野菩萨- AIGC全能实战班第二期

课程定位：从“抽卡运气”到“可控生产”的工程化转折

市面上多数 AI 绘画教程停留在“写提示词”的层面，导致用户面对生成结果的随机性往往束手无策。本课程的核心价值在于解决这一痛点：它不只教你怎么画，更教你怎么“控制”AI 输出。课程以 Stable Diffusion (SD) 和 Midjourney (MJ) 两大主流生态为底座，构建了从底层原理到工程落地的完整知识闭环。对于缺乏工程思维、仅靠运气出图的初学者而言，这门课是一次必要的认知升级。

内容设计严格遵循“范式拆解”的逻辑。前中期课程深入剖析二次元、CMF（色彩/材质/光照）、3D、抽象及电影感等经典视觉风格的生成逻辑。这并非简单的风格模仿，而是通过需求拆解，让你理解不同视觉风格背后对应的参数组合与关键词权重。例如，在 CMF 与 3D 范式的讲解中，课程重点展示了如何分离光感、材质与构图的控制权，这是实现高质量商业插画的前提。随后，课程进阶至技术深水区，重点攻克 SD 生态中最具工程价值的 ControlNet 与 LoRA 技术。

技术栈深度与模块复用

从技术栈角度看，这门课覆盖了当前 AIGC 工作流中最关键的几个模块：

• ControlNet 稳定输出：解决“想画什么就出来什么”的精准控制问题，是商业设计的必备技能。
• LoRA 模型训练与加载：理解“赛博炼金”背后的权重机制，学会如何定制专属角色或风格。
• 提示词工程与随机性控制：从 MJ 的词汇纸牌屋到 SD 的参数调优，建立系统化的 prompt 编写规范。
• 后期处理与超分：结合 Photoshop AI 插件及放大实战，打通从生成到成图的最后一环。

这些模块并非孤立存在，而是形成了可复用的工程流水线。例如，你可以先利用 ControlNet 锁定构图骨架，再注入 LoRA 统一画风，最后通过超分细化细节。这种模块化思维是本课区别于泛泛而谈视频的关键。

学习路径与建议

适合基础：具备基本计算机操作能力，了解 SD/MJ 基础界面的入门者即可。无需编程背景，但建议具备一定的设计审美或构图常识，以便更好地进行需求拆解。

建议学习顺序：

1. 第一周：范式打底。优先学习 Day 04-08（二次元、CMF、3D、抽象），重点观看“需求拆解”系列视频，理解每种风格的核心参数逻辑，而非死记硬背提示词。
2. 第二周：技术攻坚。进入 Day 13-16（ControlNet、LoRA），这是本课最硬核的部分，务必对照实操环境运行代码或配置插件，理解张量控制与模型权重的原理。
3. 第三周：工程收尾。学习 Day 18（控制随机性）与加餐直播（超级细节提升），掌握 PS AI 插件工作流，完成从“生成图片”到“制作商品图/设计稿”的跨越。

学后能力：完成本课程后，你将能够独立搭建一套稳定的 AI 图像生产流程。你不再依赖“抽卡”运气，而是能够根据明确的需求文档，通过组合 ControlNet、LoRA 和提示词工程，高效输出符合商业标准的高质量图像。

资料配合：请确保本地已部署 SD WebUI 或类似环境，课程中的 ControlNet 安装及插件配置章节需对照操作。建议准备一个小规模的 Lora 训练数据集，在 LoRA 章节进行实操演练，以验证对权重影响的理解。