StableDiffusionBook
StableDiffusionBook 是一本面向实践的开源 Wiki 指南，专注于帮助用户将 Stable Diffusion 等 AI 绘画工具真正融入日常工作流。它系统整理了从本地部署、模型选择、提示词工程（Prompt Engineering）到实际应用场景的操作方法，解决了新手入门困难、文档分散、技术更新快导致信息过时等问题。内容同时支持中文和英文，适合设计师、插画师、AI 爱好者以及希望探索生成式 AI 的普通用户使用，也欢迎开发者参与共建。项目强调实用性和社区协作，提供详细的贡献指引，并通过 Telegram 和 Discord 建立活跃的中文交流社区。所有文档采用 GFDL 自由文档许可发布，鼓励开放共享与持续更新。
使用场景
一位独立游戏开发者正在为自己的像素风RPG项目制作概念原画，希望借助Stable Diffusion快速生成符合美术风格的角色与场景草图。
没有 StableDiffusionBook 时
- 面对大量零散的英文教程和过时的参数配置，难以快速搭建本地Stable Diffusion WebUI环境。
- 不清楚如何编写有效提示词（prompt），反复试错后生成的图像风格与像素艺术相差甚远。
- 对ControlNet、LoRA等进阶功能完全陌生，无法精准控制角色姿势或复用已有美术资产。
- 遇到显存不足或生成速度慢的问题，缺乏针对性优化建议，只能依赖论坛碎片化信息。
- 中文社区资源匮乏，翻译不准确导致理解偏差，浪费大量调试时间。
使用 StableDiffusionBook 后
- 通过清晰的中文安装指南和硬件要求说明，30分钟内成功部署WebUI并适配4GB显存设备。
- 参考“提示词工程”章节中的结构化写法和风格关键词库，快速生成符合像素美学的角色初稿。
- 利用书中ControlNet与LoRA的实战案例，精准复用手绘草图控制构图，并加载微调模型保持风格统一。
- 根据性能优化章节调整采样步数与VAE设置，在保证质量的同时将单图生成时间缩短40%。
- 加入配套Telegram中文社区，及时获取更新内容并与开发者交流定制化技巧。
StableDiffusionBook 将碎片化的AI绘画知识系统化，让非技术背景的创作者也能高效、稳定地将Stable Diffusion融入实际创作流程。
运行环境要求
- 未说明
需要 GPU，显存至少 4GB
未说明
快速开始
StableDiffusionBook
随着技术的更新发展，AI 绘画的生态也复杂多变，故本文档的内容可能会有所过时。
本指南是关于 Stable Diffusion WebUi 的使用及围绕相关技术展开的应用指导型 Wiki。
文档的地址是 https://draw.dianas.cyou/ 或者 https://stable-diffusion-book.vercel.app/
本文档正在持续更新中，欢迎您参与贡献本项目！
echo "There is a great lack of translators to maintain our documentation in English. If you are willing, you are welcome to
promote the internationalisation of this document."
基本要求
基本使用需要一张显存大小至少为 4GB 的 GPU。推理速度比较详见 Wiki。
加入编辑
我们欢迎任何人参与文档添加/翻译/校正工作。如果你发现了本文的错误或不足（逻辑错误，语法病句，结构混乱，内容过时，上下冲突，错词怪词），欢迎向项目仓库 提 issue 和 PR。
贡献之前先读 贡献指南，也可以不读。
你可以在键盘按下 。 键自动克隆仓库立刻开始协作。
参与社区
欢迎参与海外中文绘画社区
副本见 https://github.com/wfjsw/VP-StableDiffusionBook
许可分发
我们的文档使用 GFDL 自由文档许可
引用需要公开原始材料，且标明来源。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
tesseract
Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中