1. 本地AI绘图全家桶到底在解决什么问题1.1 从“云端排队”到“本地即出图”的体验反转我第一次接触AI绘图是在一个在线平台上输入提示词之后页面显示前面还有两百多人在排队。等了将近四十分钟终于轮到我了结果生成出来的图跟我想象的差了十万八千里。想重新生成对不起请重新排队。那种感觉就像你饥肠辘辘地走进一家网红餐厅排了两小时队端上来的菜还不对胃口想换一道后厨说您得重新取号。本地AI绘图全家桶要解决的就是这个核心痛点。所谓“全家桶”不是指某一个单独的绘图工具而是一整套部署在本地机器上的工具集合通常包括模型管理、推理引擎、图形界面、后期处理、模型微调等模块。它让你在自己的电脑上完成从提示词输入到成品输出的全流程不需要联网不需要排队不需要按次付费更不需要担心你的提示词和生成内容被上传到某个不知名的服务器上。这套方案适合什么人三类人最需要它。第一类是高频创作者比如每天要出几十张概念图的设计师、插画师云端按次计费的成本扛不住。第二类是隐私敏感型用户工作内容涉及未公开的产品设计、商业方案不可能把素材传到第三方平台。第三类是喜欢折腾的技术爱好者享受把每一个参数都捏在自己手里的掌控感。1.2 全家桶里到底装了哪些东西很多人以为本地AI绘图就是装一个软件那么简单实际上一个完整的本地绘图环境至少包含五个层次。最底层是硬件驱动和计算框架中间层是推理引擎再往上是模型文件然后是交互界面最顶层是工作流编排和后期处理工具。我用一个做菜的类比来解释。硬件和驱动相当于你的厨房灶台和燃气管道推理引擎是那口锅模型文件是食材交互界面是你的菜谱和操作台工作流编排则是你把多道菜同时安排上桌的能力。缺了任何一环这顿饭都做不顺畅。具体来说一个典型的本地AI绘图全家桶会包含以下组件。推理引擎负责把模型文件加载进显存并执行计算常见的选择有基于Python的扩散模型推理库、针对特定硬件优化的加速框架等。模型文件是绘图的“灵魂”包括基础模型、风格微调模型、控制网络模型等。交互界面决定了你操作的手感有基于网页的图形界面也有集成在专业软件里的插件。工作流编排工具让你把多个处理步骤串起来比如先生成草图、再放大、再修复细节、最后调色。后期处理模块则负责超分辨率放大、面部修复、背景去除等收尾工作。注意不要一上来就追求“全家桶”的完整形态。我见过太多新手第一天就装了七八个工具结果每个都跑不起来最后彻底放弃。正确的做法是先跑通一个最小闭环再逐步扩展。1.3 为什么现在本地部署变得可行了两年前本地跑AI绘图还是少数硬核玩家的专利因为那时候模型体积大、推理速度慢、显存要求高。现在情况完全变了。模型压缩技术让同样的效果只需要原来三分之一的显存推理优化让生成一张图的时间从几分钟缩短到几秒社区贡献的一键部署包把安装门槛降到了“双击运行”的水平。还有一个关键变化是消费级显卡的显存容量上来了。以前8GB显存只能勉强跑小尺寸图片现在12GB甚至16GB显存的显卡已经进入主流价位段足够流畅运行大多数基础模型和中等规模的控制网络。这意味着你不需要购买专业计算卡用一台普通的中端游戏主机就能搭建起可用的本地绘图环境。2. 搭建前的硬件与系统选型逻辑2.1 显卡选型的三个硬指标本地AI绘图对硬件的要求集中在显卡上而显卡选型要看三个指标显存容量、计算核心数量、显存带宽。这三个指标的重要性依次递减但任何一个拖后腿都会影响体验。显存容量决定了你能跑多大的模型、生成多大尺寸的图片、同时加载多少个控制网络。我个人的经验是8GB显存是入门线能跑基础模型生成512x512到768x768的图片但加载控制网络时会比较紧张。12GB是舒适线可以同时加载两到三个控制网络生成1024x1024的图片也不在话下。16GB以上是创作线适合批量生成和高分辨率修复。计算核心数量影响生成速度。同样生成一张512x512的图片核心数量翻倍时间大约缩短百分之四十到五十不是线性关系因为还有显存带宽的瓶颈。显存带宽则决定了数据在显存和计算核心之间搬运的速度这个指标在生成高分辨率图片时尤为关键。有一个常见的误区是只看显卡型号不看显存。同一型号的显卡可能有不同显存版本比如某型号有8GB版和12GB版价格差几百块但体验差距非常大。我的建议是宁可买低一档核心但显存更大的版本也不要买高一档核心但显存缩水的版本。2.2 内存、硬盘和电源的配套要求显卡之外内存和硬盘也不能太寒酸。系统内存建议不低于16GB因为推理引擎本身要占用一部分内存操作系统和其他后台程序也要占用。如果你习惯同时开着浏览器查资料、开着聊天软件、还开着音乐播放器那32GB会更从容。硬盘方面模型文件是真正的“空间杀手”。一个基础模型动辄几个GB加上各种风格微调模型、控制网络模型、放大模型轻松突破一百GB。而且模型文件需要频繁读取放在机械硬盘上加载速度会让你怀疑人生。强烈建议准备一块NVMe固态硬盘专门存放模型容量至少1TB。电源容易被忽视。高端显卡的瞬时功耗可能远超标称值如果电源功率不足轻则生成过程中黑屏重启重则损坏硬件。按照显卡标称功耗的一点五倍来选电源比较稳妥。比如显卡标称功耗250瓦那就选额定功率至少550瓦的电源留出余量给处理器和其他部件。2.3 操作系统的选择与取舍操作系统方面主流选择是Windows和Linux。Windows的优势是驱动安装简单、图形界面友好、游戏和日常使用兼顾。Linux的优势是资源占用低、命令行操作效率高、某些推理框架在Linux上性能略好。我个人的建议是如果你这台机器还要日常使用那就选Windows省心。如果是专门用来跑绘图的机器可以考虑Linux但要做好折腾驱动的心理准备。另外Windows上的某些推理框架对特定显卡的优化可能滞后于Linux版本这一点在选型时要查清楚。还有一类用户选择在笔记本电脑上部署。笔记本的优势是便携劣势是散热和功耗限制。如果你用笔记本跑本地绘图要注意散热底座和电源模式设置否则生成几张图之后显卡就会因为温度过高而降频。3. 推理引擎与模型管理的核心细节3.1 推理引擎的选型对比与实操建议推理引擎是本地绘图的核心它负责加载模型、解析提示词、执行扩散计算、输出图片。目前主流的选择有三类官方原版推理库、社区优化版、以及集成式启动器。官方原版推理库的优点是更新及时、功能完整、文档齐全。缺点是安装配置相对复杂需要手动处理Python环境、依赖包版本冲突等问题。社区优化版在原版基础上做了性能优化和功能增强比如支持更低显存的显卡、更快的生成速度、更多的采样器选择。集成式启动器则把推理引擎、图形界面、模型管理打包在一起一键启动对新手最友好。我实测下来的感受是如果你有Python环境配置经验直接用官方原版或者社区优化版更灵活。如果你只想快点出图不想折腾环境集成式启动器是更好的选择。但要注意集成式启动器封装的版本可能不是最新的某些新功能可能不支持。安装推理引擎时最常见的坑是依赖包版本冲突。比如某个包要求特定版本的计算框架另一个包要求另一个版本两者不兼容。解决办法是使用虚拟环境隔离为绘图环境单独创建一个Python虚拟环境不要和系统全局环境混在一起。# 创建虚拟环境的典型命令 python -m venv ai_drawing_env # 激活虚拟环境Windows ai_drawing_env\Scripts\activate # 激活虚拟环境Linux/Mac source ai_drawing_env/bin/activate提示虚拟环境创建后所有依赖包都安装在这个环境里不会污染系统环境。如果搞砸了直接删掉虚拟环境文件夹重新来一遍就行不会影响其他程序。3.2 模型文件的分类与存放策略模型文件是本地绘图的“食材库”分类管理非常重要。我习惯把模型分成五大类基础模型、风格模型、控制模型、放大模型、辅助模型。基础模型是生成图片的底子决定了图片的基本风格和画质上限。风格模型是在基础模型上微调得到的专门用于生成特定风格比如某种画风、某类人物、某个场景。控制模型用于精确控制构图比如控制人物姿势、边缘轮廓、深度信息。放大模型用于提升分辨率把低分辨率图片放大并补充细节。辅助模型包括面部修复、手部修复、背景去除等专用模型。存放策略上我建议按类别建立文件夹每个模型文件用“名称版本来源”的格式命名。比如“基础模型_写实风格_v2.1_社区版”。这样做的好处是当你积累了几十个模型之后还能快速找到需要的那个。模型文件的格式也需要注意。常见的格式有安全张量格式和检查点格式。安全张量格式更安全不包含可执行代码加载速度也更快。检查点格式兼容性更好但存在潜在的安全风险。优先选择安全张量格式的模型文件。3.3 显存优化的五个实用技巧显存不够是本地绘图最常见的瓶颈。我总结了五个实用的显存优化技巧按效果从强到弱排列。第一个技巧是启用注意力优化。现代推理引擎通常支持多种注意力计算方式其中某些方式可以显著降低显存占用代价是速度略微下降。在显存紧张时开启这个选项往往能把“跑不起来”变成“勉强能跑”。第二个技巧是分块生成。把大图拆成多个小块分别生成最后拼接。这样每次只需要处理一小块显存占用大幅降低。缺点是拼接处可能出现接缝需要后期处理。第三个技巧是降低精度。把模型计算精度从全精度降到半精度显存占用几乎减半画质损失在大多数情况下肉眼难以察觉。如果半精度还不够可以尝试混合精度只对关键层保持全精度。第四个技巧是及时释放缓存。每生成一张图之后手动触发一次显存清理把不再需要的中间结果释放掉。有些推理引擎会自动做这件事有些需要手动配置。第五个技巧是关闭不必要的后台程序。浏览器、聊天软件、视频播放器都会占用显存生成图片之前把它们关掉能腾出不少空间。4. 从提示词到成品的完整实操流程4.1 提示词工程的核心逻辑与模板提示词是本地AI绘图的“遥控器”写得好不好直接决定出图质量。我见过很多新手把提示词当成搜索引擎关键词来写堆了一堆词结果生成出来的图四不像。提示词的本质是描述一个画面而不是罗列标签。一个结构清晰的提示词应该包含五个部分主体描述、环境描述、风格描述、画质描述、负面提示。主体描述说清楚画面里有什么环境描述交代背景和氛围风格描述指定艺术风格或渲染方式画质描述提升细节表现负面提示排除不想要的元素。我常用的提示词模板是这样的主体描述放在最前面用逗号分隔多个特征。然后是环境描述包括光线、天气、时间、地点。接着是风格描述比如“数字绘画”“油画风格”“赛博朋克”。再后面是画质描述比如“高细节”“锐利对焦”“电影级光影”。最后是负面提示把常见的问题元素列进去比如“模糊”“变形”“多余手指”。注意提示词的顺序会影响权重。越靠前的词权重越高推理引擎会优先满足前面的描述。所以把最重要的特征放在最前面次要的放在后面。负面提示同样重要。我整理了一份通用的负面提示模板涵盖了大多数常见问题低画质、模糊、变形、多余肢体、错误解剖、水印、文字、签名、过曝、欠曝。你可以在这个基础上根据具体需求增删。4.2 采样器与步数的选择策略采样器决定了推理引擎如何从噪声中逐步“雕刻”出图片。不同的采样器有不同的特点有的速度快但细节少有的速度慢但画质好有的适合写实风格有的适合二次元风格。我实测下来的经验是日常快速出图用速度型采样器二十到三十步就够了。追求画质用质量型采样器步数拉到四十到五十步。但步数不是越多越好超过某个阈值之后画质提升微乎其微时间却成倍增加。大多数采样器在三十到四十步之间达到收益拐点。还有一个参数是提示词引导强度它控制生成结果多大程度上遵循你的提示词。数值太低生成结果随机性太强跟提示词关系不大。数值太高画面会变得僵硬、过饱和、色彩失真。我通常设置在七到十二之间具体取决于采样器和模型。不同采样器对引导强度的敏感度不同。有些采样器在引导强度超过十之后画质急剧下降有些则能承受更高的引导强度。建议在选定采样器之后用同一组提示词测试不同引导强度找到最佳值。4.3 控制网络的实战应用场景控制网络是本地绘图从“抽卡”走向“可控创作”的关键工具。它允许你输入一张参考图提取其中的构图信息然后让生成结果遵循这个构图。常见的控制类型有边缘检测、深度图、人体姿势、语义分割等。边缘检测适合把线稿或草图转换成成品图。你画一个简单的轮廓控制网络提取边缘推理引擎在这个轮廓内填充细节。深度图适合控制场景的立体结构比如让生成的人物和背景保持正确的空间关系。人体姿势适合精确控制人物动作你可以用一张参考图指定姿势然后生成不同风格的人物。语义分割适合控制画面布局把画面分成天空、建筑、人物、地面等区域分别指定每个区域的内容。使用控制网络时最常见的坑是控制强度设置不当。控制强度太高生成结果会过于死板失去AI绘图的创造力。控制强度太低又起不到控制作用。我的经验是从中间值开始测试根据效果微调。另外控制网络的参考图质量很重要模糊的参考图会导致控制效果大打折扣。4.4 批量生成与工作流编排当你需要大量出图时逐张操作效率太低。批量生成和工作流编排能把多个步骤串起来自动执行。批量生成的基本思路是准备一个提示词列表每行一个提示词然后让推理引擎依次读取每一行生成对应的图片。有些图形界面内置了批量生成功能有些需要借助脚本实现。批量生成时要注意显存管理每生成一张图之后清理缓存避免显存泄漏导致后面几张图失败。工作流编排则更进一步把生成、放大、修复、调色等多个步骤串成一条流水线。比如第一步用低分辨率快速生成一批草图第二步用放大模型提升分辨率第三步用面部修复模型修复细节第四步统一调色。整个流程自动执行你只需要最后挑选成品。我常用的工作流编排工具支持节点式操作每个节点代表一个处理步骤节点之间用连线表示数据流向。这种可视化编排方式直观易懂调整起来也方便。但要注意节点之间的数据格式匹配比如上一个节点输出的是图片张量下一个节点必须接受图片张量作为输入。5. 常见问题排查与性能调优实录5.1 启动报错与依赖冲突速查本地绘图环境搭建过程中启动报错是最常见的问题。我把典型报错和解决方法整理成了速查表。报错关键词可能原因解决方法模块未找到依赖包未安装或版本不对检查虚拟环境是否激活重新安装缺失的包版本不兼容两个包要求的依赖版本冲突使用虚拟环境隔离或降级/升级其中一个包显存不足模型太大或同时加载太多组件降低精度、启用注意力优化、关闭后台程序计算框架版本不匹配推理引擎和计算框架版本不兼容查阅推理引擎文档安装指定版本的计算框架路径包含中文或空格某些推理引擎不支持非英文路径把模型和程序放在纯英文路径下权限不足文件读写权限受限以管理员身份运行或修改文件夹权限依赖冲突是最头疼的问题因为报错信息往往指向一个不相关的模块。我的排查方法是先看报错信息里提到的模块名然后检查这个模块的版本要求再检查当前安装的版本最后决定是升级还是降级。如果冲突太复杂直接删掉虚拟环境重建比逐个解决冲突快得多。5.2 生成速度慢的六项排查清单生成速度慢可能由多种原因导致我按照排查优先级列了一个清单。第一项检查显卡是否真的在参与计算。有些情况下推理引擎默认使用处理器计算速度会慢几十倍。在推理引擎的设置里确认计算设备选的是显卡。第二项检查显卡驱动是否为最新版本。旧版驱动可能不支持某些加速特性更新驱动往往能带来明显的速度提升。第三项检查是否开启了注意力优化。某些优化选项会降低速度如果追求速度可以关闭这些选项。第四项检查模型精度设置。全精度比半精度慢很多如果画质要求不高切换到半精度能大幅提速。第五项检查同时运行的程序。浏览器、视频播放器、其他AI工具都会抢占显卡资源生成时尽量关掉。第六项检查图片尺寸和步数。尺寸翻倍计算量翻四倍。步数翻倍时间翻倍。在画质可接受的前提下适当降低尺寸和步数。5.3 出图质量不稳定的归因方法出图质量不稳定表现为同一组提示词有时出好图有时出废图。这个问题困扰了很多新手其实归因方法很简单。首先固定随机种子。随机种子决定了初始噪声同一组提示词加同一个种子理论上应该生成完全相同的图片。如果固定种子后仍然不稳定说明问题出在提示词或参数上。如果固定种子后稳定了说明之前的不稳定是随机性导致的可以通过调整种子来寻找好图。然后检查提示词是否有歧义。有些词在不同语境下含义不同推理引擎可能这次理解成这个意思下次理解成那个意思。把模糊的词替换成更具体的描述能提高稳定性。接着检查控制网络是否启用。如果启用了控制网络参考图的质量和内容会影响生成结果。换一张更清晰的参考图或者调整控制强度。最后检查模型是否适合当前任务。用二次元模型生成写实人物或者用写实模型生成二次元风格效果肯定不稳定。选对模型是稳定出图的前提。5.4 显存泄漏的识别与处理显存泄漏表现为生成几张图之后显存占用越来越高最终报显存不足。这个问题在长时间批量生成时尤其明显。识别显存泄漏的方法是打开任务管理器或显卡监控工具观察显存占用曲线。正常情况下每生成一张图之后显存占用会回落到一个基线值。如果基线值逐次升高说明存在泄漏。处理显存泄漏有三个层次。最轻量的方法是每次生成后手动触发缓存清理大多数推理引擎提供了清理缓存的接口。中等力度的方法是重启推理引擎释放所有显存重新加载。最彻底的方法是更新推理引擎版本新版本通常修复了已知的显存泄漏问题。提示批量生成时建议每生成十到二十张图重启一次推理引擎虽然麻烦一点但能避免生成到一半报错导致前功尽弃。6. 本地部署的进阶玩法与扩展方向6.1 模型微调与风格定制当你用了一段时间基础模型之后可能会发现某些特定风格或特定主题的生成效果不够理想。这时候可以考虑模型微调用你自己的素材训练一个专属模型。模型微调的基本流程是准备数据集、配置训练参数、执行训练、测试效果。数据集需要二十到五十张同一风格或同一主题的图片每张图片配一段描述文字。训练参数包括学习率、训练步数、批次大小等这些参数需要根据数据集大小和显卡显存来调整。微调过程中最常见的坑是过拟合。过拟合的模型只会生成训练集里出现过的内容换一个提示词就失效了。避免过拟合的方法是控制训练步数不要训练太久同时使用正则化技术。我通常会把训练集分成两部分大部分用于训练小部分用于验证当验证集的损失不再下降时就停止训练。6.2 多模型协作与流水线设计单一模型的能力有限多模型协作能实现更复杂的效果。比如先用一个模型生成草图再用另一个模型细化风格最后用放大模型提升分辨率。多模型协作的关键是模型之间的衔接。不同模型的输出格式可能不同需要转换。不同模型的风格可能冲突需要调和。我的经验是尽量选择同一系列或同一作者发布的模型风格一致性更好。如果必须混用不同来源的模型先用小尺寸图片测试衔接效果确认没问题再放大生成。流水线设计要考虑失败重试机制。如果某个步骤失败了是跳过继续还是回滚重来我的做法是在关键步骤之后保存中间结果失败时可以从最近的保存点恢复不用从头再来。6.3 自动化脚本与定时任务当你把本地绘图环境跑通之后可以考虑用自动化脚本进一步提升效率。比如写一个脚本每天定时从某个文件夹读取提示词文件批量生成图片生成完成后自动发送通知。自动化脚本可以用Python编写调用推理引擎的接口。大多数推理引擎提供了命令行接口或API接口脚本通过这些接口发送生成请求、查询进度、获取结果。脚本还可以集成图片后处理功能比如自动裁剪、自动调色、自动加水印。定时任务可以用操作系统的任务计划程序来配置。比如设置每天凌晨两点执行生成脚本利用夜间时间批量出图白天直接挑选成品。这样做的好处是充分利用闲置时间不占用白天的工作时间。6.4 本地部署的隐私与安全边界本地部署的最大优势之一是隐私保护。所有数据都在你自己的机器上处理不上传云端不经过第三方服务器。但这并不意味着没有隐私风险。模型文件本身可能包含恶意代码尤其是从非官方渠道下载的模型。安全张量格式比检查点格式更安全因为前者不包含可执行代码。下载模型时优先选择官方渠道或信誉良好的社区来源。生成的内容也存在隐私风险。如果你用本地绘图生成涉及个人形象或敏感信息的图片这些图片存储在本地硬盘上如果硬盘被他人访问隐私就会泄露。建议对存放生成内容的文件夹加密或者定期清理不需要的图片。另外如果你在多人共用的机器上部署本地绘图环境要注意隔离不同用户的数据。每个用户使用独立的虚拟环境和模型文件夹避免互相干扰和数据泄露。7. 一些踩坑之后才明白的经验7.1 不要追求一步到位我刚开始搭建本地绘图环境时恨不得一天之内把所有工具都装好、所有模型都下载完、所有功能都跑通。结果就是每个环节都出问题每个问题都卡住最后什么都没做成。后来我改变了策略先跑通一个最小闭环一个推理引擎、一个基础模型、一个图形界面。能生成图片之后再逐步添加控制网络、放大模型、后期处理工具。每添加一个组件先单独测试确认没问题再集成到工作流里。这样虽然看起来慢但实际上更快因为问题被隔离在单个组件里排查起来容易得多。7.2 模型不是越多越好我有一段时间疯狂下载模型看到新的就下硬盘里存了几百GB的模型文件。结果真正常用的就那么几个大部分模型下载之后从来没打开过。而且模型太多会导致选择困难每次生成图片都要纠结用哪个模型反而降低了效率。现在我定期清理模型库只保留三类模型日常高频使用的、特定项目需要的、有独特功能无法替代的。其他模型要么删除要么归档到外部硬盘。保持模型库精简不仅节省硬盘空间还能让你更熟悉每个模型的特点用起来更得心应手。7.3 记录参数和结果是提升的唯一路径本地绘图有一个特点同样的提示词和参数在不同时间生成的结果可能不同因为随机种子变了。如果你不记录每次生成的参数和结果就无法复现好的效果也无法分析差的效果是什么原因。我养成了一个习惯每次生成图片时自动保存一份参数记录包括提示词、负面提示、采样器、步数、引导强度、随机种子、模型名称、控制网络配置。这些记录和生成的图片放在同一个文件夹里文件名对应。这样当我想复现某张好图时直接读取参数记录就行。当我想分析某张废图的原因时也有据可查。这个习惯看起来麻烦但长期来看节省了大量时间。尤其是当你积累了几千张生成记录之后可以通过分析这些记录找到最佳参数组合形成自己的“出图配方”。7.4 社区是最好的老师本地绘图工具更新迭代非常快官方文档往往滞后于实际功能。遇到问题时最快找到答案的地方是社区论坛和讨论群组。我在社区里学到了很多官方文档里没有写的技巧比如某个隐藏参数的用法、某个报错的冷门解决方法、某个模型的特殊触发词。参与社区讨论也是提升自己的好方法。当你解决了一个别人没遇到过的问题把解决过程分享出来不仅能帮助别人还能加深自己的理解。我很多关于显存优化和依赖冲突的知识都是在帮助别人排查问题的过程中积累的。7.5 硬件升级要抓主要矛盾本地绘图对硬件的要求不是均匀分布的显卡是绝对的主要矛盾。我见过有人花大价钱升级处理器和内存结果显卡还是老样子生成速度几乎没有提升。因为推理计算几乎全部在显卡上完成处理器和内存只是辅助角色。如果你的预算有限优先升级显卡。如果显卡已经不错了但速度还是慢再考虑升级内存和硬盘。处理器的重要性最低除非你同时运行多个推理任务否则中端处理器完全够用。还有一个容易被忽视的硬件是显示器。本地绘图需要频繁对比不同参数的效果一台色彩准确的显示器能帮你更准确地判断画质。如果显示器偏色严重你在这台显示器上调好的图换一台显示器看可能完全不是那个颜色。7.6 定期备份模型和配置模型文件和配置文件是本地绘图环境的核心资产一旦丢失重新下载和配置需要大量时间。我吃过一次亏硬盘故障导致所有模型文件丢失花了整整两天才重新下载和配置好。现在我定期把模型文件和配置文件备份到外部硬盘。备份策略是增量备份每周备份一次新增或修改的文件。配置文件包括推理引擎的设置、图形界面的布局、工作流的编排文件等。这些文件体积小但重新配置很麻烦备份成本低收益高。另外虚拟环境的依赖包列表也要备份。用命令导出当前环境的包列表保存成文本文件。重装环境时直接根据这个列表安装依赖包不用逐个回忆装了哪些包。# 导出依赖包列表 pip freeze requirements.txt # 根据列表安装依赖包 pip install -r requirements.txt这个操作只需要几秒钟但能在重装环境时节省大量时间。我建议每次添加或更新依赖包之后都重新导出一次保持列表最新。
