我以前接设计单子最头疼的不是画不出来而是来回倒腾。用 ComfyUI 出了图总得拿进 PS 修细节、抠边缘、调构图修完客户又说想要另一种风格于是又跑回 ComfyUI 重新抽卡——来回折腾一下午交付的还是不那么满意。后来我把思路彻底换了一下把 ComfyUI 当成生产流水线把 PS 定位成终检精修车间AI 出图、人工收尾各管一段。这套 ComfyUI PS 的 AI 绘画工作流跑顺之后无论接电商主图、包装设计还是新媒体配图效率和交付质量都明显上了一个台阶。这篇东西不是给纯新手科普ComfyUI 怎么装也不是给老手讲PS 这个滤镜怎么用而是专门聊从节点逻辑到商业落地这条完整链路为什么这么选型、节点之间到底在传什么、一张能收钱的图是怎么从模型加载走到PSD 交付的。适合正在接单的设计师、想用 AI 做量产内容的运营以及已经会点 ComfyUI 但总感觉工作流能跑但不稳的朋友。1. 为什么把 ComfyUI 和 PS 组合成一条流水线1.1 ComfyUI 的优势在可复制不在好看很多人从 WebUI 转到 ComfyUI第一反应是界面丑、连线麻烦。这个感受很真实但我想先说清楚一个判断ComfyUI 不是给你随手玩用的是给你重复生产用的。WebUI 像傻瓜相机参数全藏在界面里你调一个下拉框、挪一个滑杆看起来很方便但问题的根源恰恰在这里——它把每一步操作都隐藏了一旦你想把这张图的风格原封不动复制到另外 20 张图上靠记忆去复现参数几乎不可能。ComfyUI 的做法是把整个出图过程全部摊开加载什么模型、用什么文本编码器、走哪个采样器、用哪套放大方案都是一个一个可见的节点。线连起来就是一条生产流水线。这条流水线的价值在于确定性同样一张工作流 JSON今天跑和明天跑换台电脑跑结果高度一致。客户说这个背景好看给我再来 20 张不一样角度的WebUI 用户得手动记参数ComfyUI 用户只需要把提示词里的场景词替换一下然后点个执行。这个差异在商业场景里会被放大得特别明显。接单的人都知道客户最大的需求不是好看而是稳定地好看。ComfyUI 的节点式工作流正好命中这个需求模型是固定的采样参数是固定的负面提示词是固定的变的只有可控的那部分变量。这就是我选择它作为生产端核心工具的根本原因。1.2 PS 在 AI 时代不是被淘汰而是换了岗位有人觉得 AI 绘画出来之后 PS 就没用了这是对工具分工的误解。AI 出图的能力确实强但AI 出图的结果永远是半成品——注意我指的不是质量差而是不可控。举几个最常见的场景AI 生成的图片分辨率可能不够用海报要高清大图模型底模只支持 1024×1024物体和背景交界处容易出现伪影杯子和桌面接触的地方模糊成一团画面里偶尔多出一个莫名其妙的物体比如产品旁边突然多了一根线更不用提文字、手指、复杂结构这些老大难。这些问题让 AI 反复重抽吗可以但时间成本、算力成本都上去了而且抽出来的新图可能又有新问题。PS 的价值在这里就体现出来了它是一个精准的修正工具只改你想改的地方别的地方完全不动。2 分钟的内容识别填充能干掉 AI 多画出来的杂物一个液化推杆能把略微变形的产品轮廓推回正位Camera Raw 滤镜能让整组图的色彩基调保持一致。这些操作在 PS 里是人眼看、手操作比让 AI 重新抽卡稳定得多。1.3 分工原则能靠参数解决的别留到 PS既然是流水线就得有明确的分工边界。我的经验是两条原则凡是 AI 参数能控住的先在 ComfyUI 里解决。比如换背景、保持产品轮廓、批量换场景这是 ControlNet、LoRA、提示词的工作别拿到 PS 里一张张抠。凡是人看了才知道对不对的才交给 PS。比如品牌调性、构图审美、细节真实感这是人眼和修图工具的主场。我给自己定了一个对照表基本能判断某个活该在哪里干任务处理工具原因批量生成 20 张不同背景的产品图ComfyUI ControlNet可复制、可控参数、批量执行换掉画面中某个物体的颜色/形状ComfyUI 局部重绘或 PS重绘影响范围大PS 更精准消除画面边缘多余的杂物PS 内容识别填充快、精准、不改变主体整组图统一色调、明暗PS Camera Raw 滤镜视觉判断需要人眼调整产品轮廓、液化变形PS 液化工具AI 不可控人眼微调更稳妥放大分辨率、增加细节ComfyUI 放大模型 PS 锐化放大模型保细节PS 做最终锐化这个表格是我实际接单时的判断准则。核心逻辑一句话把 ComfyUI 用在批量和可控上把 PS 用在精准和审美上。两者不是替代关系是前后道工序的关系。2. 环境搭建从能出图到能稳定出图2.1 新手别折腾先上整合包我见过太多人第一周就把时间耗在装环境上Python 版本不对、CUDA 装不上、依赖报错、模型路径找不到。如果你不是程序员也不是想基于 ComfyUI 做二次开发直接上整合包是最理智的选择。整合包本质上是把 Python 运行时、ComfyUI 本体、常用自定义节点、基础模型整体打包好解压之后双击启动就能跑通第一张图。它省掉的是从零搭环境这段对新手极不友好、对使用来说又没有帮助的过程。但整合包也有一个坑版本容易旧。ComfyUI 迭代速度很快很多新节点、新模型格式需要最新版支持如果你发现某个工作流加载后一堆红色报错先查是不是版本太久。另外显卡驱动要更新到较新版本NVIDIA 显卡建议直接装最新的 Game Ready 或 Studio 驱动某些报错其实不是 ComfyUI 的问题而是驱动和 CUDA 版本不匹配。2.2 模型放哪里、怎么管ComfyUI 的模型目录结构其实很简单核心就这几个文件夹ComfyUI/models/ ├── checkpoints/ # 底模常用文件名要见名知义 ├── loras/ # LoRA 模型 ├── controlnet/ # ControlNet 模型 ├── vae/ # VAE 模型 └── upscale_models/ # 放大模型我在项目里会对模型文件做一套命名规范比如realistic_ portrait_v20.safetensorsproduct_photo_lora.safetensors这种把类型、用途、版本写进文件名。因为工作流保存的是模型文件名之后加载同一个工作流要能找到对应的模型。如果随便改名旧工作流全部要重新指定模型非常烦。模型文件从哪来我的建议是能用整合包内带的管理功能下载就用整合包下载或者从模型站按需获取。这里提醒一句下载完看文件大小是否完整。checkpoint 模型通常有几个 GLoRA 一般几十到几百 M。如果下载完只有几十 M 的 checkpoint基本可以判断是坏文件加载会报错或者出图全黑。2.3 显存不够时的实用方案显存是你出图尺寸的上限天花板这个绕不过去。一张 512×512 的图普通 SD1.5 底模大概吃 4-6G 显存直接上 1024×10248G 显存就开始紧张。如果你是 6G、8G 显存的卡我的建议是别硬上高分辨率。先用 512 或 768 出图再用放大模型拉到目标尺寸这条路最稳。开 tiled VAE。有些工作流里会用到 VAE 解码大图不开 tiled 的话一解码就 OOM开了之后分段解码显存压力小很多。启动参数可以加--lowvramComfyUI 会自动优化显存调度代价是速度稍微慢一点。8G 显存用户实测下来这个模式比频繁 OOM 舒服得多。采样器方面也别迷信贵的就好。我实际跑下来DPM 2M Karras 是质量和速度的最佳平衡点多数商用图我都用它。DPM SDE 细节多一些但慢不少适合单张精品图。Euler a 快、随机性强适合找灵感。CFG 一般设置在 7 左右低于 5 可能画面发灰高于 10 容易过饱和加色块——这些数值真不是我拍脑袋都是一批批图对比出来的。2.4 批量出图前的运行习惯ComfyUI 的队列机制很直白点一次执行就跑一个 batch。批量出图时我会先跑 2-4 张看效果确认构图、风格没问题了再一次性跑大批量。不要一上来就甩 20 张到队列里如果中途发现提示词打错了浪费的不只是时间还有显卡寿命。另外批量时种子seed的处理要刻意做系列图想保持主体基本一致就不动种子想让每张图有点变化就把种子设成随机。这个操作看起来小实际是风格可复制和多样性之间最关键的开关。3. 节点逻辑逐级拆解工作流不是连线游戏3.1 一条主干链路里的每个节点到底在干嘛ComfyUI 的默认工作流看起来只是一个模板真正理解每个节点在干什么你才能自己改流程、排查问题。主干链路通常是这样Load Checkpoint → CLIP Text Encode正向提示词 → CLIP Text Encode负向提示词 → KSampler → VAEDecode → Save Image我逐个说一下用生活化的方式理解Load Checkpoint底模加载这个节点读入的不是一个模型而是三件套——UNet负责画画的神经网络主体、CLIP负责理解文字、VAE负责把隐空间翻译成像素。所以一个 checkpoint 文件才那么大几个 G 是正常的。CLIP Text Encode文本编码负责把提示词变成模型能懂的向量条件。注意正向和负向各要一个节点负向提示词不是反向召唤而是告诉模型这些特征我不要。KSampler采样器核心环节。它的输入是随机噪声latent加提示词条件后在步数steps内逐步去噪最后得到一张隐空间图像。很多东西如 CFG、采样器名、种子都在这一步起作用。VAEDecode解码把隐空间数据变成真正的 RGB 像素图。这里有个实操坑很多底模自带的 VAE 质量一般容易让颜色发灰、发闷。我习惯额外挂一个修复版 VAE 节点出图色彩会通透很多。打个比方Checkpoint 相当于请了一位画家CLIP 是把你说的需求转成画家的绘画指令KSampler 是画家落笔的过程VAE 是把画布上的油彩变成你手机能看的照片。少了任何一环图都出不来。3.2 三条最常用的附加链路主干跑通之后你会开始加各种附加链路。最常用的是这三条LoRA 链路在文本编码之后、采样之前的 latent 上叠加一个技能包。LoRA 能改变画风、固定某个产品外观、模仿特定艺术家的笔触。权重一般控制在 0.6-0.9太低没效果太高容易出现颜色崩坏。它不动主干结构所以叫附加。ControlNet 链路在采样阶段给模型一个额外的结构约束比如线稿、深度图、姿势骨架。实际做商品图最常用的是 Canny边缘线稿把产品轮廓锁住背景随便换产品不会乱跑。放大链路通常放在采样之后、VAE 解码之前或之后。用 ESRGAN 系列放大模型把图放大 2 倍、4 倍。注意放大的位置很重要先放大再 VAE 解码和先解码再放大细节表现完全不一样我一般习惯在 latent 阶段放大也就是采样后接Latent Upscale而不是直接解码。这三条链路不要一上来全堆上。每加一个出图的不确定性就多一分。我的建议是先保证只看主干能出理想的图然后逐步加 ControlNet、LoRA、放大一步一验证。十个工作流出问题九个是主干还没稳定就往上堆插件。3.3 提示词组织的两三个坑提示词不是写作文是列特征。实践下来最有效的格式是主体、材质、环境、光照、镜头、画质词用逗号分隔。比如一款保温杯产品图high quality product photography, a silver stainless steel insulated bottle, minimalist white background, soft studio lighting, centered composition, ultra detailed, 8k负面提示词我长期挂一组通用兜底词lowres, bad anatomy, bad hands, extra fingers, watermark, text, logo, blurry, oversaturated这里有两个新手容易踩的坑。一个是权重语法不要滥用。(word:1.2)、[word:0.8]这类写法确实能调整词的影响力但加得过多很容易让画面着色块、发脏尤其是多重括号叠加画面基本废掉。另一个坑是提示词和底模的绑定关系有些模型训练时对masterpiece之类的词有固化反应这个词在这个模型里可以帮你提画质换到另一个模型里可能让画面平添一层油画质感。所以每次换底模先拿固定提示词跑几张样张再投入批量使用。4. 一条可复用的电商场景工作流实战4.1 先把需求拆成可控变量和固定变量我用一个真实接过的单子做例子。客户要做 20 张保温杯产品图杯子是同款银色不锈钢要分别放在客厅、办公室、户外露营、海边这四个背景里每张图杯子的外观、比例、角度必须一致。这个需求到了 ComfyUI 里被拆成这样固定不变底模、LoRA产品特征、采样参数、种子、ControlNet 锁定的产品轮廓。逐张变化提示词里的场景描述词以及对应背景的构图要求。这种拆法的价值在于客户要的20 张风格统一本质上是固定变量足够多每张背景不同本质上是变化变量被精确定义。ComfyUI 的工作流天然适合这样干。4.2 具体节点配置与参数以这个保温杯项目为例我搭建的关键节点与参数如下节点/参数配置值说明底模写实产品摄影类 checkpoint优先选支持 768×768 的新底模ControlNet 预处理器Canny / Lineart提取产品轮廓ControlNet 权重0.8太高会锁死背景变化太低产品会变形采样器dpmpp_2m_karras速度和质量的平衡步数28更高步数收益不明显CFG7保持真实感分辨率768×768 → 放大到 1536×1536先小后大显存友好Denoise0.55放大阶段太高改写产品纹理太低背景模糊Denoise 这个参数特别说一下。它是重绘强度在 img2img 或潜空间放大时用到。0.55 是我反复试出来的平衡点能让背景细节更丰富又不会把杯子表面的拉丝纹理改掉。Denoise 超过 0.7整个产品很有可能会被重画成另一个样子低于 0.4放大后的图又发糊、缺少细节。每款底模的最佳值略有差异建议先拿一张样图多跑几个值对比。4.3 批量生成与人工挑图搭建好工作流后批量操作就变成了复制流程改提示词背景段点执行把产品轮廓图喂给 ControlNet。正面提示词里替换场景词比如living room换成office desk。固定 seed固定其他所有参数点执行。每批次先跑 2 张验证场景融合是否自然再扩大到批量 6-8 张。出图后不急着进 PS先全部导入 Bridge 或 PS 里建立联系表快速浏览一遍挑出产品轮廓崩坏的、背景穿帮的留下值得精修的。20 张图实际产出时间在我一张 8G 显存的卡上是单张约 35 秒放大后约 1 分钟全部跑完 30 分钟左右。其中会有 2-3 张因为轮廓提取的精度问题杯口或把手略微变形这些留到 PS 里修比在 ComfyUI 里反复调参数快得多。5. PS 精修把 AI 结果变成可交付文件5.1 五类最常见的 AI 瑕疵与处理顺序AI 出图进 PS我最常遇到的就是下面这几类处理顺序也有讲究边缘伪影与多余物体杯子边缘发白、桌面多出不明线条。用内容识别填充ShiftF5或修补工具框选瑕疵区域直接让 PS 根据周边像素补全一次不行就多框几次。文字崩坏画面里出现乱码文字这是 AI 的通病。识别度低的直接裁掉或用干净底图覆盖必须保留文字的我的建议是不要硬修回 ComfyUI 重新生成无字版本到 PS 里手动排上正确文字——AI 生成的文字想修得像模像样比重新排版的成本高得多。结构错乱杯把手扭转、壶嘴形状怪异。轻微的用液化工具滤镜—液化推一推严重的直接回到 ComfyUI 用局部重绘重跑别在 PS 里硬抠费时又伤画质。分辨率不足打印或大屏展示需要更高分辨率。先用 ComfyUI 放大模型把图拉到足够大再进 PS 做一次轻度锐化我常用智能锐化数量在 60-80半径 1 左右。不要频繁依赖 PS 的超采样放大效果远不如模型放大。颜色断层与过饱和高光处发灰、天空出现色带。进 Camera Raw 滤镜把高光往回收一点、白色提一点再用 HSL 工具微调特定颜色的明度饱和度一组图统一个预设风格就整齐了。处理顺序我建议是先结构液化、修补、再画面内容识别、最后色彩滤镜。顺序反了修完色彩才发现结构不对要液化调色参数又得重来一遍。5.2 无损精修流程智能对象 滤镜我接了商业单之后最重视的是无损两个字。AI 出图进 PS 后不是一张普通的 JPEG我会这样处理把 ComfyUI 输出的 PNG 拖进 PS右键转成智能对象。这样后面任何缩放、锐化都是非破坏性的随时可以回到原图状态。用 Camera Raw 滤镜做调色。滤镜菜单里打开 Camera Raw它会以智能滤镜的形式挂在图层下面参数随时可以双击回去再改。修结构、清瑕疵用独立图层图层命名写清楚用途方便回头改。最后导出为生成不同尺寸的 JPG 或 WebP原 PSD 保留源文件。这个流程最直接的好处是客户说颜色再淡一点不用重新修图打开 Camera Raw 拖动一下参数就行。AI 出图的图层和人工修正的图层分开也让返工的成本降到了最低。5.3 ComfyUI 与 PS 的衔接习惯关于文件的流动我养成了几个习惯ComfyUI 一律输出 PNG不要用 JPG。PNG 保留完整细节和无损 alpha 信息JPG 压缩出来的色块和噪点会让精修阶段多干很多活。文件命名用固定结构客户_产品_背景_序号_版本比如xxx客户_保温杯_客厅_01_v2。版本号一定要有因为工作流改过之后重新出图文件名加版本号方便追溯。改完工作流这个大动作先另存为一个新的工作流 JSON不要覆盖原文件。这一点在我反复调整 LoRA 权重的时候救了我很多次——旧版本流程随时能退回去。另外提醒一句PS 请使用正版订阅或公司授权版本商业项目交付涉及版权问题技术问题可以靠经验解决版权问题别开玩笑。工具成本是商业报价的一部分该算进成本就堂堂正正算进去。6. 商业落地报价、效率与一致性管理6.1 按时间成本重新算报价很多人用 AI 后报价反而混乱了一张图报 5 块、10 块把自己卷死。我的看法是AI 降低的是执行成本不是创意和保障的价值。你要算的不是出图只要 30 秒所以便宜而是搞定一张可交付的商用图从需求沟通到终稿一共花了多少时间。我给一张电商产品图算过账成本项时间/成本备注需求沟通与参考收集30-60 分钟往往是隐性成本ComfyUI 出图与筛选20-40 分钟含参数调试PS 精修与调色15-30 分钟视瑕疵程度审核与修改返工30-60 分钟客户审美变化无法避免交付文件整理10 分钟多格式多版本单张图我的实际综合成本在 1.5-3 小时左右。如果客户要的是系列图 20 张因为工作流固定下来新增一张的边际成本会大幅降低但第一张的调试成本摆在那里。所以我的报价思路是批量单按第一张全价 后续图七折/五折来谈而不是按单张均价乘数量。这样客户觉得量大优惠了你也保住了应有的利润。6.2 一致性拿固定工作流给客户交底客户最怕的永远不是这张不好看而是20 张图长得完全不像一个系列的。ComfyUI 在这里能给你的最大底气就是你可以跟客户承诺所有图的模型、参数、风格基准、产品轮廓完全一致只变背景和光线。实现这个承诺靠三样东西工作流版本锁定。项目开工前把核心工作流 JSON 存档文件名写项目编号。中途绝不在原文件上改参数只复制出新版本迭代。模型版本锁定。底模、LoRA、ControlNet 模型更新前先备份旧文件。客户上次定的风格下次来还要能做出一模一样的你必须有回到过去某个版本出图的能力。种子与参数记录。每次交付我会在项目说明文档里记录种子值、CFG、采样器、步数。客户说上次那张再来一张我不需要靠直觉重试直接调出上次的种子和工作流就能复现。6.3 交付清单与文件规范商业交付不是发一张 JPG 就完事了。我目前的标准交付清单是PSD 源文件保留全部图层和滤镜客户后期可以自己微调这是溢价项也能体现专业度。高清 PNG无压缩、无损失用于印刷或大屏。预览 JPG/WebP用于网页和微信快速查看体积小。项目说明文档写清工作流版本、模型文件、提示词、seed、使用工具一是客户备档二是以后复现的凭据。图层命名也有一套AI 生成的原始图层叫AI_base精修改动全部新建图层命名带前缀retouch_。这样客户源文件即使给别人操作也能看得懂哪些是机器生成的、哪些是人工修的。版权方面再啰嗦一句底模、LoRA、参考图都要确认商用授权尤其是从第三方下载的 LoRA 和 ControlNet 模型来源不明的最好不要用于商业项目。这不是胆小是商业上最基本的风险控制。6.4 团队协作时的版本管理如果是几个人一起跑一个项目混乱往往出在你改的工作流和他改的版本打架。我现在的做法是工作流文件放共享目录命名带日期和修改人比如保温杯项目_工作流_v3_20250112。每次修改后把效果图截图附在旁边别人一眼能看到这版和上一版有什么区别。跑完一批图统一归到素材库命名按前面的规范走不搞个人随意的命名风格。小团队里还建议固定一个评审点所有 AI 出图先过一个固定评审动作拉联系表、统一看缩略图再决定谁进 PS 精修、谁放弃重跑。这样可以避免每个人各自为战把时间浪费在修不值得修的图上。最后再分享两个我一直在用的实操习惯。第一个任何新需求开工前先别急着调 LoRA、ControlNet 这些附加参数先把主干链路用基础提示词跑通一张图确认底模输出的方向对了再逐步往上堆控制组件。很多工作流跑不出来的问题其实都是主干没就位就急着加装。第二个我的项目文档里永远有一行是最后一次稳定出图的 seed 值哪怕只是随手记在文本里关键时刻能救你一命——客户说上次那种感觉再来一组有 seed 在手你永远不用从零开始赌那张图。