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 EncodePrompt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MODELpositive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。提示不要低估工作流模板的价值。每次项目收尾后花十分钟把最终跑通的版本另存为模板并在文件名里标注用途和日期。累积一个月之后你的模板库可能就是别人眼中的核心资产。6. 结束前再分享两个小体会写了这么多还是补两句我对“ComfyUI加PS”这套路的真实感受。第一件事是关于心态的。不要想着一套工作流解决所有项目每个商业需求都有它的特殊性有时候要调整几个节点有时候要把PS的权重提到与AI同样的高度。真正稳定的不是某一个节点图而是你面对需求时懂得去拆解、去选择工具组合的能力。第一次跑通项目可能成就感很高但后面几十个项目才是你真正沉淀经验的时候。第二件事是我个人比较受益的一个习惯不要只从出图效果评价工作流还要从返工时间评价。如果一套流程能让客户修改意见的响应速度从两天变成两小时那就是优秀的流程。正因如此我始终强调ComfyUI的节点可复用性和PS的图层可修改性这两者加在一起才能在真实的商业场景里经得起反复打磨。