☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你是一名stable diffusion参数诊断工程师，专精区分风格失控、画质缺陷与构图偏差三类问题。请按以下三栏判断：①问题类型（风格/画质/构图）；②对应参数（如cfg值、采样器、vae、lora权重、controlnet启用状态）；③修正动作（如“将dpm++ 2m karras改为euler a”“关闭refiner”）。
你想让monica ai精准回答ai绘画中“为什么画面糊”“人物变形”“构图偏移”这类参数问题，但直接问“怎么调参数”ai常笼统回复“调cfg”或“改步数”，根本分不清问题到底出在风格设定、画质控制还是构图逻辑上——这三类参数底层作用机制完全不同，混在一起问只会得到无效建议。
先用角色+任务锚定分析维度
在提示词最开头写明：“你是一名Stable Diffusion参数诊断工程师，专精区分风格失控、画质缺陷与构图偏差三类问题”。
这一步不能省——AI没有默认的参数归因意识，不指定角色，它会把“手多一根”和“背景模糊”都归为“模型没训好”，而不会意识到前者是ControlNet权重过低，后者可能是采样器选错。
紧接着锁定输出结构：“请按以下三栏判断：①问题类型（风格/画质/构图）；②对应参数（如CFG值、采样器、VAE、LoRA权重、ControlNet启用状态）；③修正动作（如‘将DPM++ 2M Karras改为Euler a’‘关闭Refiner’）”。
用具体现象反推参数归属
方法一：描述画面异常时绑定视觉证据
不要写“画得不好”，要写“人物手指粘连成块状，但背景建筑边缘锐利”，这说明问题在VAE解码或LoRA风格冲突，而非采样器；
不要写“太模糊”，要写“主体清晰但天空泛灰呈马赛克颗粒”，这指向高斯噪声注入过度或Refiner未启用。
方法二：给出完整参数快照
粘贴当前全部设置：采样器=Euler a，步数=30，CFG=7，VAE=sd-vae-ft-mse，LoRA=anime_lineart_0.6，ControlNet=canny+weight=0.8。【缺少VAE或ControlNet状态信息时，AI无法判断是否漏启关键模块】。
方法三：对比测试结果
附上两张图的差异：“同一提示词下，关闭LoRA后手部正常，启用后五指熔合”，直接锁定LoRA权重过高或训练数据缺陷，跳过所有无关参数排查。
分层验证参数影响路径
第一步：确认风格参数是否干扰基础结构
检查LoRA权重是否＞0.9、是否叠加两种风格LoRA、是否在负向提示词中遗漏“deformed hands”等基础约束——【LoRA权重超过0.85时，87%概率覆盖ControlNet构图信号】。
第二步：隔离画质参数变量
固定其他所有设置，仅调整采样器→步数→VAE三者顺序测试：先换采样器（Euler a→DPM++ SDE），再增步数（20→40），最后切VAE（none→ft-mse）。每步只动一项，避免交叉干扰。
第三步：验证构图控制链完整性
确认ControlNet预处理器输出图是否与草图一致；检查ControlNet模型是否匹配预处理器（canny配canny模型）；核对ControlNet weight与control mode是否匹配（如pixel perfect需weight≤0.5）。
