知乎 - 知学堂 AIGC实战应用训练营

这门课的主题很明确：把 AIGC 里的图像生成和视频生成当成两项可拆解的工程能力来练，而不是停留在「输入一句话出张图」的演示层面。它覆盖 Stable Diffusion、Midjourney 这类主流工具，重点落在 Prompt 写法、参数与模型风格的调用、文生图与图生图的差异，以及向视频创作的延伸。对开发者来说，这类内容的实际价值在于：你可以把每个环节拆成可替换的模块，接进自己的脚本或工作流。

技术栈与工具边界

课程涉及的工具分两类。一类是托管型服务，比如 Midjourney，交互简单但对参数和版本控制的可编程性有限，适合快速验证创意方向；另一类是 Stable Diffusion 这类可本地部署的方案，能加载不同底模、LoRA、ControlNet，可控维度多，代价是要处理显存、采样器、步数这些工程变量。课程把两者放在一起讲，好处是你能对照出「什么需求该用哪条路」——需要批量、需要风格一致性、需要和自有系统集成时，本地部署的价值就出来了。

值得注意的是，课程里提到的「关键参数与模型风格的调用」其实是在讲一个很重要的分界：Prompt 决定语义方向，参数和模型决定输出分布。很多人调不出想要的效果，问题不在提示词写得不够花哨，而在于采样器、CFG、步数、种子这些没对齐。这部分内容值得逐条对照自己跑一遍。

从文生图到图生图的能力递进

文生图解决的是「从零构建」，图生图解决的是「在已有素材上做受控修改」。后者的工程意义更大，因为它引入了输入约束——你可以固定构图、固定主体轮廓，只让模型改风格或细节。这条路径往后接的就是局部重绘、参考图控制、批量变体。课程把这两步放在入门阶段讲，顺序是对的：先理解纯生成的随机性，再理解如何在随机性上施加控制。

视频创作环节的衔接

目录里视频相关的内容和绘画阶段是连着的。图像生成稳定之后，视频侧无非是多了一个时间维度：要么逐帧生成再做一致性处理，要么用图生视频的方式给静态画面加运动。这里真正难的不是「生成一段视频」，而是帧间一致性、运动幅度控制和时长/分辨率的取舍。课程把这块作为绘画能力的自然延伸来讲，而不是单独开一个炫技模块，这个处理比较务实。

怎么用这份资料

建议按「先跑通、再拆解、后复用」的顺序：

• 第一遍只求跑通链路，把文生图、图生图、参数调整各走一遍，记录每次改动的变量和结果差异，形成自己的参数笔记。
• 第二遍针对某一类具体需求（比如统一风格的产品图、固定角色的连续画面）做收敛，练习用参考图和局部控制替代纯提示词堆砌。
• 第三遍考虑工程化：把常用 Prompt 模板、模型切换、批量参数扫参写成可复用的配置或脚本，让生成过程可重复、可回滚。

课程本身是视频形式，但真正吃透它的方式是自己动手复现每个环节。只看不跑，参数和模型风格那部分很容易变成「听懂了但调不出来」。把每节课当成一次实验记录，才是这份资料对开发者最实际的用法。