教程：从零开始构建你的本地AI长视频生成智能体（使用 Python 基于阿里的通义万相Wan2.2 模型）-2025年

• 内存 (RAM): 建议 32GB 或以上。Wan2.2 A14B模型在加载和生成时会占用大量内存。16GB是最低限度，可能会非常卡顿或失败。
• 显存 (VRAM): 建议 12GB 或以上。这将决定你生成视频的速度。如果显存不足，模型会回退到CPU运行，速度会慢几个数量级。
• 硬盘空间: 至少 50GB 可用空间。模型文件本身就很大（约20-30GB），生成的视频片段也需要空间。

• 操作系统: Windows 10/11, macOS, 或 Linux。
• Python: 访问 Python官网 下载并安装 Python 3.9 或更高版本。安装时，务必勾选 “Add Python to PATH”。
• LM Studio: 访问 LM Studio官网 下载并安装适用于你操作系统的版本。

• 在左侧的搜索栏（🔍）中，输入 Wan2.2。
• 你会看到几个结果。我们需要下载以下两个模型（至少一个）：
  • Wan2.2-T2V-A14B-GGUF (Text-to-Video)
  • Wan2.2-I2V-A14B-GGUF (Image-to-Video)
• 点击其中一个模型，进入下载页面。你会看到不同量化版本的文件。
  • 推荐： 选择 Q4_K_M 版本。它在质量和性能之间取得了很好的平衡。
  • 如果你的显存充足（>24GB）： 可以选择 Q5_K_M 或 Q8_0 以获得更好质量。
  • 如果你的显存紧张（<12GB）： 可以尝试 Q3_K_M，但质量会下降。
• 点击 Download 按钮，等待下载完成。这可能需要一些时间。

• 在LM Studio主界面顶部，点击 “Chat” (💬) 标签页。
• 在模型选择下拉菜单中，选择你刚刚下载的模型，例如 Wan2.2-T2V-A14B-GGUF。
• 在界面右侧，找到 “Server” 选项卡。
• 确保 “Enable Server” 开关是打开的。
• 记录下 “Host” 和 “Port”。默认通常是 http://localhost:1234。
• 关键一步： 在 “CORS” 设置下方，找到 “Custom Server Preset” 或类似选项。Wan2.2这类多模态模型通常不使用标准的/v1/chat/completions端点。你需要查看模型信息或尝试不同的端点。通常，它可能是 /v1/images/generations 或一个自定义路径。如果不确定，先保持默认，我们将在Python脚本中进行调试。

# 请求头
HEADERS = {
\”Content-Type\”: \”application/json\”,
}
def test_t2v_generation(prompt: str, output_filename: str = \”test_output.mp4\”):
\”\”\”
测试调用Wan2.2 T2V模型生成视频
\”\”\”
print(f\”🚀 正在向 \'{API_URL}\’ 发送请求…\”)
print(f\”📝 提示词: \'{prompt}\’\”)
# — 请求体 —
# !!! 重要：这个结构是基于常见API的猜测，可能需要根据LM Studio的实际API进行调整 !!!
# 请在LM Studio的模型页面 -> \”Developer\”标签页查看示例请求体
payload = {
\”model\”: \”Wan2.2-T2V-A14B-GGUF\”, # 模型标识符，通常是你加载的模型名
\”prompt\”: prompt,
# 以下参数是可选的，你可以根据需要添加或修改
# \”n\”: 1, # 生成视频的数量
# \”size\”: \”832×480\”, # 视频分辨率
# \”steps\”: 30, # 推理步数，越多越慢但质量可能越好
# \”cfg_scale\”: 7.5, # 引导系数
}
try:
# 发送POST请求
response = requests.post(API_URL, headers=HEADERS, json=payload, timeout=300) # 设置5分钟超时

# 检查响应状态码
if response.status_code == 200:
print(\”✅ 请求成功！正在处理响应…\”)
result = response.json()

# — 响应处理 —
# !!! 这是最需要根据实际情况修改的部分 !!!
# API可能返回视频的base64编码，或者一个下载链接，或者直接是二进制流
# 这里我们假设它返回一个包含URL的JSON对象
if \’data\’ in result and len(result[\’data\’]) > 0 and \’url\’ in result[\’data\’][0]:
video_url = result[\’data\’][0][\’url\’]
print(f\”🔗 视频生成URL: {video_url}\”)

# 下载视频文件
print(\”⬇️ 正在下载视频…\”)
video_response = requests.get(video_url, stream=True)
if video_response.status_code == 200:
with open(output_filename, \’wb\’) as f:
for chunk in video_response.iter_content(chunk_size=8192):
f.write(chunk)
print(f\”🎉 视频已成功保存为: {output_filename}\”)
else:
print(f\”❌ 下载视频失败: {video_response.status_code}\”)
else:
print(\”❌ 响应格式不符合预期，请检查API返回的JSON结构:\”)
print(json.dumps(result, indent=2))
else:
print(f\”❌ API请求失败，状态码: {response.status_code}\”)
print(\”错误信息:\”, response.text)
except requests.exceptions.RequestException as e:
print(f\”❌ 网络请求出错: {e}\”)
except json.JSONDecodeError:
print(\”❌ 解析响应JSON失败，服务器可能返回了非JSON格式的错误信息。\”)
print(\”原始响应:\”, response.text)
if __name__ == \’__main__\’:
# 确保LM Studio已加载模型并启动了服务器
input(\”请确保LM Studio已准备就绪，然后按Enter键开始测试…\”)

test_prompt = \”A majestic lion walking slowly across the African savanna at sunset.\”
test_t2v_generation(test_prompt, \”lion_savanna.mp4\”)

• 在终端中，确保你仍在 video_agent 文件夹内。
• 运行脚本：python test_api.py
• 如果成功： 你会看到一系列打印信息，最终在文件夹中出现一个名为 lion_savanna.mp4 的视频文件。恭喜你，基础环境搭建成功！
• 如果失败（最常见的情况）：
  • 404 Not Found: 说明API端点 API_URL 错误。请回到LM Studio，仔细检查模型页面的 “Developer” 标签页，找到正确的Endpoint URL，并更新 test_api.py 中的 API_URL。
  • 500 Internal Server Error: 可能是模型未完全加载，或请求体格式 payload 不正确。检查LM Studio主界面，确保模型加载完成。然后，尝试简化 payload，只保留 prompt 和 model 字段。
  • 连接被拒绝: 确认LM Studio的服务器已启动，并且端口号 1234 正确。 请务必在这一步花费足够的时间，直到你能够稳定地生成单个视频片段。 这是后续所有工作的基础。

# 根据你在LM Studio中确认的端点进行修改
# T2V (Text-to-Video) 端点
T2V_ENDPOINT = f\”{LM_STUDIO_HOST}:{LM_STUDIO_PORT}/v1/images/generations\”
# I2V (Image-to-Video) 端点 (可能和T2V相同，也可能不同，需确认)
I2V_ENDPOINT = f\”{LM_STUDIO_HOST}:{LM_STUDIO_PORT}/v1/images/generations\”
# 模型名称
T2V_MODEL_NAME = \”Wan2.2-T2V-A14B-GGUF\”
I2V_MODEL_NAME = \”Wan2.2-I2V-A14B-GGUF\”

def __init__(self):
self.headers = {\”Content-Type\”: \”application/json\”}
# 注意：Wan2.2的API可能需要特定的请求体格式，这里的结构是基于常见API的推断
# 如果后续调用失败，请首先检查这里的payload结构是否与LM Studio开发者文档一致
self.default_payload = {
\”steps\”: 30, # 推理步数，可根据性能调整
\”cfg_scale\”: 7.5, # 引导系数
}
def _make_request(self, endpoint: str, payload: dict) -> Optional[dict]:
\”\”\”发送POST请求并处理通用响应\”\”\”
try:
response = requests.post(endpoint, headers=self.headers, json=payload, timeout=300)
response.raise_for_status() # 如果状态码不是2xx，则抛出HTTPError
return response.json()
except requests.exceptions.RequestException as e:
print(f\”❌ API请求失败: {e