如果你在B站、YouTube等技术社区关注过AI绘画大概率刷到过“Kris的筛种教程”这个系列。这个系列视频在AI绘画爱好者中有着相当高的口碑但视频教程的形式对于需要反复查阅、对照操作的开发者来说并不那么友好。尤其是当你想精准地复现某个效果或者想理解“种子”这个核心参数背后的逻辑时文字教程的优势就凸显出来了。本文正是为了解决这个问题。我将基于“Kris的筛种教程”系列视频特别是第1章上手介绍的核心内容为你整理、转译并深度解读成一篇结构清晰、可操作性强、适合收藏备用的CSDN技术博客。我们不止步于“怎么用”更要深入“为什么”帮你彻底理解Stable Diffusion中“种子”的运作机制掌握通过筛选种子来精准控制画面构图、主体、风格的核心方法。读完本文你将能透彻理解种子明白种子在AI生图流程中的决定性作用以及它与提示词、采样器等其他参数的关系。掌握高效筛种流程学会一套系统性的方法从海量随机结果中快速筛选出符合你构图和创意需求的“优质种子”。搭建可复现的工作流将筛种融入你的标准创作流程让AI绘画从“开盲盒”变成“可控的创作工具”。规避常见误区了解筛种过程中的典型陷阱比如过度依赖、效率低下等问题并知道如何解决。1. 这篇文章真正要解决的问题从“随机抽卡”到“定向创作”很多Stable Diffusion新手会陷入一个困境他们精心撰写了提示词调整了各种参数但生成的结果却像开盲盒时好时坏无法稳定产出符合预期的作品。问题的核心往往不在于提示词写得不够好而在于忽略了一个最基础、也最强大的控制参数——种子。种子是AI绘画确定性的源头。同一个模型、同样的提示词和参数下相同的种子必然产生相同的图片。这听起来简单但它的价值被严重低估了。大多数人只是固定种子来微调或者随机种子碰运气。Kris教程的核心价值在于它提出并实践了一套“主动筛选种子”的方法论。这套方法把种子的使用从“被动固定”变成了“主动勘探”。你不是在等待一个好结果出现后去固定它而是主动地、批量化地生成大量图片然后像淘金一样从中筛选出那些在构图、主体姿态、画面布局等“骨架”层面就非常出色的种子。这解决了什么痛点构图不可控提示词很难精确控制人物姿势、物体位置、画面层次。效率低下靠随机生成碰运气产出优质图的概率低时间成本高。创意无法延续找到一个好图后想在其基础上做变化换风格、换细节却无法保持原有构图。协作与复现困难无法向他人精确传递一个可复现的创作起点。本文将带你深入这套方法论不仅还原Kris教程的精华更结合实践补充视频中可能未详述的WebUI操作细节、脚本使用技巧和效率工具让你能在CSDN以文字形式永久收藏这份“筛种秘籍”。2. 基础概念与核心原理种子、潜空间与确定性在进入实操前我们必须夯实理论基础。理解这些概念能让你在筛种时更有目的性遇到问题也能更快定位。2.1 什么是种子在计算机图形学和机器学习中种子是一个用于初始化伪随机数生成器的数值。在Stable Diffusion的上下文中它是一个数字通常是一个很大的整数如1234567890。它是生成过程的起点在采样开始时模型需要一个初始的随机噪声图。种子决定了这张噪声图的具体样子。它意味着确定性模型 提示词 参数 种子这个组合是唯一的。只要这个组合不变无论你生成多少次输出都完全一样。一个常见的误解是种子决定了图片的“好坏”或“内容”。不对。种子决定的是初始的随机状态。图片的“内容”主要由提示词、模型和采样过程决定。但好的初始状态即好的种子能让采样过程更顺利地走向一个构图优美、主体清晰的“好结果”。2.2 潜空间与去噪过程Stable Diffusion不是在像素空间直接作画而是在一个叫做“潜空间”的高维压缩空间中工作。编码输入图像被编码到潜空间变成一组潜变量。加噪向潜变量添加噪声。去噪U-Net模型根据提示词一步步预测并去除噪声最终得到去噪后的潜变量。解码将去噪后的潜变量解码回像素空间得到最终图像。种子在这里的作用是什么它决定了第2步“加噪”后那张纯随机噪声图的样子。你可以把去噪过程想象成从一团混沌的云雾噪声中雕刻出一座雕像。种子决定了这团云雾最初的具体形状。虽然雕刻刀提示词和模型决定了最终雕像是什么比如一个人像但云雾最初的形状会极大地影响雕刻的难易程度和最终雕像的姿态、构图。2.3 种子 vs. 提示词 vs. 采样器理解这三者的关系至关重要要素角色控制范围类比提示词内容导演“画什么”。定义主体、风格、细节、氛围。剧本和艺术指导。模型执行演员与画风“用什么风格和能力画”。决定画风、细节表现力、知识库。演员的演技和擅长的戏路。种子初始状态“从哪个随机点开始画”。影响构图、主体姿态、布局等宏观结构。拍摄第一条镜头时演员的初始站位和情绪。采样器创作步骤“如何一步步画出来”。影响图像质量、收敛速度、细节处理。导演的拍摄方法和剪辑节奏。核心洞见提示词和模型决定了内容的“可能性空间”而种子则在这个空间里选取了一个具体的“起点”。筛种就是在庞大的可能性空间中寻找那些起点最优的路径。3. 环境准备与前置条件在开始筛种之前你需要一个可以运行的Stable Diffusion WebUI环境。本文以Automatic1111 WebUI为例因为它是目前最流行、功能最全的版本Kris的教程也基于此。基础环境要求操作系统Windows 10/11, Linux, 或 macOS (Apple Silicon 或 Intel)。Python3.10.x 版本。这是WebUI的稳定要求其他版本可能导致依赖冲突。Git用于克隆WebUI仓库。合适的硬件GPU推荐NVIDIA GPU显存至少6GB用于生成512x512图片。4GB显存可尝试但限制较多。8GB或以上体验更佳。内存16GB RAM 或以上。磁盘空间至少20GB可用空间用于存放模型、生成图片等。WebUI安装与启动简述如果你已经安装可以跳过此部分。打开命令行终端。克隆仓库并进入目录git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui运行启动脚本Windows双击webui-user.bat。Linux/macOS在终端执行./webui.sh。脚本会自动安装依赖。首次运行时间较长。完成后在浏览器中打开http://127.0.0.1:7860即可访问WebUI界面。关键模型准备筛种的效果与模型强相关。建议准备一个你熟悉且效果稳定的基础模型。检查点模型下载一个通用的高质量模型例如SDXL 1.0、Realistic Vision、DreamShaper等并将其放入stable-diffusion-webui/models/Stable-diffusion/目录。VAE有些模型需要搭配特定的VAE文件以获得最佳色彩。通常模型发布页会说明。确保你的WebUI能正常生成图片后我们就可以进入核心的筛种流程了。4. 核心流程拆解四步高效筛种法Kris的筛种方法论可以提炼为一个清晰的四步循环。这个流程的目标不是“生成一张好图”而是“找到一个好种子”。4.1 第一步设定“勘探”提示词筛种阶段的提示词与最终成图的提示词策略不同。目标引导模型生成构图多样、主体清晰的图片而非追求完美的细节和风格。策略简洁核心只用最核心的主体和场景描述。例如1girl, solo, standing in a forest, sunlight。避免复杂的细节描述、风格词和画质词如masterpiece, best quality在筛种时可能限制构图多样性。强调构图元素可以加入一些引导构图的词如full body shot,from side,dynamic pose,rule of thirds。负面提示词使用一个通用的负面提示词来过滤明显瑕疵例如EasyNegative, bad hands, extra fingers。但不宜过强以免过度干预初始构图。示例勘探提示词正向提示词1girl, cowboy shot, wearing jacket, in city street at night, neon lights 反向提示词EasyNegative, bad anatomy, blurry4.2 第二步配置批量生成参数这是筛种的“生产流水线”。我们需要一次生成大量图片比如50-200张以覆盖足够多的随机种子。采样方法选择速度快、效果稳定的采样器如Euler a、DPM 2M Karras。筛种不求极致细节求速度。采样步数20-30步通常足够。这能在保证一定质量的同时最大化生成速度。图片尺寸根据你的最终目标设定。如果想筛竖构图人像可以用512x768。注意长宽比会显著影响构图。批处理次数/数量批处理数量每次生成几张图。受显存限制。批处理大小同时处理几张图。显存大可以调高以加速。例如想生成100张图显存8G可以设置批处理数量10批处理大小1点击一次生成10张点10次。更高效的方法使用“脚本”功能。在WebUI下方找到“脚本”下拉菜单选择X/Y/Z 图表。4.3 第三步使用X/Y/Z图表脚本进行网格化筛选这是Kris教程中的精髓工具能极大提升筛选效率。在WebUI底部展开“脚本”下拉框选择X/Y/Z 图表。X轴类型选择种子。X轴值这里就是关键。不要手动输入几百个种子。输入1-100表示让脚本自动使用种子1到100依次生成图片。你也可以输入1, 10, 100, 1000这样的列表。Y轴类型保持无。我们这次只沿X轴种子变化。点击“生成”。WebUI会按顺序生成种子为1,2,3,...,100的图片并将它们排列在一张大网格图中。为什么用网格图一目了然你可以快速浏览上百张图的构图、姿态、氛围。便于对比相似的构图会挨在一起让你更容易发现规律。种子可追溯每张图下方或文件名中都会包含其种子值。4.4 第四步分析与记录优质种子面对生成的网格图你需要一双“淘金者”的眼睛。筛选标准构图主体位置是否舒服画面是否有层次感是否符合三分法等构图法则姿态/动作是否自然、有动态感是否是你想要的主体完整性有没有缺胳膊少腿、严重畸变氛围感觉即使细节粗糙整体光影、氛围是否对味记录方法直接保存将整个网格图保存下来在上面做标记。记录种子号将看中的图片对应的种子号记录在文本文件或表格中。这是最重要的信息使用图库浏览器WebUI有内置的图库浏览器可以按种子搜索和筛选非常方便。完成一轮筛选后你得到的不再是几张孤立的“好图”而是一个优质种子库。接下来你就可以用这些种子进行深度创作了。5. 完整示例与代码实现一次完整的城市夜景人像筛种让我们通过一个完整的例子将上述流程跑一遍。假设我们想创作一个“夜晚霓虹灯下的街头潮酷女孩”主题作品。5.1 环境与参数预设模型dreamshaper_8.safetensors(一个通用性较好的模型)VAEvae-ft-mse-840000-ema-pruned.ckpt采样器Euler a采样步数25图片尺寸512x768(竖版适合人像)5.2 编写勘探提示词在WebUI的提示词框中输入正向提示词(1girl:1.2), solo, looking at viewer, wearing leather jacket, street fashion, in a rainy neon-lit city at night, reflections on wet pavement, cinematic lighting(1girl:1.2)强调主体是女孩并提高权重。solo, looking at viewer单人看向观众增加互动感。wearing leather jacket, street fashion描述服装和风格。in a rainy neon-lit city at night, reflections on wet pavement核心场景包含“雨夜、霓虹、湿漉漉的路面”等易出氛围的元素。cinematic lighting引导光影氛围。反向提示词EasyNegative, (bad anatomy:1.2), (bad hands:1.3), (worst quality, low quality:1.4), blurry, extra limbs, missing limbs, deformed, mutated使用EasyNegative嵌入需提前下载放入embeddings文件夹。强化对解剖错误和手部问题的抑制。5.3 配置X/Y/Z图表脚本进行批量筛种填写好提示词和基础参数采样器Euler a步数25尺寸512x768。滚动到下方找到“脚本”下拉菜单选择X/Y/Z 图表。按如下配置X轴类型种子X轴值1-60(我们首轮先快速跑60个种子看看趋势)Y轴类型无保持其他参数一致确保脚本使用的是上面填写的提示词和参数。点击“生成”按钮。WebUI会开始依次生成60张图。这个过程可能需要几分钟取决于你的硬件。5.4 生成结果分析与种子记录生成完成后你会得到一张排列好的网格图。假设我们观察后发现种子7,18,34的人物姿态非常自然构图有张力。种子42的霓虹灯光影氛围特别好。种子55的雨天地面反射效果很出色。我们将这些种子记录下来[7, 18, 34, 42, 55]。5.5 基于优质种子进行深化创作现在我们不再随机抽卡。我们选择一个最有潜力的种子比如种子18进行深化。固定种子在WebUI的“种子”输入框中输入18并点击旁边的“回收站”图标按钮锁定它。优化提示词在勘探提示词的基础上添加细节和风格化词汇。更新正向提示词(masterpiece, best quality:1.2), (1girl:1.3), solo, looking at viewer, (detailed face:1.1), wearing a black leather jacket, street fashion, in a rainy neon-lit (Tokyo:1.1) at night, reflections on wet pavement, (cinematic lighting, dramatic shadows:1.2), film grain, 8k uhd增加了画质标签masterpiece, best quality。增加了detailed face强调面部。具体化了城市为Tokyo。加强了光影描述dramatic shadows。添加了后期风格film grain和分辨率提示8k uhd。调整参数采样器可以换成更擅长细节的DPM 2M Karras或DDIM。采样步数提高到30-40步以获得更精细的结果。高清修复可以开启使用R-ESRGAN 4x等放大算法将图片放大2倍。点击生成。由于种子固定这次生成会在保留种子18优秀构图和姿态的基础上融入新的细节和画质提升。对比感受你可以尝试关掉固定种子用同样的优化提示词随机生成几张图。你会发现虽然画质可能都不错但构图和姿态的“美感”和“巧合性”远不如使用筛选出的种子18。这就是筛种的价值——它锁定了“灵感闪现的瞬间”。6. 运行结果与效果验证如何判断你的筛种流程是成功的网格图成功生成运行X/Y/Z图表脚本后应得到一张整齐排列所有生成图片的网格图。每张小图下方应显示对应的种子号。如果报错检查脚本参数格式种子范围1-60是否正确或显存是否不足。种子差异性观察网格图不同种子产生的图片应在构图、人物姿态、视角上有明显差异。如果所有图片看起来都差不多可能是提示词限制过强比如用了portrait特写或者模型本身多样性不足。此时应放宽勘探提示词。优质种子可复现记录下你选中的种子号例如18。回到文生图主界面输入完全相同的提示词和参数并将种子设为18点击生成。生成的图片必须与网格图中种子18对应的图片完全一致。这是验证流程正确性的金标准。深化效果符合预期使用固定种子并优化提示词后新生成的图片应在保持原构图骨架的同时在细节、画质、风格上得到显著提升。你可以将优化前后的两张图放在一起对比核心姿态和场景布局应该是一致的。7. 常见问题与排查思路在筛种过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案生成的所有图片构图都非常相似1. 勘探提示词限制过强如指定了close-up,portrait。2. 使用的模型本身风格/构图单一。3. CFG Scale值过高导致提示词约束过强。1. 检查并简化正向提示词移除强构图限制词。2. 换一个不同风格的模型测试。3. 尝试降低CFG Scale如从7降到5。回归简洁的勘探提示词确保模型多样适当调整CFG Scale。X/Y/Z图表脚本报错或只生成一张图1. 脚本参数填写格式错误。2. “批处理数量”被设置为1。3. 显存不足无法进行批量生成。1. 检查“X轴值”格式是否正确如1-60。2. 确认文生图区域的“批处理数量”是否大于1。3. 查看命令行或WebUI控制台的错误信息。1. 正确填写脚本参数。2. 在脚本中文生图的“批处理数量”应设为1由脚本控制总数。3. 减少单次生成数量或使用--medvram等优化参数启动WebUI。选中种子深化后图片完全变了1. 深化时更改了图片尺寸。2. 深化时更改了模型。3. 深化时使用了不同的VAE。4. 提示词权重结构发生剧烈变化。1. 对比两次生成的所有参数。2. 检查模型、VAE文件名是否一致。固定种子时必须同时固定模型、VAE和图片尺寸。提示词可以优化但避免彻底改变主体和场景描述。筛选出的种子换一个类似提示词就不好看了种子的“好”与当前提示词、模型强绑定。它代表的是特定组合下的最优起点。理解种子的局限性。它不是一个“万能好种子”。对于新的主题或风格建议重新进行筛种流程。可以将旧种子作为参考但不要期望完全复用。筛种效率太低看花眼了一次性筛选太多如500张导致视觉疲劳无法聚焦。分批次、有目的地筛选。1. 每轮筛种数量控制在50-150张。2. 先快速扫视标记“可能不错”的第二轮再仔细对比。3. 明确本轮筛选的重点如“专注筛选坐姿”。8. 最佳实践与工程建议将筛种从一个技巧升级为一种稳定的工作流需要一些工程化的思维。8.1 建立个人种子库不要每次创作都从零开始筛种。建立一个分类管理的种子库。工具一个简单的Excel/Google Sheets表格或笔记软件如Notion、Obsidian。记录字段种子号对应的模型名称对应的基础提示词勘探词图片尺寸简短描述如“侧身站姿街头风”“坐姿窗户光影”效果评分1-5星生成图片的缩略图或文件名定期整理将每次筛种得到的优质种子归档进来。久而久之你就拥有了一个针对不同场景、不同模型的“优质构图起点库”。8.2 分层筛种与主题化勘探不要漫无目的地筛。第一层通用构图筛种。使用非常简洁的提示词如1person, indoors旨在获取大量基础人体姿态和室内布局的种子。这批种子作为“万能素材”。第二层主题强化筛种。在已有不错构图的种子基础上固定种子然后微调提示词向特定主题靠拢如将indoors改为cyberpunk bar观察主题融合效果筛选出最适合该主题的种子子集。第三层风格化筛种。固定前两层筛选出的种子和主题提示词通过切换不同风格的模型或添加风格LoRA筛选出最能体现目标风格的最终种子。8.3 与其它控制手段结合种子是控制链的起点但不是终点。学会将其与其他工具结合ControlNet筛种得到优秀但略有瑕疵的姿势后用OpenPose提取其骨骼图再用ControlNet进行精准的姿态控制和新一轮生成。Img2Img将筛种得到的图片通过Img2Img配合较低的去噪强度进行重绘可以在保持构图的同时修复细节、改变风格。区域提示对于筛种图中局部不满意的地方如背景可以使用区域提示功能进行局部重绘而不影响整体构图。8.4 性能与效率优化使用低分辨率筛种筛种阶段可以使用384x512等更小的分辨率大幅提升生成速度。确定种子后再用高清修复放大。利用中断功能在X/Y/Z图表生成过程中如果看到前几十张已经出现足够多的优质候选可以直接中断生成节省时间。脚本进阶使用探索其他脚本如提示词矩阵可以与筛种结合一次性测试同一种子下不同提示词的效果。9. 总结与后续学习方向通过本文对“Kris筛种教程”核心方法的拆解与拓展你应该已经深刻认识到种子不仅仅是图片的“身份证号”更是AI绘画创作中控制构图与灵感的“导航仪”。主动筛种是将创作主动权从“随机性”手中夺回的关键一步。本文的核心收获可以总结为三点思维转变从“抽到好图后固定种子”变为“为了找到好种子而批量生成”。流程固化掌握了“简洁勘探词 - X/Y/Z图表批量生成 - 网格化视觉筛选 - 记录优质种子 - 固定种子深化”这一高效工作流。理解深化明白了种子与提示词、模型等其他参数的协同关系知道了种子的能力边界。接下来你可以探索的方向深入ControlNet学习如何使用Canny、Depth、OpenPose等ControlNet模型对筛种得到的构图进行更精细、更强大的控制。研究模型特性不同模型对同一提示词和种子的响应差异巨大。尝试为你常用的模型建立专属的“优质种子库”。探索动态提示词在批量筛种时使用动态语法如__pose__来自动替换关键词一次性勘探更多变量组合。自动化工具了解一些SD插件或外部工具它们可以帮助你更智能地管理、筛选和评分海量生成结果。筛种是AI绘画从“玩一玩”到“搞创作”的分水岭。它需要一些前期的耐心和练习但一旦掌握你将能稳定地输出符合自己审美和构思的作品。建议你将此页收藏并在下次开始一个新的AI绘画项目时刻意地实践一遍这个流程。很快它就会成为你肌肉记忆的一部分。