你已经在使用它了

打开 Open Generative AI，输入一段描述，点击"生成"——几秒钟后，一张从未存在过的图片出现在屏幕上。这个过程感觉像魔法，但实际上是一条精心设计的流水线在工作。

这门课要做的，就是把这条流水线的每一个工位打开来看清楚——这样当你告诉 AI 「帮我加个视频生成功能」时，你知道该往哪里加。

闭源 vs 开源：一个关键选择

市面上有 Higgsfield、Freepik、Krea 这些闭源平台——付费、有内容审查、功能受限。Open Generative AI 的定位是它们的开源替代品：你下载源码，在自己的机器上跑，什么模型都能用，没有内容过滤器。

知识检验

大楼的总台服务员

想象一栋大楼里有 200 多个专科诊室。你走进大厅，告诉前台「我想生成一张图片，用 FLUX 模型」。前台查了一下记录，找到 B4 诊室——那里是 FLUX 专科——给你签了个号，送你过去。

Open Generative AI 的路由层就是这个前台。它读取 models_dump.json 这份「诊室名录」，把每个请求精确派发给对应的 AI 模型。

代码解读：API 代理路由

当你在界面上点击「生成」，前端会发起一个请求，经过 Next.js 的API 代理，抵达 muAPI 网关。看看这段代码是怎么工作的：

const MUAPI_BASE = 'https://api.muapi.ai';

function getApiKey(request) {
  const headerKey = request.headers.get('x-api-key');
  if (headerKey) return headerKey;
  const cookieKey = request.cookies
    .get('muapi_key')?.value;
  return cookieKey;
}
            

组件对话：一次生成请求的旅程

点击「生成」之后，系统内部发生了什么？看这场对话：

知识检验

照相馆的暗房

老式照相馆里，摄影师按下快门后，胶卷要经过一道道化学处理才能变成照片：显影→定影→冲洗→放大。每一步都不能跳过，顺序不能乱。

文生图的扩散模型管道就是这样：从一团随机噪点开始，每一步精细调整，最终「显影」出你描述的图片。

四个 Studio 的分工

Open Generative AI 的界面分为四个工作室，每个都是独立的图像处理场景，背后调用不同的模型类型：

图像生成的隐藏参数

models_dump.json 里，每个模型都声明了自己接受哪些参数。这些参数直接决定生成质量：

知识检验

拍电影 vs 拍照片

拍一张照片，你只需要处理一个瞬间。拍一段 5 秒的视频（24fps），你要处理 120 个瞬间，而且每一帧都必须和前后帧时间一致——猫的耳朵不能在第 30 帧突然出现在不同的位置。

这就是为什么视频生成模型（如 WAN 2.1、Happy Horse 1.0）的计算成本是图片的 50-100 倍，生成时间也从几秒变成几十秒到几分钟。

视频生成的两条路径

系统支持两种视频生成方式，适合不同场景：

知识检验

三种部署方式

Open Generative AI 提供了三种部署路径，复杂度和控制程度递增：

规模化的瓶颈在哪里？

当用户数从 1 个增长到 100 个时，哪里会先撑不住？

综合测验：架构全貌