1.1 文生图实战的核心目标与常见应用场景
我刚开始接触文生图的时候，脑子里只有一个念头：把文字变成画面。这听起来像魔法，实际操作起来更像是一门手艺。文生图实战的核心目标，就是让AI理解你的描述，生成符合预期的图像。你不需要会画画，需要懂得如何与模型沟通。我常跟身边的设计师朋友说，这就像学一门外语，你说得越清楚，对方越能懂你。
应用场景我见过太多。自媒体人用它做封面图，省下找图的时间。电商卖家拿它生成产品场景图，不用租摄影棚。游戏团队用文生图快速产出概念草图，一天能试几十个方向。我自己最常用的场景是给文章配图，输入一段描述，几秒钟就能拿到风格统一的插图。有个做独立开发的朋友，甚至用文生图做APP的启动页素材，成本几乎为零。
这些场景背后有一个共同点：你不需要成为专家，需要搭建一个可用的环境。环境不稳，后面所有技巧都是空谈。我见过太多人卡在安装这一步，还没开始就放弃了。这一章我会把环境搭建的每个细节都讲清楚，让你少走弯路。
1.2 Stable Diffusion 文生图实战教程：本地与云端环境选择
选本地还是云端，这个问题我被问过无数次。本地部署的好处是自由，想跑什么模型就跑什么模型，不用担心网络和额度。坏处是吃硬件，显卡至少6GB显存起步，8GB以上才比较舒服。我用的那台机器是RTX 3060 12GB，跑512x512的图大概两三秒一张，体验还不错。如果你手头有游戏本或者台式机，可以先看看显卡型号，再决定要不要本地装。
云端适合没有好显卡的人。Google Colab免费版能跑，容易断线，适合临时测试。AutoDL、揽睿星舟这些国内平台按小时计费，4090一小时几块钱，生成速度飞快。我出差时就用云端，打开浏览器就能干活，不用背着沉重的笔记本。云端还有个好处：预装环境，省去配置CUDA和PyTorch的麻烦。Stable Diffusion WebUI有一键包，云端镜像也很多，选对镜像能节省大量时间。
我自己的习惯是本地为主，云端为辅。本地跑日常测试，云端跑大批量或者高分辨率任务。你要是刚入门，可以先从云端开始，花几块钱体验完整流程。等确定要长期玩，再考虑升级显卡或者组装一台专用机器。环境是工具，不是目的，别在配置上耗掉所有热情。
1.3 模型、VAE、CLIP与常用插件的准备
模型是文生图的灵魂。Stable Diffusion 1.5、2.1、SDXL，还有各种社区微调模型，比如DreamShaper、Realistic Vision、Anything V5。我硬盘里存了十几个模型，每个擅长的风格不同。写实类用Realistic Vision，二次元用Anything，通用场景用DreamShaper。下载模型去Civitai或者Hugging Face，注意文件格式，.safetensors比.ckpt更安全。文件放进models/Stable-diffusion文件夹，刷新WebUI就能看到。
VAE负责色彩和细节，有些模型自带VAE，有些需要单独挂载。我常用vae-ft-mse-840000，能改善画面发灰的问题。CLIP是文本编码器，通常集成在模型里，不需要单独下载。插件才是扩展玩法的关键。ControlNet让你控制人物姿态和线条，ADetailer自动修复脸部崩坏，Dynamic Prompts帮你批量生成提示词。我在extensions文件夹里装了七八个插件，最常用的就是这三个。
装插件的方法很简单，在WebUI的Extensions标签页里，输入GitHub地址，点击Install。重启界面后就能用。注意插件版本要和WebUI兼容，不然会报错。我有次装了旧版ControlNet，结果生成时一直报错，查了半天才发现是版本问题。建议定期更新，别追最新，稳定版最省心。模型和插件准备好，你才算真正拥有了文生图的工具箱。
1.4 首个文生图任务：从输入到输出完整流程
打开WebUI，界面看起来复杂，其实核心就几个区域。左上角选模型，下面输入提示词，右边调参数。我头一回生成时，输入了“a beautiful girl, masterpiece, best quality”，点击Generate，等了十几秒，出来一张模糊的图。当时挺失望，后来才知道提示词太简单，步数也太低。现在我会写得更具体，比如“a young woman with long black hair, sitting in a cafe, soft lighting, photorealistic, 8k”。负向提示词里填“lowres, bad anatomy, extra fingers”，能避免很多崩坏。
参数方面，采样器选DPM++ 2M Karras，迭代步数25到30，CFG Scale设为7。分辨率512x512起步，想更清晰就开高分辨率修复。种子可以固定，方便对比不同提示词的效果。我习惯一次生成4张，挑最好的一张。生成完成后，图片会保存在outputs/txt2img-images文件夹里。你可以直接拖拽图片到PNG Info，查看它的完整参数，这对复现很有帮助。
整个流程走一遍，你就能体会到文生图的乐趣。我带的学员里，有人头一回就生成出惊艳的图，也有人折腾一下午才出一张能看的。这很正常，AI绘画有随机性，多试几次就能找到感觉。环境搭好，模型装好，提示词写清楚，参数调合理，剩下的就是不断练习。文生图实战没有捷径，每一步都有方法可循。
2.1 提示词结构：主体、动作、环境、风格、画质
我一开始写提示词，基本靠感觉。想到什么词就往上堆，结果出来的图跟我脑子里想的差十万八千里。后来我总结出一个笨办法，但特别管用：把提示词拆成五块来写。主体是谁或者是什么，动作在干什么，环境在哪里，风格像谁的作品，画质要什么级别。这五块写清楚，图起码不会跑偏太远。
举个例子。我上个月想生成一张“女孩在雨天街头撑伞”的图。第一次写的是“a girl with umbrella, rain, street”。出来的图是一个模糊的人影，伞还是歪的。后来我改成：“a young woman wearing a beige trench coat, holding a transparent umbrella, walking on a wet city street, rain drops visible, cinematic style, shot on 35mm film, soft bokeh background, 8k detailed”。主体是young woman，动作是holding umbrella和walking，环境是wet city street，风格是cinematic加35mm film，画质是8k detailed。这张图的质量直接上了一个台阶。
五块结构不一定要按顺序写，但每一块都要照顾到。缺了主体，模型不知道画谁。缺了环境，背景就是一团糊。缺了风格，出来的东西可能像十年前的游戏截图。我习惯把画质关键词放最后，像“masterpiece, best quality, 8k, highly detailed”这类，属于通用增强词。但别加太多，堆多了反而会让画面过饱和或者变得油腻。五块框架是骨架，具体填什么肉，得看你的需求。
2.2 关键词权重、括号语法与负向提示词
权重这个东西，我摸索了好久才搞明白。在WebUI里，你写(word:1.3)就是给这个词加权重，模型会更重视它。写[word]或者(word:0.7)就是减权重。我生成人物特写的时候，会在眼睛或者嘴唇上加权重，比如(detailed eyes:1.2)，出来的五官会精细很多。你要是发现某个元素总是被忽略，先别急着改提示词，试试给它加个权重。
括号语法在WebUI和ComfyUI里略有不同。WebUI支持圆括号、方括号、花括号嵌套，花括号一层相当于乘1.05。但我个人不推荐用太多嵌套，记起来麻烦，调试也费劲。直接用(词:数值)最直观清晰。权重的范围我一般控制在0.5到1.5之间。超过1.5容易让画面出现奇怪的扭曲，低于0.5基本等于没写。有一回我手滑写了个(fire:2.0)，结果整个画面烧起来了，完全没法看。
负向提示词是另一把钥匙。我最常用的负向词包括“lowres, bad anatomy, bad hands, extra fingers, missing fingers, cropped, worst quality, low quality, jpeg artifacts, blurry”。这些词能挡掉大部分崩坏。生成写实人物时，再加“cartoon, anime, 3d render”。生成二次元时反过来，加“photorealistic, realistic”。负向提示词不是越多越好，写太多会把画面压得很平。我一般控制在十个词以内，根据题材微调。负向词的作用是设底线，不是画天花板。
2.3 文生图提示词技巧：模板化、变量化与迭代方法
每次从零写提示词，效率太低。我后来建了几个模板文件，按题材分类。人物模板长这样：[主体描述], [动作], [服装], [环境], [光线], [风格], [画质]。场景模板是：[地点], [时间], [天气], [氛围], [风格], [画质]。用的时候把方括号里的内容替换掉就行，省去重新组织语言的功夫。模板不是死板的，是给你一个起手式，让你不用每次都面对空白输入框发呆。
变量化是我从编程里借来的思路。比如我想测试同一个场景下不同光线的效果，就把光线部分写成变量：{golden hour, blue hour, neon lights, candle light}。WebUI里用Dynamic Prompts插件，ComfyUI里用文本节点，都能实现变量替换。一次跑四张图，每张光线不同，省时省力。我还会把人物发型、服装颜色、背景元素都做成变量池，随机组合能撞出不少意外惊喜。这种方法特别适合做系列图，风格统一，细节有变化。
迭代方法是我最想强调的一点。别指望一次就写出完美提示词。我的做法是：先写一版，生成四张，找一张最接近预期的。然后固定种子，微调提示词里的两三个词，再生成四张。对比看看变化在哪里。好的方向就保留，坏的方向就回退。这个过程像剥洋葱，一层一层往里走。有时候改十几版才能达到想要的效果。我电脑里有个文件夹叫“提示词迭代记录”，每次重要项目都会存下每一版的提示词和对应图片。回头翻看，能清楚看到自己是怎样一步步接近目标的。
2.4 常见题材提示词范式：人物、场景、产品、概念设计
人物题材我写得最多。写实人物的话，提示词要细到皮肤质感、面部特征、眼神方向。我常用“detailed skin texture, pores visible, natural lighting, sharp focus on eyes”。二次元人物则要强调线条和色彩，比如“clean lineart, vibrant colors, cel shading, anime style”。不管哪种，人物姿态要写清楚：standing, sitting, walking, looking at viewer, profile view。我有次忘了写“looking at viewer”，结果生成的人物全部在看别处，白跑好几轮。
场景题材的重点在空间层次。前景、中景、背景最好都有交代。我写室内场景会用“foreground with a wooden table, midground showing a large window, background with city skyline”。室外场景要写天气和时间，比如“misty morning, soft fog, sun rays piercing through trees”。景别也要指定，wide shot、medium shot、close-up，出来的构图完全不同。我习惯在场景提示词里加一两个人物作为比例参照，画面会更有故事感。
产品图讲究干净和质感。背景通常用纯色或者渐变，光线用柔光箱效果。我常用“product photography, studio lighting, softbox, clean background, sharp details, commercial shot”。产品本身要写材质：matte, glossy, metallic, transparent。概念设计就自由多了。我一般会混合多个风格词，比如“cyberpunk meets art nouveau, intricate details, concept art, trending on artstation”。概念设计不怕夸张，怕的是没特点。我会加一些非常具体的元素描述，比如“floating islands connected by glowing chains”，让模型有明确的方向。
2.5 提示词问题诊断：崩坏、畸变、风格偏离与语义冲突
崩坏是最常见的问题。人脸扭曲、手指多根、肢体错位，这些基本靠负向提示词和ADetailer插件解决。我会在负向里写“bad anatomy, extra fingers, fused fingers, mutated hands”。如果还崩，就降低CFG Scale，或者换一个更擅长人物的模型。有时候崩坏是因为分辨率太低，512x512生成全身像，脸部只有几十个像素，模型根本画不出细节。这种情况开高分辨率修复，或者直接生成768x768以上。
风格偏离挺让人头疼。你写“watercolor painting”，出来却像油画。原因可能是模型本身偏向某种风格，或者风格词权重不够。我会把风格词提前，比如“watercolor painting, soft washes, paper texture, a girl in a garden”。把风格放在主体前面，模型会优先考虑它。另一个办法是换模型，用专门训练过水彩风格的checkpoint。语义冲突是提示词自己打架。比如“daylight”和“night”同时出现，模型不知道听谁的。还有“realistic”和“anime style”放一起，出来的图会四不像。我每次写完提示词会通读一遍，看有没有互相矛盾的词。有的话就删掉一个，或者用权重区分主次。诊断问题的过程就是理解模型的过程，你越懂它，它越听话。
3.1 采样器、迭代步数与CFG Scale的实战影响
采样器列表第一次摆在面前的时候，我盯着那一串名字看了很久。Euler、Euler a、DPM++ 2M、DPM++ 2M Karras、DPM++ SDE Karras、DDIM、LMS、Heun……每个名字都像暗号。我当时心想，随便选一个不就行了。后来的经历告诉我，选错采样器，同一组提示词出来的图能差出一个档次。我花了三天时间，固定提示词和种子，把WebUI里所有采样器跑了一遍，出图存在同一个文件夹里对比。结果很直观。
Euler a出来的画面偏柔和，线条圆润，二次元插画用它特别顺手。DPM++ 2M Karras的细节明显更锐利，写实人像的皮肤毛孔和发丝都能立起来。DPM++ SDE Karras带一点胶片颗粒感，概念设计和大场景用它有电影味。我现在打开WebUI的第一件事就是确认采样器。写实类走DPM++ 2M Karras，二次元走Euler a，场景概念走DPM++ SDE Karras。这三条是我试出来的舒适区。
迭代步数我犯过一个典型的新手错误。我以为步数越高细节越丰富，直接把滑块拉到150。出图等了快两分钟，画面反而糊了，像蒙了一层雾。模型在20到30步之间就基本收敛了，多出来的步数只是在原地打转，有时候还会把已经画好的细节磨平。我现在的设定是写实28步，二次元20步，概念设计35步。低于15步会明显粗糙，高于40步收益极小。步数这个参数，够用就好，不是越多越好。
CFG Scale是我调整最频繁的一个值。它控制模型对提示词的听话程度。默认7，很多人从来不改。我试过才知道，写实人像在CFG 5到6之间皮肤最自然，不会出现那种塑料感。二次元可以拉到7到9，线条更硬朗，颜色更艳。CFG超过12之后，画面开始发焦，颜色溢出，像烤过头的面包。CFG低于3，模型基本不听提示词，自己画自己的。我现在写实用5.5，二次元用7.5，概念设计用8。换采样器的时候CFG的甜点区会漂移，我会重新跑一组对比确认。
3.2 分辨率、宽高比、批次与随机种子控制
分辨率这个坑我掉进去过。SD 1.5的原生训练分辨率是512x512，SDXL是1024x1024。我早期直接生成1920x1080的图，出来的人有两个头，腿从肩膀那里长出来，场面相当惊悚。模型没见过那么大的画布，它不知道多出来的像素该往哪里填内容。我现在的流程是先用原生分辨率出图，确认构图和内容没问题，再用高分辨率修复放大。直接生成大图这件事，我基本不做了。
宽高比影响的是构图逻辑。16:9适合风景和电影感画面，9:16适合手机壁纸和竖版海报，1:1适合头像和产品图。我在提示词里会加“wide shot”或者“vertical composition”来配合宽高比设置，让模型知道画面往哪个方向延展。SDXL在1024x1024附近表现最稳，SD 1.5在512到768之间比较安全。超过这个范围，崩坏概率会明显上升。我有一次生成2048x2048的图，画面直接变成了抽象画，什么东西都认不出来。
批次控制是我做系列图时候的效率工具。Batch count和Batch size是两个不同的概念。Batch count是分几轮跑，Batch size是一轮同时跑几张。Batch size设太高会爆显存，我一般设1到4。Batch count可以设大一些，8或者16，用来做筛选。我的习惯是一次出8张，从里面挑1到2张继续迭代。这样比一张一张出再一张一张看要快很多，尤其适合测试新提示词的时候。
随机种子是我做复现实验的锚点。种子固定了，同样的参数和提示词就能得到同样的图。我每次找到一个满意的构图，第一件事就是记下种子值。后面微调提示词的时候，固定种子能让我清楚看到变化是哪个词带来的，而不是种子随机跳造成的。种子设为-1就是完全随机，每次都不一样。固定种子加微调参数，构图基本稳定，细节会跟着参数变。这个特性在调试的时候特别顺手。不记种子的话，回头想复现一张图真的会抓狂，我经历过那种翻遍文件夹找不到的感觉。
3.3 Checkpoint、LoRA、Embedding与风格迁移
Checkpoint是模型的主心骨，它决定了出图的基本风格和画质天花板。我电脑里存了十几个Checkpoint，按题材分文件夹放。写实类用Realistic Vision和ChilloutMix，二次元用Anything V5和Counterfeit，概念设计用DreamShaper和ReV Animated。每个模型的脾气不一样，有的擅长人脸，有的擅长建筑，有的对提示词特别敏感。换模型就像换镜头，同样的场景拍出来味道完全不同。我建议先把一个模型用熟，摸清它的长处和短板，再慢慢扩展。
LoRA是我最常用的微调工具。它像给模型戴上一副特定风格的眼镜。文件不大，几十到几百MB，加载快，对显存影响小。我常用LoRA来固定人物长相、服装风格或者画风。想生成一个特定的IP角色，直接用对应的LoRA，比写几百个提示词描述外貌要准得多。LoRA权重一般设在0.6到1.0之间。多个LoRA叠加的时候总权重别超过1.5，不然画面会打架。我试过同时挂三个LoRA，出来的图四种画风在抢地盘，完全没法用。
Embedding通常用来做负向提示。最出名的是EasyNegative和BadHands，它们把常见的崩坏特征打包成一个词。我在负向提示词里加EasyNegative之后，手指崩坏的概率肉眼可见地降低。Embedding也可以做正向风格控制，但效果不如LoRA直接。我现在的工作流是Checkpoint定基调，LoRA调风格，Embedding防崩坏，三者配合出图质量比较稳定。
风格迁移是我最近玩得比较多的方向。用图生图加低重绘幅度，把参考图的风格迁移到新图上。或者用IP-Adapter提取参考图的风格特征再注入生成过程。我试过把一张水彩画的风格搬到人物肖像上，效果比纯提示词写“watercolor”自然得多。风格迁移的关键在重绘幅度，太高会丢掉原图特征，太低又迁不过去。0.4到0.6之间是我试出来比较平衡的范围。这个领域每隔几个月就有新工具冒出来，保持关注就好。
3.4 高分辨率修复、放大与细节增强策略
高分辨率修复是我出图的固定步骤。原生分辨率出图之后细节往往不够，Hires.fix能把图放大两到四倍，同时用第二个采样器重绘细节。我常用的设置是放大倍数2，Hires steps 15到20，Denoising strength 0.4到0.55。Denoising太低放大后画面糊，太高原图构图会被改掉。0.5左右是我试过比较稳的值。放大算法写实类用R-ESRGAN 4x+，二次元和插画用4x-UltraSharp，这两个搭配我用得最顺手。
放大之后还有细节增强的空间。Ultimate SD Upscale脚本能把图切成小块分别放大再拼回去，处理4K以上的大图很管用。缺点是速度慢，切块边缘可能出现接缝。我一般会在拼接后加一步轻微降噪把接缝磨掉。ControlNet Tile能在放大的同时锁住画面结构，我用Tile加Ultimate SD Upscale的组合做过一张8K的概念场景，细节保留得相当完整。放大的顺序我固定为Hires.fix先放两倍，再ADetailer修脸和手，最后Ultimate SD Upscale做终放大。跳过Hires.fix直接上Ultimate，脸部细节会丢得厉害，放得越大越糊，这个顺序我试过很多次才定下来。
ADetailer插件是我用得最多的修复工具。它能自动检测人脸和手部，单独对这些区域做高分辨率重绘。全身像的脸部崩坏用ADetailer修一遍基本能看。手部修复效果差一些，但比不修强。FaceID这类插件可以固定人物面部特征，做系列图的时候特别有用。面部一致性是AI绘画的老大难问题，多张图里同一个人长得不一样，客户一眼就能看出来。FaceID加LoRA的组合目前是我找到的比较好的方案，还在继续试新的方法。
3.5 参数组合实验与可复现出图记录
参数组合实验我每周都会做。固定提示词和种子，只改一个参数，跑一组对比图。这周测CFG就只跑CFG，跑5、6、7、8、9五个值，每个值出四张。下周测采样器就只换采样器。这种单变量实验听起来有点笨，但真的能帮你建立对参数的直觉。我有个表格记着不同题材下的常用组合。写实人像：DPM++ 2M Karras，28步，CFG 5.5，Hires Denoising 0.45。二次元：Euler a，20步，CFG 7.5，Hires Denoising 0.5。概念设计：DPM++ SDE Karras，35步，CFG 8，Hires Denoising 0.55。表格还在慢慢更新，每次实验有新发现就加一行。
可复现出图记录是我最推荐养成的习惯。每次出图，我把提示词、负向提示词、模型名、LoRA名和权重、采样器、步数、CFG、种子、分辨率、Hires设置全部记下来，存在一个文本文件里，和图片放同一个文件夹。图片文件名里也带上种子和模型简称。这样三个月后回头看，任何一张图我都能完整复现。PNG Info功能可以直接从图里读这些信息，前提是保存为PNG格式而且没有经过二次压缩。我吃过一次亏，把图发到微信再保存回来，PNG Info全没了，种子和参数都找不回来。从那以后原图一律存PNG，分享用JPG副本。
记录的目的不只是复现，更是积累。翻看半年前的记录，能清楚看到自己在参数理解上的变化。哪些参数是真的有效，哪些是心理作用，数据摆在那里不会骗人。我还会在记录里加一栏主观评价，给每张图打分写一句感受。比如“CFG 5.5这张皮肤质感最好，背景有点糊”或者“CFG 8的二次元线条最锐利，颜色偏饱和”。这些主观感受攒多了就会变成你自己的参数直觉。教程里的数值只是参考，你的眼睛和项目需求才是最终标准。我现在的很多常用参数，都是靠这种笨办法一点点试出来的。
4.1 图生图、局部重绘与Inpainting修复
我最早接触图生图，起因是一张构图很好的图但风格不对。当时想改成油画风，直接写提示词出来总是差口气。后来把原图扔进img2img，重绘幅度调到0.45，加了个油画LoRA，出来的效果比纯文生图自然多了。重绘幅度这个参数挺微妙。0.3以下基本只改表面，像加了个滤镜。0.7以上原图结构全散，跟重新生成差不多。我现在改风格基本在0.4到0.6之间。改细节比如换衣服颜色，0.25到0.35就够。每张图的重绘幅度甜点区不一样，我会先跑一张0.5看看，再上下微调。
局部重绘是我修手和脸的常用手段。一张图其他地方都满意，就手指多了一根。这时候用Inpainting把手指区域涂黑，重绘幅度开0.6到0.8，提示词只写“perfect hand, five fingers”。Masked content选original，让模型知道周围环境长什么样。选latent noise会完全重新画，适合换背景。我修过一张海报，人物背景杂乱，用Inpainting把背景全涂了，提示词写“clean studio background”，重绘幅度0.75，出来的背景干净利落。Inpainting的蒙版边缘要留一点羽化，不然拼接处会有硬边。WebUI里有Soft edge选项，我一般开到8到12像素。
修复这件事我踩过不少坑。ADetailer能自动检测脸和手，方便是方便，但它有时候会把好脸也修坏。我现在的流程是全局出图，用ADetailer过一遍，之后手动检查，有问题的局部再用Inpainting精修。精修的时候我会把图片放大到200%再画蒙版，细节更准。手部修复至今是个难点，模型对结构理解不够。我试过用ControlNet Depth辅助手部重绘，效果有提升，但还没到完美。每次修手都像碰运气，多试几张总能碰到好的。
4.2 ControlNet结构控制：姿态、边缘、深度与线稿
ControlNet刚出来的时候我装了但没怎么用，觉得节点太多太麻烦。后来接了一个需要固定人物姿势的项目，纯靠提示词怎么写都控制不住。逼得我回去啃ControlNet。OpenPose是我第一个上手的。找一张参考图，提取骨架，再用同样的骨架生成新人物。权重设0.8，引导时机从0开始，结束在0.8左右。出来的姿势和参考图基本一致。权重超过1.2画面会僵硬，人物像木偶。低于0.5又控制不住，姿势会漂。0.7到1.0是我常用的范围。
Canny和Lineart是线稿控制的双子星。Canny抓边缘，适合建筑、产品这类硬边物体。Lineart适合手绘线稿、漫画。我用Lineart把一张草图变成精细插画，权重0.6，重绘幅度0.7，细节保留得挺好。Depth控制景深和空间关系，适合大场景。我做过一张室内设计图，用Depth提取原图深度，生成新风格时空间结构不崩。Scribble涂鸦模式我用来做创意草图，几根线就能生成完整画面，适合头脑风暴阶段。每个ControlNet模型文件不一样，下载的时候看清是SD1.5还是SDXL。
多个ControlNet叠加是进阶玩法。我试过OpenPose加Depth，一个控姿势一个控空间。权重分配要小心。OpenPose权重0.8，Depth权重0.5，两个同时开。权重加起来太大画面会过拟合，像复印。引导时机也要错开，OpenPose从0到0.8，Depth从0到0.6，让模型先学姿势再学深度。我还在试Canny加IP-Adapter的组合，Canny控结构，IP-Adapter控风格。这套组合拳打好了，出图可控性提升一大截。ControlNet的预处理器选择也重要，比如OpenPose有openpose_full和openpose_hand，后者对手指细节更敏感。我一般用full，需要手指的时候换hand。
4.3 多模型协作与ComfyUI/WebUI工作流搭建
我用了大半年WebUI，后来被ComfyUI的灵活性吸引。WebUI像傻瓜相机，点几下出图，适合快速测试。ComfyUI像单反，每个节点都要自己连，但能搭出非常复杂的工作流。我一开始看那些连线头大，硬着头皮搭了第一个文生图流程，发现其实跟WebUI的逻辑一样，只是拆成了节点。后来搭了一个多模型协作的流程：Checkpoint出基础图，LoRA加风格，ControlNet修结构，再进Hires.fix放大，末尾用ADetailer修脸。整个流程一键跑完，省去手动切换的麻烦。
多模型协作的关键是分清每个模型管什么。Checkpoint定基调，LoRA调风格，ControlNet控结构，IP-Adapter传参考。我在ComfyUI里把这些节点串起来，中间加一些图像处理节点，比如裁剪、缩放、蒙版。有一次做系列角色图，用同一个Checkpoint加角色LoRA，再用OpenPose固定姿势，出来的图一致性很高。ComfyUI的工作流可以保存成JSON文件，分享给团队成员，大家用同一套参数出图，风格统一。我现在把常用工作流存了五六个，按项目类型分类。
WebUI和ComfyUI我都在用。快速试提示词用WebUI，批量生产和复杂流程用ComfyUI。ComfyUI的节点报错有时候很隐晦，我得一个个查。但搭好之后效率很高。我建议先熟悉WebUI的基本操作，再转ComfyUI。直接上手ComfyUI容易懵。我现在搭工作流会先画个草图，把节点关系理清再连线。团队协作的时候，我会把工作流和模型列表一起打包，附上说明文档。新人拿到就能跑，不用从头配环境。
4.4 批量生成、自动筛选与提示词队列管理
批量生成是我做项目必备的技能。WebUI的X/Y/Z plot脚本能同时扫描多个参数，比如CFG从5到9，采样器换三种，一次跑出几十张对比图。我每周会跑一两次参数扫描，看看新模型或者新LoRA的甜点区。提示词队列管理我用文本文件，每行一条提示词，WebUI的prompt from file功能读取后依次生成。生成的时候我设batch count为1，让它一条一条跑，避免显存爆炸。跑完一批图，我会先人工快速过一遍，把明显崩坏的删掉。
自动筛选帮我省了很多时间。我写了一个Python脚本，调用CLIP模型给每张图打分，按提示词相关性和美学评分排序。分数高的图自动移到“精选”文件夹，分数低的进“待定”。这个脚本不完美，有时候会把一些有创意的图筛掉，但作为初筛工具够用了。我还会用图片的PNG Info提取参数，存成CSV，方便后续分析。哪些参数组合出图率高，哪些提示词容易崩，数据积累多了就能看出规律。
提示词队列我习惯按项目分文件夹。一个项目一个txt文件，里面是排好序的提示词。生成的时候按顺序跑，图片文件名自动带上序号和提示词摘要。这样找图的时候不用翻，看文件名就知道内容。批量生成最怕重复和遗漏，我用一个简单的Python脚本检查队列里有没有重复行，有就标红。生成过程中如果某条提示词连续崩坏，我会把它单独拎出来，调整后再放回队列。队列管理听起来枯燥，但项目大了之后，没有队列就是一团乱。
4.5 API、脚本化与团队协作流程
API是我从手动出图转向自动化的转折点。Automatic1111的API和ComfyUI的API我都用过。Python调API可以传入提示词、参数、模型名，返回图片的base64。我写了一个脚本，读取CSV里的提示词列表，循环调用API，自动保存图片并用参数命名。以前手动点一下午的活，脚本跑半小时就完了。脚本化还能做定时任务，比如半夜跑一批图，早上起来筛选。ComfyUI的API更灵活，可以把整个工作流封装成一个API调用，传入不同的输入参数。
团队协作方面，我们共享一个模型库，放在NAS上，大家通过局域网访问。Checkpoint和LoRA统一命名规范，避免版本混乱。提示词模板放在Git仓库里，每次修改都有记录。ComfyUI工作流文件也进Git，谁改了哪个节点一目了然。出图参数用JSON文件管理，和提示词一起提交。这样任何人拿到仓库都能复现出一样的图。团队里有人负责写提示词，有人负责调参数，有人负责筛选，分工明确。API让流水线成为可能，写词的人提交队列，跑图的人执行脚本，筛选的人用自动评分加人工复核。
交付流程我们定了一套标准。客户需求先转成提示词和参考图，跑第一轮草图，内部评审后挑出方向。第二轮用ControlNet固定构图，加LoRA细化风格。第三轮高分辨率放大和修复。每轮输出都带参数记录，方便追溯。API和脚本化让整个流程可重复、可扩展。团队协作最怕信息不同步，我们用一个共享表格记录每个项目的状态、负责人和文件路径。谁改了什么都写备注。这套流程运行了几个月，效率比单打独斗高很多。版权和合规问题我们也会在交付前过一遍，确保模型和素材的授权没问题。
5.1 商业海报与电商产品图实战
我接的第一个商业海报单子是给一家本地咖啡馆做的。客户要一张开业宣传图，主题是秋天的暖意，预算不高但要求出三版方案。我拿到需求先别急着写提示词，花了一晚上看他们家的产品照片和装修风格。主色调是深棕和暖橙，木质家具多，咖啡杯是手工陶艺。把这些元素记下来，再转化成提示词语言。主体写"wooden table with handcrafted ceramic coffee cup"，环境写"cozy autumn cafe interior, warm orange lighting"，风格写"photorealistic, shallow depth of field"。第一版出来咖啡杯的把手方向不对，陶艺的质感也偏塑料。用Inpainting把手部区域修了一下，提示词加"matte ceramic texture"，重绘幅度0.55，再跑一遍好多了。
电商产品图是另一个路子。我帮朋友做过一批护肤品的场景图，要求白底但不死板，要那种带生活气息的高级感。白底图用纯提示词很难出，背景容易灰或者带杂色。我的做法是用ControlNet Depth控住产品轮廓，再用Inpainting把背景替换成"clean white background with soft shadows"。产品本身的材质和标签文字保持不动。标签上的文字我从来不让AI生成，都是后期用PS贴上去，AI写字目前还是不稳。产品图的光影特别重要，提示词里我会加"studio lighting, softbox, gradient shadow"，这些词对质感提升明显。有一次客户要一张矿泉水的图，瓶身的水珠我写了"condensation droplets on glass bottle"，出来效果挺逼真，客户以为是实拍。
商业单子交付前我习惯跑一个检查清单。分辨率够不够印刷用，通常要300dpi，我出图至少2048像素宽。色彩模式是RGB还是CMYK，印刷得转CMYK，但转换过程会丢色，我一般给客户RGB和CMYK两个版本。模特或者人物的手和脸要放大到200%看一遍，有畸变就修。产品logo和文字位置对不对，这个错一次就废。最后一次交付我打包一个文件夹，里面有成品图、参数记录txt、和一张预览图。参数记录很重要，客户后续要改尺寸或者微调，我能快速复现。
5.2 人物肖像、IP角色与游戏概念设计实战
人物肖像是文生图里最难讨好的品类。我做过一批虚拟主播的形象设计，客户要求"二次元但不要太幼态，要有成熟的气质"。这种模糊需求我会先出十张草图让客户挑方向。挑出来两三张后，再往细节走。脸部我用ADetailer加Inpainting反复修，眼睛的高光和瞳孔细节决定了整个角色的神采。发型的处理有个小技巧，提示词里加"detailed hair strands, individual hair rendering"，出来的头发不会糊成一片。服装部分用LoRA固定风格，我找了一个韩系插画的LoRA，权重0.7，出来的配色和笔触客户很满意。
IP角色设计要考虑一致性。同一个角色要在不同场景里出现，脸型、发色、服装不能变。我试过纯提示词控制，效果很差，每次都有偏差。后来用角色LoRA加OpenPose，姿势可以换，脸和衣服保持一致。训练角色LoRA需要准备二十到三十张图，最好是同一角色不同角度。训练参数我一般设dim 32，alpha 16，学习率1e-4，跑1500到2000步。第一次训练出来过拟合严重，背景都带进了LoRA。后来把训练图的背景全抠干净再训，效果好很多。现在做系列IP图，我会先训一个角色LoRA，再搭配不同场景提示词，效率比每次重写提示词高多了。
游戏概念设计我参与过一个独立游戏的前期。客户要的是"东方奇幻风格的环境概念图"。这种图不光要好看，还要有叙事性。我会在提示词里加故事元素，比如"abandoned temple overgrown with vines, broken stone statues, misty morning light"。构图用ControlNet Depth控制，先画一个简单的3D草图导入，让AI在结构上发挥。有一张图客户特别满意，是一座悬空的塔楼，藤蔓缠绕，远处有飞鸟。提示词里我写了"floating pagoda, cascading vines, flock of birds in distance, ethereal atmosphere"。这种图交付的时候我会附上分层PSD，方便美术后续细化。概念设计阶段出图不追求完美，追求的是方向准确和氛围到位。
5.3 自媒体配图、插画与分镜实战
自媒体配图讲究快和多。我给一个公众号做头图，一周要出七张，风格统一但内容不同。我的做法是搭一个ComfyUI工作流模板，固定Checkpoint和LoRA，只变提示词里的主体和环境。比如这周主题是职场，我就把主体换成"office desk", "commuter train", "meeting room"，风格和色调保持一致。批量跑的时候用提示词队列，一个txt文件七行，跑完自动按序号命名。出的图我会挑一张最好的精修，其他的微调亮度对比度就能用。自媒体图尺寸有讲究，公众号头图是900x383，小红书是3:4，这些比例我提前在参数里设好，避免后期裁剪。
插画是我自己最喜欢的品类。给一篇关于城市孤独感的文章配图，我试了很多提示词都不对味。后来换了个思路，用Scribble涂鸦模式先画几根线，勾出一个坐在窗边的人的轮廓，再让AI去填充细节。出来的图有一种手绘的随意感，比纯文生图有温度。插画的风格控制我用Embedding比较多，负向Embedding压掉不想要的笔触，正向Embedding加特定画风。有一张图我用了三个Embedding叠加，出来的效果像水彩和铅笔的混合，挺特别。自媒体插画不用太精细，但要有辨识度。我会在角落留一点个人风格的小元素，比如固定的配色或者线条处理方式。
分镜是最近接的一个活，给一个短视频做故事板。分镜图不需要高精度，但要能传达镜头语言。我用ControlNet OpenPose固定人物姿势，Depth控制镜头景深，快速出草图。每个镜头跑三到四张，挑构图最清楚的。分镜的提示词我写得很简洁，比如"wide shot, two people arguing in kitchen, tense atmosphere"，细节留给后续。交付的时候我按镜头顺序编号，附上每个镜头的运动说明，比如"camera slowly pushes in"。客户对着分镜图拍视频，沟通成本低很多。分镜阶段出图我通常用低步数，20步左右，CFG 5到6，速度快，反正后面不用这些图做成品。
5.4 版权、伦理、合规与商用风险规避
版权这块我吃过一次亏。早期不懂，用了一个标注"free"的LoRA做商业单子，后来发现那个LoRA是用某画师的作品训练的，画师本人没授权。虽然最后没出事，但吓出一身汗。现在我商用项目只用自己训练的LoRA，或者明确标注可商用的。Checkpoint也一样，很多模型是基于LAION数据集训练的，里面有些图有版权争议。商用交付前我会查一下模型的授权协议。大模型像SDXL基础版可以商用，但某些微调版可能有限制。客户如果要求独家版权，我会提前说明AI生成图的版权状态，让他们心里有数。
伦理问题我遇到过一次。客户想要一张"看起来很真实的新闻照片"，用来做内容配图。我拒绝了。AI生成图冒充实拍，尤其是新闻场景，风险太大。还有一次是人物肖像，客户给了一张真人照片让我做风格迁移。我问他有没有本人授权，他说没有。这种情况我不接。AI换脸和风格迁移涉及肖像权，没有明确授权我不碰。现在我的原则是：涉及真人的项目必须有书面授权，不生成可能误导公众的图片，不做暴力色情内容。这些底线写在合作前的沟通里，避免后面扯皮。
合规方面我关注平台政策。很多图库和社交媒体对AI生成图有标注要求。我交付商用图的时候会附一个说明，写清楚是AI生成，用的什么模型和参数。客户如果要在特定平台上发布，我会查一下那个平台的AI内容政策。有一次给一个电商客户做产品图，平台要求AI生成的产品图必须标注"图片仅供参考"。我在交付文件里加了这个提示。国内对AI生成内容的监管越来越细，我会定期看一下新规。合规不是限制，是保护。出事了再补救，成本比提前做好高得多。
5.5 性能优化、常见报错排查与持续迭代路线
性能优化我最大的感受是显存管理。我一开始用8G显存的卡，出1024x1024的图经常爆显存。后来学会了几招。出图前先卸载不用的模型，WebUI里有"Unload VAE"和"Unload Checkpoint"的选项。批量生成的时候把batch size设小，用batch count代替。Hires.fix分两步跑，先出小图再放大，比直接出大图省显存。ComfyUI的节点式流程可以精确控制什么时候加载什么模型，显存利用率比WebUI高。我现在用12G的卡，出2048的图基本没问题，但批量跑还是会边跑边清缓存。xformers和SDP attention这两个加速选项我都是开着的，速度提升明显。
报错排查我踩过的坑能写一本书。最常见的是CUDA out of memory，解决方法是降分辨率、关Hires.fix、减小batch。但有时候显存够也报这个错，那是显存碎片化了，重启WebUI就好。第二个常见的是"ModuleNotFoundError"，缺Python包，pip install装上就行。有一回报错说某个节点找不到，我查了半天发现是ComfyUI的自定义节点没更新。还有一次出图全黑，原因是VAE没加载对，换了VAE文件就好了。我把常见报错和解决方法记在一个txt里，遇到问题先查记录。新报错就复制错误信息去搜，通常GitHub的issue里有人遇到过。
持续迭代这件事我给自己定了节奏。每周抽两个小时看新模型和新插件，有合适的就测试一下。每月回顾一次自己的提示词库，把常用的整理成模板，把不好用的删掉。每季度更新一次工作流，把新的技术和自己积累的经验整合进去。我不追最新的东西，但也不停在原地。有个习惯我觉得挺有用，就是每次出图都保存参数记录，时间长了就有一个自己的数据库。哪些参数组合出图率高，哪些提示词容易崩，翻记录就能看出来。AI绘画这个领域变化快，今天好用的方法明天可能就过时了。保持学习，保持记录，保持输出，这是我能想到的最稳的迭代路线。
