部署前先理解整体架构
Krita AI Diffusion 是一款面向 Krita 的 AI 绘画插件，普遍用法是在本地直接运行后端，也可将后端部署至 Linux 服务器，让绘图电脑仅负责界面操作，而推理计算任务交由服务器处理。后者适用于显卡资源集中管理、多人协作、笔记本性能不够强劲、工作室需要统一模型库等典型场景。
服务器部署的核心思路十分清晰：Linux 主机需安装显卡驱动、Python 环境及 AI 后端服务，同时准备 Stable Diffusion 相关模型与依赖节点；客户端方面，Krita 安装 Krita AI Diffusion 插件后，填写服务器地址即可实现连接。部署完毕后，再通过 systemd 等方式让服务随系统启动，并在后台持续稳定运行。
硬件与系统环境建议
服务器建议选用 Ubuntu 22.04 LTS、Debian 12 或同类长期维护发行版。显卡方面，NVIDIA GPU 兼容性较好，显存 8GB 可满足基础生成需求，12GB 到 24GB 则更适合高分辨率、ControlNet、SDXL 或多任务队列处理。内存建议 32GB 起步，若模型数量较多，需预留更大磁盘空间，SSD 能显著提升加载速度。
软件版本建议保持稳定组合：Python 3.10 或 3.11、Git、venv、对应显卡驱动以及 CUDA 版 PyTorch。部署前先执行 nvidia-smi 检查驱动是否正常识别 GPU。如果该命令不可用，应优先处理驱动问题，不建议在驱动未稳定前继续安装插件后端。
创建独立用户与基础依赖
在正式生产或团队环境中，不建议直接用 root 账户长期运行 AI 服务。可以创建普通用户，例如 aiuser，并将项目目录置于 /opt/krita-ai 或用户家目录下。安装基础依赖时，可执行系统更新，并安装 git、python3-venv、python3-pip、build-essential 等组件。
示例流程为：登录服务器后创建目录，进入该目录，使用 Git 获取 Krita AI Diffusion 所需后端或兼容的 ComfyUI 后端项目。由于插件版本会持续更新，建议以官方发布页及插件设置页显示的后端要求为准，尽量确保插件版本与服务端版本匹配，避免出现接口不兼容、采样器缺失或工作流无法顺利执行的问题。
安装后端运行环境
进入后端项目目录后，先创建虚拟环境：python3 -m venv venv，再激活该环境：source venv/bin/activate。随后升级安装工具：pip install -U pip setuptools wheel。如果选用 ComfyUI 作为后端，需安装项目依赖；若官方后端包提供安装脚本，可优先使用随包脚本，因为它通常会自动处理自定义节点及依赖版本。
安装 PyTorch 时要特别注意 CUDA 版本。不要盲目复制旧教程中的命令，应根据服务器驱动所支持的 CUDA 运行时来选择对应的安装命令。安装完成后可进入 Python 测试：import torch; print(torch.cuda.is_a vailable())，返回 True 才表明后端能正常调用 GPU。若返回 False，通常是由于 PyTorch 版本、驱动版本或虚拟环境安装位置不一致所致。
准备模型与目录结构
Krita AI 绘画插件通常需要基础模型、VAE、ControlNet、LoRA、放大模型等文件。建议建立清晰有序的目录，例如 models/checkpoints、models/vae、models/loras、models/controlnet。如果后端已有固定目录结构，应按照后端要求放置，不要随意更改名称，否则插件可能无法正确读取模型列表。
模型文件体积较大，上传完成后要检查文件大小与校验值，避免因传输中断导致加载失败。团队共用时，还应标注模型来源、适用版本、推荐分辨率及授权范围。商业项目尤其要确认模型、LoRA、嵌入文件及素材的使用许可，避免将来源不明的资源直接纳入正式流程。
首次启动与连通性测试
后端安装完成后，建议先以前台方式启动，便于观察报错信息。常见启动参数包括监听地址与端口，例如让服务监听局域网地址：python main.py --listen 0.0.0.0 --port 8188。不同后端的入口文件可能有所差异，需以实际项目说明为准。启动后查看日志中是否完成模型扫描、是否检测到 GPU、是否出现缺失节点或依赖安装失败等提示。
在本机可通过 curl https://127.0.0.1:8188 或浏览器访问该端口来确认服务响应；在绘图电脑上访问服务器的内网 IP 和端口，确认网络连通性。若访问失败，请优先检查 Linux 防火墙、安全组、端口监听地址以及服务器是否只绑定了 127.0.0.1。出于安全考虑，不建议将端口直接暴露到公网。
Krita 客户端插件配置
客户端需要先安装 Krita，并安装 Krita AI Diffusion 插件。插件安装通常是通过下载发布包，在 Krita 的脚本或插件管理入口导入，重启 Krita 后启用扩展面板。打开插件设置，选择连接外部服务器或自定义服务器地址，填写类似 https://服务器内网IP:8188 的地址。
连接成功后，插件一般会显示可用的模型、采样器及后端状态。建议先用较低分辨率进行测试，例如 512×512 或 768×768，确认文生图、图生图、局部重绘等基础功能运行正常，再逐步测试 ControlNet、SDXL、LoRA 和高分辨率放大。若插件提示缺少工作流组件，通常说明服务端自定义节点未安装完整，或版本与插件不匹配。
配置后台运行与开机自启
前台启动模式适合调试，正式使用建议交给 systemd 管理。可以创建服务文件，设置工作目录、运行用户、虚拟环境中的 Python 路径及启动参数。服务配置中应包含自动重启策略，例如异常退出后数秒重启，并将日志交由系统日志统一查看。
配置完成后执行重新加载服务、启动服务、设置开机自启，并通过 systemctl status 查看运行状态。日志排查可使用 journalctl -u 服务名 -f。如果模型加载时间较长，启动后短时间内没有响应不一定是故障，应结合 GPU 占用、磁盘读取及日志输出进行判断。
性能优化与稳定性建议
多人共用服务器时，最容易遇到显存被占满、任务排队混乱及模型频繁切换等问题。建议约定默认模型与分辨率，限制过大的批量任务，并根据显存容量设置合理的低显存模式或注意力优化参数。若服务器主要用于 SDXL，显存不足时可降低输出尺寸，减少 ControlNet 数量，或关闭不必要的高清修复功能。
模型库不应无限堆积。模型越多，扫描、检索及维护成本越高。建议按项目归档，常用模型置于主目录，历史模型放到备用目录。更新插件或后端前，先记录当前版本、依赖列表及服务文件内容，最好在非工作时段进行测试，确认关键功能可用后再切换至正式服务。
常见问题排查
问题一：Krita 插件连接失败。优先检查服务是否正在运行、端口是否正确、地址是否填成了服务器内网 IP、服务是否监听 0.0.0.0。若服务器启用了访问控制，还需确认客户端地址已被允许。
问题二：能连接但无法生成图片。查看后端日志，重点关注模型路径错误、依赖节点缺失、显存不足以及 PyTorch 未调用 GPU 等情况。显存不足时，可降低分辨率、减少批量数量，或启用后端提供的节能显存参数。
问题三：插件显示模型为空。通常是模型未放入后端识别的目录，或文件后缀、目录权限设置不正确。请确保运行服务的用户对模型目录拥有读取权限，新增模型后重启服务或执行重新扫描。
问题四：更新后功能异常。Krita AI Diffusion、后端项目及自定义节点之间存在版本配合关系。遇到异常时，先回退到更新前的版本，保留旧的虚拟环境和配置备份，再逐项升级并进行验证。
安全边界与维护要点
AI 绘画后端本质上是可接收任务并占用大量算力的服务，必须限制访问范围。建议仅在可信内网中使用，必要时通过网关、访问名单或账号体系进行保护。不要将管理端口、模型目录及日志文件开放给无关人员。
同时要重视数据与版权的边界。上传至服务器的参考图、项目草图及生成结果应按团队规范妥善保存，敏感项目建议设置独立目录和权限。模型、插件及第三方节点应从可信来源获取，更新前查看变更说明，避免引入不必要的安全风险。只要环境、版本、权限及后台守护四个环节都处理到位，Krita AI Diffusion 在 Linux 服务器上就能成为稳定高效的绘画算力中心。
