AIGC建筑和室内辅助设计表现
AIGC技术爆发式增长，技术迭代日新月异，AI已不再是简单的辅助工具，而是重塑行业生态的核心驱动力，设计行业从创意构思到成品输出都将重塑工作流。
AI 使用基础
本地平台环境搭建 云主机使用
1. 本地安装使用：对于显卡和储存要求与SSD速度
2. 网络平台使用：云平台和网络平台的使用 。
ComfyUI 运行和设置
1. 版本管理：演示内核版本更新流程（避免模型兼容性崩溃），安装DD-Translation（中英提示词翻译）与Crystools（实时监控显存/温度）。
2. 节点报错实战：模拟常见报错（如Missing Model）问题并修复。
ComfyUI界面与节点深度应用
1. 节点功能介绍：Checkpoint、CLIP 、VAE 加载器、K采样器、Latent 、LoRA 、ControlNet 等学习，Checkpoint/CLIP/VAE加载器组合，实操生成基础图像 。
2. 工作流构建：搭建文生图工作流（输入提示词→K采样器→输出），演示LoRA/ControlNet 作用。
Comfyui 基础工作流 文生图
一、基础文生图工作流
大模型的认识
简单理解浅显来说大模型就是设计创造创新能力、识别文字图像理解能力、生成图像视频绘图能力 算法数据包 。
老设计师 和 新手菜鸟 区别
设计能力：设计思维 、方法、经验丰富多样，创意十足 。
理解能力：理解设计需求，不论是客户还是自己需求，通过 语言（文字） 图像（设计草稿 参考图 ）。
绘图能力： 设计表现
Comfyui 节点认识
K 采样器（K Sampler） 添加节点-采样-K采样器（高级）
核心概念：K 采样器是 是技术大牛 Karras开发一种生成图像的算法，工作流运算核心，基于 K 系列算法（如 K_Euler、K_DPM_2），把输入进来”大模型+提示词+图像画布” 这些原始数据逐步迭代运算生成符合要求的图像。
功能作用
- 可调整核心参数：采样步数（Steps，步数越多细节越足）、采样方法（如 K_Euler_a 更灵动）、CFG 值（控制图像贴合提示词的程度）；
内容
参数 | 作用 | 我的建议 | 为什么重要 | ||
Steps（采样步数） | 生成图像的”迭代次数” | 20-30步（SDXL） 30-50步（SD1.5） | 步数太少→模糊 步数太多→浪费时间 | ||
Sampler（采样器类型） | 生成算法（决定速度和质量） | DPM++ 2M Karras（SDXL首选） Euler a（SD1.5常用） | 选对算法=省时省力+效果更好 | ||
CFG Scale（提示词强度） | 控制”多严格按提示词画” | 7.0-8.0（新手友好） 5.0以下→太自由 10.0以上→可能失真 | 调高→更符合提示词 调低→更创意但可能跑偏 | ||
Denoise（去噪强度） | 控制”细节程度” | 0.8-0.9（默认值） | 0.0=纯噪声 1.0=完全生成 | ||
Noise Seed（随机种子） | 控制生成图片的”唯一性” | 每次换新种子→不同效果 固定种子→重复相同图片 | 你想让AI每次画得一样？就固定它！ | ||
问题 | 原因 | 解决方案 | |||
图片模糊 | Steps太低（<15） | → 增加到25-30 | |||
提示词没体现 | CFG Scale太低（<5） | → 调高到7.0+ | |||
生成时间超长 | Steps太高（>50） | → 降到25-30 | |||
图片失真 | CFG Scale太高（>10） | → 降到8.0以下 | |||
Checkpoint 加载器（Checkpoint Loader）添加节点-加载器-Checkpoint加载器（简易）
- 加载 SD 1.5、SD XL、FLUX、Qwen（支持中文） 等核心主模型文件（.safetensors/.ckpt 格式）
模型加载器 Checkpoint 加载器 混合模型
模型 ：设计能力 算法
CLIP ：提示词 参考图
VAE ：把数据转换（解码）为图像
独立模型加载器
Unet 加载器、CLIP加载器 、VAE 加载器
CLIP 加载器（CLIP Loader） 添加节点-条件-CLIP 文本编码
核心概念：CLIP 是 文本和图像输入；
功能作用
加载相关文字和 图像数据
- 多数场景下 Checkpoint 加载器会自动加载 CLIP，单独的 CLIP 加载器可用于替换 / 微调文本理解逻辑（比如适配特定风格的提示词）。
Latent 空间数据（Latent Image/Latent Space Data） 添加节点-Latent-空Latent图像
核心概念：生成一张空白“数字画布”
功能作用
- 是 AI 绘图的 数字画布：先在 Latent 空间生成低维度的草稿，再通过 VAE 解码成真实图像；
K 采样器（K Sampler） 添加节点-采样-K采样器（高级）
核心概念：K 采样器是 是技术大牛 Karras开发一种生成图像的算法，工作流运算核心，基于 K 系列算法（如 K_Euler、K_DPM_2），把输入进来”大模型+提示词+图像画布” 这些原始数据逐步迭代运算生成符合要求的图像。
功能作用
- 整合 Checkpoint 的 Unet、CLIP 的文本信号、Latent 初始数据，在 Latent 空间生成图像雏形；
- 可调整核心参数：采样步数（Steps，步数越多细节越足）、采样方法（如 K_Euler_a 更灵动）、CFG 值（控制图像贴合提示词的程度）；
暂时无法在飞书文档外展示此内容
参数 | 作用 | 我的建议 | 为什么重要 | ||
Steps（采样步数） | 生成图像的”迭代次数” | 20-30步（SDXL） 30-50步（SD1.5） | 步数太少→模糊 步数太多→浪费时间 | ||
Sampler（采样器类型） | 生成算法（决定速度和质量） | DPM++ 2M Karras（SDXL首选） Euler a（SD1.5常用） | 选对算法=省时省力+效果更好 | ||
CFG Scale（提示词强度） | 控制”多严格按提示词画” | 7.0-8.0（新手友好） 5.0以下→太自由 10.0以上→可能失真 | 调高→更符合提示词 调低→更创意但可能跑偏 | ||
Denoise（去噪强度） | 控制”细节程度” | 0.8-0.9（默认值） | 0.0=纯噪声 1.0=完全生成 | ||
Noise Seed（随机种子） | 控制生成图片的”唯一性” | 每次换新种子→不同效果 固定种子→重复相同图片 | 你想让AI每次画得一样？就固定它！ | ||
问题 | 原因 | 解决方案 | |||
图片模糊 | Steps太低（<15） | → 增加到25-30 | |||
提示词没体现 | CFG Scale太低（<5） | → 调高到7.0+ | |||
生成时间超长 | Steps太高（>50） | → 降到25-30 | |||
图片失真 | CFG Scale太高（>10） | → 降到8.0以下 | |||
VAE 加载器（VAE Loader） 添加节点-Latent-VAE解码
核心概念：VAE 是 “图像编解码器”，负责把 “Latent 虚拟画布” 中数据转换生成图片。
AI 进阶工作流实战
线稿直出效果图工作流
毛坯照片生成设计图工作流
草图大师白膜方案图生成效果图
AI室内家具更换工作流
