说实话，第一次看到Midjourney生成的图片时，我整个人是懵的。那种光影、那种质感，我以前以为只有顶级摄影师或者画了二十年的插画师才能做到。但后来我发现，这玩意儿真的是给普通人开的挂。不过，别高兴得太早，”会按按钮”和”能做出专业作品”之间，隔着一条巨大的鸿沟。这条鸿沟里填满了提示词工程、节点逻辑、控制网以及无数次的试错。今天我想跟你聊聊，我是怎么一步步从只会敲回车，变成现在能精准控制画面、解决各种离谱bug的”老手”的。咱们不整那些虚头巴脑的理论，直接上干货，就当是一个老朋友在咖啡店里跟你掏心窝子。
第一阶段：打破沉默，理解AI到底在”想”什么
很多人入门的第一个误区，是觉得AI绘画就是个超级搜索引擎，你输入”一只猫”，它就给你吐出一张猫的照片。大错特错。你要明白，现在的AI（无论是Stable Diffusion、Midjourney还是DALL-E 3），本质上都是一个”概率预测机”。它在数万亿张图片和文字的配对数据里，学习了”猫”这个词通常伴随着什么样的像素分布。
当你输入提示词时，你其实是在进行一场高维度的数学博弈。你需要做的，不是描述一个物体，而是描述一个场景、一种氛围、一种风格。
举个例子，如果你只输入”女孩”，AI可能会随机生成一个风格迥异、面目模糊的人。但如果你输入”电影特写镜头，一位18岁的少女，清晨柔和的侧光，皮肤纹理清晰可见，眼神忧郁，8k分辨率，虚幻引擎5渲染”，这时候AI的预测范围就被极大地收窄了。它不再是在”猜”一个女孩，而是在无数张符合这些关键词的图像数据中，寻找那个概率最高的像素组合。
这就是为什么新手常抱怨”AI怎么这么不听话”。因为你给它的大脑输入的信息太稀疏了。它不知道你要的是写实、是油画、还是二次元。你的提示词越模糊，AI就越像是在掷骰子。而专业人士的提示词，就像是一份精确的施工图纸，每一句话都在为最终的图像”定罪”。
在这个过程中，我也踩过很多坑。记得有一次我想画一个”赛博朋克风格的街道”，结果生成的画面全是霓虹灯和雨夜，完全没有我想要的”未来科技感”。后来我加入了”全息广告投影”、”飞行汽车轨迹光晕”、”高密度建筑结构”这些细节，画面瞬间就有了灵魂。所以，细节决定成败，这不仅仅是一句口号，在AI绘画里是铁律。
第二阶段：工具选型，找到你的武器
市面上AI绘画工具层出不穷，选择哪个，取决于你的目标和擅长领域。我不建议你贪多，一开始就全买一遍，那样只会让你陷入选择困难症。
1. Midjourney：审美在线的懒人神器 如果你追求的是”出图快、审美高、艺术感强”，Midjourney绝对是首选。它的V6版本在处理光影和构图上已经非常成熟，甚至带有某种独特的”MJ味”——那种略显朦胧又极具电影感的质感。
- 优点：上手极快，提示词容错率高，生成的图片往往不需要太多后期就能直接使用。
- 缺点：需要付费订阅，可控性相对较差（尤其是细节控制），不支持本地部署。
- 适合人群：概念设计师、艺术家、需要快速获取灵感的人，或者不想折腾技术的纯创作者。
2. Stable Diffusion：可控性的天花板 如果你是想要”精准控制”，比如指定人物的姿势、位置、背景结构，那么Stable Diffusion（尤其是配合WebUI或ComfyUI）是唯一的选择。它开源、免费（只要你有一张像样的显卡），而且插件生态极其丰富。
- 优点：完全可控，支持ControlNet（控制线条、深度图、姿势）、IP-Adapter（风格迁移）、LoRA（微调特定角色或风格），可以本地部署，隐私性好。
- 缺点：学习曲线陡峭，硬件要求高（建议NVIDIA显卡，显存至少8GB），配置环境有时会让你想砸电脑。
- 适合人群：专业设计师、有特定商业需求的人、喜欢折腾技术的技术宅。
3. DALL-E 3：理解能力的王者 如果你不想要复杂的提示词，只是想把脑子里的想法准确表达出来，DALL-E 3（通过ChatGPT Plus或Bing Image Creator）是最好的伴侣。它对自然语言的理解能力最强，你甚至可以跟它对话修改画面。
- 优点：语义理解极准，无需学习复杂的提示词语法。
- 缺点：可控性差，无法进行局部重绘、姿势控制等高级操作，画质相比前两者略显”塑料感”。
- 适合人群：内容创作者、需要快速生成配图的博客作者、非技术用户。
我个人的建议是：先玩Midjourney找找感觉，理解AI的思维方式；然后再转战Stable Diffusion，掌握精确控制的技巧。 这两个工具互补性很强，MJ负责提供灵感和高质量底图，SD负责后期修正和精细控制。
第三阶段：提示词工程，学会跟AI”聊天”
既然提到了提示词，我们就得深入聊聊。很多教程会给你一个万能模板：主体 + 环境 + 光照 + 风格 + 参数。这没错，但太死板了。真正的高手写提示词，像是在写诗，又像是在写代码。
1. 核心结构：权重与平衡
在Stable Diffusion中，你可以通过括号来调整权重。例如 (blue eyes:1.5) 会增加眼睛蓝色的权重，而 [cat] 会减少猫的重要性。但在Midjourney中，你通常用冒号加数字，如 blue eyes::1.5。
- 技巧：不要把所有权重都调高，那样画面会乱成一锅粥。只对你最在意的部分进行调整。
2. 风格参考：让AI知道你要什么”味儿”
风格词是提升画面质感的关键。与其堆砌一堆毫无意义的形容词，不如直接引用艺术家或艺术流派。
- 示例：
in the style of Greg Rutkowski（格雷格·鲁特科夫斯基，奇幻插画大师）、by Hayao Miyazaki（宫崎骏，吉卜力风格）、Wes Anderson（韦斯·安德森，对称构图与糖果色系）。 - 注意：直接复制艺术家名字可能会侵犯版权，建议在商用作品中避免直接使用特定在世艺术家的名字，而是用风格描述词代替，如”梦幻插画风格”、”极简主义建筑摄影”。
3. 负面提示词：告诉AI”不要什么”
很多人忽略了负面提示词（Negative Prompt）的重要性。在SD中，这一步至关重要。
- 基础负面词：
bad anatomy, bad hands, missing fingers, extra limbs, blurry, low quality, watermark, text。 - 进阶技巧：如果你发现生成的图像总是有人脸崩坏，可以在负面词中加入
deformed face、ugly、disfigured。如果你不喜欢某种色调，可以加入cold color palette等。
4. 代码化的提示词思维
把提示词想象成Python代码。每一个逗号分隔的部分都是一个函数调用，它们共同决定了最终的输出。
# 伪代码示例
def generate_image():
subject = "A futuristic city floating in the clouds"
style = "Cyberpunk, neon lights, rain-slicked streets"
lighting = "Cinematic lighting, volumetric fog, bioluminescent glow"
camera = "Wide-angle lens, low angle shot, hyperrealistic"
quality = "8k, highly detailed, masterpiece"
negative = "blurry, low resolution, distorted perspective"
return ai_predict(subject, style, lighting, camera, quality, negative)
虽然AI不真的跑Python，但这种结构化思维能帮你理清逻辑，避免遗漏关键要素。
第四阶段：Stable Diffusion进阶，掌控细节的艺术
如果你决定深入SD，那么ControlNet和LoRA是你必须翻越的两座大山。
ControlNet：从”盲盒”到”精准手术”
ControlNet的出现，让AI绘画从”猜谜”变成了”建模”。它允许你通过一张参考图来控制生成图的骨架、边缘、深度等信息。
常用模型详解：
- Canny（边缘检测）：提取线条轮廓。适合用来复刻特定的构图或动漫草图。
- Depth（深度图）：提取场景的前后关系。适合控制景深，让背景虚化或前景突出。
- OpenPose（姿态估计）：提取人物动作。这是最实用的功能之一，你可以自己摆个姿势拍照，然后让AI生成的人拥有完全相同的动作。
- Lineart（线条提取）：比Canny更智能的线条提取，适合动漫风格的转换。
实战案例：如何把一张随手拍的丑照变成电影海报？
- 拍一张朋友站在路边的照片（哪怕光线很烂、角度很歪）。
- 在SD中加载ControlNet，上传这张照片，选择
OpenPose模型。 - 输入提示词：” cinematic shot, 8k, dramatic lighting, superhero pose, rain, neon city background”。
- 生成！你会发现，无论你怎么调提示词，人物永远是你朋友的那个姿势，但衣服、背景、光线完全变成了你想要的样子。
这个过程就像是用3D软件绑定骨骼，只不过这个”骨骼”是AI帮你从照片里解算出来的。
LoRA：打造专属的风格或角色
LoRA（Low-Rank Adaptation）是一种轻量级的模型微调技术。你可以训练一个只针对特定风格、特定人物或特定物体的小模型，然后挂载到基础大模型上使用。
如何训练一个简单的LoRA？
- 准备数据集：找20-50张同一角色或同一风格的高质量图片。确保每张图角度、光照、背景各不相同。
- 打标签：用BLIP或WD14 Tagger等工具自动为图片生成标签。
- 训练：使用 kohya_ss 或 Automatic1111 的LoRA训练插件。设置学习率、epoch数等参数。
- 使用：生成时，在提示词中加入
<lora:MyLoRA:0.8>，权重设为0.8避免过度拟合。
应用场景举例：
- 品牌IP：假设你是做电商的，想让你的产品模特固定穿着某款衣服，你可以训练一个”模特+衣服”的LoRA，这样每次生成广告图都能保持一致性。
- 个人风格：如果你是一名插画师，想把自己的画风应用到AI生成上，训练一个LoRA是最快的方法。
第五阶段：后期处理，完成从”图”到”作品”的跃迁
AI生成的原图，往往存在一些瑕疵：手指多指、眼睛不对称、背景杂乱、色调平淡。这时候，后期处理就不是可选的，而是必须的。
1. 局部重绘（Inpainting）
这是SD最强大的功能之一。你可以用画笔圈出错的部分（比如一只手），然后重新输入提示词，AI只修改这部分内容，其余部分保持不变。
- 技巧：重绘范围（Denoising strength）要调低，比如0.3-0.5，这样改动不会太大，保持原图的整体感。
2. 高分辨率修复（Hires. Fix）
AI生成的图片默认分辨率较低（如512x512或1024x1024），放大后会模糊。Hires. Fix功能可以在生成过程中自动进行放大和细节补充。
- 参数建议：放大算法选择
R-ESRGAN 4x+或4x-NMKD-Siax_200k，迭代次数设为1-2次。
3. 专业软件后期
导出图片后，导入Photoshop或Affinity Photo进行精修。
- 色彩校正：调整对比度、饱和度、色阶，让画面更有冲击力。
- 瑕疵修复：用 healing brush 修复无法通过Inpainting解决的小问题。
- 合成：将多张AI生成的图片合成，或者将AI生成的人物抠图放入真实背景中。
第六阶段：建立工作流，从偶然到必然
很多新手的问题是：今天生成了一张完美的图，但明天想再画一张类似的，却怎么也还原不出来。这就是缺乏工作流的表现。
一个专业的AI绘画工作流应该包括：
- 灵感收集：建立自己的素材库（Pinterest、ArtStation），收集喜欢的构图、色调、风格。
- 提示词库管理：使用Notion、Excel或专用的提示词管理软件，记录每次成功的提示词组合，标注出哪些词有效、哪些词无效。
- 批量生成与筛选：不要期待一次生成就完美。通常一次生成4-16张图，先快速浏览，挑选最有潜力的几张。
- 迭代优化：对选中的图进行局部重绘、放大、后期处理，逐步逼近理想效果。
- 输出与归档：将最终成品导出，并记录关键参数（模型版本、Seed值、提示词），方便日后复用。
Seed值的重要性： Seed是随机种子的值。如果你确定了某个Seed值生成了一张不错的图，即使修改了部分提示词，只要Seed不变，整体的构图和布局会保持相似。这对于想要微调但不想大改的情况非常有用。
结语：AI是笔，你是心
说了这么多技术细节，我想回到最初的那个问题：AI绘画的本质是什么？
我认为，AI不是替代艺术家的工具，而是放大艺术家意图的工具。它消除了技术门槛，让你不再需要苦练十年素描才能画出透视准确的画面。但是，它无法替代你的审美、你的构思、你的情感表达。
一个只会堆砌提示词的人，生成的作品往往千篇一律，缺乏灵魂。而一个懂艺术、懂光影、懂构图的创作者，即使使用最基础的AI工具，也能创作出打动人心的作品。
所以，我的建议是：不要沉迷于参数，不要焦虑于新出的模型。 保持好奇，多观察现实世界中的光影变化，多看经典的艺术作品，多思考你想表达什么。技术只是手段，表达才是目的。
当你掌握了从提示词到ControlNet，再到后期处理的全套流程后，你会发现，AI绘画不再是”抽奖”，而是一种全新的、高效的、充满无限可能的创作方式。它让你能够以极低的成本，将脑海中那个模糊的梦境，变成清晰可见的现实。
现在，打开你的工具，开始第一次尝试吧。哪怕只是生成一只”在月球上吃披萨的猫”，那也是你创作之旅的第一步。