造相-Z-Image-Turbo LoRA 与数据库联动：MySQL存储用户风格偏好与生成历史

造相-Z-Image-Turbo LoRA 与数据库联动：MySQL存储用户风格偏好与生成历史

你有没有想过，为什么那些顶级的AI绘画应用总能“猜”到你喜欢什么风格？你只是随手画了几张风景图，下次打开应用，它推荐给你的风格模板就恰好是你最近偏爱的水彩风或赛博朋克。

这背后不仅仅是模型的功劳，更关键的是数据。一个能记住你“口味”的系统，远比一个只会机械生成的工具要聪明得多。

今天，我们就来动手搭建这样一个“聪明”的系统。我们将把强大的造相-Z-Image-Turbo LoRA 模型和一个MySQL 数据库结合起来，设计一个能记住用户偏好、记录生成历史，并据此提供个性化推荐的应用案例。这不仅仅是技术演示，更是一个能直接提升用户粘性和体验的实用方案。

1. 场景与痛点：为什么需要记住用户的“口味”？

想象一下，你运营着一个AI绘画社区或工具平台。用户A痴迷于古风水墨，用户B则偏爱科幻机甲。如果每次生成，用户都需要从头选择模型、调整复杂的参数，体验会非常割裂。他们可能会想：“我上次用的那个参数组合是什么来着？”或者“这个平台好像不太懂我。”

这就是我们面临的痛点：生成过程缺乏连续性，用户体验无法个性化。用户每次都是“一次性”使用，平台无法积累用户数据，也就无法提供更智能的服务。

而我们的解决方案，就是通过数据库，为每个用户建立一个“数字画室档案”。这个档案里记录着：

• 他是谁：基础用户信息。
• 他喜欢什么：偏爱的艺术风格、主题标签。
• 他做过什么：每一次成功生成的“配方”（提示词、模型参数、LoRA权重）。
• 哪些作品他最爱：点赞、收藏、下载的记录。

有了这些数据，当用户再次访问时，系统可以：

1. 快速复现：一键调用他上次最满意的生成参数。
2. 智能推荐：根据他的历史偏好，推荐相似风格的新模板或LoRA模型。
3. 发现同好：分析用户群体数据，发现热门风格趋势，甚至为用户推荐“口味”相似的其他创作者。

接下来，我们就从最基础的环境搭建开始，一步步实现这个构想。

2. 环境准备：让MySQL跑起来

我们的系统基石是MySQL数据库。如果你还没有安装，别担心，跟着下面的步骤走，几分钟就能搞定。

2.1 安装MySQL

这里以在Linux系统（如Ubuntu）上安装为例，过程非常简单。

打开终端，依次执行以下命令：

# 更新软件包列表 sudo apt update # 安装MySQL服务器 sudo apt install mysql-server -y # 安装完成后，MySQL服务会自动启动。可以检查一下状态 sudo systemctl status mysql

如果看到active (running)的字样，说明MySQL已经成功安装并运行起来了。

2.2 进行安全配置

刚安装好的MySQL默认配置不够安全，我们需要运行一个安全脚本。

sudo mysql_secure_installation

运行后，脚本会引导你完成一系列设置：

1. 询问是否设置验证密码插件，一般选择Y。
2. 设置root用户的密码（请务必设置一个强密码并记住它）。
3. 随后的一系列问题（移除匿名用户、禁止root远程登录、删除测试数据库、重新加载权限表），都建议输入Y以提高安全性。

2.3 登录MySQL并创建专用数据库

现在，我们用root用户登录MySQL，为我们AI绘画应用创建一个专用的数据库和用户。

# 使用root密码登录MySQL命令行 sudo mysql -u root -p

输入你刚才设置的root密码后，会进入MySQL的命令行界面（提示符变为mysql>）。

然后，执行以下SQL命令：

-- 创建一个名为 `ai_painting_platform` 的数据库 CREATE DATABASE ai_painting_platform CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; -- 创建一个新用户，例如叫 `painting_user`，并设置密码（请替换 `your_strong_password`） CREATE USER 'painting_user'@'localhost' IDENTIFIED BY 'your_strong_password'; -- 授予这个用户对 `ai_painting_platform` 数据库的所有权限 GRANT ALL PRIVILEGES ON ai_painting_platform.* TO 'painting_user'@'localhost'; -- 让权限设置立即生效 FLUSH PRIVILEGES; -- 退出MySQL命令行 EXIT;

好了，数据库的基础环境已经就绪。接下来，我们要设计核心的数据表结构。

3. 核心设计：数据库表结构蓝图

我们的“数字画室档案”需要几张表来协同工作。下面是最核心的四张表的设计。

3.1 用户表 (users)：记录画室主人

这张表存放用户的基本信息，是系统的起点。

USE ai_painting_platform; CREATE TABLE users ( user_id INT AUTO_INCREMENT PRIMARY KEY COMMENT '用户唯一ID', username VARCHAR(50) NOT NULL UNIQUE COMMENT '用户名', email VARCHAR(100) UNIQUE COMMENT '邮箱', avatar_url VARCHAR(255) COMMENT '头像链接', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '注册时间', last_login_at TIMESTAMP NULL COMMENT '最后登录时间', INDEX idx_username (username) ) COMMENT='用户基本信息表';

3.2 风格偏好表 (user_style_prefs)：记住用户的“口味”

这是实现个性化的关键。我们记录用户对哪些风格标签表现出了兴趣（比如通过点击、生成、收藏等行为）。

CREATE TABLE user_style_prefs ( pref_id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '关联用户ID', style_tag VARCHAR(50) NOT NULL COMMENT '风格标签，如“水墨风”、“赛博朋克”', preference_score FLOAT DEFAULT 1.0 COMMENT '偏好权重，可通过行为动态调整', last_updated TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP, FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE, INDEX idx_user_style (user_id, style_tag) ) COMMENT='用户风格偏好表';

设计思路：preference_score字段是个小妙招。用户每次使用某个风格生成或收藏作品，这个分数就可以增加。系统推荐时，优先推荐分数高的风格，让推荐越来越准。

3.3 生成历史表 (generation_history)：保存每一次的“配方”

用户每一次成功的图像生成，其所有参数都应该被保存下来，以便复现或分析。

CREATE TABLE generation_history ( history_id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '生成用户', prompt_text TEXT NOT NULL COMMENT '正面提示词', negative_prompt TEXT COMMENT '负面提示词', base_model_name VARCHAR(100) COMMENT '基础模型名称', lora_model_name VARCHAR(100) COMMENT '使用的LoRA模型名称', lora_weight FLOAT COMMENT 'LoRA权重', seed BIGINT COMMENT '随机种子', steps INT COMMENT '迭代步数', cfg_scale FLOAT COMMENT '提示词相关性', width INT COMMENT '图像宽', height INT COMMENT '图像高', generated_image_url VARCHAR(255) COMMENT '生成图片的存储URL', generation_params JSON COMMENT '其他参数的JSON存储，灵活扩展', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '生成时间', FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE, INDEX idx_user_time (user_id, created_at) ) COMMENT='图像生成历史记录表';

设计思路：generation_params字段使用JSON类型，非常灵活。未来如果模型新增了参数，可以直接存入，无需频繁修改表结构。

3.4 作品互动表 (image_interactions)：捕捉用户的“心动瞬间”

用户对作品的操作（点赞、收藏、下载）是判断其偏好的强信号。

CREATE TABLE image_interactions ( interaction_id INT AUTO_INCREMENT PRIMARY KEY, user_id INT NOT NULL COMMENT '操作用户', history_id INT NOT NULL COMMENT '关联的生成记录', interaction_type ENUM('like', 'favorite', 'download') NOT NULL COMMENT '互动类型', created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE, FOREIGN KEY (history_id) REFERENCES generation_history(history_id) ON DELETE CASCADE, UNIQUE KEY uk_user_history_type (user_id, history_id, interaction_type) -- 防止重复操作 ) COMMENT='用户对生成作品的互动表';

表结构建好后，它们之间的关系可以用下图来清晰表示：

用户(users) │ ├─── 拥有 ───> 风格偏好(user_style_prefs) │ └─── 创建 ───> 生成历史(generation_history) │ └─── 被互动 ───> 作品互动(image_interactions)

这个关系确保了数据的完整性和关联查询的效率。

4. 实战应用：从记录到智能推荐

数据库建好了，怎么用起来呢？我们模拟一个用户“小美”的完整使用流程，看看数据如何流动，以及如何实现个性化推荐。

4.1 用户注册与初始偏好记录

小美注册了账号，并选择了她感兴趣的初始标签。

# 示例：使用Python的pymysql库连接数据库并插入数据 import pymysql import json # 连接数据库 connection = pymysql.connect( host='localhost', user='painting_user', password='your_strong_password', database='ai_painting_platform', charset='utf8mb4' ) try: with connection.cursor() as cursor: # 1. 小美注册 sql_user = "INSERT INTO users (username, email) VALUES (%s, %s)" cursor.execute(sql_user, ('xiaomei', 'xiaomei@example.com')) user_id = cursor.lastrowid # 获取新创建的用户ID # 2. 记录小美的初始风格偏好（比如她注册时勾选了） initial_styles = [('水墨风', 2.0), ('吉卜力', 1.5), ('简约插画', 1.0)] sql_pref = "INSERT INTO user_style_prefs (user_id, style_tag, preference_score) VALUES (%s, %s, %s)" for style, score in initial_styles: cursor.execute(sql_pref, (user_id, style, score)) connection.commit() print(f"用户小美（ID: {user_id}）注册成功，初始偏好已记录。") finally: connection.close()

4.2 生成图像并保存历史

小美使用“造相-Z-Image-Turbo + 水墨风LoRA”生成了一幅满意的山水画，系统需要保存这次生成的完整“配方”。

# 模拟一次生成请求后的数据保存 def save_generation_history(user_id, prompt, params, image_url): connection = pymysql.connect(...) # 同上，省略连接参数 try: with connection.cursor() as cursor: sql = """ INSERT INTO generation_history (user_id, prompt_text, negative_prompt, base_model_name, lora_model_name, lora_weight, seed, steps, cfg_scale, width, height, generated_image_url, generation_params) VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s) """ cursor.execute(sql, ( user_id, params.get('prompt', ''), params.get('negative_prompt', ''), 'Z-Image-Turbo', params.get('lora_name', 'ink_painting_lora'), params.get('lora_weight', 0.8), params.get('seed', 42), params.get('steps', 30), params.get('cfg_scale', 7.5), params.get('width', 1024), params.get('height', 768), image_url, json.dumps(params) # 其他参数存入JSON字段 )) history_id = cursor.lastrowid connection.commit() print(f"生成记录已保存，历史ID: {history_id}") return history_id finally: connection.close() # 模拟参数 generation_params = { 'prompt': '晨雾中的远山，水墨风格，意境悠远', 'negative_prompt': '低质量，模糊', 'lora_name': 'ink_painting_lora', 'lora_weight': 0.75, 'seed': 123456, 'steps': 28, 'cfg_scale': 7.0, 'sampler': 'DPM++ 2M Karras', # ... 其他参数 } image_url = 'https://your-storage.com/images/xiaomei_mountain_001.png' history_id = save_generation_history(user_id, generation_params['prompt'], generation_params, image_url)

4.3 基于偏好的智能推荐

当小美再次打开应用时，系统可以根据她的偏好，为她推荐内容。

场景一：推荐她可能喜欢的风格或LoRA模型。

def recommend_styles_for_user(user_id, limit=5): connection = pymysql.connect(...) try: with connection.cursor() as cursor: # 查询该用户偏好权重最高的风格 sql = """ SELECT style_tag, preference_score FROM user_style_prefs WHERE user_id = %s ORDER BY preference_score DESC LIMIT %s """ cursor.execute(sql, (user_id, limit)) results = cursor.fetchall() return [{'style': row[0], 'score': row[1]} for row in results] finally: connection.close() recommended_styles = recommend_styles_for_user(user_id) print("为您推荐的风格：", recommended_styles) # 输出可能为：[{'style': '水墨风', 'score': 2.0}, {'style': '吉卜力', 'score': 1.5}, ...]

系统前端就可以把这些高权重风格排在前面，或者主动推送相关风格的模板。

场景二：推荐她可能喜欢的“同好”作品或热门参数。

def recommend_popular_prompts_by_style(user_id): connection = pymysql.connect(...) try: with connection.cursor() as cursor: # 1. 先获取用户偏好的风格标签 sql_user_style = "SELECT style_tag FROM user_style_prefs WHERE user_id = %s ORDER BY preference_score DESC LIMIT 3" cursor.execute(sql_user_style, (user_id,)) user_styles = [row[0] for row in cursor.fetchall()] if not user_styles: return [] # 2. 查找这些风格标签下，被互动（收藏/点赞）最多的生成记录的提示词 # 这里用一个简化的查询：查找提示词中包含这些风格关键词的热门记录 placeholders = ', '.join(['%s'] * len(user_styles)) sql_recommend = f""" SELECT gh.prompt_text, COUNT(ii.interaction_id) as interaction_count FROM generation_history gh JOIN image_interactions ii ON gh.history_id = ii.history_id WHERE gh.prompt_text LIKE CONCAT('%%', %s, '%%') -- 简化匹配逻辑，实际应用可能需要更复杂的标签系统 OR gh.prompt_text LIKE CONCAT('%%', %s, '%%') GROUP BY gh.history_id, gh.prompt_text ORDER BY interaction_count DESC LIMIT 5 """ # 简化处理，取前两个风格标签进行查询 cursor.execute(sql_recommend, (user_styles[0], user_styles[1] if len(user_styles)>1 else user_styles[0])) results = cursor.fetchall() return [{'prompt': row[0], 'popularity': row[1]} for row in results] finally: connection.close() recommended_prompts = recommend_popular_prompts_by_style(user_id) print("根据您的喜好，发现这些热门创作灵感：", recommended_prompts)

4.4 偏好权重的动态更新

当小美对她生成的山水画点击了“收藏”，系统不仅要记录这个行为，还应该强化她对“水墨风”的偏好。

def record_interaction_and_update_preference(user_id, history_id, interaction_type): connection = pymysql.connect(...) try: with connection.cursor() as cursor: # 1. 记录互动行为 sql_interaction = """ INSERT INTO image_interactions (user_id, history_id, interaction_type) VALUES (%s, %s, %s) ON DUPLICATE KEY UPDATE created_at = CURRENT_TIMESTAMP -- 如果已存在则更新时间 """ cursor.execute(sql_interaction, (user_id, history_id, interaction_type)) # 2. 根据互动，更新相关风格的偏好权重（简化逻辑：收藏+0.5分） # 首先，需要从生成历史中解析出可能关联的风格标签。 # 这里假设我们从prompt中提取关键词，或者有专门的“作品-标签”关联表。 # 为简化示例，我们假设收藏的作品关联了‘水墨风’标签。 target_style = '水墨风' sql_update_pref = """ UPDATE user_style_prefs SET preference_score = preference_score + 0.5, last_updated = CURRENT_TIMESTAMP WHERE user_id = %s AND style_tag = %s """ cursor.execute(sql_update_pref, (user_id, target_style)) # 如果用户还没有这个风格的偏好记录，可以在这里选择插入一条新记录 if cursor.rowcount == 0: sql_insert_pref = "INSERT INTO user_style_prefs (user_id, style_tag, preference_score) VALUES (%s, %s, %s)" cursor.execute(sql_insert_pref, (user_id, target_style, 1.0)) connection.commit() print(f"互动已记录，用户偏好已更新。") finally: connection.close() # 小美收藏了她的作品 record_interaction_and_update_preference(user_id, history_id, 'favorite')

这样，小美的“水墨风”偏好分数就从2.0增加到了2.5，系统未来会更有信心地向她推荐水墨风相关的内容。

5. 总结与展望

通过这个完整的案例，我们把一个强大的AI绘画模型和一个关系型数据库巧妙地结合在了一起。这不仅仅是技术上的连接，更是产品思维上的升级。

从“工具”到“伙伴”：系统不再是一个冷冰冰的图片生成器，而是一个能记住用户喜好、学习用户习惯的智能伙伴。用户粘性自然会因为这种“被懂得”的感觉而大幅提升。

数据驱动的迭代：对于运营者来说，数据库里沉淀的数据是无价之宝。你可以分析出最受欢迎的风格趋势（user_style_prefs），发现爆款提示词模板（generation_history结合image_interactions），从而更好地规划模型训练方向、设计运营活动。

当然，这只是一个起点。在实际应用中，你还可以考虑更多：

• 性能优化：为频繁查询的字段（如user_id,created_at,style_tag）建立合适的索引，对大规模历史数据进行分表。
• 标签系统：设计更完善的标签体系，而不是简单地从提示词中匹配，可以引入图像识别自动打标。
• 推荐算法：引入更复杂的协同过滤或基于内容的推荐算法，让推荐更加精准。
• 数据可视化：为管理员提供仪表盘，直观展示平台生成趋势、用户活跃度等。

技术最终要服务于体验。当你下次再使用一个“懂你”的AI应用时，或许就能想到，背后正是这样一个由模型、数据和逻辑共同构建的智能系统在默默工作。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。