很多人以为 ComfyUI 和 PS 只是“AI 出图工具”和“修图软件”的关系，但真正把它们串成一条工业级工作流之后，我才发现，这两者组合起来，本质上是在重新定义个体创作者的生产方式。过去我们画一张能交付的商业插画，从草图到精修可能要两三天，现在用 ComfyUI 控制生成方向，再用 PS 做细节修正和商业包装，效率几乎是翻天覆地的。这篇内容，我想把自己从节点逻辑、工具选型到真实商业项目落地的完整经验拆开来讲，尽量让刚接触 ComfyUI 的人能看懂，也让已经玩过一阵子、但还没把工作流沉淀下来的人能拿到一套可以直接抄作业的方案。
先说清楚这套东西到底解决了什么问题。ComfyUI 解决的是“稳定、可控、可复现地生成底图”，PS 解决的是“让人物、光影、细节变得无可挑剔”，两者结合，才是完整的商业出图链路。你不需要懂代码，但你必须理解节点之间的数据流动逻辑；你也不一定要用高端显卡，但你必须知道哪些环节吃显存、哪些环节可以优化。下面我会从最核心的安装配置开始，逐步拆解节点逻辑、PS 协同、商业落地的完整方案，以及实测中遇到的坑和解决办法。
1. 内容整体设计与思路拆解：为什么偏偏是 ComfyUI 和 PS
1.1 ComfyUI 的核心定位：节点式 AI 生成引擎
先聊 ComfyUI。它的本质是一个可视化的节点式工作流引擎，每个节点承担一个具体的 AI 处理任务，比如加载模型、正向提示词编码、采样器去噪、解码图像，节点之间通过连线传递数据。这种设计最大的好处有两个：第一，整个生成过程完全透明，你可以随时插一个节点进去看中间结果，而不是像 WebUI 那样把整个流程封装成一个黑盒；第二，工作流可以被保存成 JSON 文件，意味着同一套参数、模型、流程可以无限次复用，这在商业交付中太重要了。
我经常看到有人把 ComfyUI 理解成“比 WebUI 更强的出图工具”，这个说法其实不够准确。ComfyUI 真正的价值不是“更强”，而是“更可控”。比如你想生成一张主体在左侧、背景为纯色、带特定构图的产品图，在 WebUI 里可能需要反复抽卡碰运气，但在 ComfyUI 里你可以直接串联 ControlNet、遮罩节点、区域提示词节点，把构图当成参数去精确控制。这种能力在批量生产、风格统一、客户反复要求微调的场景里，价值是无可替代的。
所以我的整体设计思路是：用 ComfyUI 承担高难度的生成任务（底图、歧义消除、光影测试、ControlNet 辅助构图），用 PS 承担高精度的修正和后期任务（手指修复、文字重绘、色彩统一、图像精修、版式设计）。两者分工明确，ComfyUI 管“生产”，PS 管“打磨”，这比单一工具打天下要稳健得多。
1.2 PS 在 AI 工作流中的角色：不是替代，而是收尾
很多人觉得 AI 绘画出现之后，PS 就不需要了，这是个很大的误区。恰恰相反，在实际商业项目里，PS 的作用甚至比以前更重要。因为 AI 生成的图像有三个绕不开的问题：一是细节不可控，比如手指多了一根、文字乱码、眼睛瞳孔不自然；二是分辨率不够商用，很多模型原生出图只有 1024x1024，但商业印刷需要 300dpi 以上的大图；三是风格不够统一，同一个系列的多张图可能出现色彩倾向不一致的情况。
以上三个问题，正好都是 PS 的强项。手指不对，可以用液化工具和仿制图章修；文字乱码，可以用文字工具重新排版；分辨率不够，可以用 Camera Raw 的增强细节功能配合合理的锐化流程放大。更关键的是，PS 的分层文件机制天然适合商业交付场景，你可以把 AI 生成的底图、客户要求的文案、LOGO、水印、备用方案放在不同的图层里，随时切换给客户看方案。这个优势是 ComfyUI 完全不具备的。
所以我对这套工作流的定位非常明确：ComfyUI 是“发动机”，PS 是“总装车间”。发动机负责产生动力，总装车间负责让它变成能交付的商品。两者缺一不可，但各自只做自己最擅长的事。
1.3 什么样的场景最适合这套组合拳
从我这段时间的实际接触来看，最需要这套组合拳的，主要是三类人。第一类是电商设计，需要大量生成产品场景图、模特图、详情页素材，强调风格统一和交付速度；第二类是插画师和视觉设计师，需要 AI 做灵感草图和底图，然后用自己的美术功底去精修，最后输出高完成度的原画或插画；第三类是个体创业者，比如做定制头像、壁纸、表情包、儿童绘本插画这类小生意的人，一个人就是一支团队，必须有规范的流程来保证产量和质量。
这三类人的共同特点是：对图的质量有要求、对交付速度有要求、对流程的可复制性有要求。如果你只是自己随便玩玩，那怎么折腾都行；但一旦涉及商业交付，你必须有一份稳定的工作流，而这正是本文要重点展开的。后面我会把整套流程从环境搭建开始，一步一步拆开讲。
2. 核心环节拆解：ComfyUI 节点逻辑与关键参数
2.1 一个最小可用工作流包含哪些节点
先看一个最基础的文生图工作流，这是所有复杂工作流的地基。它通常包含五个节点：加载检查点（Load Checkpoint）、CLIP 文本编码（CLIP Text Encode）、采样器（KSampler）、潜空间解码（VAE Decode）、保存图像（Save Image）。
这五个节点的连接顺序大概是：加载检查点会输出三个东西——模型（MODEL）、CLIP 条件编码器、VAE 解码器。模型给到采样器，条件编码器给到 CLIP 文本编码节点生成正向和负向条件，VAE 解码器在采样完成之后把潜空间数据还原成像素图。理解这个流程的关键在于，ComfyUI 里传递的并不是“图像”，而是“潜空间数据”。采样器在潜空间里做去噪迭代，最后一步才解码成我们看得见的图，这就像厨师在厨房里做菜，最后才端到你面前。
新手最容易犯的错误，是把“加载检查点”节点理解成一个模型仓库，以为它在整个工作流里只负责提供模型。实际上，它输出的 VAE 如果不接上解码节点，你会得到一张灰蒙蒙的坏图；CLIP 如果不接上文本编码节点，你的提示词根本不会生效。所以我的建议是，拿到任何一个别人的工作流，先别急着换模型改参数，花五分钟把每条线的走向看懂，弄清楚哪些线是模型流、哪些线是条件流、哪些线是图像流，这是打基础最重要的方式。
2.2 关键参数背后的计算逻辑与经验值
关于采样器节点里的几个参数，我直接给出自己实测下来的经验值，同时讲清楚为什么这么设。
Step（迭代步数）是最容易被误解的参数。很多人以为步数越多画质越好，其实完全不是这个逻辑。步数的本质是去噪的迭代次数，当步数超过一定阈值之后，继续增加步数不仅不会明显提升画质，反而会带来过度锐化和细节僵硬的问题。我个人的经验是：SD1.5 模型用 25 到 30 步，SDXL 模型用 30 到 35 步，超过 40 步收益极低。如果你追求速度，甚至可以在 20 步就出初稿，质量差距在快速验证阶段完全可以接受。
CFG（提示词引导系数）决定提示词对结果的约束力度，这个参数一定要谨慎。CFG 太高（比如 12 以上）会让对比度过强、颜色发灰、甚至出现伪影；CFG 太低（比如 2 以下）会让生成结果散漫、不听从提示词。我的建议范围是 6 到 8，SDXL 模型可以适当降到 5.5 左右。原理很简单：CFG 是模型在一个迭代步里走多远才回头看的“鞭子”，抽得太狠，画就歪了。
Seed（随机种子）是商业工作流里最容易被忽略、但最值钱的参数。固定 Seed 意味着同样的参数和提示词可以重复生成同一张图，这在批量微调时就是核武器。我习惯的做法是，先用随机种子跑 6 到 12 张图筛选构图，确定构图后固定 Seed，再通过修改提示词或局部重绘来做细节微调。这样可以保证你在一张满意底图的基础上不断优化，而不是每改一个词画面就完全变样。
还有一个容易踩坑的是 samplers 和 scheduler 的选择。我给一个绝对不会出错的搭配：DPM++ 2M 搭配 Karras。这套组合在绝大多数模型上都表现稳定，细节丰富，颜色不偏。如果你追求极快但质量尚可，可以用 euler 搭配 normal。但千万不要随便乱搭，一个 schedler 搭配错了，哪怕参数全对，出图风格也会很怪。
2.3 进阶节点组合：ControlNet、LoRA 与重绘
只靠基础的文生图节点，还谈不上“工作流”。真正让 ComfyUI 脱离抽卡命运的，是以下三种进阶节点组合。
第一是 ControlNet 系列。它解决的是“构图可控”的问题。比如 Canny 边缘检测，适合把一张线稿或参考图的边缘结构迁移到生成结果里；Depth 深度图控制，适合保持人物姿态和空间关系；OpenPose 骨骼控制，适合精确规定人物动作。在实际项目里，我最常用的是 Canny 配合作产品线稿图，客户只需要提供一张简单的产品外形图，我就能生成不同背景、不同光影的产品效果图，并且边缘和产品结构几乎不变形。
第二是 LoRA 节点。LoRA 是对大模型的轻量化微调权重，通常只有几十到几百 MB，却能强烈改变出图风格。比如一个训练好的“机械感 LoRA”能让普通模型生成的作品带上强烈的赛博机械质感。在 ComfyUI 里，LoRA 是通过专门的 LoRA Loader 节点加载，然后再接入到模型的输入线上。要注意的是，LoRA 有一个权重（strength）参数，千万别一上来就拉满到 1.0，我建议从 0.4 到 0.7 起步，否则画面会出现严重的塑料感和脏色。
第三是局部重绘（Inpainting）。这可能是商业项目里最高频用到的一个功能。比如你生成了一张人物图，整体很满意，但手部崩了，或者某个配饰方向不对。这个时候不需要整张图重新生成，而是把所有节点复制一份，在采样前插入一个“遮罩”机制。ComfyUI 会读取你涂抹区域的遮罩，然后只对遮罩区域重新采样。这个方案配合 PS 的抠图和蒙版能力，能实现非常精准的局部修正。
2.4 为什么必须把工作流保存为 JSON 工程
最后一个节点逻辑层面的建议，就是一定要习惯把工作流保存成 JSON 文件，并且做好分类存档。ComfyUI 的每个工作流本质上都是一段 JSON 文本，里面记录了所有节点的类型、参数、连线关系和模型路径。这意味着你可以把一套打磨好的出图流程，当成“数字夹具”一样保存下来，下次遇到类似的单子，直接拖进 ComfyUI 就能复用。
我在实际项目里会把工作流文件按“基础生成”“局部重绘”“ControlNet 场景合成”“批量调色对比”等用途分别归档，并且在工作流内部用文本注释节点标注日期、适用模型、注意事项。这些小习惯在单张测试时没什么感觉，但一旦你进入批量交付模式，它帮你省下的是大量的“造轮子”时间。
3. 实操记录：从环境搭建到 PS 协同的完整走一遍
3.1 环境准备：显卡要求与整合包选择
先聊配置。ComfyUI 是吃显存的 AI 应用，生成速度和显存大小直接相关。如果条件允许，NVIDIA 显卡 8GB 显存是起步线，16GB 显存基本可以覆盖绝大多数 SDXL 模型。如果你用的是 AMD 显卡或苹果芯片，也能跑，但可能会有额外的兼容性适配，需要多折腾一些环节。我个人建议是：既然要商业化使用，不要在显卡上太委屈自己，一块 4060 级别以上的卡是合理投入。
软件层面，我推荐用秋叶整合包作为起步方案。这个名字在中文社区里基本是 ComfyUI 的代名词之一，因为它把 Python、Git、CUDA 依赖、常用模型管理器、插件市场整合在了一起，省掉了大量手工配置环境的时间。下载解压后，点击启动脚本就能进入 WebUI 界面。如果你是第一次接触 ComfyUI，直接上整合包，不要自己去配环境，否则很容易陷入各种路径、依赖库报错的泥潭。
另外有一个非常重要的点：国内访问 Hugging Face 和部分模型下载地址不稳定，你需要把模型下载源切换到国内镜像。具体做法是：在整合包的配置里找到 HuggingFace 镜像变量，填入类似 hf-mirror.com 之类的国内地址，这样下载模型的速度会从几十 KB 变成几 MB 每秒。这一步属于典型的“过来人经验”，不看很多教程你根本不会知道。
3.2 模型下载与放置：Checkpoint、VAE、LoRA 的分类管理
ComfyUI 的所有文件都采用文件夹分类管理。Checkpoint 大模型放在/models/checkpoints，VAE 放在/models/vae，LoRA 放在/models/loras，ControlNet 专用的辅助模型放在/models/controlnet，文本编码器放在/models/clip，等等。
很多新手问：为什么我加载别人的工作流后乱码、报错或画风完全不对？90% 的原因是模型文件缺失或放错位置。ComfyUI 读取工作流 JSON 时，会记录模型文件名，如果你本地没有同名的文件，节点就会显示红色报错。所以我强烈建议：下载任何别人的工作流之前，先看清单文件，确认其中用到的模型是否都在本地。这里我不推荐直接给某一个模型网址，而是建议你学会在整合包自带的模型管理器中搜索下载，或去 Civitai 这类模型社区按模型卡片说明下载。
我现在的模型库稳定在 20 个 Checkpoint 左右，其中主力模型按用途分类：写实人像用 4 个，国风水墨用 2 个，3D 渲染风用 2 个，二次元用 3 个，产品设计用 2 个，通用模版用 3 个。建立这个分类之后，我出图的第一张成功率，比之前乱换模型时至少提升了一倍。
3.3 从文生图到精修：一次完整的商业头像定制过程
光讲概念不如直接看一次实战。我这里拆一个我接到的真实需求：客户要一张“赛博朋克风格的商务男性头像”，要求是半身构图、冷色调、背景有霓虹光斑、人物面部清晰但要有机械感装饰。预算不高，但要求 48 小时内交付。
我拿到需求后的第一步是在 ComfyUI 里跑基础图。选用写实人像类 Checkpoint，叠加一个机械感 LoRA，权重放在 0.5。正向提示词大意是：半身肖像、30 岁男性、短发、赛博朋克机械妆容、金属质感皮肤纹理、霓虹灯光反射、冷色照明、商业摄影风格、超高质量、8K。负向提示词是：低质量、模糊、噪点、变形手指、多余肢体、文字、水印、老旧。CFG 7，30 步，先跑 6 张随机种子的图。
这一步的产出是 6 张构图和风格差异很大的候选图。我挑其中面部比例最自然、机械元素最不明显的一张作为底图，固定它的 Seed，然后开始第二轮调整：把提示词改成“半身肖像、30 岁男性、短发、轻度机械颈纹、冷蓝色霓虹光、灰蓝背景”，把 LoRA 权重从 0.5 降到 0.4，重新生成 4 张微调图。这时候构图已经非常接近目标了。
接下来我用 ComfyUI 的局部重绘功能修改两个问题：左手手指交叉的姿势太怪、下巴右侧反光太强。操作方式是调用 Photoshop 风格遮罩的思路，在重绘节点里导入底图，用黑色画笔涂抹需要重绘的区域，然后生成。这一步不需要重新调整整体提示词，只用局部相关的描述词去引导。出图后，我把最终生成图拖进 PS，用液化工具轻微调整一下脸型轮廓，用仿制图章去掉颈纹边缘的杂色，再叠加一层霓虹蓝渐变映射和一个柔光层，整个过程约 40 分钟，交付客户后一稿通过。
3.4 PS 协同的“先修后调”处理顺序
在这个实战里，PS 的使用顺序我也是刻意安排的。基本原则是：先修结构，再调光影，最后处理锐化。
结构问题包括手指变形、五官不对称、边缘擦痕、瑕疵杂点，这类问题必须用液化、仿制图章、修补工具在前期解决。因为一旦你先调色再修结构，调试过程中产生的颜色断层和像素混合会让修补变得极其困难。光影调整放在第二步，主要是对比度、白平衡、渐变映射、局部提亮压暗。最后才是锐化和降噪，这一步特别需要克制，很多人为了让图显得“高清”，叠加了过量的 USM 锐化，结果人物皮肤出现颗粒感，头发边缘出现白边，反而掉价。
另外还有一个小技巧：ComfyUI 生成的图默认是 PNG 或者 JPEG，我习惯让 ComfyUI 直接输出带透明通道的 PNG。做法是在保存图像节点后面串联一个 Image Alpha 节点，或者直接让输出格式设置为 RGBA。这样导入 PS 后可以直接获得背景分离的图层，尤其适合需要把人物素材应用到海报、详情页里的场景，省掉大量抠图时间。不过要提醒的是，AI 生成的透明通道往往不够干净，边缘会有毛糙的半透明像素，进 PS 后先用“选择-修改-收缩”配合“羽化”处理一下边缘，效果会好很多。
3.5 批量落地场景：电商产品图的高效流水线
除了单人头的定制，这套工作流在批量电商产品图上更值得展开。以我帮一个家居品牌做过的抱枕详情页为例，客户需要 12 张不同颜色、不同场景的沙发搭配图。
我搭了一条这样的小流水线：第一步用一组固定参考图（沙发抱枕在不同光线下的实拍图）训练了一个轻量 LoRA，权重约 0.65，用于保证抱枕的形状、材质和 CGI 渲染保持一致；第二步用 ControlNet 的 Depth 节点控制沙发的空间关系和透视角度；第三步在提示词里调整抱枕的颜色和纹理关键词，批量生成 20 张候选图；最后把软件选出来的图放进 PS，统一加阴影、调节色温，并把客户提供的 LOGO 水印贴到固定位置。这条流水线让 12 张图的交付时间从传统 3D 渲染加修图的 5 天压缩到了 1.5 天，而且素材复用性强，后续再补图只需要改提示词跑一遍，成本极低。
4. 工具选型解析：整合包之外，哪些插件真正值得装
4.1 必备插件清单与真实评分
ComfyUI 的强大很大程度上靠插件生态撑起来。但我见过很多新手一开始就装了几十个插件，结果界面卡顿、节点冲突、更新报错，反而把本来简单的事情搞复杂了。我的建议是，第一批只需要装 6 个插件，足够覆盖 95% 的商用场景。
我用一张表整理一下：
| 插件名 | 核心功能 | 我的使用频率 | 推荐指数 |
|---|---|---|---|
| ComfyUI Manager | 插件管理、模型下载、节点安装 | 每次启动都在用 | 必装 |
| AIGODLIKE 汉化包 | 中文界面 | 一次性配置 | 必装 |
| ControlNet 预处理器 | Canny、Depth、OpenPose 等控制 | 几乎每个正式项目用 | 必装 |
| Dynamic Prompts | 提示词变体批量生成 | 批量出图时用 | 强烈推荐 |
| Image Caption | 图像反推提示词 | 模仿参考风格时用 | 强烈推荐 |
| Upscale 模型节点 | 二次放大修复细节 | 商用大图必须用 | 强烈推荐 |
ComfyUI Manager 我就不多说了，它相当于整个插件生态的“应用商店”。AIGODLIKE 汉化包解决了界面问题，对英文不太顺手的用户非常友好。ControlNet 则是后面要重点讲到的功能区。Dynamic Prompts 的用法是：在提示词里用{}声明变体，比如{红色沙发|蓝色沙发|米色沙发}，它可以自动生成多条提示词组合，批量跑图。这个功能在电商场景里就是效率神器。Image Caption 的用途刚好相反，它能把一张参考图转成提示词描述，省去你绞尽脑汁想关键词的时间。Upscale 模型节点负责把 1024 分辨率的图放大到 2K 甚至 4K 级别，同时补充细节。
4.2 为什么建议用整合包的模型管理器下载模型
关于模型下载，我的经验是用整合包自带的模型管理器，或者进入 Model Manager 插件界面去下载。它的好处有三个：第一，已经内置了国内镜像源，下载速度快；第二，下载完成后自动放置到对应的文件夹；第三，它会显示模型预览图和适用标签，方便你判断这个模型适不适合当前任务。如果你从第三方网站手动下载，一定要检查文件名是否规范、目录是否对应，否则会出现节点加载失败的情况。
4.3 避坑经验：插件版本冲突与备份
插件装多了就会遇到一个经典问题：节点报错显示ImportError或缺少依赖模块。这种情况绝大多数是插件版本与 ComfyUI 主版本不兼容导致的。我的处理原则是：每装一个新插件，先观察两天，确认不报错再继续装下一个；每隔一周，用 ComfyUI Manager 的“更新全部”功能做一次版本同步，并且备份当前工作流目录和自定义节点目录，以防更新后出现无法回滚的兼容性问题。
有一点特别提醒：不要随手更新插件。很多插件更新后会瞬间报错或与原有节点不兼容。我的习惯是，只有一个明确的功能需求或 bug 需要修复时，才去更新对应的单一插件，更新前先看一眼该插件的更新日志，确认没有破坏性变化再动手。实测下来这个策略让我的 ComfyUI 很少出现“昨天还能用，今天突然全部报红”的情况。
5. PS 与 ComfyUI 的分工协作方法：从蒙版到图层再到局部重绘
前面已经讲过 PS 和 ComfyUI 各自的位置，这一节专门讲两者如何协同操作，因为这是很多人忽略、但真正拉开效率差距的地方。
5.1 用 PS 为 ComfyUI 精准制作遮罩
传统做法是在 ComfyUI 里简单涂抹遮罩，但效率低且不精细。更专业的方案，是先在 PS 里用钢笔工具或快速选择工具把人像、产品、背景精确地抠成黑白蒙版，导出 PNG 后导入 ComfyUI 的遮罩节点，用它来指定局部重绘的区域。
这个方案的优势在于，PS 的选区工具经过几十年打磨，选区的边缘精度远不是 ComfyUI 里手绘画刷能比的。以头发丝为例，在 PS 里用“选择并遮罩”配合“边缘画笔”能毫无压力地抠出发丝边缘，而这在 ComfyUI 里几乎不可能做到。做局部重绘时，准确传递遮罩信息是让重绘区域完美融合的最关键一步。
我举一个实际案例。之前给一张产品图替换广告背景，产品本身不需要变，只是背景要从纯色变成城市夜景。我先在 PS 里把产品精确抠出来，生成一张纯黑白的遮罩 PNG，黑色区域完全屏蔽重绘，白色区域参与重新生成。导入 ComfyUI 的 Set Latent Noise Mask 节点，配合“背景提示词”重采样。最终产品边缘干净利落，背景完全换了一个场景，而且过渡自然，完全看不出合成痕迹。
5.2 用 PS 批量调色统一成组出图
商业图交付最怕的就是风格不一致。ComfyUI 即使是同一个工作流，每次生成的图像色彩倾向都会有一些差异。解决这个问题，我一般会在 PS 里建一个调色预设，形成标准化的商业模板。
具体操作是：在 PS 中新增“色阶”和“曲线”两个调整图层，通过调整曲线的高光、阴影和中间调，把画面色彩定为统一的倾向。然后把这一组调整图层保存为一个预设文件。后续所有同系列的 AI 出图导入 PS 后，一键套用预设，再把色温和色彩倾向差不多的图归组微调。这样做出来的产品详情页、头像合集、插画系列，视觉上的一致性会立刻提升一个档次。
5.3 商业交付中的分辨率放大：Upscale 节点与 PS 插件的结合
商业途径上，你经常需要提交 300dpi 的 PNG 或 TIF 大文件，而 AI 默认生成的 1024 或 2048 分辨率明显不够。我的流程是这样的：先在 ComfyUI 中接一个 Upscale 节点，把图像放大到 2K 级别，这一步会让细节更加丰富，边缘更加清晰；然后存成 PNG 导入 PS，再用 PS “增效工具”里带的人工智能放大功能（如 Super Resolution 类工具）将分辨率翻倍到 4K 甚至 6K，同时注意适度加锐。
但这里有个细节要提醒：AI 放大和 PS 放大都不是无损的，它们本质上都是在补齐像素信息，所以如果连续放大两次，很可能会出现过度锐化、皮肤塑料感加重的问题。我的经验是：不要在 ComfyUI 和 PS 里连续各放大一次，而是只在其中一个环节放一次。比如先让 ComfyUI 输出 2048 尺寸，然后用 PS 放大到 4K 并加少许智能锐化，效果通常是最自然可控的。
6. 商业落地实战：从接单到交付的完整项目复盘
6.1 商业场景与定价逻辑
AI 绘画在商业端到底能干什么、怎么收费？我梳理了自己实操过的几个方向，整理成表：
| 场景 | 客户典型需求 | 核心交付物 | 传统报价区间（单张/套） |
|---|---|---|---|
| 电商主图 | 产品换背景、模特上身图、场景氛围图 | 高清 PNG/分层 PSD | 50-200 元/张 |
| 定制头像/壁纸 | 单人或宠物赛博朋克/国风头像 | 高清 JPEG/PSD 源文件 | 30-100 元/张 |
| 包装设计提案 | 概念渲染图、材质表现、系列延展 | 效果图/提案文稿 | 500-2000 元/套 |
| 插画绘本 | 系列化儿童插画、风格统一 | 高清插画/印刷文件 | 100-500 元/张 |
| 品牌视觉素材 | 社交媒体配图、活动海报底图 | 分层源文件 | 200-800 元/套 |
这个表想说明的不是价格标准，而是不同场景的交付复杂度和风险点差异很大。比如电商主图虽然单价低，但需求量稳定、复购率高，适合用模板化工作流批量跑；而品牌视觉素材单价高，但需要和客户反复沟通风格，前期试错成本大，不适合完全流水线化操作。
6.2 一次从报价到交付的完整复盘
下面完整复盘一个我实际做完的项目。客户是一家轻食餐饮品牌，需要 30 张社交媒体宣传图，风格要求“明亮、清新、新中式”，每张图包含一份菜品和对应的场景道具。预算四千，周期 10 天。
我在接单阶段先和客户沟通了三个关键信息：一是图片的用途和尺寸比例（小红书 3:4 为主，公众号封面 16:9 为辅）；二是参考图，确保风格锚点一致；三是需要交付的格式（高清 PNG 加分层 PSD，源文件版权归客户）。这三个信息确认后，我才开始做方案。
方案阶段，我先在 ComfyUI 里用一组“明亮通透、浅色背景、新中式餐具”的通用提示词，加上自训练的“轻食产品”LoRA，快速跑了 10 张测试图，确定构图方向。然后从 10 张里挑 3 张发给客户确认风格，同时附上 3 张用 PS 微调过的“模拟最终效果图”。客户确认后，我开始批量生成 60 张候选图，每张菜品至少 2 个构图。筛选标准很简单：构图完整、菜品主体清晰、背景道具不抢视线、色彩不偏。最终选出 40 张质量合格的底图，再进 PS 精修。
PS 精修阶段是工作量最大的部分：每张图要统一白平衡，去掉背景里乱入的杂色道具，微调构图裁切，把客户提供的品牌 LOGO 贴到固定角落。前两三张图我做了很细致的打磨，后面就完全依赖在 PS 里录制的动作脚本和调色预设，基本能做到每张图 5 分钟精修完毕。最终 30 张图在第九天完成交付，客户整体反馈良好。这个项目让我意识到：批量商业项目里真正卡脖子的不是 AI 出图，而是后续的视觉统一精修和交付管理流程。
6.3 版权问题与合同细节
涉及商业落地，版权问题绕不开。ComfyUI 生成的图，权属关系取决于使用的模型授权。商用前你要查清楚所用大模型的 License，大部分主流模型允许商业使用，但个别模型有非商用限制。我的建议是：只使用明确标注“允许商用”的模型，并且在模型库中保留每一个商用模型的下载地址和授权信息截图，作为自己的版权合规档案。
交付层面，我习惯在合同里写明三点：一是交付格式和分辨率；二是授权范围（是否允许客户商用、是否需要署名、是否可以二次修改）；三是源文件处理（是否交付 PSD 源文件，源文件版权归属）。把这些条款写清楚，可以避免很多后续扯皮。我身边有同行曾因为没有写清源文件版权归属，被客户要求免费提供整套 PSD 源文件后另行转卖，这个教训值得注意。
6.4 AI 绘画工作流在商业项目中还能怎么扩展
最后说一些扩展方向。Coze 工作流目前非常火，它其实是把提示词、LLM 模型、和 ComfyUI 等工作流通过 API 串起来，形成一条自动化的内容生产管道。比如，你可以写一个工作流，让大模型自动生成十个画面描述的提示词，然后再调用 ComfyUI 自动出图，最后把图自动发回某个素材库。这种“提示词生成-图像生成-素材归档”的全自动玩法，如果配合我的规则，就能实现某种程度的“无人值守出图系统”。
还有 n8n 这类自动化工具，也能把 ComfyUI 接到邮件、表单、在线商店里。比如客户在表单里提需求，n8n 自动把需求转成提示词，传给 ComfyUI，出图后自动回复邮件，实现完全自动化的接单和初稿交付。虽然距离真正成熟的商业化还有距离，但至少证明一件事：ComfyUI 不只是画图软件，它可以成为一条内容生产流水线的发动机。
7. 常见问题与排查技巧实录
7.1 黑图、灰图、显存崩溃
黑图和灰图是 ComfyUI 新手遇到最多的报错。黑图通常是采样器输出的潜空间数据不对或者在解码阶段出了问题，最常见的原因是 VAE 缺失或不匹配。解决方法是确认加载 Checkpoint 的时候，它自带或额外加载的 VAE 文件存在于/models/vae目录下，并在 VAE Decode 节点里正确引用。灰图则可能是你用了某种特殊的 VAE 文件，导致解码后色彩偏离，这种问题没有更好的办法，换一个合适 VAE 即可。
显存不足则表现为生成中途直接进度条卡死或者报CUDA out of memory。我的处理方法是：把生成尺寸从 1024 降到 768，或者改用--lowvram启动参数运行整合包。需要注意的是，如果你在跑图的同时又打开了 PS 大文件，显存会被两端同时占用，极易爆显存。我的经验是：在 ComfyUI 批量出图的时候，尽量不要同时打开几十个图层的 PSD 文件做精修，实在要穿插操作，就把 ComfyUI 的采样批次调到最小，生成完再切到 PS。
7.2 生成的人体结构有问题
手指、手臂交叉、五官崩坏是 AI 绘画的老大难。很多人问是不是提示词写得不够详细。其实问题根源在于底模的模型容量和采样细节，单靠提示词是救不回来的。我的建议是三步走：第一步，加负向提示词，把“畸形手指、多余手指、裂手”等常见负面描述写进去，能降低一部分概率；第二步，如果画面整体很好但只有手指不对，直接用局部重绘圈住手部重新生成；第三步，如果项目对精度要求极高，直接用之前训练过的 LoRA 强化一下手部细节。
这里分享一个非常实用的重绘参数：局部重绘时，Denoise（去噪强度）控制在 0.4 到 0.6 之间。太高会让重绘区域和周围不想变的地方融合得很生硬，太低则会让手部瑕疵完全无法修复。我通常是先用 0.5 尝试，如果手部修复了但手指形态还是怪，就降到 0.4 并配合手部姿势提示词再试。
7.3 ControlNet 不生效的排查思路
ControlNet 不生效是一个非常常见的现象。通常表现为：你给了参考图，但生成的结果完全无视参考图的构图和姿态。排查顺序是：一，检查 ControlNet 节点是否正确加载了对应的预处理器模型文件；二，检查预处理器的输出是否接进了 ControlNet 的应用节点；三，检查 ControlNet 的 Strength（强度）参数是不是被设成了 0 或者太低，一般 0.6 到 0.9 才有效；四，确认底图通道类型正确，如果参考图是 RGBA 而节点要求 RGB，可能在连接到前处理环节时就已经出错了。
还有一点要特别说明：ControlNet 的强度不是越高越好。很多新手觉得既然要用控制，那就把强度拉到 1.0 让结果 100% 服从参考图。但这样会导致生成结果丢失模型的风格特征，甚至出现扭曲变形。在实际使用中，构图保持类和姿态控制类，我一般用 0.75 左右；而语义类控制，比如 Canny，可以用 0.6 到 0.7。记住 ControlNet 是“引导”而不是“复印”，这个心态摆正之后，很多效果问题都会迎刃而解。
7.4 工作流导入报错与缺失节点
从网上下载的工作流导入后报“node type not found”或红色报错，原因很简单：你没有安装对应插件。解决方案是在 ComfyUI Manager 中查看缺失节点名称，并点击安装缺失节点。但有时候你点击安装后依然报错，这通常是网络问题导致插件依赖没下载完全。此时可以先把 ComfyUI 的国内镜像切换到可用状态，然后再重新安装。
另一个经典问题是工作流里的模型名称和你本地文件名不一致。比如别人用的是sd_xl_base_1.0.safetensors，你本地存的是sd_xl_base_1.0_fp16.safetensors，就会出现加载失败。我的处理方式是：直接在节点页面重新选择本地模型文件，无需全局修改所有连线，因为模型流线走到的位置是一样的，只要文件存在，重新选中就能继续跑。
7.5 出图速度慢的优化策略
出图慢的原因不外乎三个：显卡性能不足、步数太高、生成分辨率过大。它的优化思路就很直白，见图表。如果你用的是 4GB 显卡跑 SDXL，老老实实把工作流拆成两段：先用低分辨率（512x768）跑构图和风格确定，然后用局部重绘或 Upscale 节点修复细节，放大到目标尺寸。不要在低显存的情况下直接一轮生成大图，那样不仅慢，而且很容易在采样中途直接崩溃。
如果你的显卡还不错但速度就是不快，可以检查一下整合包启动参数里是否没有设置--xformers或--opt-sdp-attention。这两个参数分别启用显存优化的注意力机制的加速模式，在很多主流显卡上能提速 20% 到 30%。尤其是--xformers，在 30 系列及以上 N 卡上属于必开项。
8. 工作流编排与扩展进阶
8.1 批处理与队列自动化
当你要生成几十张系列图时，手动一张张点击“运行”按钮是极其低效的。ComfyUI 本身支持队列功能，你可以在前端把工作流节点改成批量模式，并让每次运行的提示词种子或变体自动变化。配合 Dynamic Prompts 插件，流程会变成：你定义好一套提示词模板，设置 20 个变体，点击一次运行，ComfyUI 依次执行 20 次采样，相当于自动抽了 20 张卡。
更进阶一点的方式，是直接使用 ComfyUI 的 API 模式。你可以通过调用 API 端口，把 ComfyUI 完全整合到自己的自动化脚本里。比如一个批量生成头像的自动化脚本，每次调用接口，传入一张底图和特定提示词，自动返回一张处理好的图，存到指定目录。这就把 ComfyUI 从“手动工具”升级成了“自动化服务”，在商业接单量大的时候能省下大量重复劳动。
8.2 从单图生成到动态流程：Coze 与 n8n 的串联思路
如果要打造更完整的全自动内容流水线，需要把 ComfyUI 与其他自动化工具打通。Coze 在国内生态中更贴近普通用户，它的工作流编排能力可以生成提示词，并调用外部 API。而 n8n 则更偏向开发者，能实现复杂的条件分支和数据流转。
我听说的一个可行玩法是：用 n8n 创建一个表单触发器，客户提交需求后，n8n 把需求文本发送给大模型 API，大模型生成结构化的提示词，再传给 ComfyUI API 出图，出图完成后 n8n 再调用网盘或网店 API，把成品归档甚至直接分发。这条链路里的每一步都已经有现成工具，真正的难度在于把接口字段正确连通。我自己验证过 ComfyUI API 的调用返回格式，只要保留好output区域的图片路径，自动化脚本就能稳定获得产物。
8.3 工作流版本管理的必要性
当你的工作流数量越来越多，版本混乱问题也会随之而来。我见过有人同一个“电商背景生成”工作流存了十几个 JSON 文件，改了一两个参数就另存为新文件名。这样操作最大的问题，是过几天根本记不清哪个版本是最新的、哪个参数改了哪里。
我的方案是：在本地给 ComfyUI 工作流目录建一个 Git 仓库。每次修改工作流后，提交并在 commit message 里写明“修改了哪些节点和参数”。这个习惯一开始会觉得麻烦，但当你需要回退到一个星期前的某个版本时，你会感谢当时的自己。即使不用 Git，你也至少应该在文件名里保留版本号和日期，比如电商场景合成_v3_20250101.json，避免被那十几份“最终版”“绝对最终版”折磨。
8.4 风格一致性训练：一张参考图到 LoRA 的尝试路径
商业项目中经常遇到“要和我们品牌风格保持一致”的需求，这也是为什么 LoRA 越来越被重视。这里简单讲讲训练 LoRA 的流程：准备 15 到 30 张风格统一的高质量参考图，经过图片预处理（最好统一分辨率、剔除透视明显差异的图、打标签），然后选择一个稳定的大模型作为底模，在它之上训练额外的权重。训练工具方面，中文社区最容易上手的是秋叶的 LoRA 训练脚本，它集成了数据准备、训练参数和模型转换，基本上按向导走就行。
不过训练 LoRA 属于进阶技能，我的经验是前期不要急着练。先用成熟社区训练好的 LoRA，等到你对提示词、CFG、ControlNet 这些基础节点熟练了，再来涉足训练，不然出问题自己也排查不了。训练参数这块，我自己的经验值是：分辨率 512 到 768，学习率 1e-4 到 2e-4，训练步数 1500 到 3000 之间，网络维度 32 到 64。训练完成后，一定先在其他工作流里做一次“泛化测试”，不要把训练集里的图误当成泛化能力，这一步非常关键。
9. 写在最后的实操心得
回头再看这套 ComfyUI 与 PS 的组合工作流，我最想强调的其实不是具体某个参数，而是“流程思维”。很多人陷入每天抽卡、换模型、调 LoRA 的循环里，玩了大半年，回头发现产出依然为零。真正把 AI 绘画变成生产力工具的人，做的最重要的事，是把自己最满意的出图路径固化成可复用的工作流，再把工作流背后的 PS 精修流程也模板化。
我在实际项目中最大的体会是：ComfyUI 让我有了一个不会累、不会抱怨、永远在线的“概念设计师同事”，而 PS 就是我自己的手和工具箱，负责把同事递过来的草图打磨到能交付的程度。这个组合的潜力，不在于某个节点的参数有多神奇，而在于你已经知道一条路可以稳定走通，可以带着客户需求一遍遍走，直到产出满意的结果。
最后分享一个小技巧：每次完成一个项目的出图流程之后，我会顺手把这次过程中调好的参数组合、提示词模版、PS 精修预设全部归档成一个项目包，并配上一段“这次踩了什么坑”的备注。这个动作刚开始很繁琐，但积累了两个项目包之后，你再遇到类似需求，基本上就是打开归档、调整参数、重新跑一遍的事。AI 绘画的工具还会不断迭代，但沉淀下来的工作流习惯，才是你真正可以长期复利的东西。
