上个月接了一个咖啡品牌的电商海报单子，客户丢来一句话：夏日清凉感，人物和产品都要高清，玻璃瓶上的水珠要有层次。前一个工作室用在线工具出的图被他们打回来三回——背景里多长了一只手，瓶身 logo 全是乱码，想改某个局部简直是撞运气。我拿到需求后没有急着生成，而是在 ComfyUI 里重新搭了一条 AI 绘画工作流，先把节点逻辑理顺，再让 PS 收尾精修，最后用了不到两天交付。
这个案例特别能说明问题：AI 绘画要做到商业能用的程度，靠的从来不是“生成一张惊艳的图”，而是能稳定地控制它、批量地修改它、精细地收尾它。这也是为什么我现在的主力工具是 ComfyUI + PS 这套组合，而不是那些一键出图的在线平台。这篇文章我不打算整理成一份软件说明书，而是把控制节点逻辑、参数调优、PS 精修介入、商单报价交付这一整条链路讲透，给准备靠 AI 绘画接活的人一条能直接上手的路径。
1. 为什么我现在坚持用 ComfyUI + PS，而不是被“一键出图”带偏
先给结论：如果你的目标是做一张“发朋友圈好看”的图，Midjourney 或者各种在线生成工具完全够用；但如果要靠 AI 绘画接活养活自己，或者在公司里把它当作正式生产工具，那没有可控性就等于没有生产力。这句话是我踩了半年多坑才彻底理解的。
1.1 一个真实商单把我从云端出图拽回了本地工作流
上面提到的咖啡海报并不是我第一次接 AI 绘画相关的单，但它是压垮骆驼的最后一根稻草。在那之前我有一半业务在用在线工具跑，客户需求集中在“氛围感”“风格化”，那种需求确实适合快速出图。可一旦进入电商物料，需求就变成“产品不能变形”“人物手指要正常”“背景元素指定”“构图要按参考图来”，在线工具的弱点暴露无遗。
那次海报需求其实不复杂：背景要清凉冷色调的流动感，主体是玻璃瓶冷萃咖啡，画面右下角有托着瓶身的手部动作，上方留白放文案。我用在线工具生成单张图的时候，手部结构错了，瓶身文字也乱码，更要命的是我无法锁定其中一个满意的局部，让生成结果只改背景不动产品。来回折腾接近一天，最后我只保留在线工具生成的“氛围草稿”，转到 ComfyUI 里重搭。
ComfyUI 的节点逻辑让我第一次感受到“生成可控”这四个字的分量。我把产品区域用遮罩锁死，背景交给 ControlNet 的深度约束，手部姿态用 openpose 骨架卡住，反复调了三十多轮，终于得到一张结构基本正确、后续可以精修的底图。那次之后，我所有商单全部切回本地环境，PS 负责后期精修和排版收尾，ComfyUI 负责生成和批量产出——两条腿走路，比任何“全家桶”都稳妥。
1.2 两套软件的分工：ComfyUI 管“可控生成”，PS 管“最后那 5%”
很多刚接触 AI 绘画的朋友有个误区：觉得 ComfyUI 和 PS 是替代关系，其实它们更像流水线上的两个工位。ComfyUI 的优势在于把生成过程拆成可视化节点，每一步都能干预，适合做批量出图、局部重绘、姿态和构图控制这些事。PS 的优势则在于像素级的精修，它能处理 AI 生成结果里那些“大方向对、细节脏乱差”的部分，比如乱码文字、畸形手指、光源不一致、边缘锯齿。
我习惯把一条完整商业工作流分成三段：ComfyUI 负责从无到有的生成，PS 负责从有到精的打磨，两者之间用“导出高清底图 + PSD 分层”来衔接。也就是说，ComfyUI 跑出了一张 80 分的图，不需要硬改成 98 分——在节点里为追求最后 10% 的细节反复烧显卡，远不如把那 80 分导入 PS，用二十分钟做手工精修来得高效。
下面这个表格是我自己划分的职责边界，接单时我会把它写进制作流程，避免客户觉得“AI 是万能的”：
| 工作阶段 | ComfyUI | PS |
|---|---|---|
| 文生图初稿 | 负责，批量出多张候选 | 基本不参与 |
| 构图控制 | 负责，通过 ControlNet/reference 锁结构 | 只在需求极明确时画草图辅助 |
| 局部修改 | 负责，遮罩重绘局部区域 | 适合快速小改，大范围改不如重绘 |
| 细节精修 | 不擅长，成本高 | 负责，去瑕疵/修手/清乱码 |
| 调色合成 | 可做基础色调，但难精细 | 负责，Camera Raw 统一色温 |
| 排版加字 | 基本不参与 | 负责，字体、排版、包装贴图 |
这套职责划分不是绝对的，但用熟了以后你会发现效率提升非常明显。ComfyUI 不跟 PS 抢“精修”这口饭，PS 也不跟 ComfyUI 抢“从无到有”的活，各管一段，才不会陷入“夹生饭”的状态。
1.3 对照三种主流方案的选型思考
整理一下市面上能落地的方案，给还没想清楚的读者做个对照。第一类是纯在线生成平台，优点很明显：不用折腾硬件和模型，上手快，适合做概念图、灵感收集、社交媒体配图。但它对具体元素的可控性弱，不能离线使用，大批量商单处理时需要反复切换、逐张下载，效率很低。第二类是 PS 内置的生成式 AI 功能，这是我很多设计师朋友最常用的，在局部修补、背景扩展这些场景非常顺手，但它的定位是“PS 的补充功能”，没办法搭建可复现的完整生成逻辑，也不方便批量跑参数组合。第三类就是 ComfyUI + PS，前期要投入不少时间学习节点，显卡压力也大，但换来的是每个环节都能控制、能记录、能复现，跑通了可以沉淀成自己的模板，不用每次从零开始。
我的建议很简单：只是玩玩，怎么方便怎么来；要拿它赚钱，尽早进入第三类。学习曲线虽然陡了一点，但长期回报值回票价。用一句话总结——选型不是选“哪个更流行”，而是选“问题最多出现在哪个环节”。商单里 70% 的问题都出在可控性上，这就决定了 ComfyUI 路线几乎是必经之路。
2. 节点逻辑不是接线游戏：采样、控制、修饰三层的真实作用
网上大量的 ComfyUI 教程喜欢让你模仿别人截图里的节点连接，但很少有人讲清楚一条工作流为什么要分这么多层。我觉得把节点拆成采样层、控制层、修饰层三层来理解，所有参数设置就有了判断依据。
2.1 采样层：步数、CFG、采样器到底在调什么
采样层的核心是把一组随机噪声逐步还原成清晰图像的过程，你可以把它想象成从一块满是噪点的毛玻璃上，一点一点擦出画面。扩散模型做的事情就是“逐步去噪”，每一步都让画面向提示词描述的方向靠近一点，步数越多理论上越接近理想状态，但实际操作里步数超过某条线后收益会迅速衰减。
先说步数 steps。常用的采样器在 20~30 步基本收敛，我习惯性用 25 步作为起点。有些人迷信“步数越高画质越好”，结果 50 步、80 步跑下去，出来的图反而可能出现油光感、伪影增加，而且生成时间翻倍，一点不划算。再说 CFG，这个参数控制的是“提示词对画面的引导强度”。CFG 拉得越高，生成结果越贴近文本描述，但也容易出现色彩饱和过度、线条生硬、画面“烧焦”等情况；拉得太低，画面会跟提示词貌合神离，甚至出现主体缺失、构图混乱。我的通用区间是 6~8，默认 7，风格化需求时再单独调整。
采样器选型上，我用最多的是dpmpp_2m配合karras调度器，这个组合在写实题材里细节扎实、风格稳定。偶尔追求特殊质感会用euler a，它的随机性更强，适合画插画、概念设计。另一个容易忽略的是随机种子 seed。很多人以为 seed 决定构图，其实 seed 只是决定初始噪声的随机数，同样的参数配不同 seed 会得到不同结果，但这些结果跟 seed 数值之间没有一一对应的规律。商业出图时我习惯先固定步数、CFG、采样器，摆一堆 seed 批量跑，再从结果里挑构图，而不是靠运气“刷图”。
2.2 控制层：ControlNet 和遮罩让生成学会“听指挥”
提示词是一种软控制，它告诉模型“大概要什么”，但模型对具体构图、空间关系、姿态的理解经常飘。ControlNet 补上的正是这个缺口：它把一张参考条件图（比如线稿、深度图、姿态骨架）编码成额外条件，在采样时持续约束生成结果，让画面严格跟着你的设计意图走。
常用的 ControlNet 类型里，canny适合锁边缘，比如你已经确定产品轮廓或整体线稿，它会约束生成的物体不超出这些边缘；depth锁深度信息，适合需要保持前后景关系的场景；openpose锁人体姿态，人物动作要跟参考图一致时靠它。实际商单里我最常用的是 depth + canny 组合：先定构图框架，再用深度约束保证透视关系正确。
控制层另一块是遮罩重绘。ComfyUI 里的局部重绘逻辑是把图片加载进来，画一个 mask 指定要重新生成的区域，然后在采样时给这个区域注入独立噪声，重新生成那一块内容，不动 mask 外的区域。听起来简单，但新手经常遇到两个问题：一是 mask 边缘太锐利，重绘区域跟原图之间有一道明显的“拼接线”；二是 denoise（重绘强度）设置不合理，要么改得不彻底，要么把原区域内容也带偏了。我的习惯是：mask 边缘用羽化过渡，denoise 控制在 0.55~0.75 之间，改背景用低一点，换主体元素时用高一点。
2.3 修饰层：VAE、高清放大、细节修复为什么必须放最后
把修饰层的节点放到整个工作流的末端，不是随手排的，是有讲究的。VAE 负责把模型在潜空间里的编码解码成人眼能看的图像，很多写实模型如果没有挂配对的 VAE，出来的图会灰蒙蒙的、对比度像隔了一层雾。这个节点该接在哪一步？接在采样器之后、保存图之前，这是标准做法。
高清放大节点（Hires Fix / Ultimate Upscale）为什么必须放在构图确定之后？原因有两个。第一，低分辨率生成阶段运算量小、显存压力低，方便快速试多组 seed 找构图；构图一旦确定，再投入算力做细节放大效率最高，否则每个 seed 都跑高分辨率，时间成本成倍增长。第二，从控制角度看，高清放大只负责“把画面细节做得更好”，它不应该改变构图语义。如果你放大阶段给的条件太强，画面有可能出现内容偏移、多余元素被强行放大等问题。
细节修复节点（FaceDetailer 这类）则放在放大之后，它通常只对检测到的人脸区域做一次轻量重绘，解决眼睛、嘴巴等部位的瑕疵。为什么不直接全图重采？因为全图重采会连带改变画质，造成局部修好、整体变味的问题，而 face detailer 只锁区域，修完跟背景融合自然。我搭人像相关工作流时，必定放一个这样的局部修复节点，它能把“废稿率”砍掉大半。
2.4 不要把提示词当全部：节点结构才是工作流的骨骼
很多新手把大量时间花在背提示词上，到处找“魔法词汇”，结果换了一个模型、换了一套设备，效果立刻不稳定。我跟你说句实话：提示词在 ComfyUI 里只是输入文本，真正决定产出质量的是节点结构以及节点之间的连接逻辑。同一个提示词，放在文生图主路径里和放在重绘分支里，效果完全不同；同一个 checkpoint，配不配 ControlNet、VAE 放哪个位置，结果也会有肉眼可见的差异。
工作流里的“骨骼”指的是数据流向：文本条件怎么注入采样器，图像条件怎么叠加控制，噪声从哪里来、最终解码到哪里去。这些结构设计对了，提示词只需要表达清楚“内容”就够了，不需要承载太多“控制”功能。另外，嵌入模型（embeddings）和 LoRA 本质上属于模型侧的扩展，它们是给模型注入额外风格和概念用的，跟工作流结构是两回事。我见过有人把十来个 LoRA 一起塞进一个节点里跑，结果画面风格互相打架，这就是典型的“把模型侧的东西当成工作流逻辑”来用。
我自己的经验是：商业项目的工作流，节点复杂度控制在 20~50 之间最舒服。超过 60 个节点的“神级工作流”看起来炫，跑起来要命的很，每次换需求都要大改结构，调试时间远超产出时间。稳定、可复用、出图可预期，这三条对赚钱来说永远比炫技重要。
3. 一张电商海报从空白画布到准交付稿的完整路径
光讲概念不够，我用咖啡海报这个案例完整走一遍流程。以下是实际操作记录，参数基于我的常用配置，你可以根据自己模型的情况微调。
3.1 需求拆解：先写清楚“生什么”，再去动节点
接到需求后的第一件事不是开软件，而是把客户的描述翻译成可执行的清单。我会整理成这么几列：输出规格、主体产品、人物要求、环境氛围、画面结构、文案占位、负面清单。以这次咖啡海报为例，输出规格是 1920×1080 横版电商 Banner；主体是玻璃瓶冷萃咖啡，瓶身要干净，液体层次清晰；人物是画面右下角一只手的动作，手形要自然，不穿帮；环境是冷色调、有流动感、带水雾和气泡；上方约三分之一留白，准备放标题和卖点；负面清单包括多余的手、畸形手指、乱码文字、光线不一致、瓶身变形。
把这些拆完，再写提示词就会清晰很多。正面提示词我会写成一段描述完整场景的英文或中文短句（模型不同取效果不同），负面提示词直接复用通用负面清单加上本单特有项。这里顺便提醒一句：提示词不是越长越好，长句要用逗号切成语义块，模型才知道哪个关键词权重高。
提供一下这次的主提示词示例（我用的是写实类模型，因此以英文/中文混合描述为主）：
(冷萃咖啡玻璃瓶, 清凉冷色调, 水雾气泡, 流动感背景, 夏日氛围:1.2), (手托瓶身, 自然手势, 柔光, 高细节, 商业摄影风格:1.1), 顶部留白构图, 高清, 体积感, 产品前后景层次 负面提示词: lowres, bad anatomy, extra fingers, mutated hands, bad hands, watermark, text, logo, blurry, oversaturated, jpeg artifacts3.2 主流程搭建：文生图、ControlNet、局部重绘的接线方式
ComfyUI 里最基础的工作流是“加载模型 → 写正负面提示词 → 设定空潜空间 → KSampler 采样 → VAE 解码 → 保存”，这条路径跑通了再往上加控制层。我按三层结构逐步搭：
第一层，主生成路径。加载写实 checkpoint，连接正向提示词和负向提示词节点到 CLIP Text Encode，再接入 KSampler 的条件输入。空潜空间节点宽度设 768、高度 1344，因为 16:9 的画面比例更适合产品海报构图。采样步数 25，CFG 7，采样器选dpmpp_2m，调度器选karras。
第二层，加 ControlNet 分支。我这里用了两路条件：一路是深度图，取一张参考构图，跑 depth 预处理器，接 ControlNet 深度模型，权重 0.7；另一路是 openpose 骨架，专门约束手的姿态，权重 0.6。两个 ControlNet 条件节点都连到采样器上，和文本条件一起参与去噪。需要说的是，手部姿态控制是电商人物图里最划算的一笔投资，后期修手的时间能省下大半。
第三层，局部重绘分支。先把 ControlNet 跑出来的一张“底图”加载进工作流，用遮罩节点在瓶身区域画 mask，这里我在 PS 里提前画好了一张黑白蒙版导入，边缘做了羽化。然后用 SetLatentNoiseMask 把 mask 转成噪声掩码，再接一个独立的 KSampler，denoise 设为 0.65，只重绘瓶身区域，背景和手部结构原样保留。
这种“主路径出结构 + 控制层锁约束 + 重绘层修局部”的接法，最大的好处是每个环节都可回溯。客户说“背景太乱了”，我只需要调整背景相关的 ControlNet 权重或重绘 mask，不用重新跑完整张图。
3.3 参数设置的实操记录
这次跑下来的最终参数记录如下，方便你对照自己的配置：
| 参数 | 数值 | 说明 |
|---|---|---|
| 基础分辨率 | 768×1344 | 竖构图，后期裁切出 16:9 |
| 采样步数 | 25 | 收敛稳定，不再加高 |
| CFG | 7 | 通用值，写实题材不激进 |
| 采样器 / 调度器 | dpmpp_2m / karras | 稳定、细节干净 |
| ControlNet 深度权重 | 0.7 | 保持透视和远景关系 |
| ControlNet 姿态权重 | 0.6 | 卡住手部动作又不僵硬 |
| 重绘 denoise | 0.65 | 瓶身区域更换效果明显且不破坏整体 |
| 高清放大倍数 | 1.8 倍 | 用 ESRGAN 类模型放大后导入 PS |
这几个参数的搭配逻辑：CFG 不拉高，是为了给 ControlNet 留出有效的控制空间；CFG 越高，文本的引导越强，会压制参考条件的影响力，所以商用图里经常出现“提示词很贴切但构图不受控”的现象，就是因为 CFG 开太高了。denoise 取 0.65 是因为低了对瓶身区域的重绘不彻底，高了会连周围水雾的材质一起换掉，造成新的不自然。
3.4 PS 精修介入：哪些地方必须人工收尾
ComfyUI 出图后，先在 PS 里做一次完整检查再决定重绘还是精修。检查顺序我总结为“先整体后局部”：先看整体色彩和光影是否统一，再看主体边缘是否有异常，最后放大到 100% 检查细节。
优先级最高的几项，基本也是 AI 生成图的常见硬伤。第一，手部：虽然 openpose 控制住了大体形态，但手指之间的粘连、关节别扭还是时有发生，这种问题靠 PS 的修补工具和液化工具处理比分分钟重绘更快。第二，文字乱码：瓶身 logo、包装上的文字区域经常是一团“伪文字”，这个别指望重绘解决，直接把文案区域选出来，用 PS 图层盖掉，重新排一版干净的文字上去。第三，光源一致性：AI 生成图里产品的高光方向有时跟背景不完全统一，我会用 dodge/burn 轻微提亮或压暗局部，让它看起来像同一盏灯拍的。
精修最后两步是调色和输出。调色我习惯用 Camera Raw 滤镜统一整体色温，把高光的蓝色往冷调收一点、阴影的绿色往灰调压一压，这样“夏日清凉感”就出来了。输出前记得把图层整理成规范的 PSD 分层：背景层、产品层、文字层、调色调整层分开，这样客户后续改文案、换背景时能直接动手，不用每次回来找你重新出图。
3.5 交付前的核对清单
我把每次交付前必查的项目列成了一张表，检查完打钩再发文件：
- 人物肢体：手指是否自然，手部关节是否穿帮
- 产品外观：瓶身是否变形，logo 是否清晰，浮雕和印刷是否合理
- 文字内容：画面内所有可见文字是否可读、无乱码
- 边缘细节：产品与背景交接处是否干净，有无白边或锯齿
- 光影统一：主光源方向一致，高光、阴影协调
- 色彩倾向：整体色调符合设定，无脏灰、无过饱和
- 输出规格：分辨率是否达到甲方要求，色彩模式是否正确
- 文件结构：PSD 分层命名规范，附带预览 JPG 和源文件
这份清单不止是为了交付，它也是控制返工率的工具。我在第一次给客户预览稿之前就会走一遍，把明显问题提前筛掉，后面沟通过程会顺畅很多。
4. 商业落地最容易翻车的四个环节
技术跑通只是第一步，真正让 AI 绘画变成收入的，是后面这些看起来跟技术无关、但实际决定“你赚不赚钱、亏不亏钱”的环节。
4.1 报价不是按张算，而是按“修改轮次”算
新手最容易犯的错是给客户报“一张图 XX 元”，听起来简单，但实际做完发现亏得裤衩都不剩。原因很简单：一张图的成本大头不在“生成那一张”，而在后续的需求理解、筛选、修改、精修、交付沟通。客户说“稍微改一下”，对你来说可能就是一次局部重绘加一轮精修，时间成本一小时打底。
我现在的报价方式是：把项目拆成“初稿 + 修改轮次”的结构。先估算完整交付耗时，乘以目标时薪得出项目报价；规则写明“包含两轮修改，每轮修改只能在既定的需求范围内，超出部分按新增工作内容单独报价”。沟通成本也要算进去，尤其是需求模糊的客户，一定要在前期把参考方向确认清楚，否则后续修改永无止境。
举个例子，这张海报我的时间账是这样：需求沟通 1.5 小时，主工作流出图和调参 3 小时，PS 精修 2.5 小时，一轮修改变动 1.5 小时，交付整理 0.5 小时，合计约 9 小时。按 150 元/小时的底线来看，这个单的报价就已经不应该低于 1350 元。很多新手只看“出图十几分钟”，就报个 200 元/张，等于把精修和沟通时间全白送了。
4.2 批量出图：效率和质量的平衡
商单里经常遇到“先出 20 个方向让我们选”的需求，这就是批量出图的场景。ComfyUI 最舒服的一点是批量能力特别强。我会用批量 seed 的方式，在基础参数不变的前提下，一次性跑出十几二十张构图方向不同的初稿，再人工筛。
批量出图要注意两类风险。第一，风格漂移：同一套参数换了 seed 以后，画面风格可能会上下浮动，尤其是一些微调模型不够稳定的 checkpoint。这种情况我会固定 CFG、采样器、ControlNet 权重，只允许 seed 和提示词的局部变量变化，保证批量结果在“同一风格框架”里。第二，筛选标准不统一：人工看多了容易眼花，建议先按“构图是否有有效主体、透视是否合理、有没有明显穿帮”三个硬标准筛掉一半，再从剩下的一半里看细节。
还有一个小技巧：批量初稿分辨率可以降低，比如用 768×768 甚至 640×640，选出构图后再开发高清放大节点，把分辨率提到交付规格。这样既节省显存和时间，又不牺牲最终质量。商用项目里，批量的目的是“找方向”，不是“直接交付”——方向定了，后面精修的成本才值得投入。
4.3 版权与模型授权：不被看见的雷区
商用落地时最隐蔽的雷区是版权授权。很多人默认“AI 生成的图就是我的”，但实际上不同模型的授权范围差别很大：有的模型对商用很宽松，有的明确限制不能用于商业，有的要求必须在作品里标注生成模型，还有的模型训练数据本身存在争议。接单之前至少要确认三件事：你用的 checkpoint 和 LoRA 是否允许商用、渲染成品是否需要标注模型来源、客户如果要求“独家版权”你是否能兜住。
我自己的处理方式是准备一个“素材来源清单”，记录项目里用的模型、LoRA、ControlNet 模型、参考图素材的来源和授权类型，交付时一并给客户。虽然大部分客户不会细看，但一旦出现争议，这份清单能保护你。另一个稳妥的做法是：商单主力模型尽量用授权清晰的模型，需要风格定制就自己训练专用 LoRA，尽量减少外部版权风险。
还有个现实问题经常被忽略：给客户交付的 PSD 里可能残留参考图素材，比如我前面说的 PS 里画的黑白蒙版，或者从别处抠来的产品图。这些素材如果是客户提供的那没问题，如果来源不明，一定要跟客户说明或换成自制的版本，避免甲方后续被找麻烦。
4.4 把工作流沉淀成自己的“生产资料”
时间越长越会发现，最有价值的不是你某张图跑得多好看，而是你攒下的那套可以反复使用的“生产资料”。我从第三个月开始，把每次项目用到的工作流 JSON 按类型存档：产品图流、人像精修流、电商场景流、风格化概念流。每个存档里固定了 checkpoint 和 LoRA 的选择，标注了参数区间，下次接单时直接“换需求不换框架”，从打开软件到出第一版图的时间能压缩一半以上。
提示词库也要沉淀。我会按行业分：餐饮类、美妆类、服饰类、电子产品类，每个类目里存几十条跑过真实项目的提示词和负面清单，再附上当时的工作流截图或 JSON。这类东西属于“越攒越值钱”的资产，换个机器、换个环境也能快速进入状态。
团队协作时还会有额外的需求。如果同事或甲方要看工作流逻辑，我会把关键节点和参数选择整理成一份简要说明，把图、PSD、工作流 JSON 一起归档。这套习惯可能听起来有点琐碎，但到了月底你会发现，能快速拿出“上次那个项目的完整过程文件”，比任何汇报都更有说服力。
5. 这套工作流后续还能怎么长
ComfyUI+PS 这套组合不是静态的，它一直在跟着模型和插件生态一起更新。我目前常跑的方向已经开始向视频延伸：ComfyUI 里已经可以接视频生成模型和关键帧插值节点，思路跟静态图非常像——先用 ControlNet 把握关键帧的构图和动作，再用 batch 方式批量生成中间帧，最后到 PS 里统一调色和补充细节。如果你已经吃透了静态图工作流的节点逻辑，转移到视频方向并没有想象中那么陡。
我的最后一个建议是：每个项目结束后，花 20 分钟把这次跑过的参数、踩过的坑、写进工作流的注释都记录下来。三个月后回头看，你会发现自己对“节点逻辑”和“商业落地”的理解都比同行快了一大截。AI 绘画这个领域变化很快，但节点化、可控化、工程化这条路，大概率还会往前走很久。
