LiblibAI 怎么用？在线跑模型全流程

在本地跑 AI 绘画模型，光环境配置就能拦住大部分人。LiblibAI 把这件事搬到线上：模型社区、在线生图、模型训练、工作流编辑，四件事覆盖了从选风格到精细控制的完整链路。这篇按「先用起来、再学深」的顺序拆讲全流程，涉及额度与功能入口的部分写通用形态，具体以官方最新版本为准。

平台的四件事分别解决什么问题

找模型解决「用什么风格」：社区里有大量模型和 LoRA，按风格、用途筛选，看别人出图挑合眼缘的。在线生图解决「不用本地部署」：浏览器里完成出图，不依赖自己的显卡和环境配置。训练模型解决「要自己的风格」：用自己准备的一批图训练专属模型或 LoRA。工作流解决「要精细控制」：把出图过程拆成节点，逐步控制构图、重绘幅度这类变量。四件事对应四个深度，多数人用前两件就够了。功能入口和计费方式随版本调整，写这篇时的通用流程，具体以官方最新版本为准。

第一次用：跑通一次比研究清楚重要

建议路径：挑一个现成模型，写一段描述，出一张图，改一次描述再出一张。跑通这个循环，你对「模型、提示词、出图」三者的关系就有体感了，比先看三天教程有效。第一次挑模型不必追求一步到位，选出图示例和你目标接近的就行。卡住时优先检查两处：描述是不是太短、模型风格是不是和你的目标差太远，绝大多数新手问题出在这两处。

基础模型和 LoRA 怎么选

基础模型决定整体画风和基础能力，LoRA 是叠加在基础模型上的补充件，负责特定风格、特定角色或特定元素。选择顺序是先定基础模型再看 LoRA，不要反过来——LoRA 换得勤，基础模型决定下限。判断依据优先看出图示例：用同一个模型的其他使用者的实际出图，比模型简介和标签可靠得多，简介写得再好，示例风格不对就直接跳过。

叠加 LoRA 时一次只用一个变量验证：先确认基础模型出图满意，再加 LoRA 对比前后差异。一上来叠加两三个，效果好了不知道该归功谁，效果差了也不知道该撤哪个。

在线生图和本地部署怎么权衡

在线生图省去环境配置，按平台规则计费或计额度，适合出图频率不稳定、不想折腾硬件的人；本地部署一次投入硬件，之后出图没有单次成本，可控性和私密性更好，适合量大、需要接自有流程的场景。具体额度与计费方式以官方最新版本为准。一个常用的判断动作：先在线跑一两个月，如果出图量大到计费明显上升，再评估硬件投入是否划算，不要倒过来先买机器再想办法消化。

从生图到工作流的进阶顺序

四件事不必一次学全。常见进阶顺序是：生图跑顺后，把常用的提示词结构和参数整理成自己的模板，这属于零成本的记忆固化；之后再学工作流，把出图流程拆成节点做精细控制；训练模型放最后，它需要准备成批的训练图，而且训练目标要明确——没有稳定的风格需求时，训练是高成本低回报的环节。训练的算力消耗与费用规则，同样以官方最新版本为准。

新手容易踩的坑

三个高频坑。一是只堆提示词不换模型：描述写了几百字效果还不对，多半是基础模型本身不对路，换模型比继续加词有效。二是同时改太多变量：模型、提示词、参数一起动，出了好结果也不知道该归功谁，一次只改一个变量。三是把别人的出图参数当万能配方：参数和模型、图像比例绑定，脱离上下文照抄经常翻车。让 AI 帮忙时，把你的创作目标、当前用的模型类型和翻车现象描述给它，让它按变量逐个排查，比闷头重试快。

对号入座后照「建议起点」走，走偏了对照「判断标准」一列修正。

LiblibAI 上手速查

• 顺序：生图、模板、工作流、训练
• 挑模型看出图示例，不只看简介
• 一次只改一个变量
• 额度与计费以官方最新版本为准

三个常被问到的问题

• 出图比例和清晰度怎么定？：先想用途再定参数：做封面竖图优先，做横幅横图优先。比例变了提示词结构往往也要微调，不要只改尺寸不调描述。
• 想复刻别人某张图的效果，从哪入手？：先判断画风出自哪类基础模型，再从描述、参数、LoRA 三个变量里逐个对照试，一次改一个，别整包照搬。
• 生成记录和参数怎么管理？：把满意的出图连同提示词、模型、参数一起归档，按项目或风格分文件夹。回头复盘时，这批记录比记忆可靠。

写生图提示词的方法，可以借文字侧的经验：DeepSeek 官方提示词库的改编三动作讲的就是怎么把现成模板改成自己的。复杂创作任务想先理清思路再动手，深度思考模式的开启时机给了判断标准；常用的出图配置想沉淀下来让工具记住，扣子 Coze 的数据库用法是同一类需求；生成记录多了要整理归档，DeepSeek 历史记录的管理思路可以直接迁移。