Krita AI Diffusion模型配置六步法：从空模型目录到第一张AI成图

Krita AI Diffusion模型配置六步法：从空模型目录到第一张AI成图

【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion

当你把 Krita AI Diffusion 插件装好，满怀期待地写下第一句提示词，点击生成，却弹出一行“找不到模型”的英文报错时，那种挫败感大概每个新手都经历过。作为在 Krita 中直接进行 AI 绘画与局部重绘（Inpaint / Outpaint）的开源插件，Krita AI Diffusion 的设计目标就是“少调参、快出图”，而模型配置正是决定这个体验是否成立的关键一环。这篇文章不堆术语，而是用六个步骤带你走完一条从零到出图的完整路线：先认识模型的构成，再做硬件与后端选型，接着批量拉取模型、正确归位，最后学会看日志、查报错、共享模型库。每一步都对应新手最容易卡壳的真实场景，照着走，基本不会迷路。

第一步：先弄清一次AI出图到底依赖哪些模型

很多人的误区是把“AI模型”当成一个孤零零的大文件，于是下载时只盯住某个 checkpoint，装完却发现还是报缺模型。实际上，一次正常的生成是好几类模型协同工作的结果，它们各有分工：

你可以把这条流水线想象成一家小型工作室：主模型是导演，负责审美与构图；文本编码器是翻译官，把你的话转成机器语言；VAE 是冲印师傅，把“底片”洗成照片；ControlNet 则是分镜脚本，把构图和动作锁死。任一个环节缺席，成片都出不来。

以姿态控制为例，下图展示的就是 ControlNet 模型的典型应用——你只需要摆好骨架节点，AI 就会严格照着动作生成人物，这在角色设计里非常实用：

所以当插件提示“模型缺失”时，先别慌着重新下载同一个文件，而是要确认整条链路里到底哪一环没就位。这也是后面所有排查工作的前提。

第二步：三分钟硬件体检，决定你适合哪种运行方式

本地跑 AI 绘画对硬件有明确的下限要求，先对照下表看看自己的机器属于哪一档：

⚠️ 装机前记得确认两件事：一是 GPU 驱动必须更新到较新版本；二是磁盘要留够空间——模型普遍不小，10GB 只是底线，装了多个模型后占用 50GB 以上非常常见。

硬件确认后，还要在三种后端运行方式里选一种。插件配置界面里会直接给出这三个选项：

如果你只是想稳定地把图画出来，本地托管服务器是性价比最高的选择；如果你对隐私和可玩性有更高要求，再考虑自建 ComfyUI。需要提醒的是，Windows 商店版、Steam 版 Krita 以及 Linux 下的 Flatpak 版本在安装 Python 组件时可能受限，建议使用 Krita 官方渠道的安装包。

第三步：用一条命令把模型仓库“搬”回本地

选好后端之后，最让新手头疼的就是“模型到底去哪儿下、下哪些”。其实项目早就替你考虑好了：仓库里自带一个模型下载脚本，会按照插件需要的版本、文件名和目录结构，把模型批量拉取到指定位置。

先克隆项目仓库，然后安装脚本依赖并执行：

git clone https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion cd krita-ai-diffusion python -m pip install aiohttp tqdm python scripts/download_models.py --recommended /path/to/your/comfyui

如果你使用的是插件自带的托管服务器，这个脚本也随插件一同安装，在插件目录的ai_diffusion文件夹里同样能找到，原理完全一致。

脚本最贴心的地方在于自动识别硬件：它会检测你的显卡，NVIDIA 的 Blackwell 新卡会自动选择 FP4 量化版本模型，其他情况则会匹配普通 CUDA 或 CPU 版本，不用你自己猜该下哪套。常用参数如下：

下载过程自带断点续传和失败重试，即使网络不稳也能扛过去。如果你在国内、直连下载缓慢，还可以通过环境变量AI_DIFFUSION_DOWNLOAD_URL把下载地址替换成镜像源，速度会有明显改善。

如果你更习惯图形界面，也可以直接在插件的连接设置里打开 Manage 面板，勾选需要的工作负载（Workload）后一键安装，下载和放置都由插件完成。界面大致是这样的：

两种方式殊途同归，选择顺手的即可。特别提醒：--all会拉取非常庞大的模型集合，第一次使用建议先用--recommended跑通流程，再按需补充。

第四步：把模型放进ComfyUI认得的目录里

模型下载到本地后，并不意味着插件就一定能找到它们——文件必须放在正确的位置。ComfyUI 会在models目录下按类型查找，常见的子目录包括：

your_comfyui_root/models/ ├── clip_vision/ # CLIP Vision 模型 ├── controlnet/ # ControlNet 模型 ├── ipadapter/ # IP-Adapter 模型 ├── inpaint/ # 修复专用模型 ├── upscale_models/ # 放大模型 └── loras/ # LoRA 微调模型

有几个细节新手容易踩坑：第一，文件名必须包含插件要求的搜索关键词（比如clip-vision_vit-h.safetensors），只换个任意名字就可能识别不到；第二，文件可以放在这些目录下的任意子文件夹里，插件仍能递归找到，但多个匹配时位于krita子文件夹内的文件会被优先使用，这是官方刻意留出的“优先通道”。

如果你已经有了一批存放在其他位置的模型，不想重复下载，可以通过extra_model_paths.yaml把外部目录映射进来。在托管服务器的ComfyUI目录下打开该文件，把路径指到你的模型所在位置即可：

clip_vision: - path: /your/path/models/clip_vision controlnet: - path: /your/path/models/controlnet ipadapter: - path: /your/path/models/ipadapter

注意inpaint目录必须在这里被显式声明，否则即使模型存在也可能找不到。项目里还提供了 Docker 场景下的配置示例，可以参考 scripts/docker/extra_model_paths.yaml。另外，Windows 用户如果遇到“文件路径过长”的报错，多半是系统 260 字符的路径上限被触发，把服务器安装目录挪到更短的路径（比如C:\KritaAI）就能缓解。

第五步：生成失败时，照着这张排查地图找答案

即使前面都做对了，偶尔还是会遇到意外。这时记住一个原则：先看日志，再猜原因。插件在连接设置里提供了“View log files”入口，日志目录中的client.log会记录模型检测的详细结果，包括哪些模型找到了、哪些缺失、搜索模式是什么——几乎每次排查都以它为起点。

如果自己看不出端倪，就把诊断报告发给懂行的人或社区。在插件设置的 Plugin 标签页里点击“Collect Diagnostics”，插件会收集系统与配置信息并复制到剪贴板，全程只在本地进行、不会上传：

诊断信息里包含插件版本、操作系统、显卡、日志文件位置等关键字段，是描述问题时的“标准动作”。

下面这张表汇总了最常遇到的几类报错和对应的解法：

如果你的服务器由插件托管，还有一个省心大招：在连接设置里点击 Manage → Verify，插件会自动检查全部模型并重新下载损坏的部分；Manage → Re-install 则会重装服务端软件，同时保留你已经下载好的模型，很适合“怀疑服务端坏了”的时候使用。

第六步：进阶玩法——共享模型目录，团队不再重复下载

当使用场景从“一个人画着玩”升级到“几个人或一个团队共用资源”时，最划算的做法是让所有人指向同一份模型库。做法很简单：把模型统一放到 NAS 或共享磁盘上，然后让每台工作站的extra_model_paths.yaml都指向这个共享目录，再用符号链接把models文件夹映射过来即可。这样新增一个模型只需要下载一次，谁都能立刻用上。

团队环境还可以配合统一的初始化脚本，把目录创建、模型下载、配置文件生成一次性完成，新成员接入时跑一遍脚本就能达到和团队一致的配置，省去大量口头指导的成本。

日常维护同样有章可循：

• 每周：留意插件与 ComfyUI 是否有更新，更新后重启一次验证生成是否正常；
• 每月：清理下载缓存释放磁盘空间。缓存位置由环境变量控制，可以按需迁移到空间更大的磁盘；
• 每个季度：备份settings.json、自定义风格预设和extra_model_paths.yaml，防止重装系统后配置丢失。

这些缓存删掉也无需担心，需要时插件会重新下载，只是清理前记得确认当前没有正在进行的生成任务。

收尾：把这份清单带走，正式开画

最后，把整个流程压缩成一份可以随时对照的检查清单：

1. 硬件体检通过，磁盘空间充足（10GB 起步）；
2. 选定后端方式，确认 Krita 版本与安装来源；
3. 用下载脚本或插件 Manage 面板拉取推荐模型集；
4. 核对模型文件位置与extra_model_paths.yaml配置；
5. 出现报错先看client.log，必要时采集诊断信息；
6. 跑通一次文生图，再逐一验证控制层与放大功能。

到这里，你的 Krita AI Diffusion 环境已经具备了稳定出图的基础。剩下的时间，请留给创作本身——那些关于模型路径的纠结、报错页面的忐忑，都会在你看到第一张成图的瞬间烟消云散。真正的好工具，是让你忘记工具的存在。现在，打开 Krita，写下你的第一句提示词吧。

【免费下载链接】krita-ai-diffusionStreamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.项目地址: https://gitcode.com/gh_mirrors/kr/krita-ai-diffusion