前面好几篇文章都讲 Stable Diffusion WebUI，这次换个更容易上头的东西。很多人一听到 ComfyUI 就头皮发麻，觉得那堆拖来拖去的节点像迷宫，但真正跑过几单商业项目之后，我反而觉得 ComfyUI 才是最稳的那套底子。更别说它还能和 Photoshop 无缝衔接，AI 出图加人工精修这个组合，在电商设计、游戏原画、甚至广告公司的实际交付里，效率不是提升一点半点。

这篇不打算做成 ComfyUI 的说明书式教程，那样太无趣了。我想围绕“基于 ComfyUI 与 PS 的 AI 绘画工作流实战”这个主题，把从节点逻辑到商业落地的完整套路讲透，包含我怎么搭建工作流、怎么把图从 ComfyUI 导出再进 PS 精修、怎么处理客户返修、怎么避开那些坑，以及控制成本和时间的一些思路。不管你是刚把 ComfyUI 装好，还是已经在用它跑图但总觉得差点意思，这篇都能给你一点参考。

1. 整体思路拆解：为什么是 ComfyUI 而不是 WebUI，PS 在这里到底干嘛

1.1 先从一次真实项目说起

接到过一个电商主图的单子，客户要一套“轻奢香薰瓶”的产品主视觉，要求六张图保持同一个瓶子、同一种光影氛围，还要把海报文案位置预留出来。如果用 WebUI 一张张生成、再靠“掷骰子”碰运气，六张图的瓶子角度、光影、质感绝对统一不了。后来我直接在 ComfyUI 里搭了一条固定工作流：文生图定风格，图生图定瓶身结构，局部重绘修细节，统一放大，最后整组图进 Photoshop 做质感叠加和文案排版。一口气跑完，客户基本没怎么提修改意见。

这件事之所以顺利，核心原因是 ComfyUI 的工作流可以“固化”。你在界面上拖好的每一个节点、每一条连线，其实就是一段完整的算法执行链。保存下来之后，下次换提示词、换种子、换模型，其他参数不用动。而 WebUI 更像是把所有操作都藏在一个个选项卡里，方便是方便，但很难精确控制“从哪一步到哪一步”。

1.2 ComfyUI 的定位：工作流就是把流程变成模型

ComfyUI 跟 WebUI 比，最大的差别在于它把绘图过程拆成了无数小步骤，每一步都是一个节点。你可以想象成做饭：WebUI 是一键点餐，你只能选“微辣”“中辣”，但 ComfyUI 是把整个厨房摆在你面前，哪一勺盐加多重、哪一锅油烧到几度，全部自己控制。

这种拆解带来的直接好处有三条：

• 可控性强：同一张底图可以走完全不同的分支处理，比如一个分支做放大，另一个分支做局部重绘，互不干扰。
• 可复用性高：把常用的节点组打包成模板，新项目直接复用一个工作流 JSON 文件，改几个参数就能用。
• 可扩展性好：ControlNet、LoRA、AnimateDiff、各种自定义插件节点都能无缝搭进来，不会被页面框架锁死。

当然，ComfyUI 的入门门槛确实比 WebUI 高。但门槛这东西，跨过去就是护城河。尤其是商业交付，时间就是钱，一个稳定复现的工作流，比“这次运气好出了一张神图”重要得多。

1.3 PS 在这条链路里的分工：AI 干不了的活，人工来补

很多人误以为 AI 绘画到了出图阶段就算结束，实际上，商业图的核心工作量往往在 PS 里。AI 强在“创造”和“发散”，但弱在“精确”和“规范”。举个例子：AI 生成一张人物图，五官精致到无可挑剔，但这是商业广告，客户要求 logo 必须出现在产品右下角，文案必须居中，背景色必须严格符合品牌 Pantone 色值。这些 AI 要么做不到，要么做出来不可控。PS 就是用来解决这些“规定动作”的。

实际操作中，我的分工大概是这个比例：

这个流程的奥妙在哪？在于“各取所长”。AI 负责把想象力快速视觉化，PS 负责把视觉化落成客户要的“商业结果”。你想只靠一个工具完成商业图，大概率会折在细节上。

2. 环境搭建与节点逻辑入门：把地基打牢

2.1 安装：整合包还是手动部署，到底怎么选

先回答一个问题：ComfyUI 到底怎么装？目前主流方案其实有两个：一个是官方手动部署，另一个是大家常说的“秋叶一键整合包”。

如果你在自己电脑上玩，纯属尝鲜，那秋叶整合包确实香。它的优势不必多说：依赖环境全配好了，模型管理器、常用插件、汉化包都集成好了，解压就能跑。而且它对国内用户很友好，模型下载不需要额外折腾。但要注意，整合包和官方版之间，本质上的推理引擎是一致的，不存在“整合包更弱”这种说法，它只是在环境部署上帮你省了很多事。

如果你是工作室或者要做生产环境，我个人的习惯是手动部署在 Linux 服务器上。原因很直接：

• 显存和内存更可控，方便多卡并行
• 更新插件和内核更灵活，不会受整合包版本限制
• 迁移成本低，复制一份目录就能换机器
• 配合 API 模式调用，更方便接进自己的自动化流程

但这不代表手动部署就绝对更好。恰好相反，手动部署第一天就会遇到各种依赖报错：Torch 版本不匹配、CUDA 找不到、Python 版本不对。如果你是第一回接触，我建议先从整合包入手，先把节点逻辑跑通，再考虑“搬家”到服务器。

关于安装细节，网上教程一大堆，我不再重复。但我特别想说一件事：ComfyUI 是一个纯 Python 应用，它对环境的要求非常敏感。你装了 A 插件之后，可能 B 插件就失效，原因多半是版本冲突。所以我的建议是：每装一个新插件，先跑一个最小工作流做冒烟测试。如果出图正常，再继续往下。

2.2 节点逻辑：看懂这张“流程图”，你就能举一反三

ComfyUI 画布上的节点，其实可以分成四大类：

• 输入节点：加载模型、加载图片、输入提示词、加载 LoRA、上传 ControlNet 参考图等。
• 处理节点：潜空间转换（即 latent）、采样器（Sampler）、放大模型、修脸修复、局部重绘蒙版等。
• 控制节点：比如 ControlNet 的预处理器、LoRA 强度控制器、种子控制器、Batch 大小设定。
• 输出节点：保存图像、预览图像、发送到 Webhook、输出 JSON 等。

如果你第一次打开 ComfyUI 默认工作流，会看到典型的一组节点：加载 Checkpoint -> CLIP 文本编码 -> KSampler -> VAE 解码 -> 保存图像。这个链路其实就是 Stable Diffusion 的核心推理链路，其他所有花哨的工作流，都是在这条主干上挂分支。

理解节点的关键在于“数据流”。每个节点都有自己的输入接口和输出接口，两个接口能连上，说明数据类型能对得上。用中文打个比方：CLIP 文本编码器吃了文字，吐出来的是“条件向量”；VAE 解码器吃的是“图像潜变量”，吐出来的是“真正能看到的图片”。你如果把 KSampler 的输出直接接到保存图像上，大概率会报错，因为数据类型不对。

所以我在教新手的时候，总强调一件事：不用死记每个节点干嘛，而是先搞清楚“哪个接口吐什么数据”，权当这张图是一张流程图，每个方块是工序，连线是物料传递。想明白这个逻辑，后面遇到多复杂的工作流都能拆解。

2.3 必装插件和节点：别贪多，这几个提升体验

ComfyUI 的插件生态庞大，但真正值得装的并不多。我目前生产环境里常驻的就这几个：

• ComfyUI Manager：插件管理工具，一键安装、更新、修复依赖。没有它，装插件会非常痛苦。
• ComfyUI ControlNet 插件：商业落地绕不开 ControlNet，尤其做人物姿势控制、产品轮廓控制时。
• Upscale 模型相关节点：比如 Ultimate SD Upscale，用来做高质量放大。电商、海报类场景对分辨率要求很高，这一步基本是标配。
• AnimateDiff 相关插件：如果你做短动态壁纸、抖音视频素材，这块能让静态图变成短视频，算是 AI 绘画商业化的另一条路径。
• 工作流保存/分享相关的节点：比如把工作流导出为图片（PNG 内嵌元数据）。这方便把工作流发给人，对方把 PNG 拖进 ComfyUI 就能完整还原。PS 关联怎么做？我们在 4 节细说，这里先说透 ComfyUI 自身。

建议不要一上来装几十个插件。我在踩过很多坑之后得到的教训是：插件越多，每次启动的加载时间越长，出错的概率越大，而且很多插件节点其实只是换了个写法，底层功能差不多，装多了没必要。用到一个装一个，装完稳定再继续，这是最舒服的节奏。

3. 核心工作流搭建与实操：从草图到成品的完整链路

3.1 经典节点链路：文生图到基础构图

先搭一个最基础的“文生图”链路，这可以说是所有工作流的底层模板。节点顺序大概是：

1. Load Checkpoint：加载主模型。我常用的是基于 SDXL 或真人模型的融合模型，具体看项目需求。
2. CLIP Text Encode：正向提示词和负向提示词分别连接到两个编码器上。
3. KSampler：通过采样器控制生成。关键参数有：seed（种子）、steps（步数）、cfg（提示词相关度）。
4. VAE Decode：把潜空间数据转成可视化图片。
5. Save Image：保存图片。

连线方式不复杂，但有几个参数值得“较真”。seed 决定了生成结果的基础噪声，同一条工作流下，固定 seed 就能复现同一张脸、同一个构图；cfg 控制提示词对画面的约束力，太低了画面会和提示词脱节，太高了会过饱和、发僵；steps 一般 20～30 步足够了，再往上提升不明显，反而徒增耗时。

我见过很多新手习惯抄工作流，把别人的节点连好、参数拷过来就开始跑，但换个模型、换个需求，出来的图就乱了。这就是没搞清楚参数的含义。我的建议是：先把这几个基础参数摸透。花一个下午，固定一组提示词，只改 seed，跑六张，看看变化；再固定 seed 只改 cfg，跑六张，观察画风变化。这个脸熟的过程，远比多看十遍教程有效。

3.2 图生图的“精修回环”：让 AI 输出更接近需求

商业项目上几乎不会用文生图一杆子定终局，更多是“先文生图拿初稿，再图生图做精修”。图生图的链路，本质就是在原始图片基础上加一点点噪声、再按提示词重新还原，这样画面会整体“变形”到新提示词描述的方向，但大体结构还保留原来的影子。

实际操作中，图生图有几种典型用法：

• 改材质：给一张白墙图加上“木饰面纹理”，原构图不变，风格马上变。
• 改季节/天气：同一张建筑图，告诉模型“雪天”，就能把整个环境氛围换掉。
• 细化画面：用低 denoise（重绘幅度）跑一遍，让边缘更锐利、细节更丰富。

这里有一个关键参数：denoise，也叫重绘幅度。这个值住在 0～1 之间。数值越高，画面变化越大；数值越低，越接近原图。精修场景我一般把他压在 0.2～0.4，改动太大会连构图都带偏，得不偿失。

再往下，就要接出一个重点操作：局部重绘（Inpaint）。很多时候，你只需要改画面的某一块地方，比如“人脸表情”“瓶身上的标签”“衣服的颜色”，如果整体图生图去跑，其他无关区域也会跟着变。这时候，ComfyUI 里的 Inpaint 节点就起作用了。方法是将你要修改的区域填成蒙版，节点只对这个区域重绘，周围像素保持不变。

这里有个实用技巧：在 PS 里把蒙版做好，存成纯黑白图（白色为要重绘区），再导入 ComfyUI 配合原图使用。白色区域会被全新生成，黑色区域原样保留。这比在 ComfyUI 里手动画蒙版精准得多。这也正是 ComfyUI 和 PS 协作的经典打法，后面第 4 节还会展开。

3.3 ControlNet 节点：让 AI 遵守游戏规则

如果图生图是“提要求”，那 ControlNet 就是“直接画图纸”。电商商品主图、游戏角色设计、建筑可视化这些场景，客户是对透视、姿态、轮廓有硬要求的。纯靠提示词描述，AI 很容易放飞自我，这时候就得用 ControlNet 节点。

实际项目里我个人最常用的是 OpenPose 和 Canny 两个控制方式：

• OpenPose：提取人物姿态骨架，生成的人物的动作就会严格保持骨架姿势。做时装模特图、游戏立绘相当稳。
• Canny：提取参考图的边缘线，AI 在边缘线约束下填色。适合产品设计、建筑结构图这种需要严格轮廓的场景。

工作流的连接方法是：加载参考图 -> ControlNet 预处理器 -> 模型节点 -> 再接进 KSampler。设置里有个 important 的“控制权重”（Control Weight），一般在 0.6～0.9 之间。权重太高，画面会硬到失去自然感；太低，约束等于没有，失去了意义。不同场景要微调，这个度掌握也是多试几次才有感觉。

另外要提醒大家一个容易出问题的点：ControlNet 模型版本要和主模型匹配。SD1.5、SDXL 各自有对应的 ControlNet 模型，混用了要么报错，要么控制效果完全失效。为了这个我确实浪费过不少时间。

4. 与 Photoshop 的深度联动：从 ComfyUI 到商业级出图

4.1 为什么 AI 绘画必须配一个 PS？谈谈“AI 的边界”

我经常跟来请教的人说一句话：AI 绘画解决的是“从无到有”的问题，Photoshop 解决的是“从有到准”的问题。

举个例子：你让 AI 生成一张“咖啡豆包装袋”的正面图，它大概率会在袋子上画出一堆看不懂的细密花纹，或者在包装袋边缘来一个怪异的反光。AI 不懂品牌识别，也不懂文字排版，它只知道“这里应该有点细节”，于是凭数据集里的习惯去堆细节。可这是商业图，包装袋的净含量数字要清晰、logo 位置要准确、底色要符合品牌调性。这里面每一项，都得靠 PS 来做精准控制。

另外一个很现实的原因：AI 生成图的分辨率跟商业印刷需求不匹配。即便你用 SDXL 生成 1024x1024，放到电商详情页的长图里、印刷喷绘的大海报里，颗粒感和边缘瑕疵就会被放大。PS 的快速修图能力，配合一些高分辨率重建技术（也可在 ComfyUI 里做放大，但终究离不开 PS 的精修），才能应付放大的需求。

4.2 ComfyUI 导出与 PS 导入：选对格式和尺寸，减少返工

工作流跑通了，图出来了，接下来就是 ComfyUI 和 PS 对接的问题。这里我给出一个标准的“交接清单”，每一条都是项目实践中踩出来的经验：

• 导出格式首选 PNG。如果图片要二次处理、做透明底、叠加图层，PNG 无损格式保真度最高。JPG 会在压缩过程中损失细节，一旦后面还要放大精修，画质会吃亏。
• 导出尺寸按最终用途定。如果是电商主图，建议直接导 2000x2000 以上；如果是海报，按实际印刷尺寸的 1/4 或 1/2 先出图，再放大。别生成一张 1024x1024 就丢给客户，会显得非常不专业。
• 有透明需求的话，在 ComfyUI 里做成 RGBA 图。比如抠人像、抠产品，如果模型本身训得很好，你在模型或提示词里可以直接指定“纯白背景”，出图后进 PS 用魔棒/选择主体背景一删就搞定了。
• 如果要反复修图，保留原始 prompt 参数记录。ComfyUI 生成的 PNG 里自带工作流数据，重新拖入画布就能还原。但进过 PS 之后，这个元数据就没了。所以 PS 里改完导出成新文件，原图务必单独留档。

还有一点容易忽略：颜色空间。ComfyUI 默认输出的 sRGB，而专业平面设计可能需要 Adobe RGB 甚至 CMYK。所以大批量交付前，建议在 PS 里统一色彩模式和 ICC 配置文件，不然客户在不同屏幕上看到的感觉差很多。

4.3 精修实战：PS 里最常见的五个动作

AI 生成的图不会完全干净，哪怕是目前很强的模型，一放大依旧有瑕疵。我在 PS 里处理 AI 出图的步骤，通常会按这个优先级走：

第一，清理结构瑕疵。AI 容易在手指、头发丝、物体边缘出现扭曲。用 PS 的修补工具、仿制图章、液化工具逐一修。这不是技术活，但需要耐心。我在处理电商产品图时，会先花 5 分钟把瓶身、标签区域放大到 200% 看一遍，有扭曲马上修。

第二，调色加质感。AI 出图常常会偏灰或偏“电子感”，这时在 PS 里拉曲线、加自然饱和度，再叠一层颗粒感或柔光效果。尤其做高端护肤品、珠宝类，质感是决定客户满意度的关键。

第三，文字与排版。商业图里的文字信息，无论是主标题还是卖点标签，都需要在 PS 里重新排版。这里要狠狠提醒一句：千万别让 AI 直接生成带文字的图，目前它生成的文字大概率会有错别字、字体变形，反而增加返工量。更好的方法是，让 AI 在图里留出空白区域，文字全部在 PS 里用字体工具加。

第四，抠图与合成。如果客户要的是“产品+场景背景”的组合，AI 可以先分别出产品和背景图，再在 PS 里合成。利用图层蒙版、边缘过渡、投影工具，能做出近乎实拍的效果。

第五，修人体结构。人物类图片在商业应用里，液化是必要的。AI 生成的人物形体通常偏理想，但有时候会出现轻微变形，比如眼睛一大一小、肩膀不对称。用 PS 液化工具微调，比重新生成来得可控得多。

4.4 从 PS 回到 ComfyUI：一个高效回流方案

很多人在 PS 修完图之后就觉得完事了，但我在商业项目里经常遇到这种情况：客户看完初稿，要求“人物的衣服从红色改成蓝色”，或者“产品背景从室内改成海边”。这时你是重新生成，还是在原图上改？

重新生成意味着要重建构图、结构、光线，不但耗时，还可能失去客户认可的初稿感觉。更聪明的操作是：回流向 AI 做局部处理。

流程是这样的：把客户要修改的区域，在 PS 里用蒙版标注好，导出成一张黑白遮罩图和一张原图（或者直接用原图图层加遮罩导出），然后丢进 ComfyUI 的局部重绘工作流里。保留原 prompt 和原图，只需要修改提示词里的“红色裙子”为“蓝色裙子”，同时把蒙版圈定区域设置好。AI 只会重绘这片区域，其余保持原样。改完导回 PS，再微调光影衔接，一个平时要花半小时的返修，十分钟就能搞定。

这个组合的厉害之处在于，它把“AI 生成”和“人工精修”打通成一个闭环。你不需要在 ComfyUI 里苛求一次生成完美，因为后面还有 PS 把关；你也不需要全手工死磕每一个细节，因为 AI 能帮你快速重绘。两个工具的优势叠加，才是商业生产该有的样子。

5. 商业落地实战：从“会玩图”到“能交付”

5.1 商业场景拆解：AI 绘画到底能接什么样的活

很多人说 AI 绘画能接活了，但真问他“接什么活”，他又答不上来。我把实际接触到的项目按需求类型分了一下：

• 电商设计：商品主图、详情页配图、场景图、模特图。特点是需求量大、周期短，对构图和光影要求高，对“真实感”有硬要求。
• 广告创意：海报、开屏图、社交媒体 banner。特点是要有冲击力，画面风格可以夸张，文字排版的重要性高于画面本身。
• 游戏原画与立绘：角色设定、技能图标、装备道具。特点是纯创意优先，对风格一致性要求高。
• 建筑设计可视化：室内外效果图、景观意向图。特点是比例必须准确，材质要看起来真实。
• 短视频封面与动画素材：静态图生成后转动态，需要风格统一，动态过渡自然。

每个场景对工作流的要求侧重点都不同。电商注重产品真实性和快速迭代；游戏注重风格贯穿和造型准确；广告注重氛围和视觉冲击力。因此在接单前，先判断项目属于哪一类，然后挑选对应的模型、ControlNet 预设和工作流模板，不要一套流程打天下。

5.2 生产效率怎么提：三个指标盯死

商业交付最怕“不稳定”。我自己的管理工具就三个指标：

第一，统一成图率。十张图里能直接用几张？如果每次要跑 20 张才挑出 1 张能用的，产能就太低了，还不如请个手绘师。正常情况下，一套成熟的工作流，在风格明确、提示词到位时，成图率应该在 40% 以上，配合 PS 修图，最终交付率能做到九成以上。

第二，单张成本。显卡电费、时间成本、人力成本，加起来算一算。别以为 AI 绘画是零成本，如果一张图反复跑 50 次，浪费的不仅是电，还有你的时间精力。工作流越稳，单张成本越低。

第三，返工率。客户要求修改的次数。AI 绘画的返工率往往不是技术问题，而是沟通问题。客户说“感觉不对”，你根本不知道哪里不对。我的解决办法是：在开工前，先做 3～5 张不同风格方向的“测试图”发给客户确认，风格定下再批量出图。这个习惯让我的返工率至少降了一半。

还有一个容易被忽略的生产工具思路：ComfyUI 支持 API 模式。如果你懂一点 Python，可以把工作流包装成接口，批量生成图片、接收参数、自动保存。我自己就搭过一个简单脚本：每天自动跑一个预设好的电商白底图工作流，把 20 个产品套图任务挂上去，第二天上班直接收图。这已经不算是“绘画教程”范畴了，但它是在批量化商业交付时的高级玩法。

5.3 交付规范和客户沟通

AI 绘画项目交付，除了图片文件本身，最好附上一份“生成说明”，把每张图用的模型、种子、提示词、修改记录都写明。这个习惯有几个好处：

• 客户后期要补图，你能快速回复，不用重头再试
• 万一客户要版权溯源，这套记录能证明创作过程
• 同事接手项目时，交接成本极低

另外，和客户沟通时，一定要管理好预期。有客户误以为 AI 绘画是一键生成、无限免费、马上能改，你要提前说清楚：AI 生成有随机性，修改需要时间，商用授权和素材版权问题需要双方确认。我的建议是不要在交付阶段才谈授权，应该在报价阶段就把“AI 绘画的商业使用范围”写进合同或报价单里，免得后面扯皮。

这里还要提一句：PS 修图不是流程上的“可选环节”，而是把 AI 素材变成商业作品的关键工序。哪怕是 AI 生成到九成满意的图，那一成不满意的地方，往往就是客户能否买单的关键。人工修图的收费依据，恰恰就藏在这“一成”里。

6. 常见问题与避坑指南：这些坑我替你踩过了

6.1 显存不够、速度慢：三招缓解

AI 绘画最劝退的就是硬件要求。我在 8G 显存和 24G 显存的环境都跑过，差别很明显。但显存不够不代表完全不能跑，分享几个实用策略：

• 降低分辨率：先用 512x512 或 768x768 跑小图，构图和风格定了以后再二次放大。我经常这么干，速度快，还能早发现问题早调整。
• 用 --lowvram 或 --medvram 模式：ComfyUI 有低显存模式，能在显存溢出时自动把部分计算放在内存里跑，速度慢一点，但至少不会崩溃。
• 优化模型选择：有些模型对显存更友好，不一定要死磕大模型。换成蒸馏版、fp16 版，或者用 LoRA 微调模型，显存占用可以大幅缩小。

6.2 画面崩坏与“鬼图”修复

出鬼图的原因无外乎几类：提示词冲突、模型不擅长该题材、ControlNet 权重过高、采样器选择不当。我的排查顺序一般是：

1. 先把 ControlNet 断开，看是不是它把图带歪了
2. 换个采样器（比如从 Euler 换成 DPM++ 2M Karras）
3. 把 cfg 调低到 5～7，看是否提示词约束过强
4. 简化正向提示词，去掉形容词堆砌

如果还是崩，那就是模型本身不适合这个题材，换模型。别在一个模型上死磕，换模型往往一分钟解决问题。

6.3 出图尺寸总不够用：放大方案选择

商业交付经常要 4K 甚至更高分辨率。我常用的放大方案有三种：

• 内置放大节点：速度适中，适合常规需求，但细节自然度一般
• Ultimate SD Upscale：配合放大模型，能将 1024 推到 4096 以上，细节更锐利。缺点是耗时较长，耗显存
• 两种结合：先低倍放大到需求分辨率，再进行一次局部修复（Inpaint）补细节。这个方法效果好，适合对画质要求较高的商业项目

有一点要格外注意：放大不是无中生有。分辨率放大太多倍，画面容易发虚变形，尤其人物脸部和产品边缘。所以我宁可在 1.5 倍左右做两轮放大，也好过一次性放大 4 倍。

6.4 工作流搬运与版本管理

用 ComfyUI 一大痛点就是工作流文件多了以后容易乱。我见过有人桌面上一堆“工作流 (32).json”，用的时候根本分不清哪个是哪个。我的管理方法很简单：

• 每个项目建一个独立文件夹，内部放工作流 JSON、脚本、成图、原图
• 工作流文件统一用“日期-项目名-用途”命名，比如 20250115-香薰主图-精修版.json
• 关键节点保存为“模板”，供后续项目复用

还有一个提示：如果你拿到别人的工作流 JSON 打不开，多半是因为缺少某些自定义节点。ComfyUI Manager 里有个“Import Missing Nodes”的功能，能一键安装缺失的插件。这个问题很常见，不用慌。

写在最后的一点体会

接触 ComfyUI 和 PS 协作这套流程快两年，我最大的心得是：工具永远在迭代，工作流思路比具体操作更值钱。今天你学会的某个插件，可能下个月就被新方案替代，但你脑子里那套“AI 出图 + 人工精修 + 回流重绘”的闭环逻辑，放在任何版本下都是成立的。

最后再分享一个小技巧：如果你刚开始搭商业工作流，别急着追求复杂，先跑通一条最简单的“文生图 + 图生图 + PS 精修”链路，把它跑得足够顺，再往上面叠 ControlNet 和局部重绘。很多朋友一开始就追求高难度节点组合，结果出了问题根本不知道是哪一步导致的，排查成本反而比收益还高。稳扎稳打，做出第一个能交付的商业案例，你就会发现 ComfyUI 和 PS 这套组合，真的是越用越顺。