企业官网建设流程全解析

1. 为什么"知其所以然"比"一键出图"更重要

我最早接触 Stable Diffusion 的时候，和大多数人一样，第一反应是找一个整合包装好，然后在提示词框里输入"仙女、珊瑚、光影特效"，点击生成。图出多了以后我发现，同样的提示词换个模型表现完全不同，同一个模型换个采样步数结果也可能翻天覆地。如果只把 Stable Diffusion 当成抽卡工具，这些问题永远只能靠运气；但如果绕到背后，把 CLIP、扩散模型、UNet 这三块拼图拼起来，一切都会变得有迹可循。

这篇文章是我在看完四集精讲视频之后整理的完整学习笔记。四集内容其实不多，但信息密度很大，第一遍看很容易"眼睛会了、脑子没会"。我把四集拆成七个小节，按自己的理解重新组织了一遍，并把每部分的代码示例也跑通了，算是一份"看完就能照着复现"的笔记。

准备说在前面：这篇文章不是纯论文解读，也不是纯 GUI 操作教程。它更适合那些已经在用 Stable Diffusion 出图，但对内部机制还比较模糊的玩家；也适合刚入门的开发者，想知道 diffusers 这类开源库在调用时到底发生了什么。整条主线只有一条：一段文字是怎么一步步变成一张图的。沿着这条主线，CLIP、扩散模型、UNet 各自负责哪个环节，就都清楚了。

1.1 我为什么用四集笔记来整理这套原理

网上讲 Stable Diffusion 的文章非常多，但大多数要么只讲某一部分概念，要么直接教你怎么写提示词，缺少一条完整的链路。四集精讲的好处在于：从"为什么需要文本编码器"讲起，到"噪声如何被清除"，再到"UNet 怎么处理信息"，最后落到可运行的代码，逻辑是递进的。我整理笔记时没有照抄原稿，而是自己做了一张流程卡片，把每个环节的输入输出和关键参数都列出来了。这样即使隔了很久回头翻笔记，也只需要看那一张卡片就能回忆起来。

1.2 本文会讲清楚的两条主线

第一条主线是训练阶段的分工：CLIP 文本编码器把自然语言转换成向量，扩散模型定义"加噪-去噪"的学习目标，UNet 负责在每一步去噪中预测噪声，最后通过 VAE 解码器把潜在表示还原成图像。第二条主线是推理阶段的流水线：输入提示词 → 文本编码 → 随机噪声初始化 → UNet 逐步去噪 → VAE 解码 → 输出图片。这两条主线一旦清楚了，你在界面上看到的每一个参数（采样步数、CFG Scale、种子、分辨率）就都有了明确的对应关系。

2. 三大部分的整体串联：CLIP、扩散过程与 UNet 的各自职责

先来看一张"服务与被服务"的关系。很多人以为 Stable Diffusion 是一个端到端的大模型，其实它更像一个组装车间，四个模块分别处理自己的事。

2.1 从输入到输出的数据流动

如果只记一句话，可以这样概括：CLIP 负责把文字变成"条件"，扩散过程负责定义"从纯噪声到画面的演化规则"，UNet 负责在这个规则下实际执行去噪，VAE 解码器负责把压缩空间的图像表示还原成像素图。

具体的数据流向是这样的。用户输入提示词后，会先经过一个分词器，把句子切成一连串的 token，再送到 CLIP 文本编码器里，得到一组文本向量。这组向量不会直接变成图像，而是作为一个"条件"注入到 UNet 中，相当于告诉生成模型"你往这个方向画"。与此同时，模型从随机噪声开始，生成一张和最终图像同尺寸的初始噪声图。这个初始噪声在潜在空间里是一个带随机数的张量，它经过 UNet 的每一轮去噪，逐步暴露出清晰的轮廓、结构和细节。经过几十步迭代后，最终得到的干净潜在表示被塞进 VAE 解码器，就能还原成一张直观理解的 RGB 图片。

2.2 各模块的分工对比

我整理了一张简化的分工表，方便快速对照：

这张表非常重要。尤其是"UNet 负责预测噪声"这件事，很多新手第一次听到会困惑：为什么要预测噪声而不是直接预测图像？这个问题我放在第 5 节详细讲。这里先记住结论：扩散模型的训练目标就是从随机噪声里反推加噪过程的逆步骤，UNet 输出的其实是一个和输入同样尺寸的噪声图，用它来"修正"当前潜在向量，从而一步步逼近真实图像。

2.3 四集笔记里最容易被忽略的一句话

四集视频里有一句话我印象特别深：Stable Diffusion 本质上是一个条件生成模型。"条件"二字是一切设计的前提。没有 CLIP 生成的条件，UNet 面对同一个噪声输入就只能随机发挥；有了条件，生成的每一步都被校准到"和提示词语义相符"的方向上。那些换提示词就像换了一个世界一样的体验，就是因为文本条件在昂首塑造生成结果。

3. CLIP 双编码器架构细拆：文本如何变成图像的"方向盘"

CLIP 的全称是 Contrastive Language-Image Pre-training，也就是"对比语言-图像预训练"。它最早是作为一种多模态模型被提出来的，主要任务是让模型理解"一段文本和一张图像是否匹配"。在 Stable Diffusion 里，我们只用到它的文本编码器部分，但这部分决定了模型能"听懂"多少提示词。

3.1 CLIP 到底训练了什么

CLIP 的训练方式和传统分类任务完全不同。它不用人工标注的类别标签，而是直接使用海量的图文对：一张图片配一句描述文字。训练时，模型把一张图编码成一个向量，也把一段描述文字编码成一个向量，然后计算这两个向量的相似度。目标是：如果这张图和这段文字本来就是一对，相似度要高；如果它们不是一对，相似度要低。

这个目标是通过对比学习实现的。简单说，模型会同时看一个批次里的多张图和多个句子，找出哪些组合是正样本对，哪些是负样本对，然后不断调整编码器参数。训练结束后，两个编码器——图像编码器和文本编码器——被推进同一个语义向量空间。在这个空间里，"一只橘猫坐在沙发上"这句话的向量，和一张真实橘猫坐在沙发上的图片向量，会非常靠近。

Stable Diffusion 在生成图片时，正是希望文本向量能起到"方向盘"的作用。它先让文本编码器把用户提示词映射成一个向量序列，然后在 UNet 每一步去噪时，都用这个向量序列来引导，告诉模型"当前潜在表示应该更像猫，而不是像狗"。

3.2 为什么这里的文本编码器直接决定了"懂不懂话"

很多人测试不同模型时，会发现同一个提示词在 SD 1.5、SD 2.1、SDXL 上的表现差异很大。除了 UNet 本身的改进之外，文本编码器也是一个重要变量。SD 1.x 系列使用的是 CLIP ViT-L/14 的文本分支，它的"理解能力"上限决定了提示词表达的天花板。

文本编码器的工作流程大致是：先通过 BPE 分词器把提示词拆成 token 序列，每个 token 对应一个嵌入向量，然后经过一层层的 Transformer 编码器，最终输出一组 hidden states。这组 hidden states 就被当作文本条件，送入 UNet 的交叉注意力层。

我自己的实测感受是：SD 1.5 对比较复杂的长句容易"丢细节"，比如你写"蓝色眼睛的女孩穿着红色连衣裙在雨中等候"，五个关键词可能只能突出两三个；而 SDXL 使用了两套文本编码器组合，理解长句的能力明显更强。这和文本编码器的上下文长度、参数规模直接相关。所以不要小看 CLIP 这部分，它决定了提示词里有多少信息能真正进入去噪过程。

3.3 77 token 限制与 CLIP limit 的坑

网上搜"CLIP limit"会看到大量相关讨论，几乎所有 SD 老玩家都遇到过：提示词写得太长，后半段被截断，生成结果完全没体现后面的内容。

这是怎么回事？因为 SD 1.x 的 CLIP 文本编码器在训练时只支持 77 个 token 的上下文窗口。一旦超过 77 个 token，超出部分要么被直接截断，要么只参与计算一部分。很多人在 WebUI 里堆了几百个词，前面一段是主要角色，后面全是"极其精细的细节、让人惊叹的光影"，结果发现模型实际只用了前 77 个 token，后面的全部被忽略。

我用一个简单例子说明：提示词"a cat, a dog, a bird, a fish"只有 8 个 token，但如果你在后面继续加几百个修饰词，超过 77 个 token 之后的内容确实会被丢掉。所以在实操里，重要的主体描述一定要放在提示词最前面，质量 tag 可以往后放，反正如果超过窗口也未必能起作用。

提示：如果你用 ComfyUI 里常见的 CLIP Text Encode 节点，可以在 KSampler 的配置里看到clip_skip这一类参数。SD 1.x 常用clip_skip=2跳过最后一层文本编码输出，能改善部分画面偏灰的问题。这也是属于 CLIP 的"微观调校"。

3.4 一个值得尝试的小实验

如果你手头有 SD WebUI 或者 ComfyUI，可以做一个实验：把clip_skip分别设为 1 和 2，固定种子、提示词和采样参数，对比两次输出。你会发现画面的对比度、细节锐度和风格倾向会有细微变化。这个实验不需要花很多时间，但对理解"文本编码器的哪一层被使用了"非常有帮助。CLIP 最后一层往往更偏向全局语义，而倒数第二层可能保留更多细粒度信息，跳过最后一层有时反而让画面更符合提示词。

4. 扩散模型的数学直觉：前向加噪与反向去噪

扩散模型听起来玄，核心思想其实一句话就能讲明白：给图像不断加噪声，直到变成纯噪声；然后训练一个神经网络，学会把噪声一步步去掉，还原出图像。Stable Diffusion 用的扩散模型不是最原始的版本，而是"潜在扩散模型"，但底层原理一脉相承。

4.1 前向扩散过程：一张图的信息被逐步掩盖

前向过程就是你坐在那里，往一张清晰的图片上叠加高斯噪声。每叠一步，图片就模糊一点。加噪声的强度由一个"时间步 t"控制，t 越大，噪声越强；当 t 达到最大值时，图已经面目全非，和真正的随机高斯噪声没什么区别。

数学上，这个加噪过程通常写成下面的形式：

x_t = sqrt(alpha_bar_t) * x_0 + sqrt(1 - alpha_bar_t) * epsilon

其中 x_0 是原始图像，epsilon 是从标准高斯分布中采样的噪声，alpha_bar_t 是一个随着 t 增大而递减的系数。当 t 接近 0 时，sqrt(alpha_bar_t) 接近 1，所以 x_t 几乎是原始图像；当 t 很大时，sqrt(alpha_bar_t) 接近 0，所以 x_t 几乎全是噪声。

这个公式的意义在于：它不需要真正一步一步去加噪声，而是可以直接从 x_0 一步算出任意 t 时刻的加噪结果。训练扩散模型时，我们随机抽一个 t，随机生成一个噪声 epsilon，然后用这个公式得到 x_t，再让神经网络去预测当初的噪声 epsilon。整个过程既简单又高效。

4.2 反向去噪过程：让模型学会"擦掉噪声"

反向去噪是扩散模型的推理阶段。我们想要的效果是：从一张纯噪声开始，一步步经过 UNet 的预测和修正，最终得到接近真实分布的图像。

在 DDPM 原始论文中，反向过程的单步更新公式大致是：

x_{t-1} = (1 / sqrt(alpha_t)) * (x_t - (1 - alpha_t) / sqrt(1 - alpha_bar_t) * eps_theta) + sigma_t * z

这个公式看着吓人，拆开理解就不难：eps_theta是 UNet 对当前噪声图中"所含噪声"的预测；x_t减去噪声项之后，得到一个更干净一点的潜在表示；最后再加上一个随机扰动sigma_t * z来保证生成多样性。

换句话说，每一步去噪都不是直接把噪声完全清零，而是"走一小步"。从 t = T 开始，每一轮 UNet 都做三件事：看一眼当前带噪的潜在向量，结合当前时间步 t，再结合文本条件，然后输出一个预测噪声；用这个预测噪声计算下一步的潜在向量。这样重复 20 到 50 次，就完成了从噪声到图像的转变。

4.3 潜在空间扩散：Stable Diffusion 名字里的"潜在"二字

传统扩散模型直接操作像素空间，也就是在 512×512×3 的 RGB 图像上做加噪去噪。这个做法的计算量非常大，因为每个像素都是一个维度，一张图就是几十万个维度，在一张消费级显卡上跑一次生成要很慢。

Stable Diffusion 采用的潜在扩散模型不一样。它先训练一个 VAE 自编码器，把图像压缩到一个更小的潜在空间里，比如 512×512 的图可能被压缩成 64×64 或 128×128 的潜在表示。扩散过程就发生在这个低维潜在空间里，而不是直接在像素空间里。这相当于把"在几十万维空间里做扩散"降为"在几千维空间里做扩散"，计算量下降非常明显。

这也是为什么 Stable Diffusion 能在消费级 GPU 上跑，而很多早期的 Diffusion 模型却很难实用。代价是：潜在空间的压缩会让一些非常细微的结构信息丢失，比如手部细节。这一部分与后面要讲的手部修复问题直接相关。

提示：你可以把 VAE 潜在空间理解为"图像的浓缩版糖浆"。浓缩之后，大方向（构图、主体、材质）都被保留，但有些细小颗粒（手指、发丝）可能会被压缩得面目全非。UNet 在潜在空间里预测噪声，自然也就很难把每个手指的关节都维护得严丝合缝。

5. UNet 架构：去噪主角，以及文本条件如何注入

如果说 CLIP 是方向盘，扩散过程是道路规划，那 UNet 就是实际开车的司机。它是整个 Stable Diffusion 里参数最多的模块，也是每一步迭代中最消耗显存的部分。

5.1 UNet 的骨架：下采样、上采样与跳跃连接

UNet 最早是为图像分割提出来的，形状像字母 U，因此得名。它由两部分组成：左侧的编码器负责逐步下采样，把特征图缩小，通道数扩大，从而提取越来越抽象的语义特征；右侧的解码器负责逐步上采样，把特征图恢复到原始尺寸，并结合左侧对应层的特征进行重建。

关键在于跳跃连接。下采样时，每一层的特征图不仅向下传递，还会"抄近路"直接跳到右侧对应的上采样层，和上采样结果拼接在一起。这样，右层既能利用低层的高分辨率细节，也能利用高层的抽象语义。对去噪任务来说，这种做法非常合适：既要保持构图的大结构，也要保留边缘和纹理等局部细节。

在 Stable Diffusion 中，UNet 的输入通常是带噪声的潜在向量、时间步 t 的嵌入，以及文本条件。它输出的是预测噪声，本质上也是一个和输入潜在向量同样尺寸的张量。

5.2 时间步条件与文本条件：CrossAttention 是关键

UNet 不是普通的分割网络，它额外增加了两种条件输入。

第一种是时间步 t。模型通过一个正弦位置编码把 t 映射成向量，再通过几个全连接层变成"时间嵌入"，注入到 UNet 的每个残差块中。这样，模型在 t 比较大的阶段主要处理高噪声，在 t 比较小的阶段主要恢复细节，不同阶段可以用不同的策略。

第二种是文本条件。文本嵌入序列并不是简单地拼接到潜在向量后面，而是通过交叉注意力机制进入 UNet。交叉注意力的公式和标准注意力一样，但有一个关键区别：查询 Query 来自图像特征，键 Key 和值 Value 来自文本嵌入。这样，每个图像位置都会去"查找"文本中最相关的部分，相当于告诉模型"这片区域要表现的是词 A 的含义，那个区域要受词 B 的影响"。

我画过一条很形象的类比：把整个生成过程想象成开会。每次开会，图像特征负责提问，文本条件负责回答问题，最后的决议就是融合后的新特征。提问内容不同、回答内容不同，决议自然不同。这也是为什么"一只坐着的猫"和"一只奔跑的猫"在同样的噪声初始化下会引导出完全不同的画面。

5.3 为什么预测噪声而不是直接预测图像

初学者最容易在这个问题上卡住。既然最终目标是图像，为什么不直接让 UNet 从噪声一步到位预测出清晰图像？

关键在于"学习难度"。直接预测图像相当于让网络一步跨越几十步的复杂映射，很难优化，而且生成的图像容易模糊。预测噪声的本质是学习"这一步该去除多少噪声"，这是一步一步的增量学习，每一步的预测目标都很明确。训练时，我们已知 x_t 是通过公式 x_t = sqrt(alpha_bar_t) * x_0 + sqrt(1 - alpha_bar_t) * epsilon 得到的，最终的噪声 epsilon 是已知的，网络只需要学会从 x_t 中反推 epsilon，任务简单得多。

在采样时，每次得到预测噪声 epsilon_theta 后，再通过调度器的更新公式推算出 x_{t-1}。所以 UNet 不是直接输出图像，而是输出一张"噪声地图"，指挥调度器如何修改当前潜在向量。整个过程像修复旧照片：每次只擦掉一层污渍，擦三四次就能看清大轮廓，再擦十几次就能看到完整细节。

6. 一块 GPU 也能跑的文生图实战：diffusers 库从零出图

理论部分铺完了，接下来进入代码实战。我用的环境是 Python + diffusers 库，这也是目前最主流的开源推理方案。只要显卡显存不低于 6GB，跑 SD 1.5 一般没有太大压力；如果只有 CPU，也能跑，只是速度慢很多，一张 512×512 的图可能需要几分钟到十几分钟。

6.1 环境准备与依赖安装

建议创建一个干净的环境，然后安装以下依赖：

pip install diffusers transformers accelerate torch torchvision pillow

如果你有 NVIDIA 显卡，确保安装了对应版本的 CUDA 和 PyTorch；没有显卡的话，PyTorch 会走 CPU 路线，也可以跑但体验会差不少。我建议先用一个现成的模型权重文件夹，或用社区里常见的模型仓库，把模型下载到本地，这样后面代码里的from_pretrained路径就能直接指向本地路径。

提示：第一次加载模型需要下载权重，时间会比较长。建议直接在代码里设置本地路径。文件名不要包含中文和空格，避免出现奇怪的路径问题。

6.2 跑通 StableDiffusionPipeline：最简三行出图

diffusers 把整个流程封装在StableDiffusionPipeline里，用起来非常简洁。下面是一个最基础的例子：

from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler import torch pipe = StableDiffusionPipeline.from_pretrained( "你的本地模型路径", torch_dtype=torch.float16, safety_checker=None, ) pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config) pipe = pipe.to("cuda") prompt = "a cute corgi floating in a cup of coffee, masterpiece, best quality" image = pipe( prompt=prompt, negative_prompt="lowres, bad anatomy, worst quality", num_inference_steps=25, guidance_scale=7.5, seed=42, ).images[0] image.save("output.png")

这段代码涵盖了文生图的完整流程：文本编码、随机初始化噪声、UNet 迭代去噪、VAE 解码。seed=42是 diffusers 里常见的固定随机种子方式，可以保证同一提示词在同一模型下生成结果可复现。如果你发现输出的图片完全随机，可以检查一下是否手动设置了随机种子。

DPMSolverMultistepScheduler是比原始 DDPM 调度器快很多的采样器，25 步的效果通常能追平之前的 50 步，是当前最常用的一套配置。

6.3 自己拆开采样循环，看清 UNet 每次在干嘛

如果你只是想出图，用pipe()就够了；但如果你想真正理解"UNet 到底在哪一步被调用、CFG 是怎么工作的"，建议把采样循环拆开手动跑一遍。diffusers 提供了StableDiffusionPipeline内部组件，可以像下面这样逐个调用：

import torch from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler pipe = StableDiffusionPipeline.from_pretrained( "你的本地模型路径", torch_dtype=torch.float16, safety_checker=None, ) pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config) pipe = pipe.to("cuda") prompt = "a cute corgi floating in a cup of coffee" negative_prompt = "lowres, bad anatomy" prompt_embeds = pipe.encode_prompt(prompt, negative_prompt, do_classifier_free_guidance=True) # prompt_embeds 返回 (text_embeds, negative_text_embeds) 或合并后的序列，视版本而定 latents = torch.randn( (1, pipe.unet.config.in_channels, 64, 64), device="cuda", dtype=torch.float16, ) latents = latents * pipe.scheduler.init_noise_sigma pipe.scheduler.set_timesteps(num_inference_steps=25) for t in pipe.scheduler.timesteps: latent_model_input = torch.cat([latents] * 2) # 无条件与有条件各一份 latent_model_input = pipe.scheduler.scale_model_input(latent_model_input, t) with torch.no_grad(): noise_pred = pipe.unet( latent_model_input, t, encoder_hidden_states=prompt_embeds, ).sample uncond_pred, cond_pred = noise_pred.chunk(2) # CFG 公式：最终预测 = uncond + guidance_scale * (cond - uncond) noise_pred = uncond_pred + 7.5 * (cond_pred - uncond_pred) latents = pipe.scheduler.step(noise_pred, t, latents).prev_sample with torch.no_grad(): image = pipe.vae.decode(latents / pipe.vae.config.scaling_factor, return_dict=False)[0] image = (image / 2 + 0.5).clamp(0, 1) image = image.permute(0, 2, 3, 1).float().cpu().numpy()

这段代码里最关键的部分是do_classifier_free_guidance=True时，为了做 CFG，需要把输入复制成两份：一份用于无条件预测，一份用于带条件预测。最终噪声预测是两者的加权融合：

noise_pred = uncond_pred + guidance_scale * (cond_pred - uncond_pred)

guidance_scale越大，模型越"听话"，画面越贴合提示词，但多样性会降低，超过一定数值还可能过饱和、出现伪影。这也是手调参数时最需要关注的旋钮。

手动拆开采样循环还有一个好处：你可以清楚地看到 UNet 每步的输入是 latents、时间步 t、文本嵌入；输出是 noise_pred。你会真切体会到第 5 节说的"UNet 在预测噪声"，而不是在生成图像。

6.4 输出质量相关的几个调参位置

我在实测过程中总结了一套比较稳的基准参数，适合 SD 1.5 模型：

如果对自己的显卡显存没有把握，可以把torch_dtype设置为torch.float16，并使用pipe.enable_attention_slicing()降低显存占用。有些集成包已经自动做了这些优化，但自己跑的时候别忘了。

7. 提示词与手部修复：实操中最常踩的几个坑

最后一部分聊聊实操里的高频问题。我相信几乎每个 SD 玩家都被"手指崩坏"折磨过。为什么 AI 绘画手部修复难题这么常见？网上甚至有人统计，SD 1.5 生成的人物出图，手部完全正确的比例很低。这不是模型的"道德问题"，背后有清晰的技术原因。

7.1 手部崩坏的根源：并不是模型"看不懂手"

手部崩坏的根本原因有三个。第一，训练数据里手部区域占图像的比例很小，画面里大量的信号来自脸、身体和背景，模型会重点学这些高频信息；第二，手部的结构复杂、自由度极高，手指之间的重叠、弯曲、遮挡难以用简单的特征表达；第三，潜在空间扩散压缩了图像信息，精细的手部结构在压缩和还原过程中容易丢失，扩散模型难以准确恢复。

很多新手试图通过"在手部区域拼命堆提示词"来解决，比如加"perfect hands, eight fingers, beautiful fingers"，实际上作用有限。原因在于 CLIP 文本编码器只能把提示词映射成语义向量，它不能精准地告诉 UNet 每个像素里的手指关节该怎么旋转。所以行业内更常用的其实是修复流程，而不是"提示词魔法"。

7.2 修复手部的三招组合拳

我实测下来比较有效的方案，按照从简单到复杂排序，可以归纳为三招：

第一招：负面提示词与负面嵌入。在负面提示词里写入bad anatomy, bad hands, extra fingers, missing fingers, distorted fingers等标签，能在一定程度上降低手部出错概率。如果模型支持负面嵌入（negative embedding），还可以加载专门训练过的负面嵌入文件，比单纯的负面提示词更稳定。

第二招：局部重绘。先在 WebUI 或 ComfyUI 里用修复模式或蒙版工具，把崩坏的手部区域涂掉，然后只对该区域进行 inpaint 重绘。关键技巧是：重绘时选择的区域不要太小，最好把整个手腕和部分前臂一起框进去，给模型足够的上下文来决定手指的位置和朝向；另外把重绘幅度（denoising strength）控制在 0.4 到 0.6 之间，既保留周围风格，又能重置手部结构。

第三招：分步优化。先生成一张构图满意的图，再用局部重绘或 imagedetail 类扩展，单独把人物手臂部分裁剪出来，放大大去噪，修复细节后回贴原图。这一招更适合有明确构图需求、又不希望整体重抽的情况。

我自己实践后的感受是：指望删掉"手"这个角色来避坑是不行的，因为构图需要手；合理安排流程才是关键。先靠负面提示词降低概率，再靠局部修复清理剩余问题，基本能应对 80% 的手部事故。

7.3 提示词工程：从"魔法单词"到结构化指令

用过一段 SD 后你会发现，提示词不是"写得多就有用"，而是要按结构化方式组织。我习惯把正面提示词拆成四段：主体描述、环境背景、风格修饰、质量标签。

主体描述：a young woman with long silver hair, wearing a black leather jacket 环境背景：standing in a rainy cyberpunk street, neon lights reflecting on wet asphalt 风格修饰：cinematic lighting, detailed face, intricate details 质量标签：masterpiece, best quality, ultra detailed, 8k

负面提示词我通常会写得稍微宽一些，但不要写满 77 个 token，因为负面提示词也会占用文本编码窗口：

lowres, bad anatomy, bad hands, missing fingers, extra digits, blurry, jpeg artifacts, watermark, oversaturated, deformed

很多人忽略了一个点：提示词里的逗号不是分隔符，而是 token 序列的自然分隔。模型不会严格按照逗号来组织语义，相邻 token 的组合可能会产生意外联想。所以不要写太长的短语堆叠，尽量用简短的词块，让 CLIP 能更准确地捕捉每个概念。

7.4 种子、CFG 与采样步数：三个影响稳定性与随机性的旋钮

最后聊聊参数背后的逻辑。种子决定了初始噪声的样子。固定种子后，同一个提示词、同一个模型、同一个采样配置，会得到几乎相同的构图。如果你的提示词没变，但生成结果一直在漂，先检查是不是没固定种子。

CFG Scale 控制的是无条件预测和条件预测的差值权重。数值调大，模型会更"迎合"提示词，但可能丢失自然多样性；数值过小，生成结果容易偏抽象，和提示词脱节。我看到很多新人在 12 以上乱拉，结果画质反而下降。我通常建议从 7 起步，微调范围控制在 5-9。

采样步数也不是越多越好。对 DPMSolver 这种高阶调度器来说，25 步和 30 步的差距已经很小，但 50 步会让单张图耗时明显上升。如果你追求效率，推荐 20-25 步；如果画面出现明显楼梯效应或条纹，再适当增加到 30 步左右。

7.5 一点个人小结

跑图这件事，说到底是一个"控制变量"的过程。固定种子、固定模型、固定负面提示词，然后单独调整一个参数，观察变化，记录结果。这样做三五次，你就能摸清某个模型在哪些提示词、哪些参数下表现最好。很多看似困难的手部修复、风格统一问题，本质上都是可以通过流程拆解来缓解的，而不是完全依赖运气。

我在整理完这套笔记后的最大体会是：Stable Diffusion 的原理并不复杂，但各个组件之间的配合非常有讲究。CLIP 负责理解语义，扩散过程负责定义演化路径，UNet 负责执行去噪，VAE 负责最终还原。这四个模块串起来的链条，就是整条文生图的完整链路。只要你愿意顺着这条链路走一遍源码、跑一次代码实验，很多界面上的玄学参数都会变成有逻辑可推导的选择。