从扩散到 agent，一套生图流程怎么搭

一张 1024 的图，报价从几毛到几分钱差出百倍——但便宜的未必省钱。一位工程师把过去几年的生图实践写成笔记，结论是：管线里最贵的东西从来不是单价，是重试次数。

一、这是一篇什么笔记

先定口径：这是 danielball.com 上的个人博客笔记，作者自述基于亲身实验，以下流程均为作者自述经验，不是行业共识。

笔记梳理了两类模型的分野：一类是扩散模型，训练时学去噪、生成时从噪声逐步还原，优点是便宜、可本地跑、能靠随机种子复现；另一类是把生图装进语言模型的多模态模型，指令遵循好、能正确渲染文字，但多数没有种子控制、尺寸固定。作者的判断是，两者真正的区别不在数学，在模型对语言的理解深度。行业背景按笔记所述：2022 年 Stable Diffusion 开源引爆了微调社区，2025 年起对话式编辑的图像模型把单张成本打到几分钱美元，2026 年老一代接口开始关停。

二、跟你有什么关系

批量出图的人：作者给出的算账方式值得抄——每张可用图的成本等于单价乘以尝试次数，再加上你的时间。免费本地模型试十次，可能输给一次命中的三分九厘。

要把生图接进产品的人：模型会在几周通知后就退役，参数会被悄悄忽略。笔记反复强调：模型名放进配置文件，不要写死在代码里。

用 agent 做设计的人：agent 擅长写提示词和评判结果，但不该让它管精确排版——这是整篇笔记的分界线。

三、怎么用

1. 分清活给谁干。作者的哲学是：AI 擅长回答「这应该长什么样」，不擅长「把这个精确放进那个格子里」。去背景、缩放、调色板、拼合、精确文字，全部用普通代码做——免费、快、结果确定。价格和日期这类必须一字不差的文字，生成时留空，事后代码叠字。
2. 提示词写「怎么拍」，不写「长什么样」。作者的经验是描述相机位置、镜头、印刷工艺，而不是堆「超高清」「细节拉满」这类词；要的文字放引号里，并明说逐字拼写；一次生成两三张变体，比反复改提示词便宜。
3. 把生成当慢任务设计。放进任务队列别阻塞请求，失败重试用指数退避，但内容审核拒绝视为终局不再重试；按提示词加参数的哈希缓存结果，设每用户限额——agent 场景下不设预算上限，它会无限重试烧钱。
4. 单测不花真钱。测试环境用返回固定图像的假 provider，真实接口只留一个小的冒烟测试。

四、三个别信的说法

「模型越新越好，直接用最贵的。」 笔记的价格表里，最便宜和最贵差百倍，但真实成本取决于命中率。批量场景选低价模型配代码后处理，往往才是总成本最低解。

「AI 图和真图一眼就能分出来。」 作者的观察是，破绽已经从手指和拼写转移到了「品味」——光晕太多、戏剧性太满、不允许任何东西平淡。想不像 AI，先学会允许平淡。

「接口稳定，可以放心耦合。」 这份笔记里记录的日常包括：端点说变就变、参数被无视、种子被拒收。薄封装加日志，是唯一让你三个月后还能换供应商的办法。

五、一句话结论

生图管线的胜负手在接缝处：AI 管创意，代码管精确，人管品味——三样别混着用。

信息来源

• danielball.com：AI 图像生成实用笔记（作者个人博客）（2026 年 10 月 20 日）

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。