ComfyUI与PS互补：AI商业出图工作流实战拆解-开发者社区

最近帮朋友做了一套电商产品海报的AI出图流程，从需求沟通到交付大概用了三天。整套东西不算复杂，但真正跑通之后才发现，ComfyUI和Photoshop并不是竞争关系，而是前后工序的互补关系。这次我就把工作中实际落地的那套东西完整拆开聊一遍，包括ComfyUI的节点逻辑怎么理、底层参数到底怎么调、跟PS的素材交接怎么做，以及哪些坑是文档里不会写的。不管你是刚开始接触AI绘画的新人，还是已经能跑通简单流程、想往商业交付上靠的人，这篇都适合慢慢看。

1. 内容整体设计与思路拆解

1.1 为什么偏偏是ComfyUI搭配PS

先明确一个事实：AI绘画工具现在很多，很多人直接用在线平台出图，点几下鼠标就完事。但对于要拿图去做商业项目的场景，比如电商海报、角色立绘、产品包装示意，在线平台有两个特别烦人的问题：不可控、不可复用。用户只能靠抽卡碰运气，这次出图效果好，下次换个需求又要从头试。而ComfyUI最大的价值在于它把生成过程拆成了节点，这个思路和程序员画流程图很相似，每一步都能看见，每一个逻辑都能复用。节点逻辑一旦跑通，换需求时只需要改提示词、换参考图、调随机种子，整条链路不用推翻。

但ComfyUI出图后再看，绝大多数情况依然需要二次修饰。AI生成的图在高细节区域，比如手指、文字、锐度、明暗关系上，往往达不到商用标准，这就要靠Photoshop手工修正。PS刚才还在面对一张AI图，几十秒之后，你需要的文字、排布、质感修饰全都能解决。ComfyUI负责“无中生有”，PS负责“精修落地”，这一前一后恰好组成了一条完整的生产链。

1.2 这套工作流的适用场景与解决的核心问题

做个明确的界定：这套工作流最适合三类项目。

第一类是电商场景，比如产品主图、活动海报，需要快速产出多个版本的氛围图。第二类是内容创作，比如公众号配图、直播背景、短视频封面，这类图不要求特别精细，但需求量巨大，追求效率。第三类是概念设计前的草案，比如游戏原画、文创IP前期的脑暴图，用ComfyUI快速出风格探索，再用PS把它们整理成规范的设计稿。

这套流程解决的核心问题有三个：一是由“抽卡式出图”变成“工程化出图”，结果可控；二是“单张生产”变成“流水线生产”，批量复制；三是“AI图无法商用”变成“具备交付能力”，通过PS补齐专业度。

也可以换个角度理解：ComfyUI是发动机，PS是方向盘和车身。发动机不够顺，车子抖动，车身不够整，发动机再好也成不了成品。

2. 核心基础：ComfyUI节点逻辑深度拆解

2.1 从“流程”到“节点”，先建立逻辑直觉

ComfyUI里的节点逻辑，本质上是一张数据流图。每一个节点接收输入，经过内部处理，输出结果给下一个节点。这和写代码时的函数调用很像，只不过把输入、输出变成了可视化的连线。

对于第一次接触的人来说，最容易犯的错误是试图背节点，而不是理解数据流向。其实只需要抓住一条主线：模型决定“画风与画质”，提示词决定“画什么”，采样器决定“怎么从噪声里得到画面”，VAE解码决定“最终看到什么”。这四个部分就是最基础的全家福链路。剩下的所有节点，比如LoRA、ControlNet、IPAdapter、遮罩重绘，都是在主链路上做“条件注入”或“局部修改”。

我平时判断一个复杂工作流，只问一个问题：它的主线数据是什么？主线是Latent（潜空间张量）还是Image（图像）？顺着这条线看，遇到任何复杂工作流都不会迷路。

2.2 主链路七节点逐一说明

一个最常用的图生图主链路，大概是这样的顺序：

Load Checkpoint：加载大模型，输出MODEL、CLIP、VAE三个对象。MODEL负责采样时的预测，CLIP负责文本编码，VAE负责像素空间与潜空间的转换。
CLIP Text Encode（Prompt）：把提示词编码成Conditioning（条件向量），分为正向和负向，通常正负向都需要节点。
Load Image：读取基础参考图，作为图生图的“草稿”。
VAE Encode：把参考图从像素空间转换到潜空间，得到Latent。
KSampler：核心采样节点，负责在潜空间里执行“去噪”过程。
VAE Decode：把采样后的Latent转回像素空间。
Save Image：保存结果图。

这七步看着简单，但里面有几处非常容易被忽略的细节。

Load Checkpoint节点输出的三个对象要分开接。很多人拉了Workflow模板直接跑，把MODEL、CLIP、VAE搞混，结果要么报错，要么画面崩坏。KSampler的输入里，model接的是MODEL，positive和negative接的是两个文本编码器的Conditioning输出，latent_image接的是VAE Encode的Latent。如果接错，最常见的结果是画面不跟提示词走。

VAE是新手最容易忽略的。有些模型在下载时并不附带VAE文件，导致跑出来的图色彩灰蒙蒙，或者出现明显的颜色分层。解决的方法是单独加载兼容的VAE，比如很多社区模型都推荐固定的几个VAE文件，效果差异很大。

提示词编码也有一点要说：ComfyUI的CLIP编码器对提示词用的是逗号切分，对顺序较敏感，越靠前的词组权重越高。如果你想强调某个词，不要写一堆形容词排队，更有效的做法是单独拆分节点或者使用权重语法，比如 (关键词:1.3)，这样能明显提升画面跟随度。

2.3 图生图的“去噪强度”才是核心参数

很多踩坑案例都出在图生图的Denoise参数上。Denoise，业内通常叫“重绘幅度”，它决定了在原有参考图的基础上改动多少。记住几个典型值：0.3到0.4适合只调整光线、风格微调，能保留原构图；0.5到0.6适合换风格但不换主体；0.7往上基本可以叫“重绘”，原图的细节结构会被大量打破。

我实际做产品海报时，最常用的区间是0.45到0.55。举个例子：我渲染一张香水瓶照片，希望AI保留瓶子轮廓和摆放角度，但重新生成背景的氛围光斑。denoise如果开得太低，背景变化太小；开太高，瓶子的形状可能被扭曲。所以我会先把denoise设在0.5，跑一张看主体轮廓有没有破坏，如果破坏就降到0.45，如果背景没有满意变化就提高到0.55。这属于基础调参逻辑，但很多人一上来就追求高重绘，最后只能重复抽卡。

还有一个常被忽略的参数是CFG。CFG太高会让画面“画得过狠”，出现对比过强、颜色脏、细节纹理发木的情况；CFG太低则容易出现画面散乱、主体不聚焦。我的建议是：写实类用5到6，厚涂和二次元风格用6到8，跑写实照片不要盲目拉到10以上。

2.4 加ControlNet和LoRA后，节点逻辑怎么变

当项目要求精确控制构图或人物特征时，就要在主链路上插入额外节点。

ControlNet的作用是“拿线稿、深度图、姿态骨架去约束画面的结构”。它的节点插入位置一般是在KSampler之前，要把参考图经过预处理器提取出条件图，再把它传给Apply ControlNet节点。很多人问为什么自己接了ControlNet但完全没效果，绝大多数情况是控制权重设得低，或者预处理器选错。做电商海报时，最实用的几个预处理器是：depth（用于保持纵深关系）、canny（用于保持轮廓线）、lineart（用于线稿上色）。

LoRA节点插入位置更简单，它接在模型加载的MODEL和CLIP后面，有两个输入，一个给模型注入风格特征，一个给文本编码器注入关键词特征。给模型接LoRA时需要注意触发词的问题，有些LoRA不写触发词就完全无效。这个“坑”在项目落地时尤其重要，我就会在每一个LoRA下载后用文本记录触发词，并且放在模型目录里一起保留，方便排查。

如果说主线链路是“画布”，那么ControlNet和LoRA就是画布上的“定位尺”和“风格模板”。不要什么图都拼命堆ControlNet，它只是约束工具，用多用少要根据结构复杂度来判断。

3. PS在AI绘画工作流中的补位：修饰、合成与批处理细节

3.1 AI图进PS之前，先做这三项整理

从ComfyUI输出的图不能直接扔进PS就开始修。先做一个快速质检，重点看三个点：分辨率、色彩、瑕疵。

分辨率方面，ComfyUI通常输出512的倍数，如果生成了704乘1024之类的尺寸，而你的最终交付要求是300dpi印刷尺寸，那就得提前规划。不要等PS里再放大了才发现像素不够。最简单的办法，我通常会在ComfyUI里就把目标尺寸设置成最终需求的1.5倍左右，后期缩小的余地永远比放大多。

色彩方面，AI生成的图默认通常是SRGB色彩空间，而印刷交付往往需要CMYK。如果只做屏幕展示，那保持RGB完全没问题。要印刷的话，直接在PS里转模式可能产生明显色差，最好在转CMYK之前用调整图层把红色、蓝色这类最容易溢出的颜色先手动限制住，然后才转换。

瑕疵方面，AI在图里的脏点、乱线、多余的肢体结构，都要在这一个阶段标记出来。不要试图靠PS的自动处理一键搞定，我最常用的修法其实很简单：放大到100%之后用修补工具或仿制图章一处一处清理，这一步不花脑子但需要耐心。

3.2 分层策略：AI底图、修脏层、调色层、合成层

在PS里，我最推荐的分层习惯是：

底层：AI原始出图，改名为“底图”，一般不直接动。
修脏层：在底图上方新建透明图层，用仿制图章、修补工具在此图层操作。这样万一修坏了可以删掉重来，不影响原图。
调色层：使用曲线、色相饱和度、可选颜色等调整图层，对整体影调和色调进行统一。好处是随时可以回来改参数，不用反复滤镜。
合成层：需要加入文字、产品素材、背景素材时，全部独立成组。产品精修时，产品本身可能被AI画得不够精确，那就用PS把实拍素材抠出来放入，让专业度回到可控水平。

很多新手会犯一个习惯：在同一个图层上又修脏又调色又贴素材，最后图层缩放拉扯半天，改一个参数就得重做。层级分明不仅为了组织有序，也是为了商业项目里改稿方便。客户说要“再亮一点”“背景再冷一点”，你直接改对应层即可，而不是重新跑几十遍AI流程。

3.3 三个PS里最实用的AI图补救技巧

第一个是“锐化分层”。AI生成的图通常边缘清晰但细节偏软，直接USM锐化容易出现过锐塑料感。更稳妥的做法是：复制底图，对复制层做高反差保留，设置半径在1到3像素，然后把混合模式改为线性光，不透明度设置在30%到60%之间。这种方式能在保留AI质感的同时提升细节清晰度。

第二个是“AI降噪”。低光照场景或高ISO模拟素材，放大后噪点很明显。可以用滤镜里的Camera Raw滤镜做降噪，里面有专门的细节面板，能分区对明亮度和颜色噪点进行处理。注意降噪参数不要拉满，拉满后画面会光滑得像塑料，噪点去掉80%就可以，剩下一点颗粒感反而能保持质感。

第三个是“局部重绘补偿”。AI在某些情况下会把主体画得不够准确，但整体感觉很好，我不想完全重跑整个工作流。这时候可以用PS的内容感知填充先补掉有问题的局部，然后再用仿制图章往里补细节。这个方法不是万能的，但对边缘杂物、背景干扰物这类小面积修复效率非常高。

4. 商业落地之路：从“能出图”到“能交付”

4.1 明确商业需求，才不会被AI带跑

做商业项目的核心不是“图好不好看”，而是“需求是否被满足”。接单之后第一件事要拆解需求：项目用途是线上广告还是印刷物料？受众是谁？品牌方有没有指定的风格参考？画面的主体信息是产品本身，还是氛围？这些都会直接影响ComfyUI的参数设置。

举个例子，电商主图的需求往往要求主体突出、背景干净、信息层级清晰。那么在ComfyUI阶段就不要用太复杂的描述，正向提示词里把产品名、材质、光线条件、构图方式写清楚，负向提示词里把杂乱背景、低分辨率、模糊、文字干扰全都写进去。如果需求是氛围海报，那可以加大“烟尘、光晕、粒子”这类氛围词的权重，甚至可以降低部分结构精确度，追求视觉张力。

商业交付的另一个特点是多轮修改。客户看完第一版可能说“风格不错，但颜色不够鲜艳”“主体再大一点”。在ComfyUI里，颜色不够鲜艳可以通过调整提示词和CFG来解决，但更快的路往往是直接在PS调色层里处理，因为AI重跑未必能精确复现想要的红色。这就是为什么前面说“PS的调色层必须保留”，它不只是修图工具，还是改稿的逃生通道。

4.2 批量生产：把节点固定成模板，用随机种子做变体

商业项目里很少有只要一张图的情况，通常需要同一个主体出5到10张不同版本。这时候ComfyUI的优势就完全体现出来了。把跑通的主链路保存成BizWorkflow模板文件，之后每次只需要修改三块内容：提示词区域、参考图路径、随机种子。

随机种子是个很有意思的参数。固定种子时，同样的环境重复出图，结果几乎一致，适合保证风格稳定。想要变体时，把种子从固定值改成随机值，每跑一次就是一次“换一张脸”。批量出图时，我会先用固定种子跑一张定基调，确认构图和风格，然后锁死不重要的参数，只让种子随机，生成几十张候选图，再进PS统一修整。

为了效率，我经常一次任务会跑4到6张候选，然后挑出2张进PS精修。这里的成本控制逻辑很简单：ComfyUI花的是算力，PS花的是人力，把算力用于扩大候选池，把人力用在最值得精修的那两三张上，整体交付速度会快很多。

另外还要提一点：ComfyUI可以设置批量大小，但不要无脑拉大。批量太大会让显存爆炸，导致中途报错。我更建议一次批量4张左右，跑完再继续。如果分配了太小的显存，哪怕显示“跑完八张”，实际也可能因为OOM在最后一步失败，浪费很多时间。

4.3 交付标准：尺寸、格式、色彩、版权

最后交到客户手中的文件，要有明确的交付标准。屏幕展示项目，一般提供PNG、JPG两种格式，长边不低于1600像素即可，通常还会附加一份PSD源文件，方便客户后续改字。如果涉及印刷，那就必须问清楚：对开尺寸是多少，需要不需要出血，色彩模式是否要求CMYK，分辨率是否要300dpi。

不要默认一张图做完就完事。规范流程通常是：第一步确认画布尺寸和分辨率，第二步出初稿，第三步根据修改意见精修，第四步交付终稿时把图层命名清楚、素材整理好。把源文件里面的图层放在组里并且命名中文，客户收到后体验完全不同，这也是专业交付的一部分。

版权方面需要提醒一句：虽然AI绘画工具本身生成的图片在多数商用场景下具有一定自由度，但具体规则取决于你使用的模型权重来源和对底模是否包含其他受版权保护的图像。如果你要拿去商用的项目，一定要确认自己用的底模、LoRA、ControlNet相关素材来源是否允许商业使用，这一点不能忽略。我的习惯是长期维护一份“模型来源清单”，记录模型的类型、来源、许可类型，接商业项目前先扫一遍清单，确认所有素材都没有问题再动手，省得交付后出纠纷。

5. 常见问题与排查技巧实录

5.1 ComfyUI运行类问题速查

这里整理一下我平时遇到频率最高的问题，以及对应的排查思路，方便直接套用。

人像手部崩坏。这是AI绘画的经典问题。方案有两个：一是加负向提示词，例如 bad hands, extra fingers, fused fingers，这类词对稳定出图有帮助，但不能根治；二是用PS进行局部修补，或者在ComfyUI里用inpaint流程跑局部重绘。商业项目赶时间时，我更推荐用inpaint配合一个低denoise值的重绘节点，只重绘手部区域。

画面发灰、偏色。很大概率是VAE选择有问题。ComfyUI里很多模型没有集成VAE，或者内置的VAE与模型不匹配。解决方法是手动加载一个通用VAE，比如常用的vae-ft-mse-840000，在VAE Loader节点里选择后连接到解码端。

爆显存导致中途失败。检查跑图尺寸是不是太大、批量数量是不是太多，以及ControlNet模型加载了多个。临时解决可以把采样分辨率降到512的倍数，批量降到1张。长期解决只能靠换更大显存或者用云端方案，电脑配置不足时，商业批量任务不要硬刚本地。

LoRA完全没效果。先检查触发词有没有写，再检查LoRA权重是否设置过低。还有一个隐蔽原因：节点连接方式错误。LoRA常见的连接方式是同时给MODEL和CLIP各接一次，如果只接了一边，画面会非常轻微变化，甚至完全无感。

5.2 PS联动中的效率优化

ComfyUI出图后进PS，我用的不是“截图拖拽”这种方式。直接在ComfyUI的保存目录里按照项目名建子文件夹，Workflow生成图都会自动存储到对应文件夹，然后在PS里用“文件-置入嵌入对象”导入图片，这样当ComfyUI重新生成图片时，PS里的智能对象可以一键更新，省了反复拖图替换的操作。这个习惯在批量改图时特别好用——你只要在ComfyUI里跑完一批新图，回PS刷新一次智能对象，就能看到所有候选图更新。

提到PS效率，还有两个独门技巧。第一个是给自动修脏建立动作。比如统一把图缩小到目标宽度、统一加一层高反差保留锐化、统一保存成JPG，这些操作都可以录制动作然后批量执行。第二个是安装常用笔刷和色板。AI绘画的配色有时候会比较飘，和品牌VI色不一致，我会在PS里做一个品牌的色板文件，每次精修时直接吸色微调，而不是靠肉眼抽颜色。

5.3 避免“无限抽卡”的关键习惯

新手最常见的状态是跑图跑了一个通宵，最后挑不出一张满意图。问题的根源不是AI不够强，而是输入条件不够稳定。我的建议是：每次跑图前先固定底模、固定VAE、固定采样器、固定风格LoRA，在这个稳定基准上，每次只改变一个变量，然后批量出图对比。例如想看看不同提示词对背景色彩的影响，就锁死种子，只修改提示词里的几个词组，这样能清楚看到对应关系。如果一次改三个变量，出图效果变了，你根本不知道是谁导致了变化。

这套方式就是把“AI抽卡”变成“变量实验”。我实际做项目时，会有一张“实验记录表”，记录每次更改的参数和结果评价。这个习惯听上去很笨，但在商业项目中极大节省时间。