我为什么开始折腾AI画图

先说背景。我是做独立站的，平时需要配图、做产品展示图、写文章封面图。以前要么去Shutterstock买图（一张几美金，心疼），要么自己用Canva凑合。今年初我开始认真试AI生图，前后折腾了半年，把市面上主流的几个工具全用了一遍。

说实话，这个过程没有我想象的那么"AI魔法"。每个工具都有自己的脾气，有的出图漂亮但贵得离谱，有的免费但得你自己搭环境调参数。这篇文章就是把我踩过的坑和觉得有用的经验写出来，给正在纠结选哪个工具的人一个参考。

先说结论放在前面：没有完美的工具，只有最适合你当前需求的工具。

Midjourney：效果最好，但也是最折腾的

如果你在社交平台上看到那种"一眼惊艳"的AI图，大概率是Midjourney生成的。它的审美感确实领先其他工具一个档次——光影处理自然、构图有呼吸感、细节丰富但不杂乱。

好的地方

我刚开始用Midjourney的时候，第一感觉是"这人太会打光了吧"。不夸张地说，它对人像、场景、氛围的把控是目前所有工具里最好的。举个例子，我让它生成一张"清晨雾中山间木屋"（a wooden cabin in the misty mountains at dawn），第一版出来的图我直接拿来做网站hero图了，完全不需要后期处理。

另一个让我服气的是它的风格一致性和美学底线。你给它随便写一段prompt，它在绝大多数情况下不会给你一张丑图。这对不太会写prompt的新手很友好。

具体来说，Midjourney在以下几个场景表现特别突出：

产品视觉设计。 比如你要做一个咖啡品牌的视觉物料，它能帮你生成很有质感的产品图、包装效果图、场景图。虽然不能直接商用（需要订阅Pro计划），但用来找方向和做灵感参考非常好用。

概念艺术和游戏美术。 它的幻想风格、科幻风格输出极其稳定，很多独立游戏开发者用MJ做角色概念设计和场景原画。

建筑和室内设计。 对材质和光照的还原度很高，用来做室内风格参考、建筑效果图前期的概念方案很实用。

让人头疼的地方

首先，你得用Discord。这一点劝退了很多人。每次生图你得打开Discord，找到MJ的服务器或者自己的Bot，在聊天框里输指令。它不像一个正常的软件，更像是在跟一个机器人对话。我一开始真的不适应，后来习惯了也觉得这个交互方式有点离谱——都2026年了，连个正经网页UI都没有。

其次，贵。最基础的Plan是10美金一个月（200张图），但如果你真的要用，基本得上标准版30美金（15小时快速模式）。我用了两个月就停了，不是因为效果不好，是因为每个月多出这笔钱有点肉疼。

还有就是Midjourney生成的人体结构有时候会翻车。手指数量不对这种老问题已经在V6和V7版本好了很多，但偶尔还是会出来一些诡异的多关节手臂，或者眼神涣散的人像。虽然不常发生，但一旦出现就很出戏。

另外它的prompt理解能力其实不如DALL-E 3精确。如果你给它非常具体、多步骤的指令（比如"一个穿红色连帽衫的小男孩，左手拿一个气球，背景是旋转木马，暖色调，胶片感"），它可能会在某个细节上跑偏，比如气球的位置不对或者颜色变了。

实际使用的tips

  • V7模型在写实风格上有巨大飞跃，如果你追求逼真效果，建议默认用V7
  • –style raw参数可以减少Midjourney默认加上的审美滤镜，适合需要更"中性"风格的场景
  • –sref参数可以引用其他图片的风格，用来做系列图非常方便
  • 重绘（Vary Region）功能在实际修图中用得多，但精度还是不如PS AI那么可控

DALL-E 3：细节控的快乐工具

DALL-E 3现在直接集成在ChatGPT Plus里，所以我其实是因为已经订阅了ChatGPT（20美金一个月），顺便就把它当主力生图工具用了。

最大的优点：prompt理解能力无敌

如果说Midjourney生图靠"审美直觉"，那DALL-E 3生图靠的是"阅读理解"。你可以给它非常复杂的指令，它基本不会遗漏细节。我做过一个测试，写了一段120个词的prompt，描述一个场景里有主角、配角、多个物体、特定光照条件和氛围——DALL-E 3几乎完全还原了。换Midjourney，同样的prompt出来的结果至少有三个细节不对。

这也是为什么我觉得DALL-E 3特别适合做具体产品图和信息图。比如你需要在图片里放一段文字，或者需要让主体在指定位置、做指定动作，DALL-E 3的稳定性和可控性是最好的。

另一个很实用的场景是修改局部内容。在ChatGPT的对话界面里，你可以直接说"把背景换成夜晚"“把红色的包改成蓝色”，它会记住上下文并重新生成。这种对话式的修图体验在Midjourney里是做不到的，你每次都得重新写prompt。

缺点也很明显

风格太"标准"了。你用DALL-E 3生十张图，八张图能看出来是AI生成的——就是那种过度平滑、没有颗粒感、色彩饱和度偏高的"AI味"。虽然OpenAI在不断改进，但跟Midjourney比，它的图缺乏那种"有灵魂"的感觉。

另外DALL-E 3生成的图片分辨率偏低，默认是1024x1024，放大之后细节不够。虽然现在有HD模式和一些第三方放大工具可以补救，但总归多了一个步骤。

还有就是内容限制很多。OpenAI的安全策略是所有AI生图工具里最严的，很多prompt会被拒绝。我遇到过的情况包括：生成"一个戴眼镜的教授在讲台上"被拒绝（说是可能涉及真人形象），生成某类风格化的艺术字被拒绝（说是可能被用于伪造），甚至生成一张"复古咖啡馆"也被触发安全审查（不知道为什么）。这种不可预测的拒绝挺让让人崩溃的。

ChatGPT Plus用户的一个小心得

省钱小技巧： 如果你还没有 ChatGPT Plus，可以通过 这个链接 注册。如果你经常需要生成图片和写文章，Plus 的 20 美金一个月真的很值。

如果你已经在用ChatGPT Plus，那么直接用DALL-E 3基本是零成本再投入，性价比很高。而且两边结合得很好——你先让GPT帮你写prompt，然后直接让它生图，一气呵成。

不过实话实说，如果我只是为了生图，我可能不会单独订阅DALL-E 3。它更适合作为ChatGPT的一个附赠能力来使用，而不是一个独立的生图工具去订阅。

Stable Diffusion：免费但要命

Stable Diffusion是让我又爱又恨的一个。爱的是它免费、开源、可以本地跑；恨的是你要让它在你的电脑上好好工作，得先修炼成半个运维工程师。

为什么我最终决定折腾它

核心原因就两个字：可控。

Midjourney和DALL-E 3都是黑箱——你输入prompt，它吐图片，中间的过程你完全无法干预。但SD完全相反，几乎每个环节你都可以控制：用什么模型（checkpoint）、用什么采样器（sampler）、每一步的噪声是怎么处理的（CFG scale、denoising strength），甚至你可以精确控制构图（ControlNet）。

我在做产品图的时候遇到一个很实际的问题：我需要同一个产品在不同背景下的预览图。用MJ或DALL-E 3，每次生成的"同一个产品"长得都不太一样——颜色、形状、角度都会有偏差。但用SD+ControlNet+IP-Adapter，我可以把一张产品照片作为输入，让AI保持它的主体不变，只换背景和光照。这对于电商场景太重要了。

你需要面对的"折腾"

说实话，如果你不是那种喜欢研究技术的人，我不建议你从Stable Diffusion开始。因为你要面对的是：

环境配置。 虽然现在有Stability Matrix、ComfyUI这些一键安装包，但你还是得理解什么是Python环境、什么是模型文件、怎么管理checkpoint。我第一次装的时候踩了CUDA版本不兼容的坑，花了两天才搞定。

模型选择。 CivitAI上有十几万个模型，每个模型擅长不同风格。你可能要花很多时间下载、测试，找到适合你自己的。我的SSD被SD模型塞满了将近80G，这都不算夸张的。

出图不稳定。 同样的prompt、同样的参数，在不同模型上出来的效果天差地别。而且即使你用同一个模型，seed不同结果也完全不一样。这导致如果你想复现某张图的风格，需要记录一堆参数，非常繁琐。

硬件要求。 在我的MacBook Pro（M2芯片）上，一张1024x1024的图要跑40秒到1分钟。如果你想快速迭代prompt，这个速度会让效率大打折扣。用PC的话3080以上的显卡体验会好很多。

免费替代方案

如果你是Windows或者有N卡，我觉得SD值得花时间学一下长期使用。但如果你就是偶尔生几张图，以下几个免费替代品可能更适合你：

Bing Image Creator。 其实就是DALL-E 3的免费版，用微软的账号就能用，每天送一定额度的免费生成次数。效果跟DALL-E 3一样，就是速度慢一点，有时候还排队。胜在免费且不用翻墙。

Leonardo.ai。 它底层基于Stable Diffusion做了二次开发和优化，网页版直接就能用，不需要本地配置。每天送150个免费token（够生成几十张图）。它的模型训练功能也挺好用，你上传十几张同风格的图片就能训一个自己的模型出来。这个是我推荐给新手用的免费工具——效果不错，上手简单，不用配置环境。

Playground AI。 也是基于SD的网页版，每天免费生图不限次数（但有限速），适合刚开始玩AI生图的人。它的界面像是一个简化版的Photoshop，有图层、有编辑功能，边角修图体验比纯prompt生图好很多。

Clipdrop（Stability AI官方）。 Stability AI官方出的在线工具，有SDXL Turbo，生成速度极快，两三秒一张图。免费版有水印，但有日限额。

SeaArt。 中国团队开发的一个SD聚合平台，整合了很多社区模型，可以直接在线用各种风格模型。免费额度挺多的，而且界面是中文，对国内用户比较友好。

三款工具的横向对比

说完了各自的体验，我整理了一个比较直观的对比。不做评分，因为每个工具在不同场景下表现不一样，打分容易误导。

出图质量

Midjourney整体最高，尤其是在"美学感"这个维度上。它的默认输出就是一张可以直接用的图。DALL-E 3在逼真度和细节准确度上表现很好，但风格偏标准化，缺少Midjourney那种"艺术家"气质。Stable Diffusion的上限很高——高到可以碾压Midjourney——但前提是你得会用LoRA和好的模型，下限也低得吓人，新手用默认模型生出来的图可能没法看。

可控性

SD完胜。ControlNet、LoRA、inpainting、outpainting这些工具让你可以精确控制每个环节。DALL-E 3在理解复杂prompt上表现最好，但一旦生成了，你只能重来或者小幅修改。Midjourney的可控性介于两者之间——Vary Region可以局部重绘，Remix模式可以微调，但总体还是偏黑箱。

性价比

如果你的使用频率是每周几十张图，Stable Diffusion本地跑是0成本。DALL-E 3如果你已经有ChatGPT Plus订阅，算是附带福利。Midjourney的付费门槛最高，但对于需要高质量出图的设计师来说，10-30美金一个月其实不算贵——一张Shutterstock的图就要两三美金了。

上手难度

DALL-E 3最简单，有什么想法直接说就行了。Midjourney需要学一点prompt语法和参数，但一周就熟了。SD的上手难度最高，你需要理解模型、采样器、CFG这些概念，而且你最好有一块还可以的显卡。

我的推荐策略

说了这么多，最后分享一下我现在实际在用的搭配方案。这里没有正确答案，完全取决于你的具体需求。

场景一：你在做自媒体、写博客、做社媒图 如果你预算有限，最推荐用Bing Image Creator（免费）+ Canva（修图排版）。Bing Image Creator出图够用，配合Canva加字调色，已经能应付大部分社媒场景的需求了。如果你有预算，上一份ChatGPT Plus，用DALL-E 3生图，效率更高，而且还能用GPT本身的文本能力。

场景二：你是设计师、做商业视觉 建议**Midjourney + Photoshop（带AI功能）**的组合。MJ出概念图，PS后期精修。这一套下来虽然每个月要花50-60美金（MJ 30 + Adobe 20+），但产出质量对得起这个投入。

场景三：你在做电商，需要大批量、风格一致的产品图 没有别的选择，Stable Diffusion是唯一能搞定这个场景的工具。ControlNet保主体一致性，inpainting修细节，LoRA控制风格。前期投入的学习成本很高，但一旦你把这个流程跑通了，每一天省出来的时间就值回票价了。

场景四：你只是想随便玩玩 直接Playground AI或者Leonardo.ai，免费注册就能用，什么都不用装。出几张图发个朋友圈、做个头像绰绰有余。

最后说几句

AI生图这半年的发展速度真的挺吓人的。我在写这篇文章的过程中，Midjourney V7上线了，DALL-E 3的更新也很频繁，开源社区那边SDXL的LoRA模型质量和数量都在爆炸式增长。我现在也说不准再过半年格局会变成什么样。

但我自己的一个感受是：工具之间的差距在缩小，真正拉开差距的已经不是"哪个模型更强"，而是你能不能用好它。Midjourney的高手和菜鸟用的完全是同一个模型，但出图质量天差地别——差距在prompt设计、在迭代思路、在后期处理上。

所以如果你刚开始玩AI生图，不用纠结选哪个工具，随便选一个上手用起来就行。先用满1000张图，再回头看我上面写的这些东西，你会有完全不一样的理解。

部分链接是联盟链接，通过这些链接购买，我可能会获得少量佣金。价格对你来说是一样的。