Comfy Ui部署教程与配置要求

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，类似于集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现了更精准的工作流定制和完善的可复现性。 其优势包括： 1. 对显存要求相对较低，启动速度快，出图速度快。 2. 具有更高的生成自由度。 3. 可以和 webui 共享环境和模型。 4. 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势有： 1. 操作门槛高，需要有清晰的逻辑。 2. 生态没有 webui 多（常用的都有），也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 。 安装部署方面： 1. 地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 2. 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 3. 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 4. 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 此外，还可以直接在 Comfy UI 中训练 LoRA 模型。

以下是一些可以获取 ComfyUI 相关文档和学习资料的途径： 1. ComfyUI 官方文档：提供了使用手册和安装指南，适合初学者和有经验的用户。您可以在找到相关信息。 2. 优设网：提供了一篇详细的 ComfyUI 入门教程，适合初学者，详细介绍了 ComfyUI 的特点、安装方法以及如何使用 ComfyUI 生成图像等内容。教程地址是。 3. 知乎：有用户分享了 ComfyUI 的部署教程和使用说明，适合有一定基础并希望进一步了解 ComfyUI 的用户。可以在找到相关教程。 4. Bilibili：提供了一系列的 ComfyUI 视频教程，涵盖了从新手入门到精通的各个阶段。可以在找到视频教程。 此外，还有以下相关资料： 1. 关于 ComfyUI 节点的详细文档，由卡卡布使用 AI 分析整理，包括了 200+官方节点和 1000+第三方节点的详细信息，涵盖每个节点的功能、选项作用及代码实现，便于用户搜索和了解 ComfyUI 节点。 2. 在使用 ComfyUIAdvancedLivePortrait 这个节点时，可能会遇到少了 landmark_model.pth 这个文件的错误，在网盘里可以找到完整的。相关资料链接： 百度网盘：通过网盘分享的文件：图片换背景 链接:https://pan.baidu.com/s/1jN_0R791QmjxbIEgzRyv9w?pwd=cycy 提取码:cycy 说明文档：https://xiaobot.net/post/4ad59e7546e443cba0d270eab7e0da98 更多内容收录在：https://xiaobot.net/p/GoToComfyUI 网盘：https://pan.quark.cn/s/a4b94677ce99 工作流：https://www.liblib.art/modelinfo/cc6d850d24f6462084c0bc1eb5374e3c?from=personal_page 视频：https://www.bilibili.com/video/BV1FzsbeTEQV/?vd_source=ecb7194379e23ea8b1cb52e3bd5d97ef workflow：https://www.shakker.ai/modelinfo/cc6d850d24f6462084c0bc1eb5374e3c?from=personal_page video：https://youtu.be/W0x3VjwWnAQ 请注意，内容由 AI 大模型生成，请仔细甄别。由于 AI 技术更新迭代，请以文档更新为准。

以下是一些学习 ComfyUI 的资源： 1. 网站资源： ComfyUI 官方文档：提供使用手册和安装指南，适合初学者和有经验的用户。网站：https://www.comfyuidoc.com/zh/ 优设网：有详细的入门教程，介绍了 ComfyUI 的特点、安装方法及生成图像等内容。教程地址：https://www.uisdc.com/comfyui3 知乎：有用户分享的部署教程和使用说明，适合有一定基础并希望进一步了解的用户。教程地址：https://zhuanlan.zhihu.com/p/662041596 Bilibili：有一系列涵盖从新手入门到精通各个阶段的视频教程。教程地址：https://www.bilibili.com/video/BV14r4y1d7r8/ 2. 飞书学习群资源： 王蓉??Wang Easy 基础搭建和转绘 唯有葵花向日晴 基础教程，工作流开发，实际应用场景 热辣 Huolarr AI 系统课私聊图生视频 咖菲猫咪 基础教程/工作流搭建思路/各版本模型使用的优缺点 傅小瑶 Lucky 如何制作多人转绘视频 云尚 工作流节点搭建思路 FǎFá 热门节点功能，搭建 森林小羊 基本报错解决方式及基础工作流逻辑分析 苏小蕊 基础教程 Sophy 基础课程 蜂老六 装一百个最新常用插件后如何快速解决冲突问题 阿苏 工作流框架设计 aflyrt comfyui 节点设计与开发 老宋&SD 深度解释虚拟环境部署和缺失模型的安装 Liguo 模型训练 啊乐福 基础课程 塵 优秀案例 风信 基础课程➕平面设计应用场景 北南 基础课程 视频工作流框架设计 Damon 基础课程 渔舟 基础课程+工作流搭建思路 乔木船长 工作流 ☘️ 基础教程 ☘ 基础教程 工作流设计+典型案例剖析 麒白掌 工作流搭建 OutSider 风格迁移 吴鹏 基础+工作流搭建 拾光 工作流基础搭建从入门到精通 茶浅浅。视频转绘/节点工作流介绍 百废待.新（早睡版）工作流从入门到进阶 电商应用场景 Stuart 风格迁移 红泥小火炉 基础课程 大雨 换背景图 Anna 娜娜° 图生 3D ?柒小毓 基础课程 Ting 基础课程 郑个小目标 针对于某个插件的深入讲解 波风若川 报错解决 chen 工作流的研发 朱敏? 基础课程，工作流 王卓圻 基础课程 南城 基础课程 Zero one 工作流开发 梓阳 基础课程 蓝牙耍手机 工作流搭建思路 皮皮 Peter 工作流的设计规划和调优逻辑 Jāy Līn 锦鲤 工作流搭建逻辑和原理 K 如何本地部署基础生图参数选择工作流的基本应用 Adai 基础课程 镜生 视频 x 基础教程 梦飞 基础教程 ??? 各个节点讲解和参数含义 戴志伟 基础课程 雪娴_CC 基础课程，从安装开始 Joey 实时转绘工作流 倪星宇 22 换脸换背景实践落地 早点睡觉 CT 优秀案例 三思 基础教程 晓珍 Mr.大狐? 报错解决 Duo 多吉～ 基础课程 陈旭 常用节点讲解和简单的节点制作 长风归庭 基础教程+工作流创建 ヘヘ阿甘 采样器原理与优化 请注意，以上内容由 AI 大模型生成，请仔细甄别。

ComfyUI 的生图原理主要包括以下几个方面： 1. Pixel Space 和 Latent Space： Pixel Space（像素空间）：图的左边表示输入图像的像素空间，在 ComfyUI 中，可能通过“图像输入”模块或直接从文本提示生成随机噪声图像，生成过程结束时会将处理后的潜在表示转换回像素空间生成最终图像。 Latent Space（潜在空间）：ComfyUI 的许多操作都在潜在空间中进行，如 KSampler 节点执行采样过程。图像被映射到潜在空间后，扩散过程在这个空间中进行，可通过节点调整对潜在空间的操作，如噪声添加、去噪步数等，通常由潜在空间操作模块实现。 2. 扩散过程（Diffusion Process）： 噪声的生成和逐步还原：扩散过程表示从噪声生成图像的过程，通常通过调度器（如 Normal、Karras 等）控制，可通过“采样器”节点选择不同调度器控制潜在空间中噪声处理及逐步去噪回归到最终图像。 时间步数：生成图像时，扩散模型会进行多个去噪步，在 ComfyUI 中可通过控制步数影响图像生成的精细度和质量。 3. Denoising UNet（去噪 UNet 结构）： UNet 模型：ComfyUI 底层依赖 Stable Diffusion，去噪过程由 UNet 网络完成，它是一种编码器解码器结构，能处理多尺度特征表示，在 ComfyUI 中去噪的每个步骤通过模型推理模块实现，调用训练好的 UNet 模型逐步将噪声图像还原成有意义的图像。 Cross Attention（交叉注意力）：交叉注意力机制在 Stable Diffusion 中尤为重要，允许模型在生成过程中融入文本提示、图像、语义信息等条件，在 ComfyUI 中通过“文本提示”和“条件输入”节点实现，可调整文本提示的权重影响生成图像的内容。 Skip Connection（跳跃连接）：是 UNet 的核心部分，能在不同尺度之间共享特征，在 ComfyUI 的节点网络中表示为中间过程数据的流转，可在不同推理步骤中查看中间生成结果并通过跳跃连接调整特定尺度上的生成效果。 Switch（切换器）：在去噪过程中的不同阶段对特征流进行控制，在 ComfyUI 中可通过修改模型的参数节点或自定义网络结构节点，对不同阶段的噪声去除策略进行微调。 4. 基础模型：ComfyUI 使用预训练的扩散模型作为核心，通常是 Stable Diffusion 模型，包括 SD1.5、SD2.0、SDXL、SD3、FLUX 等模型，这些模型通过大量图像和文本对的训练，学会将文本描述与视觉概念关联起来。 5. 文本编码：当用户输入文本提示时，ComfyUI 首先使用 CLIP 文本编码器将文本转换为向量表示，该向量捕捉文本的语义信息。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，类似于集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现了更精准的工作流定制和完善的可复现性。 其优势包括： 1. 对显存要求相对较低，启动速度快，出图速度快。 2. 具有更高的生成自由度。 3. 可以和 webui 共享环境和模型。 4. 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势有： 1. 操作门槛高，需要有清晰的逻辑。 2. 生态没有 webui 多（常用的都有），但也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 。 安装部署方面： 1. 地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 2. 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 3. 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 4. 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 此外，还可以直接在 Comfy UI 中训练 LoRA 模型。

很抱歉，根据您提供的错误信息“ERROR: Could not detect model type of: D:\AIruanjian\AIRUANJIAN\ComfyUIaki\ComfyUIakiv1.6\ComfyUI\models\checkpoints\flux1devfp8.safetensors”，暂时无法明确具体的问题原因。可能是模型文件格式不被识别，或者文件路径存在错误等。建议您检查文件的完整性和正确性，确保其符合相关软件的要求。

ComfyUI 与 WebUI 的区别如下： ComfyUI 简介： 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，可想象成集成了 stable diffusion 功能的 substance designer，将流程拆分成节点，实现更精准工作流定制和完善的可复现性。 优势： 对显存要求相对较低，启动和出图速度快。 生成自由度更高。 可以和 WebUI 共享环境和模型。 能搭建自己的工作流程，可导出流程并分享，报错时能清晰发现错误所在。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势： 操作门槛高，需要清晰逻辑。 生态不如 WebUI 丰富，但也有针对其开发的有趣插件。 官方链接：https://github.com/comfyanonymous/ComfyUI 采样器与调度器： 在 ComfyUI 中，采样器与调度器分开，不同于 WebUI 中将两者合并。ComfyUI 通过采样器+调度器组合的方式与 WebUI 中的一致，选择 karras 调度器一般效果较好。 插件： 插件安装管理器：https://github.com/ltdrdata/ComfyUIManager SDXL 风格样式：https://github.com/twri/sdxl_prompt_styler ComfyUI 界面汉化：https://github.com/AIGODLIKE/AIGODLIKECOMFYUITRANSLATION 中文提示词输入：https://github.com/AlekPet/ComfyUI_Custom_Nodes_AlekPet 蟒蛇八卦工具箱：https://github.com/pythongosssss/ComfyUICustomScripts 提示词权重调节器：https://github.com/BlenderNeko/ComfyUI_AD 在 WebUI 中安装插件能直观看到并使用，因其有良好用户界面；而 ComfyUI 安装插件后可能看不到，需通过节点连接感受其功能，安装方法是将解压好的文件夹放入“E:\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes”目录，然后重新启动。

以下是关于 DeepSeek 的官方教程相关信息： 火山方舟 DeepSeek 申请免费额度教程，包含多种 API 使用方式，如飞书多维表格调用、Coze 智能体调用、浏览器插件调用。可以使用邀请码 D3H5G9QA，通过邀请链接 https://www.volcengine.com/activity/deepseek?utm_term=202502dsinvite&ac=DSASUQY5&rc=D3H5G9QA 邀请可拿 3000 万 tokens，畅享 671B DeepSeek R1，活动截止至北京时间 20250218 23:59:59。同时，火山方舟大模型服务平台的模型服务计费文档有更新，DeepSeekR1、V3 模型分别提供了 50 万免费额度和 API 半价活动。 有关于一线教师的 AI 需求与高效工具推荐，如让模型创作诗歌、生成宣传标语、提示库（https://apidocs.deepseek.com/zhcn/promptlibrary）、代码解释、内容分类、角色扮演（自定义人设）、散文写作、文案大纲生成、模型提示词生成等。 2 月 14 日的社区动态中，有《突破 DeepSeek R1 能力天花板，火山引擎扣子+飞书一站式企业解决方案》《羊毛快薅|字节火山上线了 DeepSeek 系列模型并悄悄更改了模型服务价格...》等内容，还附上了飞书多维表格、Coze 的接入使用方法等。此外，还有关于 DeepSeek 关键 9 篇论文及创新点的讲解，以及 DeepSeek 官方发布的 R1 模型推荐设置。

以下是关于 MCP 教程的相关内容： 资源链接： 什么是 MCP 以及为什么要用它： Model Context Protocol（模型上下文协议），简称 MCP，是由 Anthropic 公司提出的一个开放标准，旨在解决 AI 模型与外部数据源和工具之间的连接问题。 MCP 就像是 AI 世界的“USBC 接口”，它提供了一种标准化的方式，让 AI 应用能够轻松连接到各种数据源和工具，不需要为每个新连接重新开发接口。 MCP 解决的主要问题包括： 碎片化集成：以前每个 AI 应用都需要单独开发与各种数据源的连接。 重复工作：不同团队重复构建相似的集成方案。 “N 乘 M 问题”：当有 N 个 AI 客户端需要连接 M 个数据源时，可能需要 N×M 个自定义集成。 希望这篇教程能帮助您了解 MCP 的基础知识，并开始构建自己的 MCP 服务器！随着实践的深入，您会发现 MCP 为 AI 应用与数据源及工具的集成提供了简单而强大的解决方案。 本篇内容由 Genspark 制作 https://www.genspark.ai/autopilotagent_viewer?id=c10e49b3228d4f65be347ab34777aaf8

以下是为您提供的 Coze 教程相关信息： 一泽 Eze 的教程：可能是全网最好的 Coze 教程之一，一次性带您入门 Coze 工作流。即使是非技术出身的爱好者也能上手跟学，一站式学会 AI Agent 从设计到落地的全流程方法论。阅读指南：长文预警，请视情况收藏保存。核心看点包括通过实际案例逐步演示用 Coze 工作流构建能稳定按模板要求生成结构化内容的 AI Agent、开源 AI Agent 的设计到落地的全过程思路、10+项常用的 Coze 工作流的配置细节、常见问题与解决方法。适合人群为玩过 AI 对话产品的一般用户，以及对 AI 应用开发平台（如 Coze、Dify）和 AI Agent 工作流配置感兴趣的爱好者。注：本文不单独讲解案例所涉及 Prompt 的撰写方法。文末「拓展阅读」中，附有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容，以供前置或拓展学习。 其他相关基础教程： 大圣：胎教级教程：万字长文带你使用 Coze 打造企业级知识库 （https://waytoagi.feishu.cn/wiki/CT3UwDM8OiVmOOkohPbcV3JCndb） 大聪明：保姆级教程：Coze 打工你躺平 （https://waytoagi.feishu.cn/wiki/PQoUwXwpvi2ex7kJOrIcnQTCnYb） 安仔：Coze 全方位入门剖析免费打造自己的 AI Agent （https://waytoagi.feishu.cn/wiki/SaCFwcw9xi2qcrkmSxscxTxLnxb） 基础教程：Coze“图像流”抢先体验 （https://waytoagi.feishu.cn/wiki/AHs2whOS2izNJakGA1NcD5BEnuf） YoYo：Coze 图像流小技巧：探索视觉艺术的隐藏宝藏 （https://waytoagi.feishu.cn/wiki/CTajwJnyZizxlJk8a4AcJYywnfe） 【智能体】让 Coze 智能体机器人连上微信和微信群详细配置文档 （https://waytoagi.feishu.cn/wiki/ExHMwCDZ7i6NA7knCWucFvFvnvJ）

以下是关于如何使用 MCP 的详细教程： 前置准备工作： 任选一个客户端软件进行配置，大致分为四步： 1. 填入大模型 API 密钥。 2. 找到 MCP 配置界面。 3. 填入 MCP Server 对应的 json 脚本。 4. 使用 MCP。 不同客户端软件的配置方法： 1. Cherry Studio（推荐）： 版本：2025 年 4 月发布的 1.1.17。 配置大模型 API：填入之前准备好的 AiHubMix 的 API 密钥。 配置 MCP：例如，图中填写的就是 Playwright 的 MCP Server 和百度地图的 MCP Server。 使用 MCP。 2. Cursor（推荐）： 配置大模型 API：如果 Cursor Pro 在免费试用期，这一步可以不做；如果不在免费试用期，最好的办法是氪金，也可以试试填入之前准备好的 AiHubMix 的 API 密钥。 配置 MCP Server：填入 MCP Server 的 json，保存。 回到 Cursor 的 MCP 配置页面，等待几秒钟，多点几次蓝色框里的按钮，直到绿灯亮起，并显示出所有 MCP 工具。 使用 MCP：Ctrl+Shift+L 新建对话，将模式设置为 Agent。 3. Claude Desktop： 配置 MCP Server：用文本编辑器（VSCode、Sublime Text 等）打开 claude_desktop_config.json 文件，填入 MCP Server 对应的 json 文件，保存。 重启 Claude Desktop。 查看 MCP Server 连接状态。 使用 MCP。 MCP 的好处： 1. 简化开发：一次整合，多次复用，不再重复开发。 2. 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 3. 实时互动：长连接保证数据实时更新。 4. 安全可靠：内置标准化安全和权限控制。 5. 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 传统 API 更适合的场景： 1. 需要细粒度控制、功能严格限制。 2. 更偏好紧耦合以提升性能。 3. 希望最大化交互的可预测性。 快速集成 MCP 的步骤： 1. 定义能力：明确您的 MCP 服务器提供哪些功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接您的数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 MCP 与 API 的比较： MCP 与传统 API 之间的主要区别在于： 1. 单一协议：MCP 充当标准化的“连接器”，因此集成一个 MCP 意味着可能访问多个工具和服务，而不仅仅是一个。 2. 动态发现：MCP 允许 AI 模型动态发现可用工具并与之交互，而无需对每个集成进行硬编码知识。 3. 双向通信：MCP 支持持久的实时双向通信 类似于 WebSockets。AI 模型既可以检索信息，也可以动态触发操作。 以 Cursor 驱动 blender 自动化建模的 MCP 项目为例： 首先，在 github 上找到项目说明（https://github.com/ahujasid/blendermcp）。以 Mac 安装为例，首先要安装一个 uv 包（如果不懂，就直接新建一个项目文件夹后，将相关需求丢给 AI）。显示 uv 安装完毕后（初次使用可能需要安装一系列的环境，只要一路让 AI 安装就可以了），还是找到点击界面右上角的小齿轮图标。找到 MCP 模块 Add new global MCP server，将相关内容粘贴进去。退回 MCP 界面时，就会发现已经连接上了这个 blender 服务器，并且增加了很多具体功能。

以下是为您提供的 AI 视频教程相关内容： AI 让古画动起来的教程： 1. 对于简单的图，找原图直接写提示词即可。若碰到多人多活动的复杂图，需把长图分多个模块，比如将一张图分成 4 个模块。 2. 智能抠图，用工具把要动的内容去除掉，用 AI 生成图片部分。若有水印，可以把图片向下拓展一部分，然后截掉。 3. 将要拿来动起来的部分抠出，放在绿幕背景里或者画的背景颜色，导出图片。 4. 用 AI 视频生成工具写入提示词让图片动起来，如即梦、海螺、混元等工具，不停尝试抽卡。 5. 用剪映把抽卡合格的视频放在去掉内容的背景图片，通过色度抠图调整去掉视频的背景。多个视频放在背景图片，一起动即可。 AI 视频相关的软件教程： 包括视频模型如 luma Dream Machine、可灵、MiniMax 海螺 AI、Sora、Vidu 等，工具教程如 Hedra，视频工具如 VIGGLE，以及应用教程如视频转绘、视频拆解等。相关链接如下： WaytoAGI X 剪映的 AI 创意视频征集令·第 1 期： 1. 征集内容：使用 AI 功能创作的创意视频成片，也可投稿 AI 创意视频的教程（教大家如何做一个 AI 创意视频）。AI 功能包括但不限于：AI 对口型、AI 改动作、AI 配音、克隆音色、AI 音乐、AI 特效、AI 图文成片、AI 剪视频等。不包括纯图片生成或纯视频生成的内容（特指用 AI 工具生成的图片、图生视频，但视频里没有添加 AI 功能）。 2. 创作工具：主要使用「剪映」平台工具创作，可多使用剪映平台的 AI 功能/新功能；部分 AI 效果若剪映无法实现，可使用其他软件创作。 3. 内容价值：视频需有消费价值，要有一定内容主题，有故事感、或者有梗、或者有核心观点表达，让用户有持续观看和点赞、收藏的欲望。缺少内容主题、过于简单、过于模板化的内容将不予通过。在抖音、小红书等平台点赞量高的内容，审核通过率大大提升！ 4. 原创度：作品需要原创、极具创意和独特性，且符合当代年轻群体的审美和兴趣喜好，不可照搬、抄袭他人创意，一经发现将取消活动奖励，视情节严重情况回收灵感发布权限。 5. 作品延展度：作品有可模仿性，其他创作者看完后，可模仿学习或二创。比如：前期素材易获取，后期素材易剪辑或处理，让其他视频创作者有强烈的模仿欲望，且对自己模仿或二创视频有成就感和分享欲。 6. 作品时长：时长适中，最短不低于 15 秒，最长不建议超过 3 分钟。

以下是关于 AI 出设计图的教程： 使用 Midjourney 生成 UI 界面： 页面指令：指定生成某个页面（如首页、登录页等），只需添加页面指令描述，如“landing page”（登录页）、“Profile Page”（个人资料页）。 社交平台：关键词“landing page”可生成社交平台的登录页设计。 信息类：关键词“Profile Page”可生成人力资源类产品的个人资料页，包含照片、自我介绍、基本信息等内容。 Midjourney 产出的设计图视觉效果不错，适合在 APP 设计的初始阶段，如头脑风暴和风格探索中为设计师提供灵感和创意。但目前要直接用于开发仍有距离。 使用 Claude 生成设计稿的技巧： 引用 Tailwind CSS 写组件样式，确保色彩、响应式和基础组件的美观度。 按照特定的四个技巧可让 Claude 设计出美观的界面或组件。 生成设计稿的方法：将生成的代码部署到线上，使用 html.to.design 这个 Figma 插件将网页转换为设计稿，但每天免费次数有限。 进阶技巧和关键词： 图片内容一般分为二维插画和三维立体两种表现形式。 主题描述：可描述场景、故事、元素、物体或人物细节等。描述场景中的人物时应独立描述，避免长串文字，否则 AI 可能识别不到。 设计风格：可通过找风格类关键词参考或垫图/喂图，让 AI 根据给出的图片风格结合主题描述生成相应风格的图片。对于材质的描述，关键词的运用较为复杂，需要针对特定风格进行“咒语测试”。

以下是关于本地部署大模型以及选择是否使用云服务商的相关内容： 本地部署大模型的主要步骤： 1. 选择合适的部署方式，包括本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身的资源、安全和性能需求进行选择。 2. 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础，可以使用开源的预训练模型如 BERT、GPT 等，也可以自行训练一个基础模型。 4. 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调训练，优化模型结构和训练过程以提高性能。 5. 部署和调试模型，将训练好的模型部署到生产环境，对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护，大模型涉及大量数据和隐私信息，需要重视安全性和合规性。 以 SDXL 为例的本地部署步骤： 1. SDXL 的大模型分为两个部分，base+refiner 是必须下载的，base 是基础模型，用于文生图操作；refiner 是精炼模型，用于对生成的模型进行细化，生成细节更丰富的图片。还有一个配套的 VAE 模型，用于调节图片的画面效果和色彩。 2. 想要在 webUI 中使用 SDXL 的大模型，首先要在秋叶启动器中将 webUI 的版本升级到 1.5 以上。 3. 将模型放入对应的文件夹中，base 和 refiner 放在“……\\sdwebuiakiv4.2\\models\\Stablediffusion”路径下；vae 放在“……\\sdwebuiakiv4.2\\models\\VAE”路径下。完成之后，启动 webUI，就可以在模型中看到 SDXL 的模型。 以 LLM 大语言模型为例的本地部署步骤： 1. 下载并安装 Ollama，点击进入根据电脑系统下载 Ollama：https://ollama.com/download ，下载完成后，双击打开，点击“Install”，安装完成后，将下方地址复制进浏览器中。如果出现下方字样，表示安装完成：http://127.0.0.1:11434/ 。 2. 下载 qwen2:0.5b 模型（0.5b 是为了方便测试，下载快，自己设备充足的话，可以下载更大的模型）。如果是 windows 电脑，点击 win+R，输入 cmd，点击回车；如果是 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。复制相关命令行，粘贴进入，点击回车，等待下载完成。 总的来说，部署大模型需要综合考虑多方面因素，包括部署方式、数据准备、模型训练、部署调试以及安全性等。需要根据具体需求选择合适的方法，并注意优化各个环节以提高模型性能和应用效果。

SDXL 的本地部署步骤如下： 1. 模型下载：SDXL 的大模型分为两个部分，第一部分 base + refiner 是必须下载的，base 是基础模型，用于文生图操作；refiner 是精炼模型，用于对文生图生成的模型进行细化以生成细节更丰富的图片。此外，还有一个配套的 VAE 模型用于调节图片的画面效果和色彩。这三个模型可通过关注公众号【白马与少年】，回复【SDXL】获取云盘下载链接。 2. 版本升级：要在 webUI 中使用 SDXL 的大模型，需在秋叶启动器中将 webUI 的版本升级到 1.5 以上。 3. 放置模型：将 base 和 refiner 放在“……\\sdwebuiakiv4.2\\models\\Stablediffusion”路径下；vae 放在“……\\sdwebuiakiv4.2\\models\\VAE”路径下。 4. 启动使用：完成上述步骤后启动 webUI，即可在模型中看到 SDXL 的模型。正常使用时，先在文生图中使用 base 模型，填写提示词和常规参数（如尺寸设置为 10241024）进行生成。然后将图片发送到图生图当中，大模型切换为“refiner”，重绘幅度开小一点再次点击生成。 5. 插件辅助：若觉得操作麻烦，可在扩展列表中搜索 refine 安装插件并重启，启用插件后可在文生图界面直接使用 refine 模型进行绘画。 另外，关于本地部署资讯问答机器人：Langchain + Ollama + RSSHub 实现 RAG，步骤包括导入依赖库（如 feedparse 用于解析 RSS 订阅源，ollama 用于在 python 程序中跑大模型，使用前需确保 ollama 服务已开启并下载好模型）、从订阅源获取内容（通过指定函数从 RSS 订阅 url 提取内容，并将长文本拆分成较小的块附带相关元数据）、为文档内容生成向量（使用文本向量模型 bgem3，从 hf 下载好模型后放置在指定路径，通过函数利用 FAISS 创建高效的向量存储），最终实现 RAG。

以下是使用秋叶整合包搭建本地部署的步骤： 1. 下载整合包：可以从。 2. 复制启动器到下载仓库的目录下。 3. 打开启动器，可一键启动。如果有其他需求，可以在高级选项中调整配置。 显存优化根据显卡实际显存选择，不要超过当前显卡显存。xFormers 能极大地改善内存消耗和速度，建议开启。 4. 准备工作完毕后，点击一键启动即可。等待浏览器自动跳出，或是控制台弹出本地 URL 后说明启动成功。 如果报错提示缺少 Pytorch，则需要在启动器中点击配置。 5. Stable Diffusion webui 的更新比较频繁，请根据需求在“版本管理”目录下更新，同时注意插件的更新。 在 webui 的“扩展”选项卡下，可以安装插件。点击“加载自”后，目录会刷新，选择需要的插件点击右侧的 install 即可安装。安装完毕后，需要重新启动用户界面。 具体安装方法： 1. 打开整合包链接（https://pan.baidu.com/s/1hY8CKbYRAj9RrFGmswdNiA?pwd=caru ，提取码：caru），下载《1.整合包安装》，存放到电脑本地。 2. 打开保存到电脑里的文件夹。 3. 打开文件夹《1.秋叶整合包主包》，鼠标右击文件，点击“解压文件”。 4. 选择解压到 D 盘或者 E 盘（避免 C 盘被占满），点击确定。 5. 解压完成后，来到第二个文件夹，双击里面的文件，点击安装。 6. 打开刚刚解压保存的 SD 的根目录，找到启动器，鼠标右击启动器，点击“发送到”，选择桌面快捷方式，方便下次进入。 7. 双击启动器，等待更新，接着点击左边第二个“高级选项”，在显存优化里，根据自己电脑的显存选择。 8. 回到第一个一键启动，点击右下角的一键启动。出现代码页面不用管，等待 SD 的主界面在网页上自动弹出。如果出现报错，可以回到最开始的界面，在左边点击“疑难解答”，再点击右边的“开始扫描”，最后点击“修复”按钮。

部署自己私人 AI 可以参考以下几种方式： 通过云服务器、dify、智能微秘书来免费搭建微信机器人： 1. 在宝塔面板的终端安装相关命令，这些命令位于/root/dify/docker 目录下。 2. 检查运行的容器数量，若 nginx 容器无法运行，可能是 80 端口被占用，可将终端输出的代码粘贴给 AI 以解决。 3. 在浏览器地址栏输入公网 IP（去掉后面的:8888），进入后邮箱密码随便填，建立知识库并进行设置。 4. 选择模型，国内模型有免费额度可选，如智谱 ai，获取钥匙并复制保存，创建应用进行测试和发布。 基于 Hook 机制的微信 AI 机器人： 1. 将 Administrators 改成“wxid_dna83ykqawl222”。 2. 若有 FastGPT 或者 OpenAI 的 key，将 Ai_Lock 修改成“1”，并在 OpenAI 处添加模型 key；若没有，保持 Ai_Lock 为 0。 3. 修改后点击保存。 4. 返回 NGCbot 文件夹下，找到 main.py 文件双击运行。 5. 运行后会弹出微信登录框，正常登录微信，等待系统自动初始化必备文件。 6. 运行成功后，用“大号”给机器人发消息，拿到 wxid 并返回替换。 7. 添加完后，用小号登录，大号可对小号发号施令。 部署和训练自己的 AI 开源模型： 1. 选择合适的部署方式，如本地环境部署、云计算平台部署、分布式部署、模型压缩和量化、公共云服务商部署等，根据自身资源、安全和性能需求选择。 2. 准备训练所需的数据和计算资源，确保有足够的训练数据覆盖目标应用场景，并准备足够的计算资源，如 GPU 服务器或云计算资源。 3. 选择合适的预训练模型作为基础，如开源的 BERT、GPT 等，也可自行训练基础模型。 4. 针对目标任务进行模型微调训练，根据具体应用场景对预训练模型进行微调，优化模型结构和训练过程以提高性能。 5. 部署和调试模型，将训练好的模型部署到生产环境，对部署的模型进行在线调试和性能优化。 6. 注意安全性和隐私保护，重视大模型涉及的大量数据和隐私信息的安全性和合规性。 总的来说，部署和训练自己的大模型需要综合考虑多方面因素，包括部署方式、数据准备、模型训练、部署调试以及安全性等，根据具体需求选择合适的方法，并注意优化各个环节以提高模型性能和应用效果。

以下是关于 Deep Seek 本地部署（Olama + ChatBox）+私有知识库（cherrystudio）的相关内容： 一、使用 Docker + RAGFlow + Ollama 搭建个人/企业知识库 1. 将 Ollama 部署的模型接入 GARFlow 返回 RAGFlow 中，打开右上角设置，进入模型提供商，配置 Ollama 相关信息，基础 URL 按要求设置，设置完成后点击确定。 导入一个 embedding 模型用于文本向量化，导入成功后设置系统模型设置，然后返回知识库创建知识库。 进入数据集，导入文件（可设置文件夹当作知识库），导入完毕后解析文件，解析速度取决于本机 GPU 性能，解析好后进行检索测试，测试没问题即可进入聊天界面，助理设置可自行设置。 2. 使用 Ollama 本地部署 DeepSeek 模型 先下载 Ollama 程序，官方网址：https://ollama.com/ 。 下载默认到 C 盘（一般为固态盘，运行速度快），若想修改安装目录到 D 盘，后续会有说明。 下载完右下角会出现 Ollama 图标，打开命令行输入相关命令回车。 若显卡是英伟达 2060Super，可选择 Deepseekr1:14b 的模型，根据自身独立显卡性能下载。 下载速度慢可按 Ctrl+C 强制退出重新下载。 下载完毕后再下载一个嵌入模型，Ollama 的 bge 模型官方网址：https://ollama.com/library/bgem3 ，输入相关命令，下载好后直接退出终端。 二、Flowith 相关报道、采访、使用指南 |标题|发布账号|社媒来源|日期|链接| |||||| |ChatGPT 的对话框过时了？这款 AI 产品提供了一种很新的聊天方式|爱范儿|公众号|2024/04/29|| |Flowith：革新你的工作方式，体验节点式 AI 的超流畅生产力|程序那些事儿|公众号|2024/05/03|| |体验 Flowith：探索人机交互从传统聊天对话到画布式知识管理的转变|AI 兔子洞|公众号|2024/04/22|| |deepseek 服务器繁忙？硅基流不动？看看这篇，内含 18 个平台，可能是最全的 deepseek 方案。|佐佐的 AI 笔记|公众号|2025/02/06|| |满血版自部署 DeepSeekR1+知识库+联网搜索,体验下来可能就只剩下这家了!|字节笔记本|公众号|2025/02/12|| |DeepSeek 让 AI 圈卷出了新高度：Flowith 宣布 DeepSeek R1 现在免费提供!|字节笔记本|公众号|2025/01/27|| |ShowMeAI 周刊 No.15|上周最有讨论度的 6 个 AI 话题：自由画布类产品密集更新、多主体一致成发展趋势、AGI、开源…|ShowMeAI 研究中心|公众号|2025/01/21||

以下是关于本地部署大模型并微调建立本地知识库的详细步骤： 一、使用 AnythingLLM 进行本地知识库搭建 1. 安装 AnythingLLM 安装地址：https://useanything.com/download 安装完成后进入配置页面，主要分为三步： 第一步：选择大模型 第二步：选择文本嵌入模型 第三步：选择向量数据库 2. 构建本地知识库 在 AnythingLLM 中创建自己独有的 Workspace 与其他项目数据隔离。 上传文档并在工作空间中进行文本嵌入。 选择对话模式，提供了 Chat 模式（大模型根据训练数据和上传文档数据综合给出答案）和 Query 模式（大模型仅依靠文档中的数据给出答案）。 二、张梦飞的全本地部署教程 1. 部署大语言模型 下载并安装 Ollama 点击进入，根据电脑系统，下载 Ollama：https://ollama.com/download 下载完成后，双击打开，点击“Install” 安装完成后，将下方地址复制进浏览器中。如果出现下方字样，表示安装完成：http://127.0.0.1:11434/ 下载 qwen2:0.5b 模型 如果是 Windows 电脑，点击 win+R，输入 cmd，点击回车；如果是 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。 复制相关命令行，粘贴进入，点击回车。 三、智能纪要中的相关内容 在智能纪要中，许键介绍了模型 API 调用方法与知识库创建，包括获取 API key 位置及调用设置，详细讲解了创建 Rag 应用（知识库）流程，如上传非结构化文件、数据解析、切分段落等操作，并回答了诸多问题。同时还涉及工作流创建、模型能力及相关问题的探讨，以及通义千问相关应用及明天课程安排交流等内容。 总之，本地部署大模型并建立本地知识库需要按照上述步骤进行操作和配置，同时不断实践和探索，以达到理想的效果。