最近在技术社区和社交媒体上一个名为“永恒友谊36”的AI绘画项目引起了不小的讨论。很多人以为这只是一个普通的AI绘画分享但如果你深入观察会发现它背后隐藏着一个更值得开发者关注的趋势AI绘画的“过程”本身正在成为一种新的、可复现、可学习的“代码”。“永恒友谊36”并非一个即将上映的动画而是一个由AI生成的、具有连续叙事感的图像系列。它的走红恰恰是因为创作者不仅分享了最终的精美画作更关键的是分享了完整的绘画过程MLP绘画过程。这就像开源了一个项目的完整Commit历史而不仅仅是最终的可执行文件。对于开发者、算法工程师和AI应用爱好者而言理解这个过程远比欣赏最终结果更有价值。本文将深入拆解“MLP绘画过程”背后的技术逻辑。我们不会停留在“用了一个模型调了一些参数”的层面而是会像阅读一份优秀的技术设计文档一样去剖析“过程”为何重要它如何解决了AI绘画可控性差、结果随机的核心痛点核心工作流与工具链从提示词工程、模型选择、到ControlNet、LoRA等控制技术的综合运用。可落地的实践指南如何利用Stable Diffusion WebUI等工具复现或创造属于自己的“动画感”系列作品背后的工程化思想这种“过程记录”对AI内容生成领域的启发是什么无论你是想为自己的游戏项目快速生成概念图还是希望为社交媒体打造具有一致风格的视觉内容理解并掌握这套“过程化”的AI绘画方法都将极大地提升你的生产效率与作品质量。1. 这篇文章真正要解决的问题从“抽卡”到“导演”很多开发者初次接触Stable Diffusion等AI绘画工具时都有过类似的挫败感输入一段描述点击生成结果就像“抽卡”——时好时坏无法预测更无法精确控制人物姿态、场景构图和风格一致性。当你需要生成一个系列比如同一个角色的不同动作、同一场景的不同视角时这种随机性就成了噩梦。“永恒友谊36”这类项目展示的“MLP绘画过程”其核心价值就在于将不可控的“抽卡”变成了可规划、可迭代、可复现的“导演”工作流。它解决的不是“画一张好图”的问题而是“如何系统性地、稳定地产出一个高质量系列”的问题。这背后对应着几个具体的技术痛点角色一致性如何让同一个虚构角色在几十张不同的画面中保持容貌、发型、服饰等核心特征不变叙事连贯性如何让一系列图像在色调、光影、画风上统一形成像分镜或动画般的视觉叙事可控构图如何精确控制人物的姿势、视角、场景布局而不仅仅依赖文本提示词的模糊引导过程复用如何将一次成功的创作中所用的模型、参数、控制方法记录下来成为未来项目的“模板”或“资产”本文的目标就是为你拆解这套工作流让你不仅能看懂“永恒友谊36”背后的技术更能将其应用于自己的实际项目中。2. 基础概念与核心原理在深入实践之前我们需要统一几个关键概念。这些是理解整个“过程化”绘画工作流的基石。2.1 Stable Diffusion 与文本到图像生成Stable Diffusion 是一种潜在扩散模型。简单来说它学习如何将随机噪声一张全是噪点的图一步步“去噪”最终“还原”成一张符合文本描述的清晰图像。我们通过“提示词”来引导这个去噪过程的方向。2.2 提示词工程提示词是与AI模型沟通的“语言”。它通常包括主体描述如1girl, pink hair, blue eyes。风格与质量如masterpiece, best quality, anime style。负面提示词用于排除不想要的元素如low quality, bad hands, extra fingers。 提示词工程的目标是找到一组能稳定触发预期视觉特征的词汇组合。2.3 模型与微调基础模型如 Stable Diffusion 1.5, 2.1, XL。它们是通用的画板。微调模型在基础模型上用特定风格或主题的图像数据集进行额外训练得到专精化的模型如各种动漫风格的Checkpoint模型。LoRA一种轻量化的微调方法。它不修改整个大模型而是训练一个小的“适配器”文件可以像“滤镜”或“风格包”一样加载到不同基础模型上实现特定角色、画风或概念的定制。这是实现角色一致性的关键工具之一。2.4 控制网络这是实现精确构图的核心。ControlNet 允许你额外输入一张“控制图”如线稿、深度图、姿态骨架图来严格约束生成图像的构图、姿态或边缘。Canny输入线稿控制轮廓。OpenPose输入人体骨架控制姿态。Depth输入深度图控制景深和前后关系。Scribble输入涂鸦控制大致布局。2.5 绘画过程与迭代“MLP绘画过程”通常不是一步到位的。它可能遵循以下流程概念草图用简单的提示词生成初步想法。细化构图利用ControlNet固定满意的构图。角色定型通过LoRA或反复的“图生图”微调锁定角色形象。系列生成在固定角色和风格的基础上变化姿势、表情、背景生成系列图。后期精修使用高清修复、局部重绘等功能提升画质和细节。这个过程被记录下来就形成了可学习的“过程”。3. 环境准备与前置条件要复现或实践类似的工作流你需要搭建本地或云端的AI绘画环境。我们将以最流行的Stable Diffusion WebUI为例。3.1 硬件要求GPU推荐 NVIDIA GPU显存至少6GB用于基础生成8GB或以上体验更佳可运行更高分辨率、更多ControlNet。内存16GB RAM 或以上。存储至少预留20GB空间用于安装和存放模型。3.2 软件安装安装Python确保系统已安装 Python 3.10.x。安装Git。安装CUDA针对NVIDIA GPU用户安装与你的GPU驱动匹配的CUDA Toolkit。3.3 部署 Stable Diffusion WebUI这是目前功能最全、生态最活跃的图形化界面。# 1. 克隆仓库 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui # 2. 运行启动脚本 # Windows: 双击 webui-user.bat # Linux/macOS: 在终端执行 ./webui.sh脚本会自动安装依赖。首次运行时间较长需要下载基础模型。3.4 获取必要模型文件启动后你需要下载一些模型文件放入指定目录基础模型从 Civitai 或 Hugging Face 下载一个你喜欢的动漫风格大模型.ckpt 或 .safetensors 文件放入stable-diffusion-webui/models/Stable-diffusion/。ControlNet模型从相应仓库下载如control_v11p_sd15_canny.pth放入stable-diffusion-webui/extensions/sd-webui-controlnet/models/。LoRA模型下载 .safetensors 格式的LoRA文件放入stable-diffusion-webui/models/Lora/。完成以上步骤在浏览器中打开http://127.0.0.1:7860即可看到WebUI界面。4. 核心流程拆解复现“过程化”创作我们将模拟“永恒友谊36”的创作思路拆解一个完整的系列图生成流程。假设我们要创建一个名为“星辰旅者”的原创动漫角色系列。4.1 第一步角色原案设计目标生成角色的“设定图”确定基本外貌。操作在“文生图”标签页使用较通用的动漫模型和提示词。提示词示例(masterpiece, best quality), 1girl, celestial traveler, long silver hair, starry blue eyes, wearing a futuristic cloak with galaxy patterns, floating in space, anime key visual, detailed face Negative prompt: lowres, bad anatomy, bad hands, text, error, extra digit, fewer digits技巧批量生成多张选择最符合心中形象的一张作为“种子”。4.2 第二步角色固化与LoRA训练可选但关键为了在后续所有图中保持角色一致最有效的方法是训练一个该角色的专属LoRA。准备数据集收集或生成20-30张该角色的多角度、多表情图片。可以使用第一步中生成的图或手动绘制简单草图。使用LoRA训练工具在WebUI中安装Additional Networks或LoRA训练扩展按照指引进行训练。这需要一定的学习成本但一劳永逸。加载LoRA训练完成后在生成时通过在提示词中加入lora:your_character_lora:0.8来调用权重0.8可调节影响强度。4.3 第三步构图控制与分镜生成现在我们要为“星辰旅者”生成一系列动作和场景。绘制或生成控制图使用绘图软件或AI画出简单的线稿、姿势图或深度图。例如用Blender生成一个简单的人物3D姿势导出为深度图。启用ControlNet在WebUI中上传控制图选择对应的预处理器如canny或depth和模型。编写场景提示词在保持角色描述核心不变的基础上修改场景和动作。lora:stellar_traveler:0.8, (masterpiece, best quality), 1girl, celestial traveler, [silver hair, starry eyes], sitting on a meteor, looking at earth, anime scene, cosmic background生成与迭代调整ControlNet的“控制权重”和“引导时机”直到生成图像的构图符合控制图同时细节又自然生动。4.4 第四步图生图与迭代优化对于某张特别满意的图可以使用“图生图”功能进行微调。局部重绘如果对某个局部如手部、脸部不满意可以用画笔蒙版选中该区域保持其他部分不变仅重绘该区域。调整画风通过切换不同的VAE或微调提示词可以调整整体色彩和质感。4.5 第五步高清修复默认生成的图像可能分辨率有限。使用“高清修复”功能可以选择放大算法如R-ESRGAN 4x对满意的图像进行2-4倍放大同时补充细节。5. 完整示例与代码实现一个简单的角色姿势控制让我们通过一个具体的WebUI操作示例将上述流程串联起来。我们将使用OpenPose ControlNet来控制一个现有角色的姿势。5.1 准备阶段确保已安装sd-webui-controlnet扩展并下载了control_v11p_sd15_openpose.pth模型。准备一张你希望角色摆出的姿势参考图可以从网上找一张真人或动漫人物的姿势图。5.2 WebUI 配置与生成假设我们已有一个训练好的角色LoRA名为my_waifu_lora.safetensors。在Stable Diffusion WebUI中按以下步骤操作步骤A加载模型和LoRA在左上角选择你的动漫基础模型例如anything-v5.0。在提示词框中输入lora:my_waifu_lora:0.9, (masterpiece, best quality), 1girl, pink hair, in a classroom, smiling, looking at viewer Negative prompt: lowres, bad anatomy, bad hands, text, error, extra digit Steps: 20, Sampler: DPM 2M Karras, CFG scale: 7步骤B配置ControlNet Unit展开WebUI下方的ControlNet折叠面板。在Unit 0中勾选Enable。将你的姿势参考图拖入图像上传区域。Preprocessor选择openpose。Model选择control_v11p_sd15_openpose。保持Control Weight在1.0左右Starting Control Step为0Ending Control Step为1.0。这表示在整个生成过程中都受姿势控制。Preprocessor Resolution保持512。步骤C生成图像点击“生成”按钮。AI会结合你的角色LoRA特征和OpenPose提取的骨架信息生成一张具有指定角色特征和指定姿势的图像。5.3 参数调整的代码化理解虽然WebUI是图形界面但其背后的参数对应着可编程的API调用。理解这些参数有助于深度使用。以下是一个概念性的Python调用示例使用diffusers库# 注意此为简化概念代码展示核心参数不可直接运行。 from diffusers import StableDiffusionControlNetPipeline, ControlNetModel import torch # 1. 加载ControlNet和基础管道 controlnet ControlNetModel.from_pretrained(lllyasviel/sd-controlnet-openpose) pipe StableDiffusionControlNetPipeline.from_pretrained( runwayml/stable-diffusion-v1-5, controlnetcontrolnet, torch_dtypetorch.float16 ).to(cuda) # 2. 准备输入 prompt 1girl, pink hair, in a classroom, smiling, looking at viewer negative_prompt lowres, bad anatomy pose_image load_your_pose_image() # 加载姿势图 # 3. 关键参数对应WebUI设置 generator torch.Generator(cuda).manual_seed(1234) image pipe( prompt, imagepose_image, # ControlNet输入图 negative_promptnegative_prompt, num_inference_steps20, # 对应 Steps guidance_scale7.0, # 对应 CFG scale controlnet_conditioning_scale1.0, # 对应 Control Weight generatorgenerator, ).images[0] # 4. 保存结果 image.save(output.png)这段代码展示了WebUI界面操作背后的核心逻辑controlnet_conditioning_scale就是控制权重num_inference_steps是迭代步数。6. 运行结果与效果验证执行完5.2节的步骤后你应该能得到一张图像。如何判断生成是否成功6.1 成功验证姿势一致性对比生成图与输入的姿势参考图人物的整体骨架结构头、肩、髋、四肢的朝向和角度应基本一致。角色特征保留生成的人物应保留LoRA中定义的“粉色头发”等核心特征。画面自然度图像不应出现明显的肢体扭曲、面部畸变或与提示词严重不符的元素如多只手。风格统一画面光影、色彩风格应与所选基础模型和提示词中定义的“anime”风格相符。6.2 效果不佳的排查如果结果不理想按以下顺序排查检查ControlNet首先确认OpenPose预处理器是否正确提取了骨架。可以勾选Preview annotator result查看提取的姿势图是否清晰准确。如果提取失败尝试更换姿势图或手动使用第三方工具如OpenPose编辑器生成标准的姿势图。调整控制权重如果角色特征被姿势严重扭曲尝试将Control Weight从1.0降低到0.7-0.8减弱姿势控制的强度。如果姿势控制不住则适当提高。调整提示词强化角色描述或在负面提示词中加入bad pose, deformed limbs。检查LoRA权重如果角色特征不明显将lora:my_waifu_lora:0.9中的权重提高到1.0或1.1。如果导致画面过饱和或失真则降低到0.7。更换采样器或步数尝试使用Euler a或DPM 2M Karras等不同采样器或将步数从20增加到30以获得更稳定或更细腻的结果。7. 常见问题与排查思路问题现象可能原因排查方式解决方案生成图像全黑或全灰模型未正确加载VAE不匹配提示词冲突导致崩溃。查看WebUI命令行窗口是否有报错尝试更换基础模型移除所有LoRA和ControlNet用简单提示词测试。重新下载并放置模型文件尝试加载不同的VAE简化提示词。角色特征无法保持LoRA未生效LoRA权重过低提示词中角色描述与LoRA触发词不符。检查LoRA是否在提示词框中正确加载应有lora:name:weight字样查看生成信息中的模型哈希是否包含LoRA。确保LoRA文件在正确目录提高LoRA权重查阅该LoRA的说明文档使用其指定的触发词。ControlNet控制无效ControlNet未启用预处理器/模型选错控制图不清晰。确认Enable已勾选检查预处理器输出预览图确认模型文件名与选择一致。上传更清晰、对比度更高的控制图尝试不同的预处理器。画面扭曲、畸形CFG Scale过高采样步数太少模型本身问题负面提示词不足。观察畸形是整体扭曲还是局部如手部。降低CFG Scale至5-9增加采样步数至25在负面提示词中加入deformed, bad anatomy, malformed limbs使用ADetailer等面部/手部修复扩展。生成速度极慢显存不足分辨率设置过高同时启用过多ControlNet或LoRA。观察命令行显存占用。降低生成分辨率如512x512使用--medvram或--lowvram参数启动WebUI减少同时使用的ControlNet数量。“图生图”结果与原图差异巨大重绘幅度过高提示词改动过大。检查“重绘幅度”参数默认0.75对于大部分修改来说过高。将重绘幅度调低至0.3-0.5进行微调使用蒙版精确控制重绘区域。8. 最佳实践与工程建议要将AI绘画从“玩具”升级为“生产工具”需要遵循一些工程化实践。8.1 项目管理与资产整理目录规范化建立清晰的文件夹结构例如projects/角色名/sources/存放原始素材、outputs/按日期或版本存放输出、models/lora/专属LoRA。元数据记录WebUI生成的图片内嵌了生成参数PNG Info。务必保存原图。可以配合Additional Networks扩展的“生成信息”功能更详细地记录LoRA、ControlNet等配置。版本控制对重要的提示词组合、模型参数配置进行截图或文本记录形成可复用的“配方”。8.2 提示词工程进阶结构化提示词将提示词分为[风格质量词], [主体描述], [场景细节], [镜头与光影], [画风后缀]几个部分便于管理和调整。使用括号加权(word)提高权重[word]降低权重(word:1.3)精确设定权重。建立个人词库收集对特定风格、材质、光影效果有效的关键词。8.3 工作流优化批量生成与筛选利用WebUI的“批量生成”功能一次性生成多组参数不同的图然后从中择优。脚本的使用学习使用X/Y/Z Plot脚本可以自动对比不同模型、采样器、CFG Scale等参数的效果高效寻找最优解。集成外部工具将Photoshop、Blender等专业软件纳入流程。例如在Blender中制作精确的3D场景作为深度图或法线图输入ControlNet实现极度复杂的构图控制。8.4 伦理与版权意识训练数据来源如果训练自己的LoRA确保使用的素材不侵犯他人版权或已获得授权。成果标注在分享AI生成作品时考虑注明使用了AI工具辅助尊重原创和版权规范。内容安全遵守平台规定不生成违规、有害内容。“永恒友谊36”所展示的“MLP绘画过程”其精髓不在于某一张图有多惊艳而在于它揭示了一套系统性的、可重复的创作方法论。对于开发者而言这更像是一个开源项目的README和commit历史。掌握从角色设计、特征固化、构图控制到迭代优化的完整链条意味着你不再被动等待AI的“灵光一现”而是能主动规划、高效生产。下一步你可以尝试深入LoRA训练为自己原创的角色或画风训练一个高质量的LoRA这是构建个人AI绘画资产的核心。探索多ControlNet组合尝试同时使用Canny控制轮廓和Depth控制景深实现更精细的画面控制。研究动画生成了解AnimateDiff等扩展将静态的图像序列转化为动态视频真正向“动画版”迈进。技术是画笔而过程是画法。希望这篇拆解能帮助你不仅拿到画笔更学会一套属于自己的、高效的画法。