🧠 图解记忆： 生图 Agent 的职责是理解意图、增强 Prompt、选择与调用模型并验收结果；真正从噪声去噪成图的是扩散模型。

💡 答案要点

主流生图模型对比：

模型	原理	优势	适用场景
Stable Diffusion	扩散模型（DDPM）+ 潜空间压缩	开源可本地部署，可微调	定制化生图，私有化部署
DALL-E 3	Transformer + CLIP引导	文字理解强，API简单	快速集成，文字渲染
Midjourney	闭源扩散模型	美学质量高	艺术创作
Flux	Flow Matching（新架构）	速度快，质量好	实时生图
ComfyUI + SD	工作流引擎 + SD	高度可定制	Agent集成，流程自动化

Stable Diffusion 核心原理（面试重点）：

文本Prompt → CLIP文本编码器 → 条件向量
                                    ↓
随机噪声 → [去噪U-Net（循环T步）] → 潜空间图像
                    ↑
              条件向量注入（Cross-Attention）
                                    ↓
潜空间图像 → VAE解码器 → 最终图像（512x512 or 1024x1024）

关键参数：

• CFG Scale（Classifier-Free Guidance）：控制文本对图像的影响强度，7-12是常用范围
• Steps：去噪步数，20-50步，越多越精细但越慢
• Sampler：去噪算法，DDIM快、DPM++质量好
• Seed：随机种子，固定seed可复现

Agent 集成生图的架构：

class ImageGenerationAgent:
    def __init__(self):
        self.sd_client = StableDiffusionClient(
            model="sd-xl-1.0",
            api_url="http://localhost:7860"  # 本地 ComfyUI
        )

    async def generate(self, description: str) -> str:
        # 1. 用 LLM 优化 Prompt（自然语言→专业生图Prompt）
        optimized_prompt = await self._enhance_prompt(description)

        # 2. 调用生图模型
        image = await self.sd_client.generate(
            prompt=optimized_prompt,
            negative_prompt="blurry, low quality, distorted",
            cfg_scale=7.5,
            steps=30,
            width=1024, height=1024
        )
        return image

    async def _enhance_prompt(self, description: str) -> str:
        """LLM 将自然语言转为生图专业提示词"""
        return await llm.complete(
            f"将以下描述转为 Stable Diffusion 提示词（英文，包含风格、光线、质量词）：{description}"
        )

面试话术：

"我们生图子 Agent 用的是 Stable Diffusion XL，通过本地 ComfyUI 部署。核心原理是扩散模型：从随机噪声出发，在文本 embedding 的引导下（Cross-Attention），经过30步去噪还原出图像。关键是在 Agent 链路中加了一步 Prompt Enhancement，用 LLM 把用户的自然语言描述转为专业的 SD Prompt，图像质量提升明显。"