从Stable Diffusion的显卡门槛到ComfyUI的节点迷宫，再到Midjourney的云端抽卡，如今GPT与Seedance 2.0已将生图生视频融入聊天框。本文回顾AI创作工具的进化史，揭示提示词正从技术咒语回归需求表达，创作者的重心从调参转向判断。

最近再用 AI 做图，我经常会愣一下。

一段需求直接扔进聊天框，人物是谁、站在哪里、画面什么比例、光从哪边来，正常说话就行。第一版出来以后，哪里不满意，再补一句“人物别动，只换背景”，它还真能接着改。

很多常规的配图，第一轮已经能进可用区了。我反而有点不习惯。

然后我就会想起几年前折腾 Stable Diffusion 的日子。

那时候做一张图，得先看电脑答不答应，画面反而排在后面。

那时候做图，得先过显卡这一关

Stable Diffusion 刚火起来的时候，我也跟着装过。

教程看着不难，环境配好，模型下好，网页打开，提示词填进去，点一下生成。

真轮到自己的普通设备，完全是另一回事。

能不能跑是一关，跑得动和跑得舒服又是两回事。显存不够，分辨率不敢往上加；参数稍微重一点，等待时间就往上蹿。别人已经在晒成片，我的电脑风扇先进入了工作状态。

设备只是第一道门槛。

后面还有 checkpoint、LoRA、sampler、steps、CFG、seed。正向提示词得写，负向提示词也得写。网上那些提示词看上去像英语，抄起来更像一串咒语。

你想要的是“一个人在雨夜街头等车”。

写进框里的却可能是画质词、镜头词、光影词、艺术家名字，再补一长串 bad hands、extra fingers、deformed。

好不容易出了一张，远看挺惊艳。

放大一看，手上六根手指。

继续换种子。

脸对了，衣服不对；衣服对了，姿势又崴了；好不容易都顺眼，背景里多出半个人。那时候大家嘴上说“生成”，手上做的更像抽卡。

多抽几次，总有一张能用。

时间也跟着一起抽没了。

ComfyUI 把控制权给了我，也把活一起给了我

后来我又接触到 ComfyUI。

ComfyUI 是一张节点式工作台。加载模型、文本编码、采样、VAE 解码、保存图片，一根线一根线接起来，最基础的图才算跑通。

想控姿势，就往里接 ControlNet；想加特定风格，就挂 LoRA；清晰度不够，再接放大；脸容易翻车，再补修复。

会用的人，确实能把每一步都控得很细。

我第一次打开别人分享的完整工作流，只看到密密麻麻的节点和连线。

那个画面很像一张摊开的电路图。节点从左边一路接到右边，线从上面跨到下面。有一处模型路径不一样，整条工作流就开始报红；少一个自定义节点，又得去找插件和版本。

ComfyUI 确实强。代价是我得先像半个工程师一样搭好流水线，后面才轮得到做图。

设备、环境、模型、参数和随机性，都由使用者自己扛着。模型只负责算，至于怎么算得更像你想要的，得你去研究它的脾气。

那几年，我先练会了怎么伺候模型，审美反而得往后排。

Midjourney 好用了很多，抽卡还在

Midjourney 出来以后，门槛一下低了不少。

不用自己装环境，不用先研究显卡，默认审美也确实强。很多时候，一句话扔进去，四张图摆出来，第一眼就很唬人。

我当时真觉得，这次总算到头了。

后来真拿它做明确需求，熟悉的感觉又回来了。

四张里挑一张，继续做变体。构图不对，再来一轮；人物状态不对，再来一轮；实在不行，重新 reroll。

需求越模糊，它越容易给我惊喜。需求越具体，我和它之间越容易开始拉扯。

它很会给出“好看”的图，离“就是我要的那张”还差一点运气。

用 Midjourney 不用再管设备和部署，明确需求还是得多抽几轮。普通人不用先配一台机器，也能做出像样的图。

只是抽卡从本地搬到了云上。

GPT 把生图塞进了聊天框

到了 GPT 这一波图像生成，使用方式变了。

以前我得先把想法翻译成模型听得懂的提示词。现在我可以直接描述自己要什么，甚至不必一次说完整。

“把画面改成竖版。”

“人物和衣服别动，背景换成晚上。”

“桌上的杯子去掉，标题区域留白。”

每次修改都能接着当前上下文往下做。参考图也能直接放进来，多轮改动不必每次推倒重来。

进了聊天框以后，我少做了不少脏活。

我不用再一个个指定采样器、CFG 和负向提示词，生成过程都留在后台。我的时间从研究“怎么让机器正常工作”，转到了判断“这张图到底要拿来干什么”。

这条线已经从图片跑到了视频

2026 年，我又在字节的 Seedance 2.0 和阿里的 HappyHorse 里看到同样的变化，范围已经从图片扩到了视频。

按字节官方的介绍，Seedance 2.0 可以同时接收文字、图片、音频和视频作为输入，还能参考已有素材里的表演、光影和运镜，生成时把画面与声音一起处理。

除了画面描述，我还可以交一张人物参考图，再说场景怎么变化、镜头怎么跟、人物什么时候开口、背景应该出现什么声音。以前我得把这几件事拆开处理，现在可以写进同一份需求里。

HappyHorse 走的也是这条路。

阿里官方把它叫作 AI 视频生成模型，HappyHorse 1.1 同时提供文生视频、图生视频和参考生视频。参考生视频最多可以放 9 张图片，官方案例里也直接给了 15 秒、多镜头、人物对白、音效和口型同步这类需求。

我挺喜欢“快乐马”这个中文叫法，听着没有那么像实验室里的东西。

可它处理的活，一点也不轻。

以前做一段多镜头视频，通常要先把每个镜头拆出来，分别生成，再去剪辑软件里接。人物能不能保持一致、镜头之间会不会突然变脸，都要人盯着。

现在模型开始读一份更完整的创作 Brief。

提示词依然可能很长。我现在写的是人物、场景、分镜、对白和声音，这些本来就是创作者该想的东西。采样、权重、画质和负向词那套技术咒语，出现得越来越少了。

这个区别，我觉得比“又提升了多少分”重要得多。

所谓一次完成，也没神到完全不用改

现在的模型还是会翻车。

复杂排版、多人物一致性、精确动作、很长的视频叙事，都可能出问题。图里字多了会错，镜头要求拧巴了会乱，参考素材互相打架时，模型也未必知道该听谁的。

我这里说的“一次完成”，指常规配图、概念图第一轮通常已经能进入可用区。复杂任务还要改，但我改的是人物、场景和镜头，不用再回去重新炼参数。

视频里的“一次成片”，更像是模型能一次读懂一份相对完整的脚本，先给出一版从头到尾能看的结果。

一张图不对，我以前先怀疑模型、参数、LoRA、采样器和种子。现在我更常回头看需求：是不是人物没说清楚，场景太含糊，想要的氛围只有“高级感”三个字。

提示词正在变回正常的需求表达

早些年，网上最值钱的是提示词大全和 ComfyUI 工作流。

谁掌握了一套稳定参数，谁就能比别人少抽几次。那时候会用工具，本身就是很高的门槛。

现在我更常写人物是什么状态，镜头离多远，观众先看到什么，画面为什么要冷一点。这些东西依然得有人想。模型可以帮我把句子整理得更完整，但它替不了我决定哪一版算好。

对做产品和内容的人来说，这反而有点残忍。

以前做不好，还能怪显卡不够、参数没调对、工作流没搭好。现在工具顺手了，人物、场景和用途有没有说清楚，一眼就能看出来。

我一点也不怀念风扇狂转、等半天再开出六根手指的日子。

少折腾一点参数和工作流，我就能多花点时间判断哪一版真的能用。