我最近在搞AI绘画，本来想用Midjourney或者Stable Diffusion在线版，但总感觉不够自由，数据也不安全。刚好看到Gemini最近更新了API接口，支持更灵活的工具调用，我就琢磨着能不能把Gemini和本地部署的Stable Diffusion WebUI（也就是SD WebUI）联动起来，结果还真让我跑通了，而且几乎零成本。今天就来分享一下我的实战心得，顺便吐槽几个坑点。对了，我的个人博客c.myliang.cn上有更多详细步骤，但论坛里我就重点讲体验。

先说背景吧。SD WebUI我是在自己电脑上本地部署的，用的是Automatic1111的版本，配置要求不算太高，我的RTX 3060显卡就能跑起来。Gemini这边，我用的是Gemini Pro的API，通过Google的云服务申请了免费额度（每月有几万次调用，够我玩了）。联动的核心思路是：用Gemini处理文本提示（prompt），生成优化的描述，然后自动发送到SD WebUI生成图片。这样不用自己手动写prompt，省时省力，尤其适合我这种prompt写得烂的人。

第一步是环境搭建。我先在本地装好了SD WebUI，下载模型文件，跑起来测试一下。SD WebUI的启动命令很简单，就是python launch.py --listen，这样就能通过本地IP访问了。Gemini这边，我用的是Python的google-generativeai库，安装命令是pip install google-generativeai。然后申请API密钥，在Google Cloud Console里操作，过程有点繁琐，但网上教程一堆，我大概花了半小时搞定。这里提醒大家，Gemini的API文档挺全的，但有些细节需要自己摸索，比如温度参数（temperature）设置，我试了几个值，发现0.7左右效果最自然，太高了图片会乱七八糟。

联动方式我选了简单的HTTP请求。SD WebUI有API接口，默认端口7860，我通过Python的requests库发送POST请求。Gemini生成prompt后，我用脚本自动填充到SD WebUI的API里，生成图片后保存到本地文件夹。整个流程自动化了，从文本输入到图片输出，大概5-10秒，比我手动写prompt快多了。举个例子，我输入“一只在城市街头吃汉堡的猫”，Gemini会优化成“一只毛茸茸的橘猫，戴着墨镜，站在霓虹灯下的街头，手里拿着汉堡，背景是高楼大厦，超现实风格，高细节”。然后SD WebUI生成图片，质量出奇地好，猫的表情特别生动。

再来说说具体配置。我把整个联动脚本写成一个Python文件，大概100行代码，核心部分是这样：先调用Gemini API生成prompt，然后构建SD WebUI的payload，包括steps（步数，我设为20）、sampler（采样器，用Euler a）、cfg_scale（提示词相关性，设为7）。生成图片后，脚本会自动重命名文件，按日期和prompt关键词保存。这样整理起来方便，不会乱。我试了几个场景，比如风景、人物、抽象艺术，Gemini的提示优化能力很强，尤其是处理复杂描述时，比如“夜晚的森林，萤火虫飞舞，月光洒下”，生成的图片细节丰富，比我直接写prompt效果好30%以上。

但也不是没踩坑。第一，API调用延迟。Gemini的响应有时候慢半拍，尤其是高峰期，我试过一次等了15秒才返回prompt，卡顿感明显。解决办法是加了个重试机制，如果超时就用默认prompt。第二，SD WebUI的API稳定性。本地部署的GPU负载高时，API请求有时会失败，我试过一次生成过程中断，图片只生成了一半。后来我把GPU超频调低了，问题少多了。第三，成本问题。虽然Gemini免费额度够用，但如果批量跑，还是得注意配额，我一天跑50张图没问题，再多就得花了。另外，SD WebUI的模型选择影响大，我用的是Stable Diffusion 1.5，换成2.1版本后，图片风格更现代，但生成时间多了2秒。

表格部分来了，我整理了一个对比表格，展示不同配置下的效果差异。数据都是我实测的，基于10次生成取平均值：

| 配置项 | 参数值1 | 参数值2 | 参数值3 | 效果描述（个人感受） |

|—————|——-|——-|——-|——————-|

| Gemini温度（temperature） | 0.5 | 0.7 | 0.9 | 0.5时prompt太保守，图片平淡；0.7最平衡，创意和真实兼顾；0.9时图片夸张，适合艺术风格，但可能跑偏 |

| SD WebUI步数（steps） | 10 | 20 | 30 | 10步快但细节少，20步性价比高，30步质量好但时间长（多5秒） |

| CFG Scale（相关性） | 5 | 7 | 9 | 5时图片自由但可能偏离prompt；7**，贴合描述；9时太粘prompt，缺乏惊喜 |

| 生成时间（秒） | 3 | 5 | 8 | 步数和CFG影响时间，我一般选20步+7 CFG，平均5秒一张 |

从表格看，我推荐日常用0.7温度+20步+7 CFG，平衡速度和质量。如果你是新手，可以先从低配置试起，避免GPU过热。

再聊聊实际应用场景。我用这个联动做了几个项目，比如给朋友设计头像。输入“一个穿西装的程序员，拿着咖啡，在办公室加班，疲惫但专注”，Gemini优化后，SD WebUI生成了4张变体，我挑了一张最满意的，朋友直呼专业。还有一次，我想做海报，prompt是“未来城市，飞行汽车，霓虹雨夜”，结果图片效果超预期，我直接用在线工具c.myliang.cn处理了分辨率，但主要工作还是本地完成的。总的来说，这个联动让我从“AI绘画小白”变成了能批量出图的效率党，省下了买商业软件的费用。

缺点吐槽：不是所有prompt都能完美优化。有一次我输入“抽象画，红色和蓝色碰撞”，Gemini生成的描述太具体，结果图片像写实风景，偏离了我的意图。我后来手动调整了Gemini的输入，加了“保持抽象”关键词，才搞定。另外，本地部署对电脑要求高，我的旧笔记本跑不动，只能用主力机，这点有点麻烦。

最后总结一下，这个联动技巧真的很实用，从新闻看，Gemini最近在工具调用上更新频繁，估计未来会更无缝。建议大家从简单场景入手，多测试参数，别怕踩坑。如果有问题，欢迎在论坛讨论，我后续会分享更多脚本代码。总之，零成本跑通AI绘画，让我对Gemini生态更有信心了！