1. AIGC 概述

1.1 生成式AI定义

AIGC（Artificial Intelligence Generated Content）即生成式人工智能，是指利用人工智能技术自动生成文本、图像、音频、视频等内容的技术。

1.2 核心价值

利用大语言模型的能力，通过MCP连接到各种底层模型，实现内容的智能化生成。

1.3 AIGC技术栈与组件关系图

2. 模型分类与部署

2.1 开源模型

2.1.1 主流开源模型介绍

• Wan（万模型）
• Qwen（通义千问）
• Hunyuan（混元）
• 其他开源模型

2.1.2 开源模型部署方式

# 开源模型支持本地部署
# 示例：本地部署Qwen模型
python deploy_qwen_local.py --model_path ./qwen-7b

2.2 闭源模型

2.2.1 主流闭源模型介绍

• Sora（OpenAI视频生成模型）
• 即梦（国内图像生成模型）
• Gemini（Google多模态模型）
• 豆包（字节跳动对话模型）

2.2.2 闭源模型使用限制

闭源模型只能通过官方提供的API接口进行调用，无法本地部署。

2.3 开源与闭源模型区别

2.3.1 部署方式差异

• 开源模型：支持本地化部署
• 闭源模型：仅限云端API调用

2.3.2 可控性对比

• 开源模型：完全可控，可自定义修改
• 闭源模型：受限于服务商规则

3. 技术架构组件

3.1 Agent平台

3.1.1 主流Agent平台

• Coze
• Dify
• N8N

3.1.2 Agent核心作用

Agent作为系统的”CPU”，负责协调和管理整个AI工作流程，利用大语言模型的能力调度各种底层模型。

3.2 MCP（模型控制平台）

3.2.1 MCP功能定位

MCP可以理解为各种连接线和插槽，负责不同模型之间的连接和通信。

3.2.2 连接管理

# MCP连接配置示例
mcp_connect:
  source: "qwen_model"
  target: "comfyui_processor" 
  protocol: "http"
  timeout: 30

3.3 ComfyUI

3.3.1 功能特性

ComfyUI作为系统的”显卡”，专门负责处理图形相关的AI任务，特别是图像生成和编辑。

3.3.2 工作流程配置

# ComfyUI工作流配置示例
{
  "workflow": "image_generation",
  "model": "stable_diffusion",
  "parameters": {
    "prompt": "用户输入文本",
    "steps": 20
  }
}

4. 接入方式与工作流

4.1 多种接入方式

4.1.1 Python SDK接入

# Python调用示例
import ai_client
client = ai_client.AIClient(api_key="your_key")
response = client.generate_text(prompt="你好")

4.1.2 ComfyUI可视化界面

通过Web界面进行拖拽式工作流设计和模型调用。

4.1.3 网页端接入

提供React/Vue组件，便于前端集成。

4.1.4 API直接调用

# RESTful API调用示例
curl -X POST "https://api.aigc.com/v1/generate" \
  -H "Authorization: Bearer {token}" \
  -H "Content-Type: application/json" \
  -d '{"model": "qwen", "prompt": "写一首诗"}'

4.2 工作流管理

4.2.1 API工作流设计

通过API将多个模型和服务串联成完整的工作流程。

4.2.2 自动化流程

支持条件判断、循环执行、异常处理等复杂逻辑。

5. 系统架构总结

5.1 组件协作关系

Agent（CPU）→ MCP（连接线）→ 各类模型 → ComfyUI（显卡）

5.2 技术优势

• 模块化设计，易于扩展
• 支持多模型混合使用
• 提供多种接入方式
• 灵活的工作流配置