企业官网建设流程全解析

这次我们来看一组很适合做 AI 绘画模型测试的主题提示词：泄湖日落 Lagoon Sunset。它不是一个具体的开源仓库，而是一类非常典型的自然风景图像主题——平静的泄湖水面、金色夕阳、粉橙色天空、岸边植被剪影，以及大面积的高光反射。这类主题的优点是画面结构稳定、色彩层次分明、对模型的光影理解能力要求高，所以很适合用来验证本地部署的 Stable Diffusion WebUI、ComfyUI 等工具在文生图、图生图、批量出图和接口调用上的完整流程。

如果你正在搭建本地 AI 绘画环境，或者想用一套可复用的提示词模板快速测试模型效果，这篇文章可以直接收藏。我会按“提示词设计 → 环境准备 → 安装启动 → 功能测试 → 接口与批量任务 → 资源占用 → 问题排查”的顺序，把与 Lagoon Sunset 相关的完整实践路径拆开讲清楚。文章里不会夸大任何显存数字，所有性能指标都需要以你本机的模型版本和推理参数为准。

1. 核心能力速览

先看这个主题对应的能力边界。下面的表格描述的不是某个封闭软件，而是围绕“泄湖日落”这类提示词进行 AI 图像生成时，你可以用到的通用能力组合。

从能力表格可以看出，这套东西的核心不是“某个模型能不能画泄湖”，而是你能不能把一套合理的提示词放大到批量生产流程里。后面所有操作都围绕这个目标展开。

2. 适用场景与使用边界

泄湖日落这类风景提示词非常适合以下几个场景。

第一，壁纸与视觉素材生产。夕阳、水面、倒影这类元素对分辨率要求很高，生成一张 1024x1024 或 768x1344 的竖版图，经过高清修复后可以直接作为手机壁纸或视频封面。第二，模型效果横向对比。因为 Lagoon Sunset 元素相对固定，你可以用同一组提示词在不同 Checkpoint 模型下跑一遍，对比光线、细节、色彩饱和度和构图稳定性，从而判断哪个模型更适合风景题材。第三，出图流程教学。它的提示词写法简单但有代表性，包含场景主体、时间光、环境色、质感修饰、画质后缀等层次，适合刚接触 AI 绘画的人学习提示词结构。

使用边界也要说清楚。AI 生成的风景图像虽然没有人物肖像权问题，但如果你使用某个特定画师风格的模型、引入包含品牌标识的素材，或者把生成图用于商业项目，必须确认模型的许可证和相关素材的授权。不要直接拿网上下载的漫改模型生成商业海报，也不要拿真实景区的“泄湖日落”照片做图生图之后再声称是完全原创的实拍。涉及自然风景、地标建筑和特定人物的内容，发布前要确认版权与隐私边界。

3. 泄湖日落提示词设计与参数规划

在做任何部署之前，先把提示词本身设计好。这是整个流程里最重要的部分。

3.1 正向提示词

针对泄湖日落，正向提示词建议采用“场景主体 + 时间光线 + 环境氛围 + 质感细节 + 画质后缀”的结构。下面这组提示词可以作为基础模板。

lagoon sunset, calm turquoise water, golden hour, pink and orange sky, soft reflections, palm tree silhouettes on the shore, distant clouds, dreamy atmosphere, cinematic lighting, high detail, sharp focus, natural color, masterpiece, best quality

中文对照版本可以写成：

泄湖日落，平静的翠绿色水面，金色时刻，粉橙色天空，柔和倒影，岸边棕榈树剪影，远处云层，梦幻氛围，电影感光线，高细节，清晰对焦，自然色彩，杰作，最佳画质

在实际测试时，不要把全部提示词一次堆满，建议先保留前五个核心词，再逐步追加画质词和后缀词。这样你可以判断哪些词真正影响画面。

3.2 负面提示词

负面提示词决定图片的下限。风景图常见的问题包括模糊、过曝、色彩脏、画面杂、文字水印、物体比例畸形等。推荐使用下面的基础负面模板。

blurry, low quality, worst quality, watermark, text, signature, oversaturated, chromatic aberration, jpeg artifacts, deformed, out of frame, cropped, extra objects, duplicated elements, noisy, messy composition

如果你在当前模型下发现图片有特定问题，比如天空出现过曝，就单独增加过曝相关负面词；如果水面倒影不自然，就增加 abnormal reflection。提示词不是越多越好，而是对症下药。

3.3 采样参数规划

采样参数直接影响生成结果的稳定性和风格倾向。

需要说明的是，不同模型对采样器、CFG 的敏感度不同。SD 1.5 时代的参数习惯不一定适用于 SDXL 类模型，所以最稳妥的做法是先用小步数、低分辨率快速出几张，再根据效果做参数微调。

4. 本地部署环境准备

提示词设计好以后，下一步是准备运行环境。这里以最常见的 Stable Diffusion WebUI 和 ComfyUI 为例。

4.1 硬件与系统检查

开始部署前，建议先确认下面几项：

• 操作系统：Windows 10/11、Linux 或 macOS。
• Python 版本：通常需要 3.10 或 3.11，具体以你使用的工具说明为准。
• Git：用来拉取项目代码。
• NVIDIA 显卡驱动：如果想用 GPU 加速，需要安装较新的驱动，并在命令行执行 nvidia-smi 确认驱动可用。
• CUDA 与 PyTorch：大多数一键部署脚本会自动安装，不必手动提前安装。
• 磁盘空间：基础程序 5GB 左右，加上模型文件通常在 20GB 以上，建议预留 50GB 以上更稳妥。
• 端口：WebUI 默认通常占用 7860，ComfyUI 默认占用 8188，如果有冲突，需要手动更换。

这些是通用检查项，不代表某个一键包的具体要求，实际以你下载的工具包为准。

4.2 工具选型建议

如果你只想快速出图，用 Stable Diffusion WebUI 比较合适：页面直观、插件多、批量目录方便。如果你更在意工作流的可控性、节点化设计和与后续 API 自动化集成，ComfyUI 更合适。另外，如果本机没有独立显卡，你可以先不考虑本地部署，改用在线绘图平台或云端 API，降低门槛。

5. 安装部署与启动方式

5.1 Stable Diffusion WebUI 安装启动

Stable Diffusion WebUI 的安装方式较多，常见流程是拉取项目、创建虚拟环境、安装依赖、启动脚本。下面是通用命令模板，实际路径和脚本名需要根据你拉取的版本调整。

# 拉取 WebUI 项目代码，目录名按实际替换 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui # 启动，Windows 下通常运行 webui-user.bat # Linux/macOS 下可以直接执行启动脚本 ./webui.sh --api

启动后，浏览器打开 http://127.0.0.1:7860 。加上 --api 参数是为了让本地 WebUI 开放 HTTP 接口，后续做批量任务时会用到。如果你不确定当前版本是否支持这个参数，可以先不加 --api，直接打开界面手动测试。

5.2 ComfyUI 安装启动

ComfyUI 以节点化工作流为特点，安装相对轻量。

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 安装依赖，按实际环境选择 pip install -r requirements.txt # CPU 启动 python main.py # GPU 启动 python main.py --gpu-only

启动后访问 http://127.0.0.1:8188 。ComfyUI 的工作流通常以 JSON 文件方式分享，你可以在界面左侧加载已有工作流，也可以在网络上找到很多 Lagoon Sunset 风格相关的风景生成模板，导入后直接替换提示词即可。

5.3 模型文件放置

无论使用 WebUI 还是 ComfyUI，你都至少需要下载一个可用的 Checkpoint 模型。通用放置位置如下：

stable-diffusion-webui/models/Stable-diffusion/ ComfyUI/models/checkpoints/

下载模型时先看许可协议，注意是否允许商用、是否允许二次分发。下载完成后，重启服务或刷新模型列表，才能在界面中选择该模型。

6. 功能测试与效果验证

环境跑通之后，开始围绕“泄湖日落”做实际功能测试。建议按照下面几个维度逐步验证。

6.1 文生图基础测试

测试目的：确认服务能正常出图，并且提示词生效。

操作步骤：

• 在 WebUI 或 ComfyUI 中把模型切换到目标 Checkpoint。
• 输入以下正向提示词和负面提示词。

正向：lagoon sunset, calm water, golden sky, reflections, cinematic lighting 负面：blurry, low quality, watermark, text

• 分辨率设置为 768x768，步数 20，CFG 8，种子随机。
• 点击生成，观察是否能在合理时间内输出一张图。

判断标准：画面中存在泄湖、夕阳、反射等核心元素；没有明显水印、文字、色块撕裂；整体亮度不过曝、不发灰。如果画面中没有出现夕阳效果，优先检查是否有模型把 sunset 理解成了别的场景，或者采样器是否过于随意。

6.2 图生图测试

测试目的：验证已有素材能否在保持结构的基础上换风格。

操作步骤：

• 准备一张构图简单的风景照片，最好是带天空、水面的横向图。
• 在 WebUI 的 img2img 页面或 ComfyUI 的图生图工作流中加载这张图。
• 保持 Lagoon Sunset 提示词，将 Denoising Strength 设置为 0.4 到 0.6。
• 生成后对比原图与结果图。

判断标准：画面整体氛围明显变为夕阳泄湖风格，但大结构没有崩坏。Denoising 太高会彻底丢失原图内容，太低则只会产生轻微涂色，需要根据素材调整。

6.3 多模型对比测试

测试目的：判断哪个模型更擅长风景题材。

操作步骤：

• 准备 3 个候选模型，例如通用写实模型、动漫模型、风景特化模型。
• 固定同一条 Lagoon Sunset 提示词、相同种子、相同采样参数。
• 分别生成后对比。

观察点：水面色调是否自然、天空光晕是否平滑、棕榈树剪影是否变形、细节是否锐利。这个测试可以帮助你在后续批量出图时锁定一个主力模型。

6.4 批量生成测试

测试目的：验证批量出图能力。

操作步骤：

• 在 WebUI 的 txt2img 页面设置 batch count 为 4，或 batch size 为 2。
• 固定提示词，换用不同的种子。
• 检查输出目录中是否生成多张图片。

判断标准：批量任务能稳定跑完，中途不闪退，输出文件名正确，图片内容没有大范围重复。如果显存不足，减少 batch size 比减少 batch count 更有效。

7. 接口 API 与批量任务

本地部署如果只靠鼠标点击，出图效率有限。要批量生成不同尺寸、不同种子、不同提示词变体的“泄湖日落”素材，更合理的方式是调用 API。

7.1 WebUI API 调用示例

Stable Diffusion WebUI 在启动时若带有 --api 参数，会暴露一组 HTTP 接口。文生图接口通常位于 /sdapi/v1/txt2img。下面是一个 Python 调用示例，请求路径和参数名需要按本机部署版本调整。

import requests import base64 import json import os url = "http://127.0.0.1:7860/sdapi/v1/txt2img" payload = { "prompt": "lagoon sunset, calm water, golden sky, reflections, cinematic lighting", "negative_prompt": "blurry, low quality, watermark, text", "steps": 25, "width": 768, "height": 768, "cfg_scale": 8, "sampler_name": "DPM++ 2M Karras", "seed": -1, "batch_size": 1, } response = requests.post(url, json=payload, timeout=300) if response.status_code == 200: data = response.json() image_data = data["images"][0] output_dir = "./outputs" os.makedirs(output_dir, exist_ok=True) with open(f"{output_dir}/lagoon_sunset.png", "wb") as f: f.write(base64.b64decode(image_data.split(",", 1)[-1])) print("图片已保存") else: print("请求失败:", response.status_code, response.text)

这个示例的核心思路是先通过 requests 把提示词、分辨率、采样参数提交给本地服务，再把返回的 base64 图片数据写成本地文件。你可以在循环里修改种子、分辨率或提示词，实现批量出图。

7.2 ComfyUI API 调用思路

ComfyUI 的接口调用方式与 WebUI 不同，通常需要先把工作流导出为 JSON，再通过接口提交工作流对象。大致流程如下：

1. 在 ComfyUI 界面搭建好 Lagoon Sunset 文生图工作流。
2. 导出工作流 JSON。
3. 用 Python 读取 JSON，替换其中的 prompt、seed、size 等字段。
4. 将 JSON POST 到 ComfyUI 的节点提交接口。
5. 轮询任务状态，获取最终图片。

ComfyUI 的节点字段结构不稳定，每次升级可能变化，因此没有通用的固定参数模板。建议先阅读你所用版本的接口文档，或者在 WebUI 的 API 示例稳定跑通后再切换到 ComfyUI。

7.3 批量任务目录设计

批量生成时，输出目录建议按“主题/日期/模型/分辨率”层级管理，避免文件混乱。

outputs/ lagoon_sunset/ 20250120/ sd15/ 768x768/ seed_1001.png seed_1002.png sdxl/ 1024x1024/ seed_2001.png

同时建议在生成完成后，把所有提示词、参数和种子一起写入一个 JSON 或 CSV 文件。这样后续复现、排错、数据分析都有依据。

8. 资源占用与性能观察

无论用 WebUI 还是 ComfyUI，生成“泄湖日落”这类风景图时的资源占用都值得关注。

首先，显存占用不是一个固定值。它受模型精度、分辨率、采样步数、批量大小、是否开启高清修复等因素影响。你可以用下面的命令实时查看 GPU 状态。

nvidia-smi

在 Windows 上也可以打开任务管理器查看 GPU 显存占用。

如果显存不够，常见降低占用方式如下：

• 降低分辨率，例如从 1024x1024 降到 768x768。
• 将 batch size 改成 1，用循环代替并发。
• 减少高清修复，避免二次放大同时处理大图。
• 使用启动参数，例如 SD WebUI 的 --medvram 或 --lowvram 模式，但会降低速度。
• 使用 FP16 或 FP8 精度模型，具体需要模型本身支持。
• 选择更轻量的底座模型，例如基于 SD 1.5 的模型通常比 SDXL 显存占用更低。

CPU 推理也能运行，但速度比 GPU 慢很多。判断本机是否适合 GPU 推理，最直接的方法是看一下 nvidia-smi 中是否有显卡信息。如果有，可以优先把 PyTorch 的 CUDA 版本装好；如果没有，就只能用 CPU 测试小分辨率。

9. 常见问题与排查方法

下面整理一套针对“泄湖日落”出图流程的排查清单。

遇到问题时，第一件事是看日志，不要盲目重启。绝大多数启动失败、生成失败、API 调用失败都能在控制台日志里找到直接原因。

10. 最佳实践与使用建议

针对“泄湖日落 Lagoon Sunset”这类风景提示词，我建议你在实际操作中保留下面的工程习惯。

第一次跑之前，先做一套最小可行配置：固定 768x768、20 步、CFG 8、随机种子，同一个提示词出 4 张，确认模型和环境没问题后再去调风格。然后固定一组高质量种子，作为后续对比的基准。生成时把正向提示词、负面提示词、采样器、步数、CFG、模型名、种子全部记录到文件里，方便复现。

做批量出图时，不要一次性提交大量高分辨率任务。先用小批量测试，确认单张成功率和显存占用稳定后，再逐步加大循环次数。如果接入 API 服务，建议加一个请求间隔，避免同时多个任务挤爆显存或端口。对本机服务做访问限制，不要让服务暴露在公网，防止被他人利用。

版权与合规方面，重点确认以下几点：模型是否有商用许可；输入素材是否有来源授权；生成图是否包含真实人物或品牌元素；发布到内容平台时是否标注 AI 生成。风景类图片虽然不是风险最高的类型，但也不能因此直接忽略授权问题。

11. 总结与下一步

关于“泄湖日落 Lagoon Sunset”这套提示词主题，最值得尝试的点在于它可以用一套结构清晰的模板覆盖从手动出图到接口批量调用的完整流程。先验证文生图是否稳定，再验证多模型对比、图生图和批量任务，最后通过 API 把出图能力接入自己的脚本或工具。

最容易踩的坑有三个：一是提示词堆太多导致画面杂乱；二是模型本身不适合风景题材，导致夕阳和湖水颜色失真；三是批量任务时显存耗尽，页面白屏或进程闪退。前两类问题靠精简提示词和换模型解决，最后一类靠降低分辨率、减少 batch size、使用低显存启动模式解决。

如果你只打算试一个功能，建议先跑通文生图；如果你已经进入长期出图阶段，建议把这组提示词整理成模板文件，配合 API 循环批量生成，并把每次生成的参数和种子存档。这样回头遇到效果波动时，你至少知道是模型变了、提示词变了，还是参数变了。把这套最小闭环跑下来，以后再接新的风景类题材，只需要替换提示词核心词，处理效率会有明显提升。