企业官网建设流程全解析

不用怀疑，AI出图这事儿，现在确实是个人就能玩转了。但如果你想让出图质量更稳、速度更快、还不受平台审核和费用的限制，那“本地搭建”这四个字，基本就是绕不开的必经之路了。别觉得本地部署是个多高深的活，说白了，它就是给AI大模型准备一个专属的运行环境，让它跑在你的显卡上，而不是跑在别人的服务器里。

这篇内容我不打算写得像产品说明书，而是打算从一个实操者的角度，把从零到一的过程给你捋一遍。硬件的坑、软件的坑、模型的坑，我都会挑重点讲明白。这篇文章写完之后，你能搞清楚自己需要一台什么样的机器，能明白那些看起来很专业的词（比如CUDA、PyTorch、WebUI）到底是什么，最重要的是，你能够亲手跑通第一张图。

1. 动手前的必修课：搞懂AI出图的基本逻辑

1.1 它到底是在电脑里做了什么

很多人第一次听说本地部署AI出图，第一反应是“这东西是不是需要一台超级计算机”。其实没那么玄乎。你常见的AI绘画应用，本质上是运行一个叫做“扩散模型”（Diffusion Model）的深度学习神经网络。你可以把它想象成一个特别有耐心的雕刻家，初始状态下，它面对的是一块充满噪点（随机雪花点）的大理石，然后通过一步步“去噪”的迭代过程，把画面中的物体轮廓、光影、细节一点点“雕刻”出来。

这个过程涉及海量的数学计算，尤其是矩阵乘法。所以它极度依赖显卡（GPU），因为GPU就是为了并行处理这种大规模数学计算而生的。你在本地环境要做的，就是把这个已经训练好的神经网络文件（我们通常叫它大模型，几个GB的模型文件）下载下来，然后通过特定的程序去加载它，最后再通过一个界面去指挥它“雕刻”出你想要的画面。

1.2 为什么非要折腾本地部署这一下

用现成的在线工具不香吗？说实话，像Midjourney、国内的即梦这类在线产品，确实搞得很好，省心。但很多人折腾本地环境，核心就三个原因：

第一是隐私性和自由度的回归。本地部署意味着所有计算都在你自己的电脑上完成，图片素材、提示词、数据不会经过任何第三方服务器。对一些设计师和内容创作者而言，项目未公开素材的保密性，比什么都值钱。第二是成本可控。在线工具大多是订阅制，一个月几十块到上百块不等。本地部署是一次性硬件投入，只要显卡不坏，你出图量再大，额外成本为零。第三是可控性极强。你可以随意切换社区里各种风格化的微调模型，可以像搭积木一样组合各种高级功能（比如精确控制人物姿势），这种自由度是封闭式在线平台给不了的。

顺便一提，现在跑AI出图，主要就是用两个开源的“施工平台”：Stable Diffusion WebUI 和 ComfyUI。它们是免费的开源软件，负责把你的提示词变成图片。下面我们所有的搭建流程，都是围绕它们展开的。

2. 硬件规划：别在显卡这件事上省钱

2.1 显卡（GPU）才是真正的发动机

如果你已经有了一台现成的电脑，想看看能不能跑，那我直接给个最简单的判断标准：NVIDIA（英伟达）的显卡 + 至少6GB显存，这是起步线。

为什么是NVIDIA而不是AMD？这不是玄学，是生态问题。当前主流的AI计算框架（比如CUDA）是NVIDIA一手推动的，几乎所有AI绘画软件、模型优化插件，都对NVIDIA的显卡做了最优先的支持和优化。虽然AMD近两年在AI性能上追得很紧，也能通过其他方式运行AI绘画，但过程中你需要额外安装特定的“加速层”，踩坑概率成倍增加。如果你不是特别喜欢折腾的人，请认准NVIDIA。

显存大小决定了你出图的上限。显存，你可以理解成显卡的工作台。工作台越大，你一次能处理的高分辨率图片就越宽，同时能叠加的模型细节就越多。具体来说：

• 6GB显存（比如RTX 3060 Laptop/Desktop）：适合入门，能跑基本模型（Stable Diffusion 1.5），出图分辨率512x512很流畅，768x768属于极限。
• 8GB显存（比如RTX 4060、RTX 2070）：性价比最高的一档，能跑大部分主流的2D风格模型，兼顾1080P高清修复。
• 12GB显存（比如RTX 3060 12GB、4070以上）：很舒服了，可以直接跑新一代的SDXL模型（分辨率1024x1024），还能玩一些复杂的特效节点。
• 16GB及以上显存（比如RTX 4080、4090）：属于专业级或准专业级，可以训练自己的模型，或者尝试速度极快的加速方案。

实操心得：如果你至今还没买电脑，预算有限，我建议你把大头都砸在显卡上。CPU（中央处理器）能用就行，内存（运行内存）32GB其实就绰绰有余了。别为了一个漂亮机箱或者光污染风扇，克扣了显卡的预算，这是本地AI玩家最容易犯的错误。

2.2 内存与硬盘：容易被忽视的两块基石

除了显卡，内存（RAM）和硬盘（存储空间）也是影响体验的关键。

内存太小，你会遇到“显卡没干满，CPU（中央处理器）先累趴了”的情况，导致出图速度奇慢，甚至直接报错“内存不足”。AI绘画程序在启动时会把模型权重载入内存，再拷贝到显存里。这个过程需要占用物理内存。所以内存在16GB以下，强烈建议升级到32GB，现在DDR5内存价格已经很友好了。

硬盘的话，要求就一个字：快。首选NVMe协议的固态硬盘，这个必须放在系统盘里。因为模型文件动辄几个GB，加载十几个GB的文件，如果机械硬盘会卡得你怀疑人生。如果预算允许，再配一块1TB以上的固态专门放模型库，会很爽。

3. 软件环境搭建：从零开始捋顺底层依赖

硬件是根，软件是魂。这一步主要解决“用什么操作系统”和“装哪些基础软件”的问题。我把这套流程叫做“三步走”：装系统、装Python、装Git。

3.1 操作系统选择：Windows是省心的，Linux是极客的

网上很多教程特别偏爱Linux，但那是给跑生产环境服务器的人看的。作为一个个人玩家和资深博主，我给大多数朋友的建议是：就用Windows 11。

Windows下最新的NVIDIA驱动，对AI绘画程序的兼容性已经做得非常好了。你用Windows，意味着遇到几乎所有问题，都能在搜索引擎里找到解决方案。Linux的好处是能压榨出一点点性能，但代价是你要花大量时间处理驱动和依赖依赖库的冲突。现阶段，刚入门的朋友没必要自讨苦吃。当然，如果你是黑苹果用户，或者手里只有Mac电脑，也并非不能玩，只是需要寻找特定的MPS加速支持方案，这件事是为数不多还在坚持用Mac玩AI的人必踩的坑。

3.2 Python环境与Git工具：AI世界的两大管家

Stable Diffusion的核心代码是Python写的，所以需要安装它。目前大部分AI项目对Python版本有明确要求，一般Python 3.10到3.11是最稳的区域。千万别去Windows应用商店随便装一个最新版（比如3.13），最新的不一定是兼容的。

• Python安装：去python.org官网下载3.10或3.11的64位安装包。安装时，务必勾选“Add Python to PATH”这个复选框。这一步是新手最常犯的错误，如果没勾选，后面命令行里输入“python”就会提示找不到命令。
• Git安装：Git是代码版本管理工具，但在这里的主要作用是让你能直接从全球最大的代码托管平台GitHub上下载各种AI绘画的项目源码。下载Git安装包，一路Next安装完就行，同样要把“Git from the command line”选项加上。

安装完这两个东西，打开命令提示符（cmd）输入python --version和git --version，如果能正常显示版本号，说明你的基础环境就绪了。到这里，你的电脑已经具备了“听懂AI指令”的基本条件。

4. 实战部署：跑通你的第一个出图界面

环境装好，接下来就是重头戏：用命令行把WebUI拉下来。目前最主流、对新用户最友好的开箱即用方案，其实就是直接部署官方推荐的WebUI。

4.1 使用Git拉取项目文件到本地

先说清楚，这个操作的本质，就是从GitHub官网下载一份名为“stable-diffusion-webui”的代码压缩包，只是我们用命令行拉取的好处是，以后软件的更新只需要一条命令小事儿（之前辛辛苦苦改的配置和下载的插件都能保留）。

找一个你存放项目的目录，做法如下：

1. 在文件夹地址栏输入cmd，打开命令提示符窗口。
2. 执行：git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
3. 让电脑自己去跑，项目文件有几个GB，取决于你的网速，这个过程会下载一些必要的依赖文件（比如Git LFS大文件）。

克隆完成后，你会看到一个叫stable-diffusion-webui的文件夹。别急着双击运行，先进入这个文件夹，找找看有没有一个叫webui-user.bat的文件，这个是小程序入口。

4.2 安装PyTorch与CUDA加速层

这是整个搭建过程中最容易出错的地方。WebUI启动时，需要联网下载机器学习框架PyTorch。在下载之前，程序会检测你的显卡型号。如果你用的是NVIDIA独显，它会自动帮你下载带CUDA加速（统一计算设备架构加速）的版本。

CUDA这东西，你可以把它理解成是NVIDIA给自己显卡写的一套“专用教练手册”。显卡按照这个手册里的指令去训练AI模型，效率比CPU高出好几个数量级。通常WebUI会自动安装正确的版本，但如果你发现下载速度特别慢（国内访问外网慢），我可以分享一个小技巧：

打开stable-diffusion-webui文件夹里的webui-user.bat，用记事本编辑，在set COMMANDLINE_ARGS=这行后面，添加镜像源参数。这样下载PyTorch的速度会得到质的飞跃。这一步属于锦上添花，如果下载速度感人，再考虑用这个方法解决。

4.3 启动与自动配置依赖库

双击webui-user.bat，第一次启动会进入一个黑漆漆的命令行窗口，这时候千万别关。程序正在自动安装剩余的依赖库（那些能让你程序跑起来的小工具包）。这个过程通常会持续10到30分钟，根据你网络速度的不同，时长也会有差异。

观察到命令行窗口里出现了一行网址，通常是http://127.0.0.1:7860，恭喜你，环境搭建成功了。打开这个网址，你就会看到一个非常经典的AI绘画操作界面——左侧是你要输入的提示词（正面描述）和反向提示词（负面描述），中间偏下是生成按钮。

重要提示：很多人在第一次看到命令行里那些红色WARNING（警告）时就慌了，以为出错了。我和很多AI玩家交流时发现，绝大多数WARNING不会影响使用。真正致命的错误是程序崩溃退出（通常会弹出traceback提示）。不要被那些看起来吓人的英文警告吓倒，只要最后能启动出网址，就是成功。

5. 模型选型与安装：让出图画风更准的关键

环境跑通了，现在的你就像买了台新手机，但里面一个应用都没装。这里的“应用”，指的就是大模型文件。没有模型，WebUI就是个空壳子，生成出来的图片会是一团马赛克。

5.1 认识几类必须下载的文件格式

当你准备找模型时，会看到各种后缀名的文件，比如.ckpt、.safetensors。它们到底是什么？简单说，ckpt是老式的模型格式，已经逐渐被淘汰。现在主流项目都使用.safetensors格式，它最大的优点是安全性更高。加载它时，程序会校验文件是否有病毒，避免运行恶意代码。所以，下载模型时我建议：

• 只认准.safetensors格式的文件。
• 文件名里通常会标明1.5或2.1，代表它基于哪个底模训练，别下混了，需要匹配版本。
• 文件大小能直接反映模型规模，一般在2GB到7GB之间，太小的通常是“残废版”，画出来画面都糊了。

5.2 从哪儿下载和放到哪儿

模型的下载渠道比较固定，网上知名的模型分享社区就是全球AI画师们交流的地方。那里有成千上万针对特定风格（比如赛博朋克、水墨风、真实摄影写实）训练好的模型供你挑选。

下载好的模型，是一个巨大的.safetensors文件，需要放到WebUI的模型目录里。以我自己的经验，位置在：stable-diffusion-webui\models\Stable-diffusion\这个文件夹下。

模型放好之后，回到WebUI界面，把浏览器页面刷新一下（一定要刷新），在页面左上角的“Stable Diffusion checkpoint”下拉菜单里，就能看到你新加入的模型了。切换不同的模型，绘画风格会有天壤之别。这一下，从“我是谁”变成了“我能画什么”，解决的是整个AI绘画流程里最关键的一步。

6. 出图参数与提词实操：从能画到画得好

界面有，模型有了，你已经可以开始“玩弄”你的AI了。但很多人第一次生成图片，要么画出来的东西又黑又乱，要么完全不符合预期。这个问题出在参数设置和提示词写法上。

6.1 提示词（Prompt）的万能公式

如果你调用的是底层大模型（比如SD 1.5系），那你得把提示词写得像电报一样“密”。WebUI界面提供了两个输入框，一个正向，一个反向。

• 正向提示词：通过英文短语描述“画面里应该有什么”。优化结构为：质量词 + 主体描述 + 环境氛围 + 风格渲染。例如“masterpiece, best quality, (photorealistic:1.3), a beautiful cyberpunk girl, neon lights, rainy street, highly detailed”。
• 反向提示词：描述你不想要的东西。同样，要写得具体。比如“bad anatomy, bad hands, missing fingers, extra digits, blurry, jpeg artifacts, watermark, text”。

实操心得：关键词的顺序是有效果的，越靠前的词组，AI认为它的权重越高，越重要的形容放在越前面。在描述主体时，可以加上括号和权重，例如(masterpiece:1.2)，意思是重点关照，如果觉得画面不够精细，把权重数字调大。

6.2 核心参数：理解采样器、步数、CFG和分辨率

界面上一大堆英文参数确实让人头疼。别慌，你只需要重点弄懂下面这四个至关重要的：

1. Sampling Method（采样器）：它决定了AI一步步“去噪”时采用的算法。默认的Euler a是稳妥之选。但如果你想追求更细腻的质感，可以试试DPM++ 2M Karras，画出来确实比默认的更锐利。
2. Sampling Steps（采样步数）：即AI迭代的次数。步数太少画不完整，太多又浪费时间，还可能过拟合导致线条僵硬。基础模型建议设置为20-28步之间，过高意义不大。
3. CFG Scale（提示词引导系数）：它控制AI是“死守”你的描述，还是“自由发挥”。默认值是7。数值过低（比如4以下），AI会脱离你的控制，画出来的图跟描述天差地别；数值过高（比如15以上），画面会变得过度锐利和失真。实战中在7-10之间调整。
4. Resize Seed（分辨率参数）：种子是随机噪点的编号，相同种子在同样参数下，能复现一模一样的底图。当你看到别人的图很喜欢，想微调的时候，先把种子数字复制回来，再修改细节，这样就能在完全相同的画面基础上调整，而不是推倒重来。

弄懂这4个参数后，你的第一张图下载成功率会提升80%。剩下的放大算法、面部修复之类的高阶玩法，等你有产出之后，自然会明白它们的作用。

7. 常见故障排查：那些年我们踩过的坑

玩本地部署，踩坑是常态，不踩坑反而不正常。我把自己和几位AI玩家交流时反复出现的几类问题整理一下，能帮你省下好几个小时的查资料时间。

7.1 GUI启动失败：闪退或报Traceback错误

闪退的原因通常很明显，双击webui-user.bat之后，命令行窗口一闪而过，大概率是Python环境不对。这个它不是照着教程安装了，但安装时没勾选“Add Python to PATH”造成的。

解决方式：重新运行Python安装包，选择“Modify”，勾选“Add Python to environment variables”（添加到环境变量）。确认无误之后，如果环境还报错，拿命令行窗口弹出的错误信息去搜索复制粘贴，基本都能找到针对性的解决方案。

7.2 显存不足：CUDA Out of Memory (OOM)

当你生成一张中等分辨率的图时，跳出红色报错，提示“CUDA Out of memory”，说明你的显存不够用了。

直观的办法是降低出图分辨率，比如不要直接出1024x1024，先出512x512，再用“高清修复”（Hires. fix）功能把图放大一到两倍。这个功能在生成图片区下方，开启后，AI会先按小分辨率画，再通过修复算法放大，能极大缓解显存压力。此外，也可以顺手关掉其他占显存的软件（比如大型游戏、浏览器多开）再开枪。

7.3 图片画出来是一团糊的，或者变黑

要么是你反向提示词里写了“blurry”，“low quality”这类词，然后权重给高了。要么就是你切换模型时，VAE（变分自动编码器）设置有误。

VAE是决定图片色彩分布和细节层次的关键文件。如果你下载的是基础模型合集，里面通常会附带一个vae文件夹。操作方法：在WebUI的“设置”选项卡里找到“Stable Diffusion”，把“SD VAE”选项替换成模型对应的VAE文件。最直接的办法，推荐去网上下载一个通用的清理过的VAE文件，它能让你的画面色彩更通透、不发灰。

7.4 网速受限：下载模型/依赖龟速

这属于无解的物理限制。解决方案上，针对模型下载，可以尝试用一些下载软件加速；针对依赖下载，就是我们之前提过的，在启动脚本里加国内镜像参数。这些都属于环境的“调优”环节，等你跑顺了，自然会觉得整个技术栈都清晰了。

本地AI出图环境这块，我自己真金白银踩过不少坑才摸到门道。每次觉得“这次应该稳了吧”，结果不是驱动更新崩了，就是模型不兼容。但反过来说，你每解决一个别人没耐心解决的环境问题，你手里积累的就是一套能稳定产出、完全属于自己、不依赖任何外部服务的私人工作流，这种感觉，跟上云端网站是完全不一样的。

最后再分享一个小技巧：当你搭建完成后，建议把启动命令和常用的模型文件名整理成一个简单的备忘录。因为这类软件迭代很快，环境偶尔会抽风，重装系统或者换电脑的时候，翻一遍自己的备忘录能省去大量来回查攻略的时间。接下来，就好好享受用指令控制画面的快感吧。