ComfyUI完整实战指南：节点化工作流从入门到精通（2024最新版）

关键词：ComfyUI教程、Stable Diffusion工作流、节点编辑器、AI绘画进阶、ControlNet、高清修复、批量生成、插件扩展

如果你已经使用过 Stable Diffusion WebUI，却总觉得功能受限、难以实现复杂创意，那么 ComfyUI 就是你的下一站。ComfyUI 是一款基于节点化工作流的 Stable Diffusion 图形界面，它让 AI 绘画从"填表单"进化到"搭积木"，为专业创作者提供了无限的可能性。

本文将从零开始，带你全面掌握 ComfyUI 的核心技术和实战技巧。

一、ComfyUI vs WebUI：为什么要选择 ComfyUI？

核心区别对比

许多人初次接触 ComfyUI 时会疑惑：WebUI 用得好好的，为什么要切换到 ComfyUI？

对比维度	ComfyUI	SD WebUI
操作方式	可视化节点连线	表单式参数填写
灵活性	极高，任意组合	受限于预设功能
学习曲线	陡峭（需理解工作流）	平缓（即时上手）
性能优化	显存占用低，支持缓存	显存占用较高
工作流复用	可保存为 JSON 或嵌入图片	难以完整复用参数组合
批量处理	原生支持，高度可控	基础功能
适合人群	专业创作者、技术爱好者	新手、快速出图用户

ComfyUI 的核心优势

1. 可视化工作流

ComfyUI 将 Stable Diffusion 的生成过程拆解为一个个节点（加载模型、编码提示词、采样、解码等），你可以像搭乐高一样自由组合这些节点，构建任意复杂的生成流程。

2. 精确控制每个环节

在 WebUI 中，很多中间过程是"黑箱"的。而 ComfyUI 让你能够：

单独替换 VAE 模型
分阶段控制采样步数
多个 LoRA 堆叠并精确调整权重
区域化提示词（不同区域不同内容）

3. 工作流分享与复用

ComfyUI 生成的图片会自动嵌入工作流信息。你只需将图片拖入界面，即可完整还原生成时的所有节点和参数。这让技术交流和学习变得极其简单。

4. 性能优化

ComfyUI 采用智能缓存机制，只重新计算变化的节点，大幅提升迭代速度。在显存管理上也更加灵活，支持将模型加载到 CPU 或动态调度。

什么时候使用 ComfyUI？

快速尝试和探索：用 WebUI
商业级精细创作：用 ComfyUI
批量自动化生产：用 ComfyUI
学习 SD 原理：用 ComfyUI

二、ComfyUI 安装与环境配置

Windows 系统安装

方法一：便携版（推荐新手）

访问 ComfyUI GitHub 发布页：https://github.com/comfyanonymous/ComfyUI/releases
下载最新的 Windows 便携版压缩包
解压到非中文路径（重要！避免出现编码问题）
根据显卡类型双击运行：
- NVIDIA 显卡：run_nvidia_gpu.bat
- AMD 显卡：run_amd.bat
- 无独显：run_cpu.bat
等待启动完成，浏览器自动打开 http://127.0.0.1:8188

方法二：Git 源码安装（推荐进阶用户）

# 克隆仓库
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

# 创建虚拟环境（推荐）
python -m venv venv
venv\Scripts\activate  # Windows
source venv/bin/activate  # macOS/Linux

# 安装依赖
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt

# 启动
python main.py

目录结构详解

ComfyUI 的核心目录结构如下：

ComfyUI/
├── models/
│   ├── checkpoints/      # Stable Diffusion 主模型（.safetensors/.ckpt）
│   ├── loras/            # LoRA 微调模型
│   ├── vae/              # VAE 解码器
│   ├── controlnet/       # ControlNet 控制模型
│   ├── clip/             # CLIP 文本编码器
│   ├── upscale_models/   # 放大模型（RealESRGAN 等）
│   └── embeddings/       # Textual Inversion 嵌入
├── input/                # 输入图片目录（图生图、ControlNet）
├── output/               # 输出图片保存目录
├── custom_nodes/         # 自定义节点（插件）
└── user/                 # 用户数据（工作流等）

模型准备：

ComfyUI 本身不包含 Stable Diffusion 模型，你需要手动下载并放入对应目录：

主模型（必需）：下载一个 SD 1.5 或 SDXL 模型放入 models/checkpoints/
- 推荐：Realistic Vision V5.1、DreamShaper 8、Anything V5
- 来源：CivitAI、HuggingFace
VAE（可选但推荐）：放入 models/vae/
- 推荐：vae-ft-mse-840000-ema-pruned
LoRA（可选）：放入 models/loras/

三、界面介绍与基础操作

主界面布局

ComfyUI 的界面简洁高效：

┌─────────────────────────────────────────────────┐
│ 顶部菜单：Queue Prompt | Clear | Settings      │
├─────────────────────────────────────────────────┤
│                                                 │
│              节点画布区域                       │
│        （拖动、缩放、连接节点）                 │
│                                                 │
├─────────────────────────────────────────────────┤
│ 右侧面板：Queue 队列 | History 历史             │
└─────────────────────────────────────────────────┘

核心操作指南

添加节点：

在画布空白处右键 → 弹出节点菜单
导航到对应分类选择节点（如 Add Node → loaders → Load Checkpoint）

连接节点：

从节点的输出端口（右侧圆点）拖动到另一节点的输入端口（左侧圆点）
端口颜色匹配时才能连接（如 MODEL → MODEL、IMAGE → IMAGE）

删除连接：

按住 Ctrl 键，拖动连接线即可断开
或者直接在输入端口上拖出新连接会自动替换

删除节点：

选中节点后按 Delete 键
或右键节点 → Remove

节点参数调整：

直接在节点上修改参数值
某些节点支持鼠标滚轮快速调整

画布导航：

鼠标中键拖动：移动画布
鼠标滚轮：缩放画布
Ctrl + Home：重置视图

四、第一个工作流：文生图完整流程

让我们从最基础的文生图工作流开始，理解 ComfyUI 的运作原理。

核心节点与数据流

一个标准的文生图工作流包含以下节点：

Load Checkpoint → CLIP Text Encode → KSampler → VAE Decode → Save Image

详细搭建步骤

步骤 1：加载模型（Load Checkpoint）

右键 → Add Node → loaders → Load Checkpoint

这个节点负责加载 Stable Diffusion 主模型，输出三个关键组件：

MODEL：神经网络模型（用于图像生成）
CLIP：文本编码器（理解提示词）
VAE：图像解码器（将潜空间转为可见图像）

参数设置：

ckpt_name：选择你下载的模型，如 realisticVisionV51.safetensors

步骤 2：编码提示词（CLIP Text Encode）

添加两个 CLIP Text Encode 节点：

右键 → Add Node → conditioning → CLIP Text Encode (Prompt)

正向提示词节点（描述想要的内容）：

a beautiful Asian woman, professional photography,
natural lighting, depth of field, bokeh background,
8k uhd, high quality, film grain

负向提示词节点（排除不想要的内容）：

(worst quality:2), (low quality:2), (normal quality:2),
lowres, bad anatomy, bad hands, text, watermark,
blurry, extra fingers, mutated hands

连接：

将 Load Checkpoint 的 CLIP 输出分别连接到两个 CLIP Text Encode 节点的 CLIP 输入

步骤 3：创建空白潜空间（Empty Latent Image）

右键 → Add Node → latent → Empty Latent Image

这个节点创建初始的噪声图，是生成的起点。

参数设置：

width：512（SD 1.5）或 1024（SDXL）
height：768 或 1024
batch_size：1（一次生成几张图）

重要提示：分辨率必须是 64 的倍数。SD 1.5 推荐 512×768，SDXL 推荐 1024×1024。

步骤 4：核心采样器（KSampler）

右键 → Add Node → sampling → KSampler

这是整个工作流的核心，负责迭代生成图像。

参数详解：

seed：随机种子（-1 表示随机，固定值可复现结果）
steps：采样步数，一般 20-30 步
- 步数越多越精细，但速度越慢
- 推荐：20 步（快速预览）、30 步（正式出图）
cfg：提示词相关性，范围 1-20
- 值越高越严格遵循提示词，但可能过曝
- 推荐：7-11
sampler_name：采样器算法
- 推荐：DPM++ 2M Karras（质量速度平衡）
- 其他：Euler a（创意多样）、DPM++ SDE Karras（细节丰富）
scheduler：调度器
- 推荐：karras（更平滑）
denoise：降噪强度，范围 0-1
- 文生图：1.0（完全生成）
- 图生图：0.5-0.8（保留原图结构）

连接：

Load Checkpoint 的 MODEL → KSampler 的 model
正向 CLIP Text Encode 的 CONDITIONING → KSampler 的 positive
负向 CLIP Text Encode 的 CONDITIONING → KSampler 的 negative
Empty Latent Image 的 LATENT → KSampler 的 latent_image

步骤 5：解码为图像（VAE Decode）

右键 → Add Node → latent → VAE Decode

KSampler 输出的是潜空间数据（人眼不可见），需要 VAE 解码为可见图像。

连接：

Load Checkpoint 的 VAE → VAE Decode 的 vae
KSampler 的 LATENT → VAE Decode 的 samples

步骤 6：保存图像（Save Image）

右键 → Add Node → image → Save Image

连接：

VAE Decode 的 IMAGE → Save Image 的 images

参数：

filename_prefix：文件名前缀，如 ComfyUI
图片保存在 ComfyUI/output/ 目录

步骤 7：运行生成

点击右上角的 Queue Prompt 按钮，等待生成完成。

生成进度会在右侧 Queue 面板显示，完成后图片显示在 Save Image 节点上。

五、核心节点深度解析

Loader 节点（加载器类）

1. Load Checkpoint

最常用的节点，一次性加载 MODEL、CLIP、VAE 三个组件。

技巧：

如果模型自带的 VAE 质量不佳，可以用 Load VAE 节点单独加载更好的 VAE 替换
SDXL 模型通常体积更大（6-7GB），加载时间更长

2. Load LoRA

用于加载 LoRA 微调模型，可以在不改变主模型的情况下增加风格或特征。

输入：

model：来自 Load Checkpoint 或上一个 Load LoRA
clip：同上

参数：

lora_name：选择 LoRA 文件
strength_model：模型权重（0-1），推荐 0.6-0.8
strength_clip：CLIP 权重（0-1），一般与 model 一致

堆叠多个 LoRA：

Load Checkpoint
  → Load LoRA 1（韩系写真风格，0.7）
    → Load LoRA 2（胶片颗粒质感，0.5）
      → CLIP Text Encode

3. Load VAE

单独加载 VAE 解码器，用于替换 Checkpoint 自带的 VAE。

使用场景：

官方 Checkpoint 的 VAE 往往质量一般
下载 vae-ft-mse-840000-ema-pruned.safetensors 可显著提升色彩和细节

Conditioning 节点（条件控制类）

1. CLIP Text Encode (Prompt)

将自然语言提示词转换为 AI 理解的向量表示。

提示词技巧：

正向提示词：描述画面内容、风格、质量
- 结构：主体 + 细节 + 风格 + 质量词
- 示例：a professional portrait, natural lighting, depth of field, 8k uhd
负向提示词：排除不想要的元素
- 常用：worst quality, low quality, bad anatomy, blurry, watermark

权重控制：

(keyword:1.2)：增强权重 20%
(keyword:0.8)：降低权重 20%
((keyword))：等同于 (keyword:1.1)

2. Conditioning (Combine)

合并多个 Conditioning，用于复杂提示词组合。

使用场景：

组合不同风格的提示词
多个 ControlNet 条件叠加

3. Conditioning (Set Area)

区域化提示词，让画面不同区域生成不同内容。

示例：上半部分天空，下半部分草地

Conditioning (Set Area) - 天空
  - area: (0, 0, 512, 256)  # x, y, width, height
  - prompt: "blue sky, white clouds"

Conditioning (Set Area) - 草地
  - area: (0, 256, 512, 256)
  - prompt: "green grass field, flowers"

→ Conditioning (Combine) → KSampler

Sampling 节点（采样器类）

1. KSampler

核心采样节点，负责迭代生成图像。

参数深度解析：

seed（随机种子）
- -1：每次生成随机
- 固定值（如 123456）：可复现完全相同的结果
- 用途：找到满意的结果后固定 seed，再微调其他参数
steps（采样步数）
- 10-15 步：快速预览
- 20-25 步：常规出图
- 30-40 步：精细创作
- 超过 50 步收益递减
cfg（提示词相关性）
- 1-5：AI 自由发挥，创意性强但可能偏离提示词
- 7-11：平衡（推荐）
- 12-20：严格遵循提示词，但可能过饱和、过曝
sampler_name（采样器）
- DPM++ 2M Karras：速度快、质量高，万金油选择
- Euler a：创意多样，适合艺术创作
- DPM++ SDE Karras：细节丰富，但速度稍慢
- UniPC：速度最快，15 步即可出图
scheduler（调度器）
- karras：噪声衰减更平滑（推荐）
- normal：标准线性
- exponential：指数衰减
denoise（降噪强度）
- 文生图：固定 1.0
- 图生图：0.5-0.8（值越小越保留原图）
- 高清修复二次重绘：0.3-0.5

2. KSampler Advanced

高级版采样器，新增分段控制功能。

新增参数：

start_at_step：从第几步开始采样
end_at_step：到第几步结束
return_with_leftover_noise：是否保留残余噪声

使用场景：分阶段采样

KSampler Advanced 1
  - steps: 30
  - start_at_step: 0
  - end_at_step: 20
  - return_with_leftover_noise: enable

  ↓

KSampler Advanced 2
  - steps: 30
  - start_at_step: 20
  - end_at_step: 30

Latent 节点（潜空间类）

1. Empty Latent Image

创建初始噪声图，是文生图的起点。

分辨率建议：

SD 1.5：512×512、512×768、768×512
SDXL：1024×1024、1024×1536
必须是 64 的倍数

2. VAE Encode

将现有图片编码为潜空间，用于图生图。

工作流：

Load Image → VAE Encode → KSampler (denoise < 1.0)

3. VAE Decode

将潜空间解码为可见图像。

4. Latent Upscale

在潜空间进行放大，比像素空间放大更快、显存占用更低。

参数：

upscale_method：
- nearest-exact：速度快，适合整数倍放大
- bilinear：更平滑
width/height：目标分辨率

用途：高清修复（Hires Fix）

Image 节点（图像处理类）

1. Load Image

加载本地图片，用于图生图、ControlNet。

输出：

IMAGE：图像数据
MASK：透明度蒙版（如果有）

2. Save Image

保存生成的图片到 output/ 目录。

重要特性：图片会自动嵌入工作流元数据（PNG Info），可直接拖回 ComfyUI 还原工作流。

3. Image Scale

调整图片尺寸。

参数：

upscale_method：
- lanczos：高质量（推荐）
- nearest：速度快但质量低
- bilinear：平滑

ControlNet 节点

1. Load ControlNet Model

加载 ControlNet 控制模型。

常用模型：

control_openpose：姿态控制
control_canny：边缘检测
control_depth：深度图控制
control_lineart：线稿上色
control_tile：细节增强

2. Apply ControlNet

将 ControlNet 应用到 Conditioning。

参数：

image：参考图（如姿态图、线稿）
strength：控制强度（0-1）
- 0.5-0.7：保留原图结构，允许创意
- 0.8-1.0：严格遵循参考图

六、高级工作流实战

工作流 1：ControlNet 姿态控制

应用场景：根据参考人物姿态生成新角色

完整流程：

1. Load Image (上传参考人物照片)
   ↓
2. DWOpenpose Preprocessor (提取骨骼姿态)
   ↓
3. Load ControlNet Model (control_openpose)
   ↓
4. Apply ControlNet
   - image: 骨骼图
   - strength: 1.0
   ↓
5. 连接到正常的文生图流程
   - Load Checkpoint
   - CLIP Text Encode (描述新角色)
   - KSampler (使用 ControlNet 增强的 conditioning)
   - VAE Decode
   - Save Image

提示词示例：

正向：a young warrior in fantasy armor, cinematic lighting, detailed
负向：worst quality, bad anatomy

技巧：

如果生成的角色姿态不够准确，提高 ControlNet strength 到 1.2
可以多个 ControlNet 叠加（如同时使用 openpose + depth）

工作流 2：高清修复（Hires Fix）

应用场景：先生成小图，再放大重绘，提升细节和分辨率

两阶段流程：

【第一阶段：512×768 生成】
Load Checkpoint
  → CLIP Text Encode
  → Empty Latent (512×768)
  → KSampler 1 (denoise: 1.0, steps: 20)

【放大阶段】
  → Latent Upscale (2x → 1024×1536)

【第二阶段：重绘细化】
  → KSampler 2 (denoise: 0.5, steps: 15)
  → VAE Decode
  → Save Image

参数要点：

第一阶段：denoise: 1.0（完全生成）
第二阶段：denoise: 0.4-0.6（值越小越保留原图，越大越重绘）
- 0.3-0.4：轻微细化
- 0.5-0.6：明显重绘
- 0.7+：几乎重新生成

显存优化：

如果显存不足，可以用 Image Scale 在像素空间放大，而不是 Latent Upscale

工作流 3：多 LoRA 风格融合

应用场景：组合多个 LoRA 实现复合风格

节点连接：

Load Checkpoint (基础模型: Realistic Vision)
  ↓
Load LoRA 1 (韩系写真风格)
  - strength_model: 0.7
  - strength_clip: 0.7
  ↓
Load LoRA 2 (胶片颗粒质感)
  - strength_model: 0.5
  - strength_clip: 0.5
  ↓
Load LoRA 3 (人物细节增强)
  - strength_model: 0.3
  - strength_clip: 0.3
  ↓
CLIP Text Encode → KSampler

权重调试技巧：

主风格 LoRA：0.6-0.8
辅助质感 LoRA：0.3-0.5
细节增强 LoRA：0.2-0.4
总权重建议不超过 2.0，避免过拟合

工作流 4：批量生成

应用场景：自动生成多张不同 seed 的图片

方法一：手动队列

1. 设置 KSampler 的 seed 为固定值（如 1000）
2. 点击 Queue Prompt 生成第一张
3. 修改 seed 为 1001
4. 再次点击 Queue Prompt
5. 重复...

方法二：使用批量节点（需安装插件）

安装 ComfyUI-Impact-Pack 或 Efficiency Nodes 后可使用批量节点自动循环。

方法三：修改 batch_size

Empty Latent Image
  - batch_size: 4  # 一次生成 4 张不同 seed 的图

注意：batch_size 会成倍增加显存占用。

工作流 5：区域化提示词（分区控制）

应用场景：画面上半部分是天空，下半部分是草地

节点设置：

【天空区域】
Conditioning (Set Area)
  - width: 512
  - height: 256
  - x: 0
  - y: 0
  - prompt: "blue sky, white clouds, sunset"

【草地区域】
Conditioning (Set Area)
  - width: 512
  - height: 256
  - x: 0
  - y: 256
  - prompt: "green grass field, wildflowers"

【合并】
Conditioning (Combine)
  - conditioning_1: 天空
  - conditioning_2: 草地
  ↓
KSampler

坐标系说明：

原点 (0, 0) 在左上角
x 向右增加，y 向下增加

七、必装插件与扩展

ComfyUI Manager（必装）

功能：

一键安装和更新插件
自动检测缺失节点并提示安装
管理自定义节点

安装方法：

cd ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# 重启 ComfyUI

使用方法：

重启后，界面右下角会出现 Manager 按钮：

点击 Manager → Install Custom Nodes
搜索插件名称
点击 Install
重启 ComfyUI 生效

八、工作流保存、加载与分享

保存工作流

方法一：保存为 JSON

搭建完成工作流后，点击菜单栏 Save
选择保存位置，命名如 portrait_workflow.json
JSON 文件包含所有节点和连接信息

方法二：嵌入图片（推荐）

ComfyUI 生成的图片会自动在 PNG 元数据中嵌入完整工作流信息。

查看方法：

在 ComfyUI 中将图片拖入画布，自动加载工作流
或用文本编辑器打开 PNG 文件，搜索 workflow

加载工作流

方法一：Load 按钮

菜单栏 → Load → 选择 JSON 文件

方法二：拖入图片（最便捷）

将包含工作流的图片直接拖入 ComfyUI 画布，自动识别并加载所有节点。

注意：

如果提示"缺失节点"，用 ComfyUI Manager 安装对应插件
如果缺失模型（如特定 LoRA），会显示红色警告，需手动下载模型

工作流分享资源

1. OpenArt Workflows

网址：https://openart.ai/workflows

海量社区工作流
按分类浏览（人像、风景、动漫、ControlNet）
直接下载 JSON 或图片

2. CivitAI

网址：https://civitai.com

搜索 ComfyUI workflow
通常与模型一起分享
查看示例图的元数据获取工作流

3. GitHub 仓库

搜索：ComfyUI workflow collection

推荐仓库：

comfyanonymous/ComfyUI_examples
各种主题的工作流合集

分享自己的工作流

最佳实践：

测试稳定性：确保工作流在不同参数下都能正常运行
添加注释：使用 Add Node → utils → Note 节点添加说明
生成示例图：运行工作流生成高质量示例（工作流会自动嵌入）
编写文档：说明用途、参数建议、所需模型
上传平台：
- CivitAI：创建资源页面
- GitHub：开源分享
- 个人博客：详细教程

九、性能优化与问题排查

显存优化

1. VRAM 管理模式

点击 Settings → VRAM Management：

auto：自动管理（推荐）
cpu：模型加载到 CPU（省显存，速度慢）
gpu：全部加载到 GPU（速度快，显存占用高）
highvram：预加载更多到 GPU（显存充足时使用）
normalvram：正常模式（8GB 显存推荐）
lowvram：低显存模式（6GB 以下）

2. 降低分辨率

SD 1.5：512×512 / 512×768（显存需求约 4-6GB）
SDXL：1024×1024（显存需求约 8-10GB）

3. 减少 batch_size

Empty Latent Image 的 batch_size 改为 1。

4. 使用量化模型

fp16 模型比 fp32 省一半显存
fp8 模型更小但质量略降

速度优化

1. 选择快速采样器

UniPC：15 步即可出图
DPM++ 2M：20 步高质量

2. 减少采样步数

20 步已足够大部分场景，超过 30 步收益递减。

3. 启用 xFormers

安装 xFormers 可显著加速（适用于 NVIDIA 显卡）：

pip install xformers

4. 利用节点缓存

ComfyUI 会缓存未改变的节点输出。如果只修改提示词，模型加载、VAE 解码等环节会跳过。

常见问题排查

问题 1：节点显示红色/黄色

原因：

红色：缺少依赖或模型
黄色：参数警告

解决：

查看控制台错误信息
使用 ComfyUI Manager → Install Missing Nodes
检查 models/ 目录是否有所需模型

问题 2：生成黑图或噪点图

原因：

VAE 损坏或不匹配
提示词冲突
CFG 值过高

解决：

尝试单独加载 vae-ft-mse-840000-ema-pruned.safetensors
简化提示词测试
降低 CFG 到 7

问题 3：显存不足（Out of Memory）

解决方案：

Settings → VRAM → lowvram
降低分辨率（1024 → 512）
batch_size 改为 1
关闭其他占用显存的程序（浏览器、游戏）

问题 4：生成速度非常慢

排查：

检查是否在用 CPU 生成（应显示 CUDA/GPU）
确认安装了 CUDA 版本的 PyTorch
减少采样步数
使用更快的采样器

问题 5：工作流无法加载

原因：

缺少自定义节点（插件）
模型文件缺失

解决：

查看错误提示，记录缺失节点名称
使用 Manager 搜索并安装对应插件
下载缺失的模型到对应目录

十、实战项目：商业人像工作流

让我们结合所学知识，构建一个商业级人像生成工作流。

功能需求

文生图生成高质量人像
自动面部细节增强
高清放大到 1024×1536
支持批量生成

完整节点流程

【第一阶段：基础生成】
Load Checkpoint (Realistic Vision V5.1)
  ↓
Load LoRA (韩系写真风格, 0.7)
  ↓
CLIP Text Encode (Prompt)
  正向: professional portrait, natural lighting, depth of field, 8k
  负向: worst quality, low quality, bad anatomy
  ↓
Empty Latent Image (512×768, batch_size: 1)
  ↓
KSampler
  - steps: 25
  - cfg: 8
  - sampler: DPM++ 2M Karras
  - denoise: 1.0

【第二阶段：高清修复】
  ↓
Latent Upscale (2x → 1024×1536)
  ↓
KSampler
  - steps: 15
  - denoise: 0.45

【第三阶段：面部细化】
  ↓
VAE Decode
  ↓
FaceDetailer
  - det_model: face_yolov8m
  - guide_size: 512
  - denoise: 0.35
  ↓
Save Image (filename_prefix: "commercial_portrait")

参数调优建议

提示词模板：

正向：
professional portrait of a [age] [gender],
[expression], [clothing style],
natural lighting, soft shadows, depth of field,
bokeh background, cinematic, 8k uhd, high quality

负向：
(worst quality:1.4), (low quality:1.4), (normal quality:1.2),
lowres, bad anatomy, bad hands, bad face,
blurry, out of focus, watermark, text,
(multiple people:1.3), (deformed:1.3)

快速变量替换：

[age]：young / middle-aged
[gender]：woman / man
[expression]：smiling / serious / confident
[clothing style]：business suit / casual wear / elegant dress

保存与复用

测试工作流，生成满意结果
菜单栏 → Save → 保存为 commercial_portrait_workflow.json
生成的图片会自动包含工作流，可分享给团队

十一、进阶技巧与最佳实践

节点组织技巧

1. 使用 Group 折叠节点

选中多个相关节点 → 右键 → Convert to Group

效果：将复杂的节点组折叠为一个单元，简化画布。

2. 颜色标记

选中节点 → 右键 → Colors → 选择颜色

建议：

红色：加载器（Checkpoint、LoRA）
蓝色：采样器
绿色：图像处理
黄色：ControlNet

3. 添加注释

右键 → Add Node → utils → Note

在复杂工作流中标注每个模块的作用。

提示词优化策略

1. 结构化提示词

[主体] + [动作/表情] + [环境/背景] + [光线] + [风格] + [质量词]

示例：
a young woman, smiling, in a coffee shop,
natural window light, cinematic photography, 8k uhd

2. 权重语法

(keyword:1.2)：增强
(keyword:0.8)：减弱
[keyword]：在某些采样步减弱
{keyword}：在某些采样步增强

3. 负向提示词模板

基础版：
worst quality, low quality, blurry

进阶版：
(worst quality:1.4), (low quality:1.4), (normal quality:1.2),
lowres, bad anatomy, bad hands, text, error,
missing fingers, extra digit, fewer digits,
cropped, watermark, username, signature

人像专用：
(worst quality:1.4), (low quality:1.4),
bad anatomy, bad hands, bad face, bad eyes,
(ugly:1.2), (deformed:1.2), (disfigured:1.2),
blurry, out of focus, (multiple people:1.3)