AIGC软件基础班，手把手入门AI出图核心技能

AIGC 出图这条线，真正卡住新手的往往不是「不会点按钮」，而是不清楚一张图从提示词到潜空间再到解码，中间到底经过了哪些节点、哪些参数在起作用。这套 AIGC 软件基础班围绕 Stable Diffusion 生态的两个主力工作台展开——WebUI 与 ComfyUI，把出图流程拆成可观察、可复现的模块来讲。如果你已经装好了环境却总是「凭感觉抽卡」，或者想把出图能力接进自己的工程流程，这份资料适合拿来对照实践。

技术栈覆盖：WebUI 与 ComfyUI 双线并行

课程没有只押注一个工具，而是把 WebUI 和 ComfyUI 放在同一套原理框架下对照讲。WebUI 偏向表单式操作，参数项密集但上手直观，适合快速验证提示词与采样器效果；ComfyUI 则是节点式编排，把采样、CFG、Latent 输入输出、模型加载全部显式暴露成可连线的模块。两者共用同一批底模与 LoRA，理解其中一个的工作流，迁移到另一个时主要成本在连线逻辑而非概念本身。

对开发者来说，ComfyUI 的价值更偏向工程侧：节点图本质上是一份可序列化的执行图，工作流可以导出成 JSON，便于版本管理和批量调用。课程里对 ComfyUI 图生图原理的讲解，落点就在这个「图」的层面，而不是停留在界面操作。

项目结构：从原理到 ControlNet 的递进

内容组织上有一条比较清晰的主线：先讲清楚文生图与图生图在潜空间里的差异，再引入 ControlNet 做结构约束。图生图的关键在于去噪起始步与重绘幅度（denoising strength）的配合——起始步越靠后，保留原图结构越多，但可控空间越小。这个权衡在 WebUI 里是一个滑块，在 ComfyUI 里则体现为对 Latent 的切分与 KSampler 的调度，课程把两边对应关系讲通了。

ControlNet 部分占了较大篇幅，从 WebUI 的基础用法推进到进阶，再过渡到 ComfyUI 的节点与模块化组织。模块化这个提法值得注意：把预处理器、ControlNet 模型、应用节点拆开连线，意味着同一张参考图可以同时挂多个控制条件（姿态、深度、边缘），并且可以按需启用或旁路，这在批量化生产里比单条件方案实用得多。

可复用模块与插件机制

插件介绍那一节指向的是 WebUI 的扩展生态。实际做项目时，插件往往决定了工作流能不能落地：批量处理、图像信息读取、脚本化调用这些需求，靠原生界面都很难优雅解决。理解插件的挂载位置和调用时机，才能判断哪些环节该用现成扩展、哪些该自己写脚本包一层。

ControlNet 的进阶内容同样带有复用属性。预处理器与模型是一一对应的，选错组合不会报错，只会让控制效果变弱——这类「静默失败」是工程里最难排查的问题，课程用具体案例把对应关系摆出来，比抽象讲原理更容易形成判断力。

自学路径与使用建议

• 先跑通一条最小链路：加载底模 → 写提示词 → 出图，确认环境和显存没问题。
• 再进图生图，固定同一张原图和同一组参数，只调重绘幅度，观察结构保留与风格迁移的边界。
• 然后上 ControlNet，从单条件开始，逐个叠加，记录每种预处理器的适用场景。
• 最后转到 ComfyUI，把前面在 WebUI 里调好的参数在节点图里重建一遍，重点体会 Latent 的流向。

建议边看边把每次实验的参数记下来，包括模型名、采样器、步数、CFG、种子。出图这件事随机性很强，不记录就无法复现，也无法判断某次改动到底是有效还是运气。课程提供的案例可以当作基线，改一个变量跑一次对比，比连续看几节视频更有收获。

整体来看，这套资料更适合当作对照手册使用：遇到具体问题时翻到对应章节，跟着连线或调参验证一遍，而不是从头到尾线性刷完。AIGC 出图的工具迭代很快，但潜空间、去噪调度、条件控制这几个底层概念短期内不会变，抓住这条主线，换工具时迁移成本会低很多。