企业官网建设流程全解析

如果你在B站、YouTube等技术社区关注过AI绘画，大概率刷到过“Kris的筛种教程”这个系列。这个系列视频在AI绘画爱好者中有着相当高的口碑，但视频教程的形式，对于需要反复查阅、对照操作的开发者来说，并不那么友好。尤其是当你想精准地复现某个效果，或者想理解“种子”这个核心参数背后的逻辑时，文字教程的优势就凸显出来了。

本文正是为了解决这个问题。我将基于“Kris的筛种教程”系列视频（特别是第1章：上手介绍）的核心内容，为你整理、转译并深度解读成一篇结构清晰、可操作性强、适合收藏备用的CSDN技术博客。我们不止步于“怎么用”，更要深入“为什么”，帮你彻底理解Stable Diffusion中“种子”的运作机制，掌握通过筛选种子来精准控制画面构图、主体、风格的核心方法。

读完本文，你将能：

1. 透彻理解种子：明白种子在AI生图流程中的决定性作用，以及它与提示词、采样器等其他参数的关系。
2. 掌握高效筛种流程：学会一套系统性的方法，从海量随机结果中，快速筛选出符合你构图和创意需求的“优质种子”。
3. 搭建可复现的工作流：将筛种融入你的标准创作流程，让AI绘画从“开盲盒”变成“可控的创作工具”。
4. 规避常见误区：了解筛种过程中的典型陷阱，比如过度依赖、效率低下等问题，并知道如何解决。

1. 这篇文章真正要解决的问题：从“随机抽卡”到“定向创作”

很多Stable Diffusion新手会陷入一个困境：他们精心撰写了提示词，调整了各种参数，但生成的结果却像开盲盒，时好时坏，无法稳定产出符合预期的作品。问题的核心往往不在于提示词写得不够好，而在于忽略了一个最基础、也最强大的控制参数——种子。

种子是AI绘画确定性的源头。同一个模型、同样的提示词和参数下，相同的种子必然产生相同的图片。这听起来简单，但它的价值被严重低估了。大多数人只是固定种子来微调，或者随机种子碰运气。

Kris教程的核心价值在于，它提出并实践了一套“主动筛选种子”的方法论。这套方法把种子的使用从“被动固定”变成了“主动勘探”。你不是在等待一个好结果出现后去固定它，而是主动地、批量化地生成大量图片，然后像淘金一样，从中筛选出那些在构图、主体姿态、画面布局等“骨架”层面就非常出色的种子。

这解决了什么痛点？

• 构图不可控：提示词很难精确控制人物姿势、物体位置、画面层次。
• 效率低下：靠随机生成碰运气，产出优质图的概率低，时间成本高。
• 创意无法延续：找到一个好图后，想在其基础上做变化（换风格、换细节）却无法保持原有构图。
• 协作与复现困难：无法向他人精确传递一个可复现的创作起点。

本文将带你深入这套方法论，不仅还原Kris教程的精华，更结合实践，补充视频中可能未详述的WebUI操作细节、脚本使用技巧和效率工具，让你能在CSDN以文字形式，永久收藏这份“筛种秘籍”。

2. 基础概念与核心原理：种子、潜空间与确定性

在进入实操前，我们必须夯实理论基础。理解这些概念，能让你在筛种时更有目的性，遇到问题也能更快定位。

2.1 什么是种子？

在计算机图形学和机器学习中，种子是一个用于初始化伪随机数生成器的数值。在Stable Diffusion的上下文中：

• 它是一个数字（通常是一个很大的整数，如1234567890）。
• 它是生成过程的起点：在采样开始时，模型需要一个初始的随机噪声图。种子决定了这张噪声图的具体样子。
• 它意味着确定性：模型 + 提示词 + 参数 + 种子这个组合是唯一的。只要这个组合不变，无论你生成多少次，输出都完全一样。

一个常见的误解是：种子决定了图片的“好坏”或“内容”。不对。种子决定的是初始的随机状态。图片的“内容”主要由提示词、模型和采样过程决定。但好的初始状态（即好的种子），能让采样过程更顺利地走向一个构图优美、主体清晰的“好结果”。

2.2 潜空间与去噪过程

Stable Diffusion不是在像素空间直接作画，而是在一个叫做“潜空间”的高维压缩空间中工作。

1. 编码：输入图像被编码到潜空间（变成一组潜变量）。
2. 加噪：向潜变量添加噪声。
3. 去噪：U-Net模型根据提示词，一步步预测并去除噪声，最终得到去噪后的潜变量。
4. 解码：将去噪后的潜变量解码回像素空间，得到最终图像。

种子在这里的作用是什么？它决定了第2步“加噪”后，那张纯随机噪声图的样子。你可以把去噪过程想象成从一团混沌的云雾（噪声）中雕刻出一座雕像。种子决定了这团云雾最初的具体形状。虽然雕刻刀（提示词和模型）决定了最终雕像是什么（比如一个人像），但云雾最初的形状，会极大地影响雕刻的难易程度和最终雕像的姿态、构图。

2.3 种子 vs. 提示词 vs. 采样器

理解这三者的关系至关重要：

核心洞见：提示词和模型决定了内容的“可能性空间”，而种子则在这个空间里选取了一个具体的“起点”。筛种，就是在庞大的可能性空间中，寻找那些起点最优的路径。

3. 环境准备与前置条件

在开始筛种之前，你需要一个可以运行的Stable Diffusion WebUI环境。本文以Automatic1111 WebUI为例，因为它是目前最流行、功能最全的版本，Kris的教程也基于此。

基础环境要求：

• 操作系统：Windows 10/11, Linux, 或 macOS (Apple Silicon 或 Intel)。
• Python：3.10.x 版本。这是WebUI的稳定要求，其他版本可能导致依赖冲突。
• Git：用于克隆WebUI仓库。
• 合适的硬件：
  • GPU：推荐NVIDIA GPU，显存至少6GB（用于生成512x512图片）。4GB显存可尝试但限制较多。8GB或以上体验更佳。
  • 内存：16GB RAM 或以上。
• 磁盘空间：至少20GB可用空间，用于存放模型、生成图片等。

WebUI安装与启动（简述）：如果你已经安装，可以跳过此部分。

1. 打开命令行（终端）。
2. 克隆仓库并进入目录：

   git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui

3. 运行启动脚本：
   • Windows：双击webui-user.bat。
   • Linux/macOS：在终端执行./webui.sh。
4. 脚本会自动安装依赖。首次运行时间较长。完成后，在浏览器中打开http://127.0.0.1:7860即可访问WebUI界面。

关键模型准备：筛种的效果与模型强相关。建议准备一个你熟悉且效果稳定的基础模型。

• 检查点模型：下载一个通用的高质量模型，例如SDXL 1.0、Realistic Vision、DreamShaper等，并将其放入stable-diffusion-webui/models/Stable-diffusion/目录。
• VAE：有些模型需要搭配特定的VAE文件以获得最佳色彩。通常模型发布页会说明。

确保你的WebUI能正常生成图片后，我们就可以进入核心的筛种流程了。

4. 核心流程拆解：四步高效筛种法

Kris的筛种方法论可以提炼为一个清晰的四步循环。这个流程的目标不是“生成一张好图”，而是“找到一个好种子”。

4.1 第一步：设定“勘探”提示词

筛种阶段的提示词与最终成图的提示词策略不同。

• 目标：引导模型生成构图多样、主体清晰的图片，而非追求完美的细节和风格。
• 策略：
  1. 简洁核心：只用最核心的主体和场景描述。例如：1girl, solo, standing in a forest, sunlight。避免复杂的细节描述、风格词和画质词（如masterpiece, best quality在筛种时可能限制构图多样性）。
  2. 强调构图元素：可以加入一些引导构图的词，如full body shot,from side,dynamic pose,rule of thirds。
  3. 负面提示词：使用一个通用的负面提示词来过滤明显瑕疵，例如：EasyNegative, bad hands, extra fingers。但不宜过强，以免过度干预初始构图。

示例勘探提示词：

正向提示词：1girl, cowboy shot, wearing jacket, in city street at night, neon lights 反向提示词：EasyNegative, bad anatomy, blurry

4.2 第二步：配置批量生成参数

这是筛种的“生产流水线”。我们需要一次生成大量图片（比如50-200张），以覆盖足够多的随机种子。

1. 采样方法：选择速度快、效果稳定的采样器，如Euler a、DPM++ 2M Karras。筛种不求极致细节，求速度。
2. 采样步数：20-30步通常足够。这能在保证一定质量的同时最大化生成速度。
3. 图片尺寸：根据你的最终目标设定。如果想筛竖构图人像，可以用512x768。注意长宽比会显著影响构图。
4. 批处理次数/数量：
   • 批处理数量：每次生成几张图。受显存限制。
   • 批处理大小：同时处理几张图。显存大可以调高以加速。
   • 例如，想生成100张图，显存8G，可以设置批处理数量=10，批处理大小=1，点击一次生成10张，点10次。
   • 更高效的方法：使用“脚本”功能。在WebUI下方找到“脚本”下拉菜单，选择X/Y/Z 图表。

4.3 第三步：使用X/Y/Z图表脚本进行网格化筛选

这是Kris教程中的精髓工具，能极大提升筛选效率。

1. 在WebUI底部，展开“脚本”下拉框，选择X/Y/Z 图表。
2. X轴类型：选择种子。
3. X轴值：这里就是关键。不要手动输入几百个种子。输入1-100，表示让脚本自动使用种子1到100依次生成图片。你也可以输入1, 10, 100, 1000这样的列表。
4. Y轴类型：保持无。我们这次只沿X轴（种子）变化。
5. 点击“生成”。WebUI会按顺序生成种子为1,2,3,...,100的图片，并将它们排列在一张大网格图中。

为什么用网格图？

• 一目了然：你可以快速浏览上百张图的构图、姿态、氛围。
• 便于对比：相似的构图会挨在一起，让你更容易发现规律。
• 种子可追溯：每张图下方或文件名中都会包含其种子值。

4.4 第四步：分析与记录优质种子

面对生成的网格图，你需要一双“淘金者”的眼睛。

• 筛选标准：
  • 构图：主体位置是否舒服？画面是否有层次感？是否符合三分法等构图法则？
  • 姿态/动作：是否自然、有动态感？是否是你想要的？
  • 主体完整性：有没有缺胳膊少腿、严重畸变？
  • 氛围感觉：即使细节粗糙，整体光影、氛围是否对味？
• 记录方法：
  1. 直接保存：将整个网格图保存下来，在上面做标记。
  2. 记录种子号：将看中的图片对应的种子号记录在文本文件或表格中。这是最重要的信息！
  3. 使用图库浏览器：WebUI有内置的图库浏览器，可以按种子搜索和筛选，非常方便。

完成一轮筛选后，你得到的不再是几张孤立的“好图”，而是一个优质种子库。接下来，你就可以用这些种子进行深度创作了。

5. 完整示例与代码实现：一次完整的城市夜景人像筛种

让我们通过一个完整的例子，将上述流程跑一遍。假设我们想创作一个“夜晚霓虹灯下的街头潮酷女孩”主题作品。

5.1 环境与参数预设

• 模型：dreamshaper_8.safetensors(一个通用性较好的模型)
• VAE：vae-ft-mse-840000-ema-pruned.ckpt
• 采样器：Euler a
• 采样步数：25
• 图片尺寸：512x768(竖版，适合人像)

5.2 编写勘探提示词

在WebUI的提示词框中输入：

正向提示词：

(1girl:1.2), solo, looking at viewer, wearing leather jacket, street fashion, in a rainy neon-lit city at night, reflections on wet pavement, cinematic lighting

• (1girl:1.2)：强调主体是女孩，并提高权重。
• solo, looking at viewer：单人，看向观众，增加互动感。
• wearing leather jacket, street fashion：描述服装和风格。
• in a rainy neon-lit city at night, reflections on wet pavement：核心场景，包含“雨夜、霓虹、湿漉漉的路面”等易出氛围的元素。
• cinematic lighting：引导光影氛围。

反向提示词：

EasyNegative, (bad anatomy:1.2), (bad hands:1.3), (worst quality, low quality:1.4), blurry, extra limbs, missing limbs, deformed, mutated

• 使用EasyNegative嵌入（需提前下载放入embeddings文件夹）。
• 强化对解剖错误和手部问题的抑制。

5.3 配置X/Y/Z图表脚本进行批量筛种

1. 填写好提示词和基础参数（采样器Euler a，步数25，尺寸512x768）。
2. 滚动到下方，找到“脚本”下拉菜单，选择X/Y/Z 图表。
3. 按如下配置：
   • X轴类型：种子
   • X轴值：1-60(我们首轮先快速跑60个种子看看趋势)
   • Y轴类型：无
   • 保持其他参数一致：确保脚本使用的是上面填写的提示词和参数。
4. 点击“生成”按钮。

WebUI会开始依次生成60张图。这个过程可能需要几分钟，取决于你的硬件。

5.4 生成结果分析与种子记录

生成完成后，你会得到一张排列好的网格图。假设我们观察后发现：

• 种子7,18,34的人物姿态非常自然，构图有张力。
• 种子42的霓虹灯光影氛围特别好。
• 种子55的雨天地面反射效果很出色。

我们将这些种子记录下来：[7, 18, 34, 42, 55]。

5.5 基于优质种子进行深化创作

现在，我们不再随机抽卡。我们选择一个最有潜力的种子（比如种子18）进行深化。

1. 固定种子：在WebUI的“种子”输入框中，输入18，并点击旁边的“回收站”图标按钮锁定它。
2. 优化提示词：在勘探提示词的基础上，添加细节和风格化词汇。
   • 更新正向提示词：

     (masterpiece, best quality:1.2), (1girl:1.3), solo, looking at viewer, (detailed face:1.1), wearing a black leather jacket, street fashion, in a rainy neon-lit (Tokyo:1.1) at night, reflections on wet pavement, (cinematic lighting, dramatic shadows:1.2), film grain, 8k uhd

     • 增加了画质标签masterpiece, best quality。
     • 增加了detailed face强调面部。
     • 具体化了城市为Tokyo。
     • 加强了光影描述dramatic shadows。
     • 添加了后期风格film grain和分辨率提示8k uhd。
3. 调整参数：
   • 采样器：可以换成更擅长细节的DPM++ 2M Karras或DDIM。
   • 采样步数：提高到30-40步以获得更精细的结果。
   • 高清修复：可以开启，使用R-ESRGAN 4x+等放大算法，将图片放大2倍。
4. 点击生成。由于种子固定，这次生成会在保留种子18优秀构图和姿态的基础上，融入新的细节和画质提升。

对比感受：你可以尝试关掉固定种子，用同样的优化提示词随机生成几张图。你会发现，虽然画质可能都不错，但构图和姿态的“美感”和“巧合性”远不如使用筛选出的种子18。这就是筛种的价值——它锁定了“灵感闪现的瞬间”。

6. 运行结果与效果验证

如何判断你的筛种流程是成功的？

1. 网格图成功生成：运行X/Y/Z图表脚本后，应得到一张整齐排列所有生成图片的网格图。每张小图下方应显示对应的种子号。如果报错，检查脚本参数格式（种子范围1-60是否正确），或显存是否不足。
2. 种子差异性：观察网格图，不同种子产生的图片应在构图、人物姿态、视角上有明显差异。如果所有图片看起来都差不多，可能是提示词限制过强（比如用了portrait特写），或者模型本身多样性不足。此时应放宽勘探提示词。
3. 优质种子可复现：记录下你选中的种子号（例如18）。回到文生图主界面，输入完全相同的提示词和参数，并将种子设为18，点击生成。生成的图片必须与网格图中种子18对应的图片完全一致。这是验证流程正确性的金标准。
4. 深化效果符合预期：使用固定种子并优化提示词后，新生成的图片应在保持原构图骨架的同时，在细节、画质、风格上得到显著提升。你可以将优化前后的两张图放在一起对比，核心姿态和场景布局应该是一致的。

7. 常见问题与排查思路

在筛种过程中，你可能会遇到以下问题：

8. 最佳实践与工程建议

将筛种从一个技巧升级为一种稳定的工作流，需要一些工程化的思维。

8.1 建立个人种子库

不要每次创作都从零开始筛种。建立一个分类管理的种子库。

• 工具：一个简单的Excel/Google Sheets表格，或笔记软件（如Notion、Obsidian）。
• 记录字段：
  • 种子号
  • 对应的模型名称
  • 对应的基础提示词（勘探词）
  • 图片尺寸
  • 简短描述（如“侧身站姿，街头风”，“坐姿，窗户光影”）
  • 效果评分（1-5星）
  • 生成图片的缩略图或文件名
• 定期整理：将每次筛种得到的优质种子归档进来。久而久之，你就拥有了一个针对不同场景、不同模型的“优质构图起点库”。

8.2 分层筛种与主题化勘探

不要漫无目的地筛。

• 第一层：通用构图筛种。使用非常简洁的提示词（如1person, indoors），旨在获取大量基础人体姿态和室内布局的种子。这批种子作为“万能素材”。
• 第二层：主题强化筛种。在已有不错构图的种子基础上，固定种子，然后微调提示词向特定主题靠拢（如将indoors改为cyberpunk bar），观察主题融合效果，筛选出最适合该主题的种子子集。
• 第三层：风格化筛种。固定前两层筛选出的种子和主题提示词，通过切换不同风格的模型或添加风格LoRA，筛选出最能体现目标风格的最终种子。

8.3 与其它控制手段结合

种子是控制链的起点，但不是终点。学会将其与其他工具结合：

• ControlNet：筛种得到优秀但略有瑕疵的姿势后，用OpenPose提取其骨骼图，再用ControlNet进行精准的姿态控制和新一轮生成。
• Img2Img：将筛种得到的图片，通过Img2Img配合较低的去噪强度进行重绘，可以在保持构图的同时修复细节、改变风格。
• 区域提示：对于筛种图中局部不满意的地方（如背景），可以使用区域提示功能进行局部重绘，而不影响整体构图。

8.4 性能与效率优化

• 使用低分辨率筛种：筛种阶段可以使用384x512等更小的分辨率，大幅提升生成速度。确定种子后，再用高清修复放大。
• 利用中断功能：在X/Y/Z图表生成过程中，如果看到前几十张已经出现足够多的优质候选，可以直接中断生成，节省时间。
• 脚本进阶使用：探索其他脚本，如提示词矩阵可以与筛种结合，一次性测试同一种子下不同提示词的效果。

9. 总结与后续学习方向

通过本文对“Kris筛种教程”核心方法的拆解与拓展，你应该已经深刻认识到，种子不仅仅是图片的“身份证号”，更是AI绘画创作中控制构图与灵感的“导航仪”。主动筛种，是将创作主动权从“随机性”手中夺回的关键一步。

本文的核心收获可以总结为三点：

1. 思维转变：从“抽到好图后固定种子”变为“为了找到好种子而批量生成”。
2. 流程固化：掌握了“简洁勘探词 -> X/Y/Z图表批量生成 -> 网格化视觉筛选 -> 记录优质种子 -> 固定种子深化”这一高效工作流。
3. 理解深化：明白了种子与提示词、模型等其他参数的协同关系，知道了种子的能力边界。

接下来你可以探索的方向：

• 深入ControlNet：学习如何使用Canny、Depth、OpenPose等ControlNet模型，对筛种得到的构图进行更精细、更强大的控制。
• 研究模型特性：不同模型对同一提示词和种子的响应差异巨大。尝试为你常用的模型建立专属的“优质种子库”。
• 探索动态提示词：在批量筛种时，使用动态语法（如__pose__）来自动替换关键词，一次性勘探更多变量组合。
• 自动化工具：了解一些SD插件或外部工具，它们可以帮助你更智能地管理、筛选和评分海量生成结果。

筛种是AI绘画从“玩一玩”到“搞创作”的分水岭。它需要一些前期的耐心和练习，但一旦掌握，你将能稳定地输出符合自己审美和构思的作品。建议你将此页收藏，并在下次开始一个新的AI绘画项目时，刻意地实践一遍这个流程。很快，它就会成为你肌肉记忆的一部分。