企业官网建设流程全解析

AI绘画这两年在圈子里火得一塌糊涂，尤其是Midjourney和Stable Diffusion这两套工具，几乎成了每个想入行的人绕不开的两座大山。但问题也来了：网上教程满天飞，免费的东一榔头西一棒子，学完还是不知道怎么出图；付费课程又鱼龙混杂，有的讲得云里雾里，有的干脆就是念文档。知乎知学堂这套AI绘画MJ+SD课程，我前后跟了两期，也拿它跟市面上其他几套主流课程做过横向对比，今天就把我对这套课程体系的完整拆解、实操心得和踩坑记录一次性倒出来。不管你是完全没碰过AI绘画的小白，还是已经能出图但总感觉差口气的老手，这篇内容都能帮你理清一条从入门到稳定产出的路径。

1. 这套课程到底在解决什么问题

1.1 从"能出图"到"能稳定出好图"的鸿沟

很多人对AI绘画有个误解，觉得只要把提示词往框里一扔，图就自动变好看了。我刚开始也是这么想的，结果第一周出的图全是六根手指、扭曲脸、背景糊成一团的废片。后来才明白，AI绘画真正的门槛不在"生成"这个动作，而在于控制——你能不能控制构图、控制风格、控制角色一致性、控制光影氛围。

知乎知学堂这套课程的核心价值，恰恰就卡在这个点上。它没有花大量篇幅去讲"什么是AI绘画"这种百度一下就知道的东西，而是直接把MJ和SD两套工具的控制逻辑拆开来讲。MJ这边重点讲的是提示词的结构化写法、参数后缀的精确使用、以及如何用垫图和混图来锁定风格；SD这边则深入到模型选择、采样器原理、ControlNet的各类控制方式、LoRA训练这些真正决定出图质量的东西。

我印象特别深的是课程里讲SD采样器的那一节。市面上大部分教程只会告诉你"用DPM++ 2M Karras就行"，但这套课程会把Euler、Euler a、DPM++系列、DDIM这些采样器的数学逻辑用大白话讲清楚，告诉你为什么人像适合用这个、风景适合用那个、步数设多少性价比最高。这种讲法才是真正让你能举一反三的。

1.2 两套工具的分工与协同逻辑

课程在开篇就明确了一个很多人搞混的问题：MJ和SD不是二选一的关系，而是各有各的战场。

Midjourney的优势在于审美下限高、出图快、风格化强。你不需要懂太多参数，写一段描述就能出很有设计感的图，特别适合做概念探索、风格参考、快速出方案。但它的短板也很明显：控制精度不够，角色一致性难做，商用授权有门槛，而且必须联网用。

Stable Diffusion的优势在于控制精度极高、可本地部署、可训练专属模型、完全免费。你能精确控制每一根线条、每一个姿势、每一处光影，还能用自己的素材训练LoRA，做出别人复制不了的风格。但它的学习曲线陡峭，对硬件有要求，参数多到让人头大。

课程的设计思路就是让你先用MJ建立审美和提示词感觉，再转到SD做精细化控制和商业化落地。这个顺序我觉得非常合理，因为如果你一上来就啃SD，很容易被那一堆参数劝退；而如果只停留在MJ，你又永远做不出真正属于自己的东西。

1.3 适合谁来学，不适合谁来学

说句实在话，这套课程不是万能的。根据我自己的体验和身边朋友的反馈，我整理了一个适配表：

如果你属于前三类，这套课程基本能帮你省下至少两三个月的瞎摸索时间。如果你只是想随便玩玩，那其实B站免费教程也够用，没必要上系统课。

2. 核心模块拆解与实操要点

2.1 Midjourney提示词的结构化写法

MJ这部分课程最核心的干货，是把提示词从"随便写"变成了"按结构写"。课程里给了一个非常实用的公式：

主体描述 + 环境氛围 + 构图视角 + 光影风格 + 画质参数 + 后缀参数

举个例子，很多人写提示词是这样的："一个女孩在森林里"。这种写法出来的图基本靠运气。而按结构写应该是：

a young woman with long silver hair standing in an ancient forest, surrounded by glowing fireflies, misty atmosphere, medium shot from slightly low angle, soft volumetric lighting, cinematic mood, highly detailed, 8k, photorealistic --ar 16:9 --style raw --v 6

这个结构的好处是，每一部分都对应着画面中的一个可控变量。你想改氛围就改环境那一段，想改视角就改构图那一段，不用整段重写。课程里还特别强调了权重分配的问题：MJ里用::可以给不同部分分配权重，比如cat::2 dog::1就是猫的权重是狗的两倍。这个技巧在做混合概念的时候特别有用。

还有一个容易被忽略的点是负面提示词。MJ虽然不像SD那样有独立的负面提示词框，但你可以用--no参数来排除不想要的东西。课程里给了一个常用负面词清单，比如--no text, watermark, signature, blurry, deformed，这几个词能过滤掉大部分废片。

2.2 SD模型选择与采样器参数详解

转到SD部分，课程的信息密度明显上了一个台阶。首先是模型选择，课程把模型分成了三大类：

• 基础模型（Checkpoint）：决定整体画风和基础能力，比如写实类、二次元类、2.5D类
• 微调模型（LoRA）：在基础模型上叠加特定角色、风格、服装、姿势
• 辅助模型（ControlNet、VAE、Embedding）：控制构图、色彩、负面提示

课程里特别提醒了一个新手常犯的错误：不要同时加载太多LoRA。我一开始贪心，一个图叠了五六个LoRA，结果画面直接崩坏。课程建议同时加载不超过3个，而且权重控制在0.6到0.8之间比较稳妥。这个经验真的是踩过坑才知道的。

采样器部分，课程给了一张非常实用的对照表，我直接整理出来：

课程里还讲了一个关键参数CFG Scale（提示词引导强度）。这个值太低（低于5）画面会太自由，太高（高于15）画面会过饱和、色彩失真。课程建议写实类用7-9，二次元用9-12，这个区间实测下来确实最稳。

2.3 ControlNet的六种控制方式实操

ControlNet是SD最强大的功能之一，也是这套课程的重头戏。课程把常用的ControlNet模型分成了六类，每一类都配了实操案例：

1. Canny（边缘检测）：提取参考图的边缘线，适合做构图迁移。比如你看到一张构图很好的照片，想用自己的风格重画，就用Canny。
2. OpenPose（姿势控制）：提取人体骨骼关键点，适合做角色姿势的精确控制。做系列图的时候特别有用。
3. Depth（深度图）：提取画面的深度信息，适合做场景层次感控制。
4. Normal（法线图）：提取表面法线信息，适合做3D感强的图。
5. Scribble（涂鸦）：把你的简笔画变成精细图，适合快速表达创意。
6. IP-Adapter（图像提示）：用一张参考图来引导风格，适合做风格迁移。

课程里讲了一个非常实用的组合技巧：OpenPose + IP-Adapter + LoRA。用OpenPose锁定姿势，用IP-Adapter锁定风格，用LoRA锁定角色特征，三者叠加就能做出高度一致的系列图。这个组合我用来做角色设定集，效率比手动调整高了十倍不止。

注意：ControlNet的权重不要设太高，一般0.6-0.9之间。设成1.0以上画面会变得僵硬，失去AI绘画的灵动感。这是课程里反复强调的，也是我实测验证过的。

2.4 LoRA训练：从素材准备到出模型

LoRA训练是这套课程里门槛最高、但价值也最大的部分。课程把整个流程拆成了五步：

第一步：素材准备。课程建议至少准备20-30张同一角色或同一风格的高质量图片，分辨率统一到512x512或768x768，背景尽量干净，角度尽量多样。素材质量直接决定模型质量，这一步偷懒后面全白搭。

第二步：打标。用BLIP或WD1.4 Tagger自动打标，然后手动修正。课程里特别强调，触发词要统一且独特，比如你想训练一个特定角色，就用一个不常见的词作为触发词，避免和基础模型里的概念冲突。

第三步：参数设置。课程给了一套推荐参数：学习率1e-4，网络维度128，网络Alpha 64，训练轮数10-15，批次大小1-2。这些参数不是绝对的，但作为起点非常靠谱。

第四步：训练与监控。训练过程中要盯着loss曲线，如果loss一直不降说明学习率太低，如果loss剧烈波动说明学习率太高。课程建议每训练2-3轮就出一张测试图看看效果。

第五步：测试与迭代。训练完的LoRA要放到不同场景下测试，看看泛化能力如何。如果只在训练集上效果好，说明过拟合了，需要减少训练轮数或增加素材多样性。

我自己的经验是，第一次训练LoRA基本都会失败，要么过拟合要么欠拟合。课程里有一节专门讲"失败案例分析"，把常见的失败现象和原因列了出来，这个对新手特别友好。

3. 完整实操流程：从零到一张商用级出图

3.1 环境搭建与工具准备

如果你决定认真学SD，本地部署是绕不开的。课程推荐的是Stable Diffusion WebUI（Automatic1111）和ComfyUI两套界面。WebUI适合新手，界面直观；ComfyUI适合进阶，节点式操作更灵活但学习曲线陡。

硬件方面，课程给了一个最低配置和推荐配置的对照：

如果本地硬件不够，课程也介绍了云端部署的方案，按小时计费，适合临时用。但长期来看，本地部署的成本更低，而且数据更安全。

安装过程课程讲得很细，从Python环境配置到Git拉取仓库，再到模型文件的放置路径，每一步都有截图。我照着走了一遍，大概四十分钟搞定。这里提醒一句：模型文件一定要放在正确的文件夹里，Checkpoint放models/Stable-diffusion，LoRA放models/Lora，VAE放models/VAE，放错了界面里是看不到的。

3.2 提示词工程实战：一个完整案例

课程里有一个完整的案例，从需求到出图全过程演示。需求是：做一张赛博朋克风格的城市夜景，画面中有一个穿风衣的女性背影，要有霓虹灯反射和雨夜氛围。

正向提示词：

cyberpunk city at night, neon lights reflecting on wet street, a woman in a long trench coat seen from behind, walking away, rainy atmosphere, cinematic composition, blade runner style, highly detailed, 8k, photorealistic

负面提示词：

lowres, bad anatomy, bad hands, text, watermark, blurry, deformed, ugly, duplicate, morbid, mutilated

参数设置：

• 模型：Realistic Vision V5.1
• 采样器：DPM++ 2M Karras
• 步数：30
• CFG Scale：7
• 分辨率：768x1152
• 种子：随机

ControlNet：用了一张参考图做Depth控制，权重0.7

出图之后，课程演示了如何用**局部重绘（Inpaint）**修复细节，比如手部、头发边缘、霓虹灯的光晕。局部重绘的时候，蒙版边缘要留一点余量，重绘幅度设0.4-0.6之间，太高会改变原图结构，太低又修不动。

这个案例我反复做了五遍，每一遍调整一个参数，观察变化。这种"控制变量法"是课程里推荐的练习方式，比盲目出图效率高得多。

3.3 批量出图与工作流优化

当你需要批量产出素材的时候，单张出图的效率就太低了。课程介绍了两种批量方案：

方案一：X/Y/Z Plot脚本。WebUI自带的脚本，可以批量测试不同参数组合。比如X轴设采样器，Y轴设CFG，Z轴设步数，一次跑几十张图，快速找到最优参数组合。这个功能我用来做参数调优，效率极高。

方案二：ComfyUI工作流。把整个出图流程做成节点图，一次配置反复使用。课程里给了一个电商商品图的工作流模板，包含背景替换、光影统一、批量输出三个模块，直接导入就能用。

课程还讲了一个文件管理的技巧：出图的时候在文件名里带上关键参数，比如cyberpunk_dpm2m_cfg7_seed12345.png，这样后期找图的时候不用一张张点开看参数。这个习惯我养成了之后，素材库清爽了很多。

4. 常见问题与排查技巧实录

4.1 出图质量类问题速查

4.2 训练类问题排查

LoRA训练失败是最让人头疼的。课程里总结了几种典型情况：

过拟合：表现为LoRA只能在训练集上出好图，换个场景就崩。解决方法是减少训练轮数，增加素材多样性，降低学习率。

欠拟合：表现为LoRA效果不明显，出图和基础模型差不多。解决方法是增加训练轮数，提高学习率，检查触发词是否正确。

色彩偏移：表现为出图颜色和素材不一致。解决方法是检查VAE是否匹配，调整训练时的色彩增强参数。

显存溢出：表现为训练中途报错。解决方法是降低批次大小，开启梯度检查点，或者用低分辨率训练。

我自己的经验是，训练LoRA之前一定要把素材整理好，宁缺毋滥。20张高质量素材比100张杂乱素材效果好得多。另外，训练日志一定要保存，方便对比不同参数的效果。

4.3 版权与商用注意事项

课程里有一节专门讲版权问题，这个对想接单变现的人特别重要。核心要点：

• MJ生成的图，付费用户拥有商用权，但免费用户不行
• SD生成的图，版权归属取决于模型许可证，有些模型禁止商用
• 用他人图片训练LoRA，可能涉及肖像权或著作权问题
• 商用出图建议保留生成参数和过程记录，以备不时之需

提示：接单之前一定要和客户明确版权归属和使用范围，避免后期纠纷。课程里建议在合同里写明"AI辅助创作"字样，这个细节很多人会忽略。

4.4 学习路径与练习建议

最后说一下练习方法。课程给了一个"21天练习计划"，我简化成了三个阶段：

第一阶段（第1-7天）：MJ提示词练习。每天出一个主题，写10组不同结构的提示词，对比效果。重点是建立对提示词和画面之间关系的直觉。

第二阶段（第8-14天）：SD基础参数练习。固定一张参考图，每天只调一个参数（采样器、CFG、步数、模型），观察变化。重点是理解每个参数的作用。

第三阶段（第15-21天）：ControlNet和LoRA练习。用同一组素材，尝试不同的ControlNet组合，训练一个简单的LoRA。重点是掌握控制流程。

这个计划走完，基本就能独立完成从创意到出图的全流程了。我自己走完一遍大概用了三周，每天投入两小时左右。后面就是不断积累素材和参数经验，这个没有捷径，只能靠量堆。

5. 工具选型与资源整理

5.1 模型下载渠道与筛选标准

课程里推荐了几个模型下载渠道，我整理了一下：

• Civitai：最大的模型社区，Checkpoint、LoRA、ControlNet都有，但需要筛选
• Hugging Face：偏学术和基础模型，质量稳定但风格化弱
• LiblibAI：国内社区，中文模型多，下载速度快

筛选模型的时候，课程建议看三个指标：下载量、评分、示例图。下载量高说明经过大量用户验证，评分高说明质量稳定，示例图能直观看到模型风格。另外要注意模型的基础版本，SD1.5和SDXL的模型不能混用，下载前一定要看清楚。

5.2 提示词辅助工具

课程里提到了几个提示词辅助工具，能大幅提升写提示词的效率：

• 提示词反推：上传一张图，自动生成对应的提示词，适合学习别人的构图和风格
• 提示词词典：按分类整理好的提示词库，直接复制粘贴
• 提示词权重调整：可视化调整每个词的权重，不用手动写::符号

这些工具课程里都有演示，我用了之后写提示词的速度至少快了一倍。但课程也提醒，工具只是辅助，核心还是你对画面的理解。工具生成的提示词往往比较泛，需要自己手动精修。

5.3 硬件升级建议

如果你打算长期做AI绘画，硬件升级是迟早的事。课程给了一个性价比排序：

1. 显卡：优先级最高，显存越大越好，12G是甜点线
2. 内存：32G起步，64G更稳，影响多任务处理
3. 硬盘：NVMe SSD，模型加载速度差距明显
4. CPU：影响不大，中端即可

如果预算有限，优先升级显卡。我自己的配置是RTX 3060 12G + 32G内存 + 1T NVMe，跑SDXL稍微吃力，但跑SD1.5完全够用。课程里也提到，SDXL对硬件要求更高，但出图质量确实更好，预算够的话可以直接上。

6. 商业化路径与变现思路

6.1 常见的变现方向

课程最后一部分讲了商业化，这个对想靠AI绘画赚钱的人很有参考价值。常见的变现方向有：

• 头像定制：给客户做专属头像，单价几十到几百不等
• 电商素材：商品图、详情页、banner图，按张或按套收费
• 插画约稿：给小说、游戏、自媒体做配图
• 模型训练：帮客户训练专属LoRA，单价较高
• 课程教学：自己学透了之后做教程或陪跑

课程里特别强调，不要一上来就想着接单。先把作品集做出来，至少20张高质量成图，再去平台接单。没有作品集，客户不会信任你。

6.2 定价策略与客户沟通

定价这块课程给了一个参考框架：

客户沟通的时候，课程建议先明确三个问题：用途、尺寸、修改次数。这三个问题定下来，报价就不会离谱。另外，一定要收定金，至少30%，避免客户跑单。

6.3 个人品牌与作品集运营

长期来看，个人品牌比单次接单更重要。课程建议在社交平台持续发布作品，积累粉丝。发布的时候注意几点：

• 作品要有系列感，不要东一张西一张
• 附上提示词和参数，增加专业度
• 定期做教程或经验分享，建立信任
• 和同行互动，扩大曝光

我自己在几个平台发了三个月作品，粉丝不多但转化率还可以，陆续接了一些小单。这个事急不来，需要持续投入。

7. 我踩过的坑和给你的建议

7.1 新手最容易犯的五个错误

回顾我自己的学习过程，有几个坑是反复踩的：

第一，贪多求快。一开始什么都想学，MJ、SD、ComfyUI、LoRA一起上，结果哪个都没学透。后来老老实实按课程顺序走，先MJ后SD，先基础后进阶，效率反而高了。

第二，忽视素材质量。训练LoRA的时候随便找了十几张图就开始，结果模型效果很差。后来认真筛选了30张高质量素材，效果立竿见影。

第三，参数照搬不思考。看到别人说某个参数好就用，不管自己的场景是否适用。后来学会了控制变量法，每次只调一个参数，慢慢就理解了每个参数的作用。

第四，不保存工作记录。出了好图不记录参数，下次想复现都复现不了。现在养成了习惯，每张满意的图都保存参数和提示词。

第五，急于变现。学了不到一个月就想接单，结果客户不满意，退款收场。后来沉下心做了两个月作品集，才慢慢有了稳定客户。

7.2 持续学习的资源推荐

课程之外，我还关注了一些资源，对提升很有帮助：

• 官方文档：MJ和SD的官方文档是最权威的，遇到问题先查文档
• 社区论坛：Civitai、Reddit的AI绘画板块，有很多实战经验
• 视频教程：B站和YouTube上有大量免费教程，适合补充学习
• 同行交流：加几个AI绘画群，遇到问题有人解答，比一个人瞎琢磨快得多

课程里也提到，AI绘画这个领域变化很快，新模型、新工具、新技巧层出不穷，保持学习习惯比掌握某个具体技能更重要。

7.3 给不同阶段学习者的建议

最后，根据我自己的经验，给不同阶段的人一些建议：

零基础：别急着买课，先花一周时间用免费工具感受一下，确认自己真的感兴趣再投入。如果决定学，按课程顺序走，不要跳。

有基础但出图不稳定：重点补ControlNet和参数调优的部分，这两个是稳定出图的关键。多做出图对比实验，建立自己的参数库。

想变现：先把作品集做扎实，再考虑接单。定价不要太低，低价接单会拉低自己的定位。版权问题一定要提前说清楚。

想深入技术：可以研究ComfyUI节点编程、模型微调原理、甚至自己训练基础模型。这条路比较硬核，但天花板也高。

AI绘画这个事，说到底是个手艺活。工具和课程只是帮你少走弯路，真正决定水平的还是练习量和对画面的理解。我见过太多人买了课就放着吃灰，也见过有人靠免费教程练成了高手。课程的价值在于给你一条清晰的路径，但路还是要自己走。希望这篇拆解能帮你理清思路，少踩几个我踩过的坑。