返回博客列表

生成式 AI 被归进中级软技能？一份技能清单与 30 个可用开源模型

2026-10-23T23:10:00+08:00
生成式 AI开源模型自媒体ComfyUI技能清单

生成式 AI 被归进中级软技能？一份技能清单与 30 个可用开源模型

这份清单把生成式 AI 归进了软技能，我盯着这一行看了很久。

前段时间我给自己盘了一份 AI 时代的技能清单，按硬技能和软技能分，再按资历深浅分级。写完自己先愣了一下：生成式 AI 没进硬技能，被放在了软技能的中级档，跟营销自动化排在一排；而 AWS 在硬技能资深档，B2B 销售在软技能资深档。

这个分级可能跟很多人的直觉相反。清单本身值得拆开看，但它只是上半篇。下半篇更实际：既然生成式 AI 是一项要练的软技能，那练的工具有哪些？我把两年里亲手用过、反复打磨过的 30 个开源创作模型整理了出来——图像 14 个、视频 12 个、音乐 2 个、音效和语音各 1 个——并给出它们在国内自媒体场景下的可用路线。

本文提纲

  1. 先读清单：生成式 AI 为什么排在中级
  2. harness 设计，一个新工种的诞生
  3. 自媒体是这些技能最好的练兵场
  4. 图像：14 个模型里，国产四个先说
  5. 视频：Wan 和 HunyuanVideo 在第一梯队
  6. 音乐、音效、语音：五个模型管住耳朵
  7. 三条路线，搭一条国内能跑的生产线
  8. 回到清单：值钱的部分不在生成

先读清单：生成式 AI 为什么排在中级

先把整份清单摆出来：

分类 资深 中级
硬技能 应用程序开发、桌面应用、移动应用、UI/UX 设计、Linux 服务器搭建、AWS COBOL 与 Visual Basic 遗留应用现代化、Azure
软技能 各类文档编写、基于 Agile/Scrum 的项目管理、方案提案与 B2B 销售及客户沟通 营销自动化、生成式 AI、Claude 与 Codex 的 harness 设计、面向 TikTok/Instagram 的短视频生成、面向 YouTube 的视频生成、基于各类 LLM 的系统策划与开发、开源模型图像生成、开源模型 TTS 生成

三个地方值得停下来。

生成式 AI 被归为软技能，指的是它的性质：它像 Excel 和 PPT，是表达与沟通的工具，用得好坏直接影响产出，但它本身不构成专业壁垒。归在中级，是因为入门门槛已经不高——半年内可以练到能干活的水位。反直觉，但讲得通：真正难的从来不是生成一段文案或一张图，是知道该生成什么。

COBOL 与 Visual Basic 遗留应用现代化排进硬技能中级档，是这份清单里最有意思的一格。老系统没人愿意碰，存量代码里全是只有退休的人才知道的业务规则，这恰恰是 LLM 擅长的：读烂代码、写迁移方案。AI 时代最吃香的不是追新，是翻译存量。

AWS 在资深档、Azure 在中级档，反映的是国内出海业务和全球云市场的真实权重。这个排序放五年前可能反过来。

harness 设计，一个新工种的诞生

清单里有一项很少在别的技能表里见到：Claude 与 Codex 的 harness 设计。

harness 指的是把模型装进工作流的那层外壳——权限怎么给、上下文怎么喂、工具怎么接、产出怎么验。模型是引擎，harness 是整辆车。我们之前拆过的 ai-job-search 就是典型样本：一个 6.3 万星的求职框架，核心不是什么模型，是 8 道工序、两个前置闸门和一套 deny 优先的权限模型，模型在里面只是被调度的零件。

这项技能出现在"中级软技能"里，而不是硬技能，分类逻辑是自洽的：写 harness 的手法半年能上手，但知道为什么这么设计，需要的是对业务流程的理解。工具性大于专业性，所以归软技能。

自媒体是这些技能最好的练兵场

清单后半段一串技能——短视频生成、视频生成、图像生成、TTS——合起来指向同一个场景：内容生产。为什么是自媒体？三个原因。

需求频次高。一个日更账号一个月要出 30 条内容，每条都要封面、配图、配音、BGM，生成式 AI 的产能优势在这里被放大到极致。

容错率高。一条视频画面崩了一帧，观众划走了事；生产系统的输出出了错，那是事故。练手当然选前者。

反馈够快。发出去两小时就知道数据，迭代周期以小时计。用工具练手感，没有比这更快的回路。

整条生产线的骨架长这样：

graph TB
    A["Idea and script"] --> B["Image models"]
    A --> C["Video models"]
    A --> D["Audio and TTS"]
    B --> E["ComfyUI runtime"]
    C --> E
    D --> E
    G["Online platforms"] --> F["CapCut edit"]
    E --> F
    F --> H["Publish: Douyin Bilibili WeChat"]
    style A fill:#FF6B6B,color:#000000
    style B fill:#4ECDC4,color:#000000
    style C fill:#45B7D1,color:#000000
    style D fill:#96CEB4,color:#000000
    style E fill:#FFEAA7,color:#000000
    style F fill:#DDA0DD,color:#000000
    style G fill:#98D8C8,color:#000000
    style H fill:#FF6B6B,color:#000000
    linkStyle default stroke:#764ba2

下面按模态把这 30 个模型一个个过。

图像：14 个模型里，国产四个先说

静态图像的生成与编辑，我实际用下来是这 14 个：Stable Diffusion 1.5、SDXL、Stable Diffusion 3.5、FLUX.1、FLUX.1 Kontext、FLUX.2、HiDream-I1、Qwen-Image、Qwen-Image-Edit、HunyuanImage、Z-Image、Chroma、PixArt-Σ、Kolors。

先说国产的四个，因为对国内自媒体人它们是起点而不是备选。

Qwen-Image 和 Qwen-Image-Edit 是做中文素材的首选。它最硬的能力是图内文字渲染：中文海报里那句促销语、封面上的标题字，多数西方模型会把汉字画成鬼画符，Qwen-Image 能直接写对。Edit 版本负责改图——换背景、改字样、局部重绘，做系列封面时靠它保持风格一致。

Z-Image 是阿里通义出的 6B 小钢炮，Turbo 版 8 步出图，16G 显存的消费级显卡就能跑，速度对得起等待。质量跟参数的性价比，在我用过的模型里排最前。

Kolors 出自快手，双语理解是长项，中文 prompt 的语义抓得准，做电商图和封面图顺手。

HunyuanImage（3.0）是腾讯的 80B MoE 旗舰，质量上限最高，代价是显存门槛也最高，本地跑不动可以等在线端。

西方阵营里，SD 1.5 和 SDXL 是老兵，模型轻、生态最大，8G 卡也能跑，LoRA 资源多到用不完；SD 3.5 补上了文字渲染短板。FLUX.1 是过去两年的生态标准，提示词跟随能力树立了行业标杆；FLUX.1 Kontext 开创了指令式编辑的用法，说一句话就能改图；FLUX.2 是新一代旗舰，多参考图一致性明显变强。HiDream-I1 有 17B 参数、MIT 许可，开源得很彻底。Chroma 是从 FLUX.1 Schnell 血统重训出来的 8.9B 模型，Apache 2.0，提示词跟随在社区口碑很好。PixArt-Σ 是 0.6B 的轻量老将，现在看能力落后了，但低配机器上还有一席之地。

视频：Wan 和 HunyuanVideo 在第一梯队

由文本或图像生成视频，12 个：AnimateDiff、Stable Video Diffusion、CogVideoX、LTX-Video、LTX-2、HunyuanVideo、Wan 2.1、Wan 2.2、Mochi 1、SkyReels、FramePack、Open-Sora。

第一梯队是国产的 Wan 和 HunyuanVideo。

Wan 2.1 在 2025 年初开源时放了一个惊喜：1.3B 的小版本 8G 显存能跑，让文生视频第一次进了消费级门槛。Wan 2.2 换成 MoE 架构后质量再上一个台阶，其中的 Ti2V-5B 版本单张 24G 卡能出 720P，是目前"本地跑视频"最平衡的选择。

HunyuanVideo 的 13B 参数发布时是当时最大的开源视频模型，运镜和物理感至今在线，它还顺手养出了一个生态——不少后续模型拿它当底座。

其余的分几类。LTX-Video 主打快，2B 的架构在好显卡上接近实时，LTX-2 加了音视频同步生成，做有声短片省了一道工序。CogVideoX 是智谱（现 zai-org）的早期开源代表，5B 版至今还是低配机器的常客。FramePack 值得单独一提：ControlNet 作者 lllyasviel 的作品，6G 显存生成近乎无限长的视频，思路是把帧按重要性压缩着算，穷人的长视频方案。Mochi 1（Genmo，10B）、SkyReels（昆仑万维，带表情与动作控制）、Open-Sora（复现 Sora 的开源工程）各有定位。AnimateDiff 和 Stable Video Diffusion 是上一代，现在主要活在 SD 1.5/SDXL 的工作流里，给静态图加动效。

不想碰显卡的话，视频模态的在线平台最成熟：即梦、可灵、Vidu、通义万相，效果都不弱于本地开源方案，按条计费对低频用户更划算。

音乐、音效、语音：五个模型管住耳朵

这一组模型最少，但缺了它们，视频是没有灵魂的。

音乐两件套是 ACE-Step 1.5 和 YuE 2，都能生成带人声的完整歌曲。ACE-Step 是 ACE Studio 与阶跃星辰合作的 3.5B 音乐基座，速度快、曲风全，给 vlog 配一段不含版权风险的原创 BGM 是它的日常用法；YuE 走歌词驱动的路线，给一段词直接产人声加伴奏的成品歌，中文歌词支持好。做口播内容的可以只留 ACE-Step。

音效一个：Stable Audio。转场音、脚步声、雨声环境音，短视频里这些细节决定质感，Stable Audio 的 stable-audio-tools 是这一档最顺手的开源方案。

语音一个：Higgs Audio，Boson AI 出的 TTS 与对话语音模型，旁白质感在开源里属第一档，中英文都能扛。国内做中文旁白还有几个成熟的开源替代，CosyVoice、GPT-SoVITS、IndexTTS，音色克隆是它们共同的长项，口播号主基本人手一套。

一个提醒：音乐与翻唱的二创边界在国内平台审查里收得很紧，生成 BGM 时避开任何"像谁"的参考曲，纯原创最安全。

三条路线，搭一条国内能跑的生产线

模型有了，落地路线有三条，按折腾程度排：

在线平台。即梦与可灵（视频）、LiblibAI（图像在线跑，社区模型全）、魔搭 ModelScope（在线体验各家新模型）、剪映（剪辑成片）。全程浏览器完成，缺点是按量付费、参数受限、风格趋同。

本地部署。核心是 ComfyUI——GitHub 14 万星，把上面这些模型用节点图串起来，B 站搜教程一天入门。模型下载走 hf-mirror.com 或魔搭，不用改网络环境。显卡建议：12G 起步能玩 SDXL 和 Z-Image Turbo，24G 是流畅线（FLUX、Wan 2.2 5B、LTX-2），要碰 14B 视频模型和 HunyuanImage 3.0 得上 48G 或租卡。

云端租卡。AutoDL 一类的算力平台按小时租 4090，几块钱一小时，适合偶尔跑大模型、平时不装机的人。

把具体任务对应到模型，是这张表：

任务 本地首选 显存要求 免折腾替代
中文海报与封面 Qwen-Image 24G LiblibAI、即梦
快速出图 Z-Image Turbo 16G 即梦
图像编辑 Qwen-Image-Edit、FLUX.1 Kontext 24G 即梦
文/图生视频 Wan 2.2 Ti2V-5B 24G 可灵、Vidu
长视频生成 FramePack 6G 起 剪映成片
原创 BGM ACE-Step 1.5 16G 平台曲库之外的最优解
口播旁白 Higgs Audio、GPT-SoVITS 24G 剪映配音

决策路径一张图：

graph TB
    S["Content task"] --> Q{"Local GPU with 12G VRAM?"}
    Q -->|"Yes"| L["ComfyUI runtime"]
    Q -->|"No"| W["Online platforms"]
    L --> D["Download weights via hf-mirror or ModelScope"]
    D --> G["Generate locally"]
    W --> P["Jimeng Kling LiblibAI Vidu"]
    G --> E["CapCut edit and subtitle"]
    P --> E
    E --> O["Publish and track metrics"]
    style S fill:#FF6B6B,color:#000000
    style Q fill:#FFEAA7,color:#000000
    style L fill:#4ECDC4,color:#000000
    style W fill:#45B7D1,color:#000000
    style D fill:#96CEB4,color:#000000
    style G fill:#DDA0DD,color:#000000
    style P fill:#98D8C8,color:#000000
    style E fill:#FFEAA7,color:#000000
    style O fill:#FF6B6B,color:#000000
    linkStyle default stroke:#764ba2

我的建议是从中间那条路开始：先在在线平台把工作流跑通，确定自己真的会持续产出，再考虑装机。工具的兴奋感撑不过两周，内容的手感才撑得过一个季度。

回到清单：值钱的部分不在生成

回头看开头那份技能清单，分级其实给得诚实：生成是中级，因为工具在快速变便宜；资深档留给的全是判断——哪些选题值得做、文档面向谁写、提案怎么让客户点头、harness 为什么这样设计。

30 个模型明年会换一茬，名单过期得很快。但知道什么任务用什么模型、什么场景走哪条路线、生成之后怎么改怎么发，这套工作流会一直值钱。技能清单里排资历的从来不是会用哪个工具，是出了问题知道往哪里查。

参考文档与链接

以下 GitHub 数据截至 2026-10-23。

你在用哪几个模型？卡在哪个环节了？评论区聊聊。觉得有用点个赞，让更多人少走弯路。

作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。

分享给朋友
上一篇 · 2026-10-22
Claude Duet：主动 Agent 的分水岭不是模型，是「什么时候等你点头」
下一篇 · 2026-10-23
diy-llm：Datawhale 把斯坦福 CS336 搬成了中文炼丹工坊

相关阅读

Agent RSI 火了：RSIAgent 让开源模型免训练超越 GPT-6，凭什么

2026-09-22 RSIRSIAgent递归自进化

MatrixMedia 矩媒：开源视频矩阵分发工具，原生 MCP 让 Claude 直接帮你发抖音

2026-06-27 MatrixMedia视频矩阵MCP

13400颗星的开源项目：输入一句话，AI全自动帮你做短视频

2026-05-08 [AI短视频开源

DeepSeek-V4 技术报告里藏着一条线：华为昇腾 NPU 已完成推理验证

2026-04-24 DeepSeek大模型华为昇腾