共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站

优质文章学习记录

— 12 min read
共绩算力 RTX 5090 极速部署 Stable Diffusion WebUI：新手也能秒开 AI 绘图工作站
还在为本地硬件不足跑不动 AI 绘图模型发愁？想快速拥有高性价比的 Stable Diffusion 绘图环境？今天给大家带来共绩算力 RTX 5090 部署 Stable Diffusion WebUI（增强版）的详细教程，全程零兼容冲突，从云主机配置到生成第一张 AI 画作仅需 30 分钟，步骤清晰可复现，无论是设计爱好者还是 AI 新手都能轻松上手！

目录

一、为什么选择共绩算力部署 Stable Diffusion？

二、环境准备：精准配置云主机

2.1 创建云主机实例

1.2 登录云主机终端

二、完整部署流程

2.1 环境清理与依赖安装

2.2 下载与配置Stable Diffusion WebUI

2.3 配置启动脚本

2.4 首次启动与配置

三、本地访问与基础使用

3.1 浏览器访问WebUI

3.2 生成第一张AI图片

3.3 常用功能体验

四、进阶优化与插件安装

4.1 安装实用插件

4.2 性能优化配置

4.3 模型管理技巧

五、故障排查与维护

5.1 常见问题解决

5.2 日常维护命令

六、总结与资源推荐

6.1 部署成果总结

6.2 进阶学习资源

6.3 成本优化建议

一、为什么选择共绩算力部署 Stable Diffusion？

共绩科技的云主机专为 AI 开发场景优化，对 Stable Diffusion 这类图形密集型任务适配性拉满，核心优势直击痛点：

丰富高端 GPU 可选：RTX 5090（32GB 显存）完美支撑大模型 + 高清绘图，避免显存不足（OOM）问题开箱即用的开发环境：预装 Python 3.10+、CUDA 12.8 及适配驱动，无需手动配置深度学习框架弹性计费更省钱：1.68 元 / 时起步，关机零费用，仅按实际使用时长计费，比本地装机成本低 90%完整工具链支持：自带 Jupyter、Web Shell 等终端，无需 SSH 配置，浏览器即可完成所有操作国内网络加速：访问 PyPI 镜像、模型仓库无卡顿，下载大模型速度比海外云平台快 3 倍

二、环境准备：精准配置云主机

2.1 创建云主机实例

1. 访问共绩算力平台

2. 创建云主机配置详解

  • 进入控制台 → 云主机 → 创建实例
  • 基础配置：
    • 实例名称：SD-WebUI-RTX5090（便于识别）
    • 算力规格：RTX 5090（32GB显存） ← 关键选择！
    • 系统镜像：默认Linux镜像（已预装Python 3.10+、CUDA 12.8）
  • 存储配置：
    • 系统盘：50GB（默认足够）
    • 数据盘：如需要存储大量模型，可添加共享存储卷（按需付费）
  • 网络与安全：
    • 区域选择：安徽一区或广东一区（国内网络更稳定）
    • 安全组：默认开放全部端口（方便后续访问）

3. 确认创建与启动

  1. 点击"立即创建"，等待2-3分钟实例状态变为"运行中"
  2. 成本提示：RTX 5090实例约2.5元/小时，关机期间不收费！

1.2 登录云主机终端

1. Web Shell登录（推荐新手）

  • 实例列表点击"登录" → 选择"Web Shell"
  • 浏览器内直接打开终端界面，无需SSH配置

2. 验证基础环境在终端中执行以下命令，检查预装环境：

# 检查Python版本 python3 --version # 检查CUDA版本 nvcc --version # 检查GPU状态 nvidia-smi

3. 正常输出应显示Python 3.10+、CUDA 12.8、RTX 5090显卡信息。

二、完整部署流程

2.1 环境清理与依赖安装

步骤1：彻底清理冲突环境

# 卸载可能冲突的包（避免版本不兼容） pip3 uninstall -y torch torchvision torchaudio xformers diffusers transformers # 彻底清理残留文件 rm -rf /root/.cache/pip rm -rf /opt/miniconda3/lib/python3.12/site-packages/{torch*,xformers*,diffusers*,transformers*} # 更新pip并清理缓存 pip3 install --upgrade pip pip3 cache purge

步骤2：安装PyTorch与基础依赖

# 安装适配RTX 5090的PyTorch（CUDA 12.8版本） pip3 install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 \ --index-url https://download.pytorch.org/whl/cu128 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装图像处理基础库 pip3 install numpy==1.26.4 pillow==10.3.0 opencv-python==4.9.0.80 \ -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤3：安装Stable Diffusion核心依赖

# 安装HuggingFace相关库 pip3 install transformers accelerate diffusers \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装Web界面框架 pip3 install gradio==3.41.2 fastapi==0.104.1 uvicorn==0.24.0 \ -i https://pypi.tuna.tsinghua.edu.cn/simple # 安装性能优化插件 pip3 install xformers -i https://pypi.tuna.tsinghua.edu.cn/simple

2.2 下载与配置Stable Diffusion WebUI

步骤1：克隆最新版WebUI源码

# 安装git（如果未预装） apt update && apt install -y git wget # 克隆AUTOMATIC1111的WebUI（功能最全的版本） git clone https://gitee.com/mirrors/stable-diffusion-webui.git /root/sd-webui # 进入工作目录 cd /root/sd-webui

步骤2：创建模型目录结构

# 创建必要的模型目录 mkdir -p /root/sd-webui/models/Stable-diffusion # 基础模型 mkdir -p /root/sd-webui/models/Lora # LoRA模型 mkdir -p /root/sd-webui/models/VAE # VAE模型 mkdir -p /root/sd-webui/models/ControlNet # ControlNet模型 mkdir -p /root/sd-webui/outputs # 输出目录

步骤3：下载基础模型（国内镜像加速）

# 使用 Hugging Face 国内镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 或者使用阿里云镜像 wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors \ https://mirror.ghproxy.com/https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors # 下载SDXL精炼模型（优化细节） wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_refiner_1.0.safetensors \ https://hf-mirror.com/stabilityai/stable-diffusion-xl-refiner-1.0/resolve/main/sd_xl_refiner_1.0.safetensors # 下载中文优化模型（可选，提升中文提示词理解） wget -O /root/sd-webui/models/Stable-diffusion/chilloutmix_NiPrunedFp32Fix.safetensors \ https://hf-mirror.com/ckpt/chilloutmix/resolve/main/chilloutmix_NiPrunedFp32Fix.safetensors

2.3 配置启动脚本

创建一键启动脚本start_sd.sh：

cat > /root/sd-webui/start_sd.sh << 'EOF' #!/bin/bash # 进入WebUI目录 cd /root/sd-webui # 设置环境变量 export PYTHONPATH="/root/sd-webui:$PYTHONPATH" export HF_HOME="/root/.cache/huggingface" # 启动参数说明： # --listen：允许外部访问 # --port 7860：指定端口 # --xformers：启用显存优化 # --enable-insecure-extension-access：允许安装插件 # --medvram：中等显存优化模式（适合RTX 5090） # --no-half-vae：避免VAE精度问题 python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ --skip-torch-cuda-test \ --skip-version-check \ --update-check EOF # 赋予执行权限 chmod +x /root/sd-webui/start_sd.sh

2.4 首次启动与配置

步骤1：首次启动WebUI

cd /root/sd-webui ./start_sd.sh

报错解决：

# Deactivate current environments conda deactivate conda deactivate # Create a new environment with Python 3.10.6 conda create -n sd-webui python=3.10.6 # Activate the new environment conda activate sd-webui # Navigate to your project and run the script cd /root/sd-webui ./start_sd.sh

首次启动会自动：

  • 下载CLIP模型和VAE模型（约5-10分钟）
  • 编译xformers优化器
  • 初始化Web界面

等待终端显示以下信息即启动成功：

Running on local URL: http://0.0.0.0:7860 To create a public link, set `share=True` in `launch()`.

步骤2：后台运行配置（重要）

为避免断开SSH后服务停止，配置后台运行：

# 创建后台启动脚本 cat > /root/sd-webui/start_sd_background.sh << 'EOF' #!/bin/bash cd /root/sd-webui nohup python3 launch.py \ --listen \ --port 7860 \ --xformers \ --enable-insecure-extension-access \ --medvram \ --no-half-vae \ > /root/sd-webui/webui.log 2>&1 & echo "WebUI已启动，日志文件：/root/sd-webui/webui.log" echo "查看日志：tail -f /root/sd-webui/webui.log" echo "停止服务：pkill -f launch.py" EOF chmod +x /root/sd-webui/start_sd_background.sh # 启动后台服务 ./start_sd_background.sh

三、本地访问与基础使用

3.1 浏览器访问WebUI

1. 获取公网IP

  • 共绩控制台 → 云主机 → 实例详情 → 复制"公网IP"

2. 浏览器访问

  • 本地浏览器打开：http://你的公网IP:7860
  • 首次加载约30秒，出现Stable Diffusion WebUI界面

3.2 生成第一张AI图片

1. 模型选择

左上角选择：sd_xl_base_1.0.safetensors

2. 提示词填写

# 正向提示词（英文效果更好） masterpiece, best quality, 8k resolution, cyberpunk cityscape at night, neon lights, futuristic buildings, rain-wet streets, cinematic lighting, detailed reflections # 反向提示词（避免不良效果） low quality, worst quality, bad anatomy, blurry, jpeg artifacts, watermark, text

3. 参数设置

  • 采样方法：DPM++ 2M Karras
  • 采样步数：25
  • 图片宽度：1024
  • 图片高度：768
  • 提示词引导系数：7.5
  • 随机种子：-1（随机）

4. 生成图片

  • 点击"生成"按钮
  • RTX 5090约15秒完成生成
  • 右键图片可保存到本地

3.3 常用功能体验

图生图功能：上传本地图片 → 调整重绘强度（0.5-0.7）→ 添加风格提示词

图片放大：生成后点击"Extras" → 选择放大算法（ESRGAN）→ 调整倍数

模型管理：设置 → Model Settings → 添加模型下载路径

四、进阶优化与插件安装

4.1 安装实用插件

通过WebUI安装（推荐）：

  1. 进入"Extensions"标签页
  2. 点击"Available" → "Load from URL"
  3. 输入插件GitHub地址：
    1. 中文翻译：https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN
    2. 提示词自动补全：https://github.com/DominikDoom/a1111-sd-webui-tagcomplete
    3. 模型预览图：https://github.com/AlUlkesh/stable-diffusion-webui-images-browser

命令行安装：

cd /root/sd-webui/extensions git clone https://github.com/dtlnor/stable-diffusion-webui-localization-zh_CN git clone https://github.com/DominikDoom/a1111-sd-webui-tagcomplete

4.2 性能优化配置

修改启动参数webui-user.sh：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

4.3 模型管理技巧

批量下载模型：

# 编辑用户配置 nano /root/sd-webui/webui-user.sh # 添加以下优化参数 export COMMANDLINE_ARGS="--listen --xformers --opt-split-attention --no-half-vae --medvram" export TORCH_COMMAND="pip3 install torch==2.7.1 torchvision==0.22.1"

五、故障排查与维护

5.1 常见问题解决

问题1：浏览器无法访问

# 检查服务状态 ps aux | grep python | grep launch # 检查端口占用 netstat -tlnp | grep 7860 # 重启服务 pkill -f launch.py cd /root/sd-webui && ./start_sd_background.sh

问题2：显存不足（OOM）

  • 解决方案：减少图片尺寸（1024×1024以内）
  • 启用--medvram或--lowvram参数
  • 关闭其他占用显存的进程

问题3：模型加载失败

# 重新下载模型 rm -f /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors wget -O /root/sd-webui/models/Stable-diffusion/sd_xl_base_1.0.safetensors [模型链接]

5.2 日常维护命令

查看服务状态：

# 查看运行日志 tail -f /root/sd-webui/webui.log # 查看GPU使用情况 watch -n 1 nvidia-smi # 检查存储空间 df -h /root

备份重要数据：

# 备份模型配置 tar -czf sd_backup_$(date +%Y%m%d).tar.gz /root/sd-webui/models/ /root/sd-webui/outputs/

六、总结与资源推荐

6.1 部署成果总结

通过本教程，你已经成功在共绩算力RTX 5090上部署了：

  • ✅ 完整的Stable Diffusion WebUI环境
  • ✅ SDXL 1.0等高质量基础模型
  • ✅ 中文化界面和实用插件
  • ✅ 优化后的启动参数和后台运行
  • ✅ 可远程访问的专业级AI绘图工作站

6.2 进阶学习资源

提示词技巧：

  • 学习网站：Lexica.art、OpenArt.ai
  • 关键词组合：质量词+主体+风格+细节

模型推荐：

  • 写实风格：Realistic Vision、ChilloutMix
  • 动漫风格：Anything V5、Counterfeit
  • 特殊风格：Arcane、MoDi

参数优化：

  • 采样器：DPM++ 2M Karras（平衡速度质量）
  • 步数：20-30步（效果与速度平衡）
  • CFG Scale：7-9（创意与服从度平衡）

6.3 成本优化建议

  1. 及时关机：不用时在控制台关机，仅按实际使用时间计费
  2. 使用快照：配置好环境后创建系统快照，便于快速恢复
  3. 模型管理：只下载常用模型，避免存储空间浪费

Read more

【OpenClaw从入门到精通】第41篇：2026年4月最新版——从零开始搭建你的第一个安全AI助理（保姆级实战教程）

【OpenClaw从入门到精通】第41篇：2026年4月最新版——从零开始搭建你的第一个安全AI助理（保姆级实战教程）

摘要：2026年3月CNCERT联合发布《OpenClaw安全使用实践指南》后，安全部署成为OpenClaw使用的核心前提。本文针对新手及进阶用户，基于官方安全指引，提供三套实战部署方案：阿里云一键部署（新手首选）、Docker容器隔离部署（进阶推荐）、本地安全安装（测试专用），并详解阿里云百炼Coding Plan API接入流程。全文涵盖环境准备、分步实操、安全加固、问题排查等全流程，所有命令可直接复制执行，无需依赖外部代码库。通过本文，读者可零基础搭建安全隔离的OpenClaw AI助理，兼顾实用性与安全性，最低成本仅38元/年即可实现7×24小时稳定运行。 优质专栏欢迎订阅！ 【OpenClaw从入门到精通】【DeepSeek深度应用】【Python高阶开发：AI自动化与数据工程实战】 【YOLOv11工业级实战】【机器视觉：C# + HALCON】【大模型微调实战：平民级微调技术全解】 【人工智能之深度学习】【AI 赋能：Python 人工智能应用实战】【数字孪生与仿真技术实战指南】 【AI工程化落地与YOLOv8/v9实战】【C#
OpenClaw+优云智算Coding Plan：从灵感到成文，再到公众号发布的全流程AI自动化

OpenClaw+优云智算Coding Plan：从灵感到成文，再到公众号发布的全流程AI自动化

1. 背景 在自媒体运营、技术分享和日常内容创作中，许多从业者面临碎片化、低效率和重复劳动的问题。从灵感闪现到文章发布，整个过程涉及多个步骤如构思、撰写、排版及上传等，需要频繁切换工具与手动调整格式，耗时费力且容易出错。 目前市面上的AI工具大多只能解决特定环节的问题，无法覆盖整个创作流程；而专业自动化平台要么操作复杂，要么成本高昂，难以普及使用。为此，我使用OpenClaw开源AI智能体（龙虾）和优云智算Coding Plan大模型服务搭建了一个流水线。通过OpenClaw的任务管理和工具调用能力，加上优云智算提供的稳定低价算力支持，实现了“灵感输入→文案生成→内容优化→公众号发布”的端到端全流程自动化，极大提高了效率，让创作者能够更加专注于创意本身。 2. AI大模型配置 优云智算Coding Plan是聚合了OpenAI、Claude、DeepSeek、智谱GLM、MiniMax等全球主流大模型的订阅式算力服务，兼容OpenAI API协议，支持Claude Code/Codex/OpenClaw等AI工具，能完美对接OpenClaw，为内容创作提供稳定的AI生成能力，本

如何借助AI完成测试用例的生成？实测高效落地指南

作为一名测试从业者，想必你也有过这样的困扰：重复编写常规功能的测试用例，耗时又耗力；面对复杂业务逻辑，容易遗漏边缘场景；需求频繁迭代时，用例更新跟不上节奏，常常陷入“加班写用例、熬夜改用例”的内耗里。 而现在，生成式AI的爆发的已经彻底改变了测试用例生成的传统模式——它能快速批量生成用例、覆盖更多人工易忽略的场景，还能适配需求迭代快速更新，将测试人员从重复劳动中解放出来，转向更核心的质量策略设计。但很多人尝试后却反馈：“把需求丢给AI，生成的用例驴唇不对马嘴”“看似全面，实际很多无法执行”。 其实，AI生成测试用例的核心不是“输入→输出”的简单操作，而是“人机协同”的高效配合：AI负责规模化生产，人负责搭建框架、把控质量。今天就结合我的实测经验，手把手教你如何借助AI高效生成测试用例，避开常见坑，真正实现提效不内耗。 一、先搞懂：AI生成测试用例的底层逻辑（避免踩错第一步） 很多人用不好AI的核心原因，是误以为AI能“读懂所有需求”，其实它的本质是“基于已有规则和数据，模仿人类测试思维生成用例”。其底层主要依赖三大技术，
Openclaw高星开源框架：三省六部·用古代官制设计的 AI Agent 协作架构

Openclaw高星开源框架：三省六部·用古代官制设计的 AI Agent 协作架构

作者：cft0808 项目地址：https://github.com/cft0808/edict |许可：MIT 概述 三省六部·Edict 是一个基于中国古代官制设计的 AI 多 Agent 协作架构。它把唐朝以来运行了一千多年的三省六部制搬到了 AI 世界，创建了一套具有分权制衡、专职审核、完全可观测特性的 Agent 协作系统。 项目目前 6.9k+ Stars，581 Fork，Star 增长很快。 核心设计思想 问题：为什么大多数 Multi-Agent 框架不好用？ 当前主流的多 Agent 框架（CrewAI、AutoGen、LangGraph）通常采用「自由对话」模式： Agent A