我們熱衷探索 Stable Diffusion 是因為它的開源生態與極大的自由度和控制力。盡管 Stable Diffusion 在圖像控制精度上遠超 Midjourney，但其復雜操作流程總讓創作者望而卻步。

然而，最近情況出現了轉機。開年以來，DeepSeek 因其最新發布的 R1 推理模型極其強大的推理認知能力席卷全球科技圈——它不僅登頂中美應用商店下載Top榜，更被黑神話悟空的制作人馮驥稱為“國運級科技成果”。

我們看了網上各位大神們的文章，發現他們利用 DeepSeek 強大的認知能力，不斷將 Stable Diffusion 的操作門檻降低。站在大佬們的肩膀上，我們進一步嘗試并成功借助 DeepSeek 的「聯網+推理」能力讓 Stable Diffusion 中布置 ComfyUI 工作流 和 煉制 LoRA 模型兩大環節變得簡單而高效。

更多DeepSeek運用干貨：

一、速通 ComfyUI 工作流

ComfyUI 節點繁多，連接復雜。選擇合適的節點并了解其連接與設置方法需要大量相關知識，這無疑極大抬高了 ComfyUI 的使用門檻。并且由于各節點，插件更新頻率不統一，且迭代較快，使得教程過時的速度很快，數月前新推出的教程，現在就可能由于節點更新而無法完全適配。因此我們可以利用 DeepSeek 的信息檢索能力讓他快速輔助我們搭建出合理的工作流。

目前 DeepSeek 大模型已接入多個平臺，我們可以選擇任意一個支持聯網搜索的平臺進行使用。

目前，主流的工作流創建有兩種方法，一種是直接使用現成的工作流 json 文件進行導入，另一種是手動連接節點。我們在多次嘗試后發現 DeepSeek 并不能寫出完整可用的工作流 json 代碼。這可能是因為工作流的代碼規范復雜，且網絡上可參考的代碼較少，導致生成代碼質量較低，格式不規范。

因此我們通過讓 DeepSeek 描述節點連接方法的方式輔助我們進行工作流的手動搭建。

對于指令，我們按照 “任務+要求+補充” 的結構化方法進行描述，如果需要搭建的流程是基于特定環境或情景，也可以加上對指令背景的描述。

因此我們給出如下指令：

“我要在 ComfyUI 上搭建文生圖工作流，讓我可以輸入提示詞生成對應描述的圖片（任務），并且詳細說明每個節點的各接口是否空置或與哪個節點連接（要求），并且詳細說明連接完畢后這個工作流如何使用，可以如何進行調節（補充）”

可以看到 DeepSeek 給出了一個整體的節點連接順序，并且對每個節點該如何連接進行了詳細描述

接下來我們在 liblib 去嘗試進行工作流搭建，首先我們按照 DeepSeek 的描述，搜索“Checkpoint Loader”，添加對應節點，并按照描述進行連接。

最后我們輸入正面和負面提示詞進行測試，可以看到，DeepSeek 完整實現了文生圖的一個工作流的搭建，并且可以正常運行并生成圖片，極大降低了新手的入門門檻。

二、高效打標簽，速通 LoRA 模型煉制

之前，在煉制 LoRA 模型的時候，所花費時間最多的部分就是給圖片打標簽的部分。官方自帶的打標簽算法大部分時候在主體物非人物的情況下，出來的標簽經常和主體圖相差十萬八千里。因此，這大多數這種情況需要我們采用手動標注的方式。而底模（Checkpoint）如果迭代了，那就意味著我幾乎需要把所有的流程重新走一遍。帶來的重復工作量可想而知。

而這一切在飛書多維表格接入 DeepSeek 改變了。前兩天看了卡茲克大佬的文章 《接入了 DeepSeek 后的飛書，強大到我有點陌生》，里面提到了借助飛書的多維表格，再結合 DeepSeek 的推理能力可以批量輸出內容。這里我就聯想到了，是否可以借助這樣的方式，將打標簽這一環節變得簡單。

我們做的這個模版就在這里，大家可以自行使用哈：
https://acn3dfl2e25a.feishu.cn/base/AfDAbOK2bap0oqs9JcUcF7tPnTd?from=from_copylink

基本就是在第二列上傳需要打標簽的圖片。之后，在表頭為「描述」的列中，借助字節的「AI 圖片理解」模塊識別圖片的內容并進行描述。之后，在「xx 提示詞」的列中，使用「DeepSeek 大模型」并要求其根據「描述」列中給出的描述內容，生成提示詞。

這里需要注意的是，在寫描述需求的時候，最好加上「生成英文提示詞」，如果沒有英文的話，大概率會有幾個提示詞給出中文的，雖然可以點擊進行翻譯，但也是非常麻煩的，目前多維表格針對由 DeepSeek 生成的內容是不支持修改的，哪怕只是改動翻譯。

完成后，將提示詞復制/導出，并以數據集的形式導入煉丹爐就好啦，具體煉丹詳情可見這一篇《只要三分鐘，讓你快速掌握 SD-LoRA 模型煉制的基礎知識》

結尾

這次將 Stable Diffusion 和 DeepSeek 的成功結合，確實讓我們感到無比振奮。過去，AI 在設計領域的應用往往是碎片化的，需要人工在不同工具之間來回切換和協調。而這次嘗試，仿佛為我們打開了一扇新的大門，預示著 AI 全流程設計時代的已悄然降臨。

這讓我想起了一個關于荷花的故事：在一個空池塘里，荷花每天以翻倍的速度生長，第一天 1 朵，第二天 2 朵，第三天 4 朵……直到第30天，池塘被完全填滿。那么，池塘被填滿一半是在哪一天呢？答案是第29天。

這個故事似乎也在暗示著我們當下的處境——AI技術的進步并非一蹴而就，而是以指數級的速度悄然積累。

或許，我們正站在第 29 天的門檻上，眼前的一切只是冰山一角。

真正的爆發，可能就在不遠處。