介绍如何部署 Flux 离线图像生成服务并通过 FastAPI 封装接口，结合 discord.py 开发 Discord 机器人，实现聊天环境下的 AI 绘画功能。涵盖环境配置、模型加载、API 构建、机器人指令解析及远程 SSH 隧道部署方案，支持自定义提示词、种子数及步数参数，提供性能优化与安全增强建议。
在 AI 生成艺术（AIGC）快速发展的今天，社区驱动的创作模式正成为推动技术普及与创意迸发的重要力量。Discord 作为全球开发者、艺术家和 AI 爱好者聚集的核心平台，为构建实时、互动的 AI 绘画生态提供了理想土壤。本文将围绕 Flux 离线图像生成控制台，深入讲解如何将其能力通过自定义 Discord 机器人接入，实现'输入即生成'的社群级 AI 绘画服务。
我们将从本地部署、Web 服务封装到 Discord 机器人集成，完整打通从模型运行到社交化输出的技术链路，帮助你打造一个高可用、低延迟、支持个性化参数的 AI 绘画互动系统。
传统的 AI 绘画工具多依赖网页界面或本地应用，用户需主动访问特定页面才能使用。而在 Discord 中，用户长期驻留于频道聊天环境，信息流密集且互动频繁。若能将图像生成能力直接嵌入聊天场景，即可实现：
核心优势：让 AI 绘画不再是'工具调用'，而是'社群体验'的一部分。
本节将复现并优化原始部署流程，确保其适配远程调用需求，为后续 Discord 集成打下基础。
flux 模型，风格表现力强| 组件 | 要求 |
|---|---|
| Python 版本 | 3.10 或以上 |
| CUDA 驱动 | 11.8+ |
| 显存 | ≥8GB（建议 12GB 以流畅运行） |
| 存储空间 | ≥15GB（含模型缓存） |
pip install diffsynth gradio modelscope torch torchvision --upgrade
注意：请确保 PyTorch 已正确安装并可调用 CUDA。可通过
torch.cuda.is_available()验证。
原始 web_app.py 仅提供 Gradio 界面，无法被外部程序调用。我们需将其重构为模块化服务，暴露图像生成函数供机器人调用。
创建 flux_pipeline.py：
# flux_pipeline.py
import torch
from modelscope import snapshot_download
from diffsynth import ModelManager, FluxImagePipeline
class MajicFluxGenerator:
def __init__(self, model_dir="models"):
self.model_dir = model_dir
self.pipe = self._load_pipeline()
def _load_pipeline(self):
# 下载模型（已打包镜像可跳过）
snapshot_download(
model_id="MAILAND/majicflus_v1",
allow_file_pattern="majicflus_v134.safetensors",
cache_dir=self.model_dir
)
snapshot_download(
model_id="black-forest-labs/FLUX.1-dev",
allow_file_pattern=["ae.safetensors", "text_encoder/model.safetensors", "text_encoder_2/*"],
cache_dir=self.model_dir
)
model_manager = ModelManager(torch_dtype=torch.bfloat16)
# float8 加载 DiT
model_manager.load_models(
[f"{self.model_dir}/MAILAND/majicflus_v1/majicflus_v134.safetensors"],
torch_dtype=torch.float8_e4m3fn,
device="cpu"
)
model_manager.load_models(
[
f"{self.model_dir}/black-forest-labs/FLUX.1-dev/text_encoder/model.safetensors",
f"{self.model_dir}/black-forest-labs/FLUX.1-dev/text_encoder_2",
f"{self.model_dir}/black-forest-labs/FLUX.1-dev/ae.safetensors",
],
torch_dtype=torch.bfloat16,
device="cpu"
)
pipe = FluxImagePipeline.from_model_manager(model_manager, device="cuda")
pipe.enable_cpu_offload()
pipe.dit.quantize()
# 启用量化推理
return pipe
def generate(self, prompt: str, seed: int = -1, steps: int = 20):
if seed == -1:
import random
seed = random.randint(0, 99999999)
image = self.pipe(prompt=prompt, seed=seed, num_inference_steps=steps)
return image, seed
此设计将模型加载与推理逻辑封装为类，便于多线程/异步调用，避免重复初始化开销。
为了同时支持网页访问和机器人调用，我们使用 FastAPI 提供 REST 接口，并保留 Gradio 用于调试。
安装 FastAPI 和 Uvicorn：
pip install fastapi uvicorn python-multipart pillow
创建 api_server.py：
# api_server.py
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from PIL import Image
import io
import base64
from flux_pipeline import MajicFluxGenerator
app = FastAPI(title="MajicFLUX Image Generation API")
# 初始化生成器（全局单例）
generator = MajicFluxGenerator()
class GenerateRequest(BaseModel):
prompt: str
seed: int = -1
steps: int = 20
@app.post("/generate")
async def generate_image(req: GenerateRequest):
try:
image, used_seed = generator.generate(req.prompt, req.seed, req.steps)
# 转换为 Base64 编码
buf = io.BytesIO()
image.save(buf, format='PNG')
img_base64 = base64.b64encode(buf.getvalue()).decode('utf-8')
return {
"image": img_base64,
"seed": used_seed,
"prompt": req.prompt,
"steps": req.steps
}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
# 可选：集成 Gradio 界面
def launch_gradio():
import gradio as gr
with gr.Blocks() as demo:
gr.Markdown("# 🎨 MajicFLUX 图像生成服务")
prompt = gr.Textbox(label="Prompt")
seed = gr.Number(label="Seed", value=-1)
steps = gr.Slider(minimum=1, maximum=50, value=20, step=1, label="Steps")
btn = gr.Button("生成")
output = gr.Image()
btn.click(
fn=lambda p, s, st: generator.generate(p, int(s), int(st))[0],
inputs=[prompt, seed, steps],
outputs=output
)
demo.launch(server_name="0.0.0.0", server_port=7860, share=False)
if __name__ == "__main__":
import threading
# 在后台启动 Gradio
thread = threading.Thread(target=launch_gradio, daemon=True)
thread.start()
# 主线程运行 FastAPI
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=6006)
现在服务同时提供：
POST /generate 返回 Base64 图像:7860，便于测试Message Content Intent邀请机器人至服务器（需 bot 和 application.commands 权限）
pip install discord.py requests aiohttp
bot.py# bot.py
import discord
import asyncio
import requests
import json
from PIL import Image
from io import BytesIO
import os
import base64
# 配置
DISCORD_TOKEN = "your-bot-token-here"
API_URL = "http://localhost:6006/generate" # 指向你的 API 服务
TEMP_DIR = "./temp_images"
os.makedirs(TEMP_DIR, exist_ok=True)
intents = discord.Intents.default()
intents.message_content = True
client = discord.Client(intents=intents)
@client.event
async def on_ready():
print(f'✅ {client.user} 已上线！')
await client.change_presence(activity=discord.Game(name="AI 绘画中..."))
@client.event
async def on_message(message):
if message.author.bot:
return
if message.content.startswith('!draw'):
# 解析命令：!draw <prompt> [--seed N] [--steps M]
args = message.content[len('!draw'):].strip().split()
if not args:
await message.reply("❌ 请提供提示词，例如：`!draw 一只猫在太空`")
return
# 参数解析
prompt_parts = []
seed = -1
steps = 20
i = 0
while i < len(args):
if args[i] == '--seed' and i + 1 < len(args):
try:
seed = int(args[i+1])
i += 2
except:
i += 1
elif args[i] == '--steps' and i + 1 < len(args):
try:
steps = int(args[i+1])
steps = max(1, min(50, steps)) # 限制范围
i += 2
except:
i += 1
else:
prompt_parts.append(args[i])
i += 1
prompt = "".join(prompt_parts)
if len(prompt) < 3:
await message.reply("❌ 提示词太短，请输入更详细的描述。")
return
# 发送请求
status_msg = await message.reply("🔄 正在生成图像，请稍候...")
try:
response = requests.post(API_URL, json={
"prompt": prompt,
"seed": seed,
"steps": steps
}, timeout=120)
response.raise_for_status()
data = response.json()
# 解码图像
img_data = base64.b64decode(data['image'])
img = Image.open(BytesIO(img_data))
img_path = os.path.join(TEMP_DIR, f"gen_{data['seed']}.png")
img.save(img_path, "PNG")
# 构建回复
file = discord.File(img_path, filename="result.png")
embed = discord.Embed(
title="🎨 AI 绘画完成",
description=f"**Prompt**: {prompt}\n**Seed**: {data['seed']}\n**Steps**: {data['steps']}",
color=0x00ff00
)
embed.set_image(url="attachment://result.png")
embed.set_footer(text="Powered by Discord Bot")
await status_msg.edit(content=None, embed=embed, file=file)
os.remove(img_path) # 清理临时文件
except requests.exceptions.Timeout:
await status_msg.edit(content="❌ 生成超时（可能超过 120 秒），请尝试减少步数或简化提示词。")
except Exception as e:
await status_msg.edit(content=f"❌ 生成失败：{str(e)}")
print(e)
client.run(DISCORD_TOKEN)
# 终端 1：启动图像生成服务
python api_server.py
# 终端 2：启动 Discord 机器人
python bot.py
若服务运行在云服务器上，需通过 SSH 隧道将本地端口映射至公网。
在本地电脑执行：
ssh -L 6006:127.0.0.1:6006 -L 7860:127.0.0.1:7860 -p [SSH_PORT] root@[SERVER_IP]
这样：
http://127.0.0.1:6006 → 访问 APIhttp://127.0.0.1:7860 → 查看 Gradio 界面⚠️ 注意：
bot.py中的API_URL应指向http://localhost:6006，经隧道后自动转发至远程服务。
在 Discord 中输入：
!draw 赛博朋克风格的未来城市街道，雨夜，蓝色和粉色的霓虹灯光反射在湿漉漉的地面上，头顶有飞行汽车，高科技氛围，细节丰富，电影感宽幅画面 --seed 12345 --steps 25
机器人将返回：
🎨 AI 绘画完成
Prompt: 赛博朋克风格的未来城市街道...
Seed: 12345
Steps: 25
aiohttp 替代 requests 实现异步调用asyncio.Queue）/generate 接口添加认证密钥（Bearer Token）/imagine Slash Command（需注册 Application Command）--style anime）--model majic / --model real）本文完整实现了从 Flux 模型部署 到 Discord 机器人集成 的全流程，展示了如何将本地 AI 能力转化为社交化服务。关键收获包括：
最终目标不是做一个'能画画的机器人'，而是打造一个激发创意、促进交流、形成文化认同的 AI 艺术社区。
| 方向 | 推荐内容 |
|---|---|
| Discord 机器人开发 | discord.py 官方文档 |
| DiffSynth-Studio 进阶 | GitHub 仓库中的 examples/ 目录 |
| 模型微调 | 使用 LoRA 微调 flux 模型适配特定风格 |
| 容器化部署 | 将服务打包为 Docker 镜像，便于迁移与维护 |
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online