企业官网建设流程全解析

“在雾之湖举行对打比赛的⑨”，听起来是个很有画面感的主题，但真要把它落到一张稳定的二次元同人图里，直接键入提示词按生成，结果往往是一张“要素打架”的废图。问题不在英文标签，而在主题拆解不够细：雾、湖、冰晶、战斗姿态、冰之妖精角色，每一项都要在提示词和构图里占据明确位置，才能稳定还原出“雾之湖 + 对打比赛”这个场景。

如果你正打算用本地 AI 绘图工具把这类同人主题做成视觉成品，这篇文章会给你一条可以照着走的路线：先拆解主题要素，再设计提示词，然后是本地部署、启动服务、效果验证、批量出图，以及最常见的翻车点排查。全文涉及的步骤不绑定某个具体软件，而是按 Stable Diffusion WebUI / ComfyUI 这类常见本地绘图框架来写，你拿到之后可以按自己的设备情况替换路径和参数。

1. 主题要素拆解与构图设计

1.1 主角特征：先把“⑨”的视觉符号定下来

标题里的“⑨”在二次元语境里通常指向冰之妖精角色，最容易被记住的视觉符号包括冰晶翅膀、蓝色连衣裙、蓝发和蝴蝶结。这些元素不能靠模型“自由发挥”，必须显式写进提示词，不然生成结果很容易变成“普通蓝衣少女站在湖边”。

建议把这组特征做成默认标签，每次生成都带上：

从实际出图经验看，最容易丢失的是“冰晶翅膀”。如果发现翅膀没有被画出来，可以在提示词里用ice wings后再加分层权重，或者把角色相关标签放在 prompt 的前半段，因为多数模型对提示词前部的注意力响应更强。

1.2 场景特征：雾之湖要“雾”还是要“湖”

雾之湖的核心元素是水面、雾气、冷色调和冰霜。构图时你要决定到底强调“雾”还是强调“湖面倒影”，二者同时出现会让画面信息过多，部分模型会顾此失彼。

• 强调雾：用fog, heavy mist, cold atmosphere，角色从雾中浮现，背景虚化。
• 强调湖：用lake, water reflection, moonlight on water，角色悬浮在水面之上，倒影隐约可见。
• 两者兼顾：把背景拆成两层，misty lake作为基础场景词，再叠加ice crystals floating，让雾气里的冰晶成为连接角色和环境的视觉桥梁。

建议首先生成“湖面 + 雾气 + 角色正面站立”的稳定构图，再考虑加入复杂动作。

1.3 动作表达：单角色也能画出“对打感”

“对打比赛”在单角色构图里不一定要画两个角色，可以通过战斗姿态和弹幕效果来传递打斗感。常见做法：

• 战斗架势：fighting stance, dynamic pose, leaning forward
• 冰魔法释放：ice magic, frost particles, glowing blue energy
• 弹幕轨迹：danmaku, bullet hell, projectiles, light trails

这里有一个构图技巧：角色面向画面右侧时，把弹幕和冰晶集中在左侧，给视觉留出运动方向，否则画面会显得“静态”。

2. 适用场景与使用边界

这个主题适合三类人：

• 东方 Project 风格的创作者，需要快速验证“雾之湖 + 冰之妖精对打”的分镜构图。
• 画师/写手想要视觉参考图，但不想每次从头起草。
• 正在学习本地 AI 绘图流程的人，想知道如何从一句梗变成一套可复用的提示词模板。

不适合的场景也要说清楚：如果设备显存低于 4GB，同时没有耐心做降参和放大优化，直接跑 1024 以上分辨率的图体验会很差；如果想一步到位生成“角色对打”的连贯动画视频，目前单靠文生视频模型还不够稳定，更稳妥的路径是先产出单帧图，再用图生视频工具做轻微运动。

合规方面需要特别注意：东方 Project 是 ZUN 的原创作品，同人创作需要遵守官方发布的同人创作规约；AI 生成同人图也存在版权和来源争议，发布到公开平台前务必确认授权范围，不把生成结果用于商业用途或误导性内容。这里不展开讨论具体条款，但这条底线不能跳。

3. 环境准备与前置条件

3.1 硬件建议

本地跑 AI 绘图，GPU 和显存是核心。按常见工作流做估算：

如果显存只有 4GB，可以尝试小分辨率生成，比如 512x512，但速度慢、容易显存不足，要用低显存优化选项。8GB 显存做常规二次元出图已经比较充裕，可以支撑 768 分辨率附近的中等规格生成，但最终占用仍要按具体模型和采样器实测。

3.2 软件依赖

• Python 3.10 或 3.11。
• Git，用于拉取仓库。
• Nvidia 显卡驱动。
• CUDA 环境，如果使用 PyTorch 需要匹配版本。

以上版本不要照抄，以你选择的绘图框架文档为准。安装依赖之前，先确认python --version和git --version能正常输出。

4. 本地部署与启动方式

如果你还没有本地绘图环境，可以按下面这套通用流程启动一个 WebUI 类型的本地服务。这里以最常见方式为例，实际项目名和启动脚本需要按你选择的仓库调整：

# 克隆仓库（示例，请使用你实际选择的项目地址） git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui # 创建虚拟环境（Windows 下命令略有不同） python -m venv venv source venv/bin/activate # Linux/macOS # venv\Scripts\activate # Windows # 安装依赖 pip install -r requirements.txt # 启动 WebUI python launch.py --autolaunch

启动后会在浏览器打开本地地址，通常是http://127.0.0.1:7860。如果端口被占用，可以显式指定端口：

python launch.py --port 7861 --autolaunch

模型文件需要放到框架指定的目录，比如models/Stable-diffusion/。不同框架的目录结构有差异，下载模型后先看一下仓库 README 的说明，再把模型文件放到对应路径，重启服务即可生效。

5. 提示词设计与模型选型

5.1 一套可复用的正向提示词

下面这套提示词按“质量词 + 角色 + 场景 + 动作 + 氛围”分层组织，适合第一次测试“在雾之湖举行对打比赛的⑨”这个主题：

masterpiece, best quality, 1girl, solo, blue hair, blue eyes, blue dress, ribbon, ice wings, fairy, mischievous smile, fighting stance, battle aura, ice magic, danmaku, misty lake, lake, fog, ice crystals, cold atmosphere, moonlight, looking at viewer

简单解释一下各层作用：

• masterpiece, best quality：通用质量词，对大多数二次元模型有效。
• 1girl, solo：明确画面主体是单角色，避免模型在画面里加多个人物。
• blue hair, blue eyes, blue dress, ribbon, ice wings：锁定角色核心特征。
• fighting stance, battle aura, ice magic, danmaku：负责“对打比赛”的动作和特效。
• misty lake, lake, fog, ice crystals, cold atmosphere, moonlight：负责雾之湖场景和冷色调氛围。

5.2 负面提示词

负面提示词直接决定成图的“干净程度”，建议先加入这组高频问题标签：

lowres, bad anatomy, bad hands, missing fingers, extra digits, bad feet, watermark, signature, text, logo, blurry, jpeg artifacts, ugly, duplicate

如果生成的角色手部畸形，优先检查bad hands, extra fingers, missing fingers是否在负面词中；如果画面出现文字水印，检查watermark, signature, text, logo是否在负面词中。

5.3 模型怎么选

二次元主题建议优先选择专攻二次元画风的模型，而不是写实模型。不同底模对提示词的理解差异很大，同一个misty lake标签，有的模型能给出雾气弥漫的高质量场景，有的模型只会画个普通水塘。

模型选型时注意三点：

• 优先看模型在类似角色、战斗场景上的示例图，而不是只看封面。
• 模型文件下载后先测试小分辨率，确定它对这个主题的标签覆盖能力，再决定是否用于正式生成。
• 如果角色识别度不足，可以尝试加入角色相关的 danbooru 风格标签，比如角色的英文名，但不同模型训练数据不一样，具体是否有效以实际出的图为准。

6. 功能测试与效果验证

6.1 文生图基础测试

测试目的是确认“雾之湖 + 冰之妖精 + 战斗姿态”三个核心要素是否同时出现。

操作步骤：

1. 在 WebUI 的 txt2img 页面粘贴 5.1 的提示词。
2. 分辨率设为 512x768 或 512x512。
3. 采样步数先设 20 步。
4. 批量生成 4 张，观察结果分布。

判断成功的标准：

• 角色特征基本一致：蓝发、蓝裙、冰晶翅膀至少出现两样。
• 场景可以辨认出湖泊或雾气。
• 动作带有战斗感，比如弹幕、冰晶、前倾姿态。

如果 4 张图里只有一张能看，说明提示词权重不稳定；如果全部崩坏，优先检查模型是否放错位置、负面提示词是否为空、分辨率是否超出模型常用范围。

6.2 图生图构图调整

先用简陋的草图或现有图确定构图，再用图生图把细节重绘出来。

参数参考：

• 重绘幅度（Denoising strength）设置在 0.4 到 0.6 之间。
• 过大（超过 0.7）会脱离原构图，过小（低于 0.3）则细节变化不明显。

输入示例：一张手绘草图，或从其他图里截取的角色轮廓，配合同样的提示词生成。这一步的目标是保留草图构图，同时让 AI 补全角色和场景细节。

6.3 局部重绘修复细节

如果最终图中冰晶翅膀缺失或脸部崩坏，使用局部重绘功能：

1. 上传生成好的图。
2. 用画笔遮罩（mask）圈出需要重绘的区域。
3. 填入正面提示词，只描述该区域的理想内容，比如ice wings, translucent, glowing。
4. 重绘幅度设置在 0.5 左右，幅度太高会让遮罩区域和周围环境脱节。

遮罩区域不宜过大，否则模型会把整个画面重新画一遍，导致其他部分风格变化。局部重绘之后通常还需要一次高清修复，才能让输出细节和整体画质保持一致。

6.4 高清修复放大

小分辨率下确认构图没问题之后，再做高清修复。比较稳妥的顺序是先修复构图，再放大画质；反过来做会导致构图错误被放大，后期很难修。

高清修复有两种思路：

• 内置放大功能：在 WebUI 中选择合适放大算法，再配合修复幅度处理面部细节。
• 分区放大：用 tiled 方式把画面切成小块逐块放大，显存占用更可控，但速度会慢一些。

6.5 图生视频进阶验证

如果想让静态图动起来，把上面生成的“雾之湖对打”稳定构图作为视频生成的起始帧。操作上把图片放入图生视频的输入位置，设置短时长、小幅度的运动，比如 2 到 4 秒，运动强度不要开太高，否则冰之妖精的脸部容易扭曲。

这一步不是必须的，但如果你的最终目标是做短视频素材，先验证“静态图 → 轻微动画”的链路是否稳定，再考虑延长时长。

7. 批量任务与素材组织

7.1 批量出图的几种方式

如果你需要生成一组“不同角度、不同姿态、不同战斗特效”的雾之湖对打图，批量任务比一张张手动点要高效得多。常见方式：

• 框架自带的多提示词脚本，一个任务生成多张图。
• 使用图生图批处理目录：把输入图片放在一个文件夹，靠 API 或脚本依次处理。
• 自己写 Python 脚本调用本地接口，把每条提示词组合作为一次任务提交。

一个适用于图生图批量处理的目录结构示例：

./artwork/ ├── inputs/ # 原始草图或参考图 ├── outputs/ # 常规生成结果 ├── upscaled/ # 高清修复结果 └── logs/ # 生成日志和任务记录

7.2 Python 批量调用示例

如果你的本地框架暴露了 HTTP 接口，可以用类似下面的 Python 模板做批量提交。注意不同项目的接口路径、参数名和返回格式不一定相同，运行前需要按实际接口文档调整。

import requests import time # 以本地绘图框架的 API 为例，实际地址以你部署的项目为准 api_url = "http://127.0.0.1:7860/sdapi/v1/txt2img" prompts = [ "masterpiece, best quality, 1girl, blue hair, blue dress, ice wings, misty lake, lake, fog, fighting stance, ice magic", "masterpiece, best quality, 1girl, blue hair, blue dress, ice wings, misty lake, fog, danmaku, dynamic pose", ] negative_prompt = "lowres, bad anatomy, bad hands, watermark, signature" for idx, prompt in enumerate(prompts): payload = { "prompt": prompt, "negative_prompt": negative_prompt, "width": 512, "height": 768, "steps": 20, } try: response = requests.post(api_url, json=payload, timeout=120) response.raise_for_status() print(f"Task {idx + 1} done, status: {response.status_code}") except Exception as exc: print(f"Task {idx + 1} failed: {exc}") time.sleep(2)

批量处理的工程建议：

• 每条任务都记录提示词、参数和输出路径。
• 失败任务不能直接跳过，要写入日志，方便结束后统一重跑。
• 批量生成时先跑 2 到 3 条测试，确认参数没写错再扩展数量，避免“批量生成几百张废图”的事情发生。

8. 资源占用与性能观察

8.1 显存占用怎么观察

Windows 下可以直接看任务管理器 GPU 的“专用 GPU 内存”一项，Linux 下用nvidia-smi查看，这是最直观的方法。

显存占用和三个因素强相关：

• 输出分辨率：分辨率越高，显存占用上升越明显。
• 批次大小：一次生成多张图会成倍增加显存占用。
• 采样步数：步数主要影响耗时，相对而言，对显存的影响不如分辨率和批量大小明显。

8.2 如何降低显存占用

如果生成过程中出现 OutOfMemory 错误，按以下顺序调整：

1. 将分辨率降到 512x512 或 512x640。
2. 将批量大小 batch size 改为 1。
3. 关闭高清修复，先跑通构图。
4. 使用低显存优化选项，确认显卡驱动和 PyTorch 版本匹配。
5. 做高清修复时用分区扫描，而不是一次对整张图放大。

注意：具体优化项的名称和位置因框架而异，不要照搬某一个版本的设置，要看当前项目文档。

8.3 CPU 推理能跑吗

CPU 可以跑，但速度很慢。常规一张 512x512 的中等规格图，CPU 推理耗时可能达到 GPU 的十倍以上，适合“不赶时间、只想验证流程”的场景。如果要做批量出图或迭代调参，更稳妥的选择是使用带 Nvidia 显卡的设备。

9. 常见问题与排查方法

10. 最佳实践与后续扩展

这个主题最值得尝试的地方在于：它不是一个“一次性出图”的简单任务，而是需要把场景、角色、动作、特效整合到一个画面里，正好可以用来练习提示词结构化、局部重绘和批量任务管理。

建议先把“雾之湖 + 冰晶翅膀 + 战斗姿态”这组核心要素在小分辨率下跑稳定，再逐步加入弹幕、光效、水面倒影等进阶细节。第一次不要求构图惊艳，先保证每个元素都能被模型稳定复现。参数确认后，把提示词模板保存到本地，后续换角度、换动作、换氛围时只需要改动作层和场景层，会节省大量重复调整时间。

最容易踩的坑有两个：一是提示词里同时塞太多东西，导致模型顾此失彼；二是不做小图验证就直接高清放大，结果构图缺陷被放大，后期修图成本很高。应对办法也简单，先小图、先单要素、先固定 seed，再做组合和放大。

后续如果你想继续扩展，可以从三个方向走：一是把生成的静态图接入图生视频工具，让“雾之湖对打”产生轻微运镜效果；二是用局部重绘给角色设计不同风格的冰晶翅膀，形成一套角色变体素材；三是把批量任务整理成脚本，接入自己的素材管理流程。这样可以形成一条完整的“主题拆解 → 提示词模板 → 批量出图 → 后期放大/视频化”创作流水线。

如果你也有类似的同人主题想落地，建议收藏备用，先从一张 512x512 的测试图开始，把最基础的要素跑通再说。