或者干脆交给 AI。

人工方式可行的场景只有一个：你已经把这批素材筛成了“连续的、同一类”的集合。

1. 用筛选栏把目标集合框出来（例如按文件夹 + 格式 + 评分组合筛选）。
2. 切到 List 布局，按名称排序，确认这个集合确实是连续的。
3. 从排序后的第一条开始，命名为 项目名_类别_序号_版本。
4. 后续条目用“复制上一条名称再改序号”的模式推进。

但说实话，这个方式对 50 张以上就吃力了。真正的大批量命名应该走 AI：

用 AI Action 的 AI Rename。 它的机制不是“给每个文件取名”，而是”你给出命名规则，AI 按内容批量执行“。你可以指定前缀、统一语言、大小写风格、字符数上限、是否包含构图信息。规则定一次，100 张图一次跑完。

用 Eagle Skill / MCP 让 Agent 处理。 官方举的一个典型场景就是：一批叫 Screenshot 2024-11-15 3.45.12 PM.png 的截图，无标题、无描述、无标签——Agent 分析每张图的内容，自动生成语义化文件名、详细描述和标签。100 张几分钟跑完。

三、用筛选器造出“工作集”，而不是靠记忆

大批量操作之前，先用筛选器造出一个可复现的工作集。这是把“操作”变成”可重复流程“的关键。

筛选器可用的条件（可组合）：

• 文件夹
• 标签（支持 Any / All 逻辑，也能右键排除某个标签）
• 格式类型
• 评分
• 颜色
• 形状/比例
• 导入时间范围
• 关键词与注释文本

典型组合一：所有未整理的素材。 文件夹为空 + 标签为空。这一条就是你积压债务的准确数量。

典型组合二：待定稿的素材。 评分为 3 星 + 指定文件夹。搜完之后直接按评分排序，第一屏就是最值得看的。

典型组合三：某类素材的尺寸盘点。 格式为 PNG + 形状为宽幅。用来找出适合做 banner 的候选。

典型组合四：清理低价值标签。 选中某个标签 + 标签计数很低。这一条配合标签群组一起用，能快速定位“用了一次就再没用过”的标签。

常见坑：筛选的起始范围很重要。Eagle 的搜索是在当前所在范围里进行的——如果你正处在一个文件夹视图里，筛选结果可能已经被这个文件夹限定了。做全局盘点时要先回到根范围，否则你会得到一个偏小的子集，进而做出错误的判断。

四、把“条件保存”下来

如果你反复需要同一组筛选条件，别每次重搭。Eagle 有 Saved Filter（保存筛选）功能，可以把一组条件存下来复用。

关键理解：Saved Filter 保存的是“条件”，不是”文件列表“。 匹配到的素材会随着你的库变化而变化。这正好是工作集该有的行为——条件是稳定的，成员是流动的。

值得保存的筛选：

• 我的 inbox（未整理 + 3 星）
• 可用作 banner 的宽幅大图
• 某客户的所有素材（文件夹 + 用途标签）
• 待补注释的素材（注释为空 + 评分 4 星以上）

常见坑：Saved Filter 不是快照。有人以为“保存下来就锁定了这批文件”，结果一周后素材被打散，它指向的集合已经不是你当初筛选的那批了。如果你要的是快照（比如”这次提案的最终选集“），那应该建成一个真实文件夹，把文件拖进去。

五、给批量操作定“安全网”

批量操作最大的风险不是操作麻烦，而是一次错误影响一百张图。执行前做三件事：

1. 先备份。 整个资源库文件夹复制一份到别处。这是唯一的兜底手段。
2. 先小批量验证。 从 100 张里挑 5 张试跑，确认 AI 生成的命名、标签、描述是你要的，然后再跑全量。这一步官方也明确建议过：不要一上来就处理整个库，先小批量测试。
3. 分批而非一次到底。 100 张分 4 批跑，每批跑完扫一眼结果，出问题可以及时止损。

特别提醒关于标签合并：eagle.tag.merge() 会更新所有使用来源标签的素材、标签群组、收藏标签和历史标签，且此操作不可逆。在跑批量标签清理之前，先把库备份做掉。

常见坑：直接改资源库底下的 metadata.json 或任意文件来做“批量”修改，是最容易被忽略也最危险的做法。官方 API 文档在多处明确提示：应使用 save() 方法来存取和修改数据，避免直接操作底层文件。手改 metadata 一旦格式出错，可能导致整个库打不开。

六、批量之后必须做的验收

批量不等于完成。跑完之后，用三分钟做一次验收：

1. 抽查。 随机抽 5 张，看名称、标签、描述是否合理。特别看描述之间是否高度雷同——如果十张图的描述几乎一样，说明 Custom Instructions 写得太笼统，AI 在敷衍。
2. 看标签分布。 刷新标签列表，看新增的标签有没有产生一堆“只用过一次”的碎片标签。有的话趁还早合并掉。
3. 测一次检索。 用一个你真实会用的词去搜这批素材。如果搜不到，说明生成的文本信息没有覆盖你的检索习惯——这是最关键的一步，因为它直接告诉你 AI 的产出对检索有没有用。

第 3 步是整套流程的闭环。整理的最终目的不是库看起来整齐，而是你下次能找得到。

七、批量的粒度：一次处理多少合适

粒度选错是批量操作效率低的主要原因。给几个经验参考：

判断标准很简单：如果你在处理到第 20 张时就已经开始怀疑前面的判断，说明这批不是同质的，应该停下来重新划范围。

另外要注意 AI 处理的实际耗时还取决于你的模型配置和硬件。用本地模型（Ollama / LM Studio）跑视觉任务会比云端 API 慢不少，这个差异在几百张的量级上会被放大。首次跑之前先拿 10 张计时，心里有个数。

八、一个可以直接复制的批量整理 SOP

1. 备份整个资源库文件夹到另一块磁盘。
2. 建立 00-inbox / 99-pending-trash 两个文件夹作为缓冲区。
3. 用筛选器框出“未分类 + 未打标签”的工作集，记录数量。
4. 从中随机抽 10 张人工过一遍，扔掉明显无用的，剩下的作为同质批的样本。
5. 把这 10 张的判断写成明确的命名规则和标签规则（这就是喂给 AI 的 Custom Instructions）。
6. 用 AI Action 对工作集跑一遍，只跑 10 张，验收命名和描述的质量。
7. 质量达标后分批跑全量，每批 30～50 张。
8. 全量完成后，做上面那三分钟验收，重点是“用真实检索词测一次”。
9. 把这组筛选条件存成 Saved Filter，下周直接复用。

九、给不同角色换不同粒度

如果你是团队里负责维护公共库的那个人，粒度还要再调。

设计师维护自己的参考库，几百张一批完全没问题，因为判断标准在他脑子里，AI 只是执行。但团队共享库的维护者面对的是别人的素材和别人的判断标准——这种情况下更该坚持小批量，并且坚持“AI 提议、人确认”的模式。

Eagle 官方在介绍 MCP / Skill 的能力时，反复强调的一个模式是：AI 先给出一份清理方案或执行清单，人审阅确认后才执行。比如标签清理，AI 会先扫描全库、识别同义词、拼写错误和低频标签，然后列出“哪些合并、哪些删除、哪些归组”的计划，你确认后才动手。这个”先看计划再执行“的模式，比直接授权批量修改安全得多，也更适合共享库。

常见坑：第 6 步跳过的人，后面 100 张返工。AI 的产出质量高度依赖规则写得清不清楚，而“我想要什么命名”这件事只有你自己知道。先用 10 张把规则磨对，再谈批量。

整理人：WorkBuddy