1. 为什么我把 AI 绘画从"在线出图"搬到了 ComfyUI + PS 的组合上

先交代一下背景。我接触 AI 绘画的时间不算早，最开始和大家一样，用的是各种在线出图工具和封装好的网页端。说实话，那阵子确实挺兴奋的，输入一段提示词就能生成几张像模像样的图，出图速度也快，足够发朋友圈了。但真正让我转向 ComfyUI 的，是一个很现实的问题：我在做一个系列海报项目，需要保持统一的角色形象、一致的构图风格，并且要对其中某几张图的细节做局部修改。在线工具这边生一张、那边修一下，风格飘忽不定，改一处细节就得把整张图重新生成，最后我在 PS 里修补的时间比生成的时间还长。

后来我把工作流整体迁移到了 ComfyUI，配合 PS 做后处理，才真正找到了顺手的节奏。这套组合的实际价值在于:ComfyUI 负责可控生成，PS 负责像素级修正，两者分工明确，中间通过"图生图、局部重绘、精细修复"这些环节衔接起来。现在我的日常流程是：先在 ComfyUI 里把底图、构图、光影、风格全部定死，产出后丢进 PS 做精修、排版、调色，必要时再把 PS 里修好的图送回 ComfyUI 做二次生成（俗称"回炉"）。这套流程跑通之后，我的出图效率大概翻了一倍，而且最关键的——客户的修改意见，我能精准地在对应图层和节点上处理，而不是靠运气重新抽卡。

这篇文章我不会讲太多玄乎的概念，重点就落在四件事上：ComfyUI 的节点逻辑到底怎么理解、一个能用于实际项目的文生图工作流怎么搭、PS 在这个流程里的正确打开方式，以及从"自娱自乐"到"商业接单"怎么把工作流变成生产资料。如果你和我一样，已经受够了随机出图的折磨，或者正准备把 AI 绘画用在正经项目里，这篇应该能给你一些可以直接上手的思路。

2. ComfyUI 环境准备：从整合包到基础概念，少走弯路

2.1 环境安装：建议直接用整合包，但要知道自己装了什么

先聊环境。我第一次接触 ComfyUI 的时候，头铁去官方仓库手动部署，结果在依赖和版本兼容上折腾了两天。后来换了社区常用的整合包，十分钟就跑起来了。这里建议新手直接走整合包路线，不要在这个阶段浪费时间。市面上常见的整合包（比如秋叶整合包、满血版整合包）本质上是帮你把 Python 环境、PyTorch、CUDA 依赖、常用节点和模型都封装好了，开箱即用。

但我要提醒一点：用整合包没问题，但你必须清楚自己用了什么版本的底层组件。因为后面你装自定义节点的时候，大概率会遇到版本冲突。我建议动手前先记住三个东西：ComfyUI 的前端版本、PyTorch 版本、你用的显卡驱动版本。整合包的发布页一般会写明这些信息，截图存一份就行。

另外，国内网络环境下载模型可能比较慢，整合包一般自带切换国内源的工具，或者你直接去国内模型站下载 checkpoint、LoRA 放到对应目录。模型放哪里也是有规矩的：checkpoint 大模型放在models/checkpoints，LoRA 放在models/loras，VAE 放在models/vae，ControlNet 相关的放在models/controlnet——路径放对了，加载的时候才找得到。

2.2 节点逻辑的本质：一张图就是一条流水线

ComfyUI 和传统在线工具最大的区别，就是它把"生成一张图"这件事拆成了一串可以自由组装的操作步骤，每个步骤是一个节点，节点之间有输入输出连接，串联起来就是一条工作流。你可以把每个节点想象成一个工位上的工人：加载模型的人只管加载模型，写提示词的人只管把文字转换成模型能理解的向量，采样器负责根据条件去"画"，解码器把潜空间数据还原成像素图。每个工位干好自己的活，然后把半成品递给下一个工位。

这个逻辑看起来很绕，但一旦理解了，你就获得了一个核心能力——可复现性。在线出图工具是一次性黑箱，而 ComfyUI 里同样的工作流、同样的 seed（随机种子）、同样的模型和参数，产出结果是可以复现的。对商业项目来说，这意味着你终于可以对客户说："这个方案是基于这套参数生成的，我们后续每张图都会在这个基准上迭代。"这种可控性，是所有严肃创作场景的刚需。

新手入门 ComfyUI 的时候，我建议你把默认的"文生图"模板拆开逐节点看一遍，跟着连一遍线，不要急着装一堆插件。先搞清楚最核心的五类节点：加载 checkpoint、CLIP 文本编码（正向/负向提示词）、采样器（KSampler）、VAE 解码、保存图像。这五个节点的链路就是一条最基础的"文生图流水线"，之后再往这条主线上加 ControlNet、LoRA、局部重绘之类的分支节点，理解起来就快多了。

2.3 几个容易卡住新手的点

根据我自己的经历和帮朋友排查的经验，新手最容易卡住的通常是这几个地方：

• 模型加载不出来：多半是路径放错了或模型格式不兼容，确认是 .safetensors 文件，并且放在正确的目录，重启 ComfyUI 后刷新节点列表。
• 生成全黑图或彩色噪点图：大概率是 VAE 没有正确连接或模型内置 VAE 没启用，可以单独下载一个 VAE 文件挂上去。
• 报错提示缺少自定义节点：说明工作流里用到了你没装的插件，去"管理器"里一键安装缺失节点。
• 显存不足（OOM）：降低分辨率、把 batch size 调小，或者启用低显存模式。如果你还在用 8G 以下显存的卡，尽量不要开一堆 ControlNet 和放大模型同时跑。

这些坑基本都属于"知道原理就能避开"的类型。比如全黑图的问题，如果你理解 VAE 负责把潜空间数据还原成可见像素，你就知道少了这一步输出肯定是坏的。

3. 搭一条能用于实战的文生图工作流：从模型选择到参数设置

3.1 模型的选型逻辑：别追新，要追"稳"

很多刚接触 ComfyUI 的朋友特别热衷于下载最新的 checkpoint 大模型，谁的样图好看就下谁。但真正做项目的时候，"稳定"比"惊艳"重要得多。我常用的思路是：主力大模型固定在 1-2 个经过大量社区验证的模型上，比如 SD 系列的经典版本和各种微调版本，具体选哪个取决于你的项目风格——画写实人像选写实类模型，做二次元风格选动漫类模型。切换大模型会连带着改变画风、光影、人体结构表现力，所以同一个系列海报项目里，尽量不要中途换模型。

LoRA 的作用更微妙。它相当于在"模型这个人格"之上叠加一些"职业特长"，比如某个角色的长相、某种画风、某种物体质感。商业项目中，我强烈建议把客户需求里反复出现的元素做成一两个专用 LoRA，能省下大量重复调整提示词的时间。不过 LoRA 的权重不是越大越好，我一般先设在 0.7-0.9 之间，然后根据效果小范围调。

3.2 提示词的写法：正负提示词怎么配合出好结果

在 ComfyUI 中，提示词被拆成正向提示词和负向提示词，分别输入两个 CLIP 文本编码节点，再汇入采样器。正向提示词负责告诉你想要什么，负向提示词负责告诉模型你不想要什么。比如生成人像的时候，负向提示词里通常会有"bad hands, extra fingers, twisted body, low quality, blurry, watermark, text"这些常见问题项。

我写正向提示词的套路是"四段式"：主体描述 + 环境背景 + 光影风格 + 质量词。举个例子，我要生成一张"在黄昏海边奔跑的女孩"的图：

• 主体：a young girl running on the beach
• 环境：golden hour, ocean waves, seaside, sand
• 光影风格：soft lighting, warm tones, cinematic lighting
• 质量词：high quality, masterpiece, highly detailed, sharp focus

负向提示词我就干脆粗暴一点：把常见崩坏项全堆上去。这里有个小技巧——写负向提示词的时候，不要只写词，要写短句，比如"extra fingers"比"mutated hands"更精准，因为模型对具体缺陷的描述理解得更好。

3.3 采样器关键参数：从玄学到科学

新人最容易把采样参数当玄学，其实核心参数就那么几个，理解了就很好调：

• Steps（步数）：采样器迭代的次数。太高不一定更好，20-30 步以内是常见区间，超过 40 步收益就递减了。
• CFG（提示词引导系数）：数值越大，生成结果越贴近提示词，但太大容易色彩过饱和。我一般设在 7 左右，特殊情况会在 5-10 之间波动。
• Sampler（采样器）：不同采样器对画面的细腻度、随机性影响不同。日常用 Euler 或 DPM++ 系列就足够，追求精细可选 UniPC。
• Seed（随机种子）：固定种子才能复现结果。调构图的时候，我会固定 seed，只改提示词，这样出图风格不会突变，方便对比哪个关键词起了作用。

推荐一个调参习惯：每次改参只动一个变量。比如你想试 CFG=7 和 CFG=9 的区别，就不要同时把 steps 和 sampler 也换了，否则你根本不知道画面变化是哪一步引起的。我自己的记录方式是给每张图打标签，文件名里带上"model-lora-steps-cfg-seed"，这样回头查图的时候一眼就能看出参数脉络。

3.4 基础工作流的节点连接参考

基于上面的逻辑，一条标准的文生图工作流节点连接顺序如下：

1. Load Checkpoint（加载大模型，同时会输出 MODEL、CLIP、VAE 三个通道）
2. CLIP Text Encode（正向提示词）→ 连接采样器的 positive
3. CLIP Text Encode（负向提示词）→ 连接采样器的 negative
4. Empty Latent Image（设置画布宽高和 batch size）→ 连接采样器的 latent_image
5. KSampler（设置 steps、cfg、sampler、seed）→ 输出 LATENT
6. VAE Decode（把 LATENT 转成像素图像）
7. Save Image（保存到 output 目录）

用默认模板搭一遍，然后跑一次，看能不能出图。这一步过了，你的 ComfyUI 基本盘就稳了，接下来可以往上面加 ControlNet、放大节点、局部重绘这些进阶功能。

4. PS 在 AI 绘画工作流中的真实角色：不是替代品，是精修台

4.1 ComfyUI 完成 80%，剩下 20% 为什么必须交给 PS

很多人以为 AI 绘画有了 ComfyUI 就不需要 PS 了，这种想法是对工具的误解。ComfyUI 擅长"从无到有"地生成图像，但它不擅长"从有到精"。商业落地的时候，客户不会满足于"这张图整体还行"，他们会指着画面说："这个手指的弧度不对""这个 LOGO 的字母拼错了""这里的光影过渡有点脏""这个产品的边缘要和背景融合得更自然。"这些事情在 ComfyUI 里处理起来往往要反复重新生成，但在 PS 里就是几分钟的活。

我把 PS 在这个流程中的角色总结为三个字：精修台。所有从 ComfyUI 出来的底图，先在 PS 里过一遍——修结构、理光影、做排版、加文字、调颜色。PS 里那些年积累的笔刷、蒙版、混合模式这时候全都派上用场，这才是 PS 不可替代的地方：像素级的控制力。

4.2 从 ComfyUI 到 PS 的衔接：图像尺寸与格式的讲究

工作流衔接的第一个坑就是尺寸。ComfyUI 生成的图默认分辨率不一定符合最终交付要求，如果直接拉到 PS 里放大，画面会虚。我的做法是：在 ComfyUI 里就用足够高的分辨率出图（对应地，显存不够就分块放大），或者用放大模型（如 Ultimate SD Upscale）做一次高清放大，再进 PS。这样到了 PS 里，大部分情况下只需要做小范围的修正，不用整体重绘。

第二个坑是格式。ComfyUI 保存的 PNG 文件是带完整元数据的，PS 里打开后可以看到提示词和参数。单张交付用 PNG 没问题，但如果要做批量处理，建议在 PS 里转成 PSD 保存图层，方便后续反复修改。我习惯在 PS 里把"AI 底图层"和"手动修正层"分开建组，这样客户要改的时候，我能清楚地知道哪部分是生成出来的、哪部分是修过的。

4.3 PS 里的高频动作清单：我每天都会用到的修复操作

在长期配合 ComfyUI 使用的过程中，我总结了一套 PS 高频动作，每条都是针对 AI 出图的常见毛病：

• 手指与肢体修复：用液化工具（Filter > Liquify）微调手指弯曲方向和关节位置，比重新生成快得多。
• 文字修正：AI 生成图里的文字经常是乱码。用套索工具圈出文字区域，内容识别填充（Content-Aware Fill）抹掉，再手动打上正确的文字。
• 边缘融合：AI 合成的素材边缘常有一圈生硬过渡。用橡皮擦配合低流量笔刷，或者添加图层蒙版做羽化过渡。
• 光影统一：在 PS 里叠加一个柔光图层（Soft Light），用黑白画笔在蒙版上涂抹，压暗过曝区域、提亮欠曝区域，让整体光影方向一致。
• 降噪与锐化：AI 出图在高频噪点区域会有颗粒感，先用 Camera Raw 滤镜做降噪，再对主体做局部智能锐化。

这些操作看着简单，但真正做商业项目的时候，它们决定了你交付物的专业度。AI 出一张 80 分的图，你花半小时修到 95 分，客户会认为你是专业的。而如果你只会出图不会修图，交付的永远是"AI 味"很重的东西。

4.4 回炉重绘：PS 修完再送回 ComfyUI 的正确姿势

PS 和 ComfyUI 的协作还有一层很多人没用到的高级玩法，叫回炉重绘。场景是这样的：你在 PS 里把一张 AI 图的背景改成了新的颜色、加了一个新元素，但改完之后整体画面变得不太协调——AI 原图的光影关系被破坏了。这时候不需要在 PS 里硬拗，而是把这张改过的图保存下来，重新拖回 ComfyUI，用img2img（图生图）的方式，让 AI 基于你改过的构图和色彩重新生成一版，保持你想要的改动，同时把光影和细节重新统一起来。

这个玩法我用得很频繁。操作要点有两个：重绘幅度（denoise strength）控制得低一点，一般在 0.3-0.5 之间，太高会把你的改动整个冲掉；用局部重绘节点（Inpaint），只把你改动过的区域发给 AI 处理，其他部分保持不变。这样就能实现"PS 做布局、AI 做融图"的协同效果。这个流程熟练之后，你会发现自己的创意边界一下子宽了很多——先用 PS 拼接大感觉，再让 AI 把细节焊死，两边各用各的长处。

5. 商业落地：从能跑通工作流到能交付客户成果

5.1 别把"能出图"当成"能接单"

我见过不少朋友，ComfyUI 能跑通几个工作流，就开始觉得自己能接单了，结果真拿到需求的时候手忙脚乱。"能出图"和"能交付"之间隔着一条巨大的沟，这条沟的名字叫"需求理解、版本管理、交付规范和修改响应"。

商业项目的第一课，是学会把客户模糊的需求翻译成工作流参数。客户说"我想要一张科技感强的 banner"，这是废话——你需要追问的是:尺寸是多少？用在什么平台上？画面里是产品实拍还是纯概念图？主体是什么？风格是冷色调还是暖色调？有没有参考图？把这些信息全部拿到手，再开始动工。我自己有一个需求采集清单，每次接单前先对着清单问一遍，不满足就不开工。这样做的目的不是为难客户，而是避免你连续出十几版废图，既浪费时间又影响口碑。

5.2 版本管理：一个项目一个目录，一套参数一套截图

商业项目最容易被忽略的，是版本管理。在 ComfyUI 里，一次生成的图由"模型 + 提示词 + 参数 + seed + 节点结构"共同决定，任何一环变了，结果就变了。你必须把这些信息全部固化下来。

我的做法是：每个商业项目单独建一个目录，下面按照"v01、v02、v03"分文件夹，每个文件夹里存三样东西：出图 PNG、对应的 ComfyUI 工作流 JSON 文件、一个参数说明截图（用 Workflow 的截图功能把节点图截下来）。客户说"上一版更好"的时候，你只需要打开上一版的文件夹，把 JSON 拖回 ComfyUI，一切恢复原样，然后在那基础上迭代。没有这套机制的话，客户的"上一版"就是你的噩梦。

这里说一个我踩过的坑：有一段时间我偷懒，觉得工作流 JSON 存不存无所谓，结果同一个项目相隔两周要出 v5 版，客户说"和 v2 的感觉保持一致"，我对着屏幕回忆了十分钟，根本想不起当时具体改了什么参数。后来花了一个小时重试才勉强找回来。从那以后，我再也不敢省略版本记录。

5.3 商业交付物里常被忽略的三件事：高分辨率、图层源文件、授权边界

商业交付和自娱自乐还有一个重要区别：交付物的完整性。我总结为三件事：

第一，高分辨率。商业用途的图，一般要求长边不低于 2048 甚至更高。如果客户要印刷品，分辨率要求更苛刻。ComfyUI 默认分辨率经常不够用，必须走放大流程。我不会为了省时间跳过这一步。

第二，图层源文件。专业客户，尤其是设计公司和广告代理公司，通常要求交付 PSD 源文件，因为他们的设计师还要在你这张图的基础上继续加工。所以我在 PS 里修图的时候，所有调整动作都会保留在独立图层和蒙版里，不会合并图层交付。这也反过来要求你的 PS 修图过程必须规范。

第三，授权边界。AI 绘画作品的版权和商用授权目前是一个比较模糊的领域，但作为交付方，我会在合同或沟通记录里写明：生成的图片是基于何种模型、使用了哪些素材，以及约定好的使用范围（比如只能用于线上投放还是可以用于印刷）。不是在制造麻烦，而是在保护我自己——万一客户拿去商用引发了侵权纠纷，至少我有清晰的记录证明来源。这件事一定要做，别嫌麻烦。

5.4 从单张接单到批量交付：怎么把工作流变成"小流水线"

接单到了一定阶段，你会发现单张出图已经不够了——客户要的可能是一套 20 张的社交媒体海报，统一主题、统一风格、每张构图略有变化。这时候，手工一张张调整的效率就太低，必须把工作流派上用场。

我的做法是：先做主视觉模板，把构图、配色、字体位置全部定好；然后在 ComfyUI 里用批量参数生成功能，把变化的部分（比如每张图的标题文案、主视觉元素）作为变量输入，一次性跑一批底图；最后在 PS 里用动作和脚本批量套模板、批量导出。这套流程跑下来，20 张海报的交付时间能压缩到两三天。

批量交付的核心思路是：把"每张图都当新项目"变成"所有图共享一套核心参数"。客户看重的统一感，恰恰来自同一套工作流的稳定输出。而你需要应对的变量，永远控制在极少数几个节点上——切换关键词、切换 ControlNet 条件图、切换 LoRA。能批量化的东西绝不动手，这样才能腾出时间做真正需要审美判断的部分。

6. 进阶玩法和三个让我效率翻倍的小习惯

6.1 ControlNet 与局部重绘：把"改图"这件事从随机变成精准

如果你只掌握了文生图，你在商业项目里的战斗力还只有一半。另一半来自两个关键节点：ControlNet 和 Inpaint（局部重绘）。

ControlNet 的作用是"给 AI 递图纸"。你可以把一张线稿、一个姿势骨架图、一张深度图喂给它，让 AI 严格按照这个结构去生成画面。比如客户要一个特定构图的场景，我先在 PS 里画一个粗略的线稿或摆一个 3D 姿势骨架，然后通过 ControlNet 的 Canny 或 OpenPose 模式控制住 AI，让它只能在给定的结构范围内发挥风格——这就是可控生成的精髓。

Inpaint 的作用是"精准做局部手术"。只发给你圈定的区域，让 AI 只重绘这部分内容。我经常用它来替换画面里的某个元素：比如把一张室内设计图里的沙发换成茶几，其他地方丝纹不动。这个功能和 PS 的"内容识别填充"思路类似，但效果要强得多——它不只是填补空白，而是基于整个画面的语义理解生成新内容。

6.2 模型和 LoRA 的管理：做一个自己的"素材资产库"

用了一段时间 ComfyUI 之后，你手机里的模型和 LoRA 会越来越多，如果不好好管理，找东西的时间比生成的时间还长。我强烈建议你建一个"AI 素材资产库"——不仅是模型文件，还包括你已经验证过好用的工作流 JSON、提示词模板、参考图分类。

我的管理方式很简单：按"风格 - 用途"两层目录分类。大模型放在"写实 / 二次元 / 3D渲染"这三类下面；LoRA 按"角色 / 风格 / 物体"分类；工作流 JSON 按"文生图 / 图生图 / 局部重绘 / 视频帧插值"分类。每个文件文件名里带上版本号和日期，比如realistic_v1.5_20240115.safetensors。这套体系虽然朴素，但在项目紧急的时候救过我很多次——翻目录找到正确模型的时间不会超过一分钟。

6.3 提示词模板化与批量测试：让"玄学"变成"工程学"

最后分享一个让我效率翻倍的习惯：把提示词模板化，并且批量测试。不要每次写提示词都从零开始，而是根据项目类型维护几套提示词模板。

比如我的"电商产品主图模板"长这样：

product shot of [产品名], [材质], [颜色], on [场景背景], studio lighting, soft shadows, high detail, 8k, commercial photography style

"二次元角色立绘模板"长这样：

1girl, [角色特征描述], [服饰], [动作姿势], clean lineart, detailed background, anime style, vibrant colors, high quality

模板化之后，每次接新项目，我只需要填几个变量，剩下的部分都是经过验证的稳定描述。配合 ComfyUI 的批量测试功能（跑 4-8 张不同布局和参数的图），我能在半小时内锁定一个方案的视觉方向。把写提示词从"玄学"变成"工程学"，是控制生成质量的最关键一步。

另外，建议你在批量测试时把每张图的 seed 都记录下来，因为总有一张图会是"差一点就完美"，你只需要找到它的 seed，微调一下重跑，就能得到一张接近完美的成图——而不是把整批图推翻重来。

6.4 我的三个压箱底小习惯

到这里，正文快结束了，我把压箱底的三条经验再集中倒一次：

• 每次出图后第一件事是截图节点图，第二件事是存 JSON。这两样东西是你复现和复盘的全部依据。没有它们，当时的思路和参数就全丢了。
• "先定结构，再调风格"——不要一上来就纠结提示词里的措辞，先把一个主体构图跑出来，再逐步替换风格词。我在做任何新项目时，都是先用默认参数跑通结构，确认构图没问题，再引入 LoRA 和 ControlNet 去逼近具体风格。
• 永远给自己留一个"兜底工作流"。有一个你反复用过、确信能出高质量图的经典工作流，在措手不及的时候直接套用。商业项目里，稳定交付一次，胜过惊艳但没有后续。

7. 个人体会：这套组合拳真正改变了我做图的方式

写到最后，说点掏心窝的话。我最初觉得 ComfyUI 的学习曲线让人头大，一堆节点连线，远不如在线工具来得简单。但坚持用下来，我最大的感受是：它改变了我对"生成"的理解——从"抽卡式碰运气"变成了"搭积木式构建"。每一个节点都是一块经过验证的积木，我对输出结果有越来越强的预判能力。而 PS 的加入，让我在 AI 绘画的随机性面前依然保有设计师的主动性和控制力。

现在我的工作流已经稳定成了一套固定的循环：需求拆解 → ComfyUI 搭结构 → 批量试探风格 → PS 精修 → 回炉重绘 → 交付归档。每次跑完一圈，我都会把工作中踩的新坑和验证过的新参数补充进自己的模板库里。AI 绘画的工具迭代很快，但只要这套"结构控制 + 像素修正 + 工程管理"的思路不变，换什么模型、换什么版本，我都能很快适应。

最后再分享一个小技巧：如果你刚开始接触 ComfyUI 和 PS 配合的玩法，不要急着追求花哨的功能，先用一套最简单的工作流，走完"生成 → 精修 → 交付"的完整循环。哪怕只是一张普通的产品图，把这个链路走通、走顺，你对这套工具组合的信心会立刻建立起来。之后每加一个新节点、一个新技巧，都是在给这个基础链路添砖加瓦。这条路我走过，收益很大，希望你也一样。