企业官网建设流程全解析

这次我们来看一个比较有意思的创作型项目：Q版三国 + DC英雄联动。简单说，就是把三国题材的经典人物，用 Q 版画风重新设计，再和 DC 漫画里的超级英雄放到同一个画面里，形成跨 IP 的“乱斗式”联动海报或角色组合图。这个玩法在内容创作、短视频封面、同人插画、游戏素材预演里很常见，难点不是“画一张图”，而是怎么稳定地保持 Q 版风格、怎么让不同 IP 的角色在同一个画面里风格统一、以及怎么批量产出多组合素材。

这篇文章会从本地 AI 绘画工作流的角度，把这个创作主题拆成一套可执行的技术方案：先给你核心能力速览，再讲环境准备和部署，然后用 ComfyUI 工作流演示文生图、图生图、ControlNet 构图、LoRA 风格统一、IP-Adapter 角色参考和批量生成，最后补充接口 API 调用、显存占用观察、常见问题排查和版权合规边界。

如果你正好想用 Stable Diffusion 这类工具做跨 IP 联动创作，或者正在搭一套“Q 版角色批量出图”的本地流程，这篇可以直接收藏照着做。

1. 核心能力速览

这里要强调一点：所谓“项目”，并不是某个现成的一键生成软件，而是把开源生态里的多个能力组合起来，形成一条可复用的角色联动出图流水线。你不需要自己训练模型，也不用写复杂的推理代码，核心工作量在 ComfyUI 里搭工作流、选模型、调参数。

2. 适用场景与使用边界

2.1 适合谁用

这个工作流最适合三类人。

第一类是内容创作者。无论是做三国题材短视频、历史科普动画，还是做 DC 英雄主题的盘点视频，都需要大量“风格统一”的角色封面图。传统办法是找人约稿，成本高、周期长。用本地 AI 绘画工作流，可以先把三国角色和 DC 英雄分别 Q 版化，再批量组合成联动海报，效率会高很多。

第二类是游戏或 IP 运营方向的从业者。Q 版三国、DC 英雄联动这类概念图，经常出现在产品策划、活动方案、联名提案里。你不需要等美术出正式稿，先用 AI 批量生成一批参考图，用来验证联动方向、画风匹配度、角色站位和氛围感，再决定要不要进入正式美术流程。

第三类是 AI 绘画玩家。ComfyUI 的节点式操作，适合系统学习文生图、图生图、ControlNet、LoRA 和 IP-Adapter 这些核心能力。用一个“Q版三国 + DC英雄联动”的具体主题当练习，比空跑默认样例更能理解每个节点的作用。

2.2 使用边界与合规提醒

跨 IP 联动创作里，版权合规是第一优先级。

三国历史人物本身属于公共历史人物，罗贯中的《三国演义》文本也早已进入公共版权领域。但这里有一个容易被忽略的坑：如果你参考了某款现代游戏的“Q版三国”角色形象，或者某部影视剧的三国人物造型，那么这种具体的美术表达是有版权的，不能直接拿去给 AI 参考生图，更不能商用一个高度相似的角色。

DC 英雄要更谨慎。超人、蝙蝠侠、神奇女侠、闪电侠等角色，是 DC 漫画公司的版权角色，归属于华纳兄弟探索集团。使用这些角色的名字、服装、标志性要素进行 AI 生成，在个人学习、非商业同人创作范围内相对宽松一些，但一旦用于商业宣传、产品包装、付费素材或品牌联名，就必须获得 DC 的正式授权。

实际操作建议是：

• 个人学习和技术验证，可以在本地用 AI 生成测试图。
• 公开发布到社交平台，建议标注“AI 同人创作，非商业用途”等说明。
• 商用的任何场景，先做版权合规评估。
• 使用参考图时，确认参考图的来源和授权状态。
• 不要生成涉及真实人物、民族宗教、历史争议的敏感内容。

3. 环境准备与前置条件

3.1 硬件要求

本地运行 Stable Diffusion 类模型，主要看显存。这里给一个保守参考范围：

• SD 1.5 系列模型：显存 6G 以上可以跑，4G 显存需要开启模型卸载和低显存优化，体验会受影响。
• SDXL 系列模型：建议 8G 显存起步，12G 以上更稳妥。
• Flux 类大模型：显存需求更高，建议 16G 起步，或者使用量化版本。

具体数字会受分辨率、采样步数、ControlNet 数量、LoRA 数量影响。比如一个 1024x1024 的 SDXL 图，配合 ControlNet 和 LoRA，显存占用可能比单模型文生图高出不少。所以这篇文章的定位是“通用工作流搭建”，显存占用部分会放到后面单独讲。

3.2 软件环境

以 Windows + NVIDIA 显卡的常见组合为例，本地需要准备：

如果你用的是带 CUDA 的 PyTorch，显存不够时会自动用 CPU 兜底吗？不会。PyTorch 和 ComfyUI 的默认策略是显存不足直接报错，不会自动切回 CPU。所以搭配模型时一定要清楚自己的显存上限。

4. 本地工作流安装与启动

4.1 拉取 ComfyUI 仓库

ComfyUI 是一个开源项目，GitHub 上有官方仓库。标准部署流程如下：

# 拉取 ComfyUI 仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境（推荐） python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux / macOS 激活虚拟环境 # source venv/bin/activate # 安装依赖 pip install -r requirements.txt

如果你在国内网络环境，GitHub 拉取失败时，可以尝试配置镜像源或者使用代理加速，但注意遵守相关法律法规。这里更稳妥的做法是直接下载 ComfyUI 的 Windows 整合包，整合包通常已经内置了 Python 环境和依赖，解压就能启动。

4.2 放置模型文件

ComfyUI 读取模型有固定的目录规范。你需要把下载好的模型文件放进对应目录：

ComfyUI/ ├── models/ │ ├── checkpoints/ # 主模型，放 SD 1.5 / SDXL / Flux 的 checkpoint │ ├── loras/ # LoRA 模型，放 Q 版画风、角色风格的 LoRA │ ├── controlnet/ # ControlNet 模型，放姿态、深度、线稿等控制模型 │ └── ipadapter/ # IP-Adapter 模型，放角色参考相关模型 ├── input/ # 输入图片，图生图和 IP-Adapter 参考图放这里 ├── output/ # 输出结果目录 └── custom_nodes/ # 自定义节点插件目录

模型文件放好后，不需要额外配置路径，ComfyUI 启动时会自动扫描这些目录。

4.3 启动 ComfyUI

在 ComfyUI 根目录执行：

python main.py

启动成功后，终端会输出一个本地地址，默认是：

Starting server To see the GUI go to: http://127.0.0.1:8188

用浏览器打开这个地址，就进入了 ComfyUI 的节点编辑界面。新版本 ComfyUI 还会默认启动一个/api接口服务，后面做批量任务可以直接调用。

从部署角度看，ComfyUI 并不复杂。真正复杂的是首次运行时要下载很多节点插件和辅助模型，这一步经常卡住。如果你只是想做 Q 版三国 + DC 英雄联动，尽量不要一次性装一堆不必要的插件，先跑通默认工作流，再按需加 ControlNet 和 IP-Adapter。

5. 功能测试与效果验证

这一部分，我们把创作主题拆成一组可验证的测试用例。建议按顺序执行，每一步都确认输出正常，再进入下一步。

5.1 文生图基础测试

测试目的：确认 ComfyUI 能正常出图，模型能理解 Q 版三国和 DC 英雄的基本描述。

操作步骤：在默认的KSampler工作流里，把Load Checkpoint节点指向你准备好的基础模型，在CLIP Text Encode (Prompt)节点里输入提示词。

输入示例：

Positive prompt: cute chibi version of Zhuge Liang, Three Kingdoms, holding a feather fan, blue robe, ancient Chinese strategist, soft lighting, high quality, chibi style, cute face, mini body, detailed costume Negative prompt: blurry, low quality, distorted face, bad anatomy, watermark, text

预期结果：输出一张符合 Q 版风格、能看出是诸葛亮特征的图片。判断标准有四点：

• 角色是否具备明显辨识元素，比如羽扇、蓝色道袍、束发。
• 画风是否是 Q 版比例，也就是大头小身。
• 脸部是否自然，没有五官崩坏。
• 有没有明显的重复纹理或文字乱码。

失败排查：如果出的图完全不像诸葛亮，优先检查提示词里有没有写清楚身份特征。比如只用“Zhuge Liang”，模型可能把它理解成一个普通中国古人，而不是丞相军师。你需要手动补充“feather fan”“strategist”这类描述性词。

5.2 DC 英雄 Q 版化测试

测试目的：验证 DC 英雄在 Q 版画风下是否保持高辨识度。

输入示例：

Positive prompt: chibi version of Batman, black bat suit, cape, bat symbol on chest, cowled head, dark tone, cute chibi style, mini body, large head, detailed suit texture, studio lighting Negative prompt: blurry, low quality, distorted face, bad anatomy, realistic, horror, watermark

预期结果：生成一个 Q 版蝙蝠侠。重点看三个细节：

• 蝙蝠标志是否正确出现在胸口。
• 头罩和披风是否完整。
• 整体暗黑气质是否保留。

这里会出现一个典型问题：Q 版化会让角色显得可爱，但 DC 英雄原本的气质偏严肃。如果输出结果太萌、失去了角色特征，可以降低“chibi”的权重，或者增加“cowled head”“dark tone”“serious”这类保留气质的词。

5.3 Q 版三国与 DC 英雄同框联动测试

测试目的：验证两个不同 IP 的角色能否出现在同一画面，且风格统一。

输入示例：

Positive prompt: chibi Zhuge Liang and chibi Batman standing side by side, crossover scene, Three Kingdoms strategist meet DC superhero, funny interaction, matching chibi style, consistent lighting, detailed background, warm color palette, high quality Negative prompt: blurry, low quality, distorted face, bad anatomy, inconsistent style, two different art styles, watermark, text

预期结果：画面里同时出现一个 Q 版诸葛亮和一个 Q 版蝙蝠侠，两者画风一致，姿势自然，光影协调。

这一步最容易出现的问题是“风格分裂”。有时候诸葛亮是 Q 版，蝙蝠侠却偏写实，或者两者色调不统一。出现这种情况时，不要靠反复抽卡，应该用下面几个方法：

• 在负向提示词里加入inconsistent style, different art styles。
• 使用同一组画风 LoRA，让 LoRA 把两个角色拉到同一个风格区间。
• 用 ControlNet 统一构图，保证两个角色站位和比例稳定。

5.4 LoRA 画风统一测试

测试目的：用 LoRA 把整套图固定到明确的 Q 版风格上，避免每张图风格漂移。

LoRA 是轻量级模型微调文件，通常只有几十到几百 MB，放在models/loras目录，通过LoraLoader节点加载。

工作流调整方式：

Load Checkpoint → LoraLoader → CLIP Text Encode → KSampler

在LoraLoader节点里选择你的 Q 版画风 LoRA，强度一般从 0.6 到 0.9 起步。强度太高会让角色脸部结构雷同，太低则风格约束不够。

判断标准：加载 LoRA 后，连续生成三张不同角色的图。如果三张图的笔触、色彩、五官比例都有一致的“Q 版感”，说明 LoRA 生效。如果只有一张好看、另外两张风格飘了，说明 LoRA 强度不够或者提示词冲突。

需要注意，LoRA 不是万能的。一个 LoRA 只能固定一种风格方向，比如“Q 版”“水彩”“厚涂”“像素风”。你不能用同一个 LoRA 同时实现两个方向，最好的办法是准备一个 Q 版画风 LoRA，再准备一个“三国服饰”或“DC 漫画风”的辅助 LoRA，按权重叠用。

5.5 ControlNet 构图控制测试

测试目的：控制两个角色的站位、动作和互动关系，避免“各自站着”的僵硬构图。

ControlNet 是 AI 绘画里常用的结构化控制工具。做双角色联动时，最常用的是 OpenPose 姿态控制。

你可以准备一张素材图，里面有明确的两个人形姿态，比如一人在前一人背后、两人对拳、两人握手。用 OpenPose 提取姿态骨架，再把这个骨架输入到 ControlNet 里。

常见控制方式：

实际测试时，先用 OpenPose 保证姿态正确，再叠加 IP-Adapter 保证两个角色的脸部特征稳定。两步分开测，不要一开始就全堆上去，否则出问题时很难定位是哪个节点出了问题。

5.6 IP-Adapter 角色参考测试

测试目的：让两个角色的脸部、服装细节在多次生成中保持稳定。

如果你已经有一张比较满意的 Q 版诸葛亮、一张满意的 Q 版蝙蝠侠，接下来要让他们在两个不同场景里反复出现时保持同一张脸，就需要 IP-Adapter。

工作流逻辑：

Load Reference Image → IP-Adapter → 提特征 → 注入生成过程

IP-Adapter 节点需要加载对应的图像编码模型，然后选择参考图。参考图质量越高，角色一致性越好。建议使用正面、五官清晰、光线均匀的 Q 版角色图。

判断标准：用同一张诸葛亮参考图，分别生成“诸葛亮站在城楼”“诸葛亮手持羽扇指挥战斗”“诸葛亮和蝙蝠侠对话”三张图。如果三张图里的诸葛亮看起来是同一个角色，说明 IP-Adapter 效果合格。如果每张图都像换了个人，说明参考图质量不够，或者模型权重需要调整。

6. 接口 API 与批量任务

在 ComfyUI 里，通过界面操作适合调试，但真要生成几十张组合图，必须在 API 模式下跑批量任务。

6.1 获取工作流 API 格式

ComfyUI 的界面右上角有一个“Save (API Format)”按钮，把当前工作流保存成一份 JSON 格式的 API 数据。这个 JSON 就是后续批量提交任务的核心。

大致格式如下：

{ "prompt": { "3": { "class_type": "KSampler", "inputs": { "model": ["4", 0], "positive": ["6", 0], "negative": ["7", 0], "latent_image": ["5", 0], "seed": 156680208700286, "steps": 25, "cfg": 7.0, "sampler_name": "euler", "scheduler": "normal", "denoise": 1.0 } } } }

注意这里不是完整可运行文件，只是示意结构，实际需要从 ComfyUI 导出。脚本里修改seed、prompt、steps，就可以循环提交不同参数的生成任务。

6.2 Python 批量调用示例

以下是一个通用的批量提交脚本思路，用requests向 ComfyUI API 提交任务。

import json import random import time import requests COMFYUI_HOST = "127.0.0.1" COMFYUI_PORT = "8188" # 读取从 ComfyUI 导出的 API 格式工作流 with open("workflow_api.json", "r", encoding="utf-8") as f: workflow = json.load(f) # 准备角色组合清单 characters = [ "chibi Zhuge Liang and chibi Batman", "chibi Guan Yu and chibi Superman", "chibi Liu Bei and chibi Wonder Woman", ] for i, character_desc in enumerate(characters): # 修改正向提示词 # 这里的节点编号需要和你的工作流 JSON 保持一致 workflow["6"]["inputs"]["text"] = ( f"{character_desc}, crossover scene, matching chibi style, " "consistent lighting, high quality" ) # 修改随机种子 workflow["3"]["inputs"]["seed"] = random.randint(0, 2**31) # 提交任务 payload = {"prompt": workflow} resp = requests.post( f"http://{COMFYUI_HOST}:{COMFYUI_PORT}/prompt", json=payload, timeout=30 ) if resp.status_code != 200: print(f"第 {i} 个任务提交失败: {resp.text}") continue task_id = resp.json().get("prompt_id") print(f"第 {i} 个任务已提交: {character_desc}, task_id={task_id}") # 批量任务不要一次性全部提交，给显卡留缓冲时间 time.sleep(5)

每个任务提交后，ComfyUI 会进入内部队列，按顺序执行。如果显卡显存不大，建议一次只提交一个或两个任务，不要无脑循环提交几十个，否则大量任务排队堆积，显存释放不及时，容易直接报显存不足。

6.3 查询任务进度与获取结果

任务提交后，可以通过基础接口查询进度：

resp = requests.get( f"http://{COMFYUI_HOST}:{COMFYUI_PORT}/queue", timeout=10 ) queue_info = resp.json() print("当前正在运行:", queue_info.get("queue_running")) print("当前排队中:", queue_info.get("queue_pending"))

生成完成的图片会输出到ComfyUI/output/目录。你可以在脚本里直接读取该目录下最新文件，也可以结合/view接口按文件名获取图片。批量脚本建议在每次生成后统一检查输出目录里的文件数量，用来判断是否有漏生成的图片。

7. 资源占用与性能观察

7.1 显存占用怎么看

本地跑 AI 绘画，最关心的就是显存。推荐用nvidia-smi或任务管理器里的“GPU 专用内存”实时观察。

在 Windows PowerShell 下可以直接执行：

nvidia-smi -l 2

这个命令每 2 秒刷新一次显存信息。你可以在生成过程中切换到终端，观察显存峰值。不同模型、分辨率和采样步数，显存占用差异很明显。这篇内容不会给你一个固定数字，因为实际占用与你的模型版本、Workflow 复杂程度强相关。更合理的做法是：你先用小分辨率、少步数跑一张，记录显存占用；再逐步提高分辨率、加 ControlNet 和 LoRA，找到自己显卡的稳定上限。

7.2 CPU 推理与 GPU 推理差异

如果电脑没有独立显卡，或者显存太小，ComfyUI 也可以用 CPU 推理。但速度会低很多。一张 512x512 的图，GPU 显卡可能十几秒到几十秒，CPU 可能要几分钟甚至更久。

如果你的设备只有 CPU，建议这样安排：

• 使用 SD 1.5 系列模型，不要用 SDXL 和 Flux。
• 分辨率从 512x512 开始，不要直接上 1024。
• 采样步数控制在 20 步以内。
• 关闭 ControlNet，优先跑通基础出图流程。
• 批量任务改为逐张处理，每张生成完再处理下一张。

7.3 分辨率、步数、批量数对性能的影响

性能影响遵循一个基本规律：

• 分辨率翻倍，像素量翻四倍，显存和耗时明显上升。
• 采样步数从 20 加到 40，耗时接近翻倍，但画质提升可能有限。
• batch size 从 1 改成 2，显存占用接近翻倍。
• 每多加载一个 ControlNet，显存占用增加一块。
• LoRA 对显存影响相对较小，但对生成速度有一点影响。

7.4 降低显存占用的手段

如果生成中途爆显存，可以按顺序试这几个办法：

• 关掉浏览器里其他占显存的标签页和程序。
• 降低分辨率，比如从 1024x1024 降到 768x768。
• 采样步数降到 20。
• 减少 ControlNet 数量。
• 关闭 IP-Adapter，改成靠提示词描述。
• 使用更小参数的基础模型。
• 开启 ComfyUI 的显存优化选项，具体根据当前版本查看设置。

8. 常见问题与排查方法

这里要特别提醒一句：排查问题的时候，优先看终端日志。ComfyUI 的大部分错误都会直接把原因打印在运行窗口中，错误信息里通常包含节点名称、模型路径、显存不足等关键词。不要先改工作流，先看日志，能省很多时间。

9. 最佳实践与使用建议

9.1 先小参数测试，再大批量出图

第一次跑工作流时，不要直接生成 1024x1024 高分辨率图。先用 512x512、20 步、单张生成，确认提示词和节点链路正常，再逐步提高参数。批量任务更是如此，先提交一张测试图，检查结果满意后再提交完整清单。

9.2 保留一套最小可运行工作流

当你调通一套“Q版三国 + DC英雄联动”工作流后，把整个工作流 JSON 保存一份，命名成q_sanguo_dc_v1.json，放到独立目录。这样即使后续改动工作流把参数调乱了，也能一键恢复。

同时，把验证过效果的关键提示词、LoRA 强度、ControlNet 设置记录成一个说明文档，方便一周后回来继续用。

9.3 目录规划建议

模型文件、输入素材、输出结果分开管理。一个推荐的目录结构如下：

comfyui_projects/ ├── workflows/ │ ├── q_sanguo_dc_basic.json │ └── q_sanguo_dc_openpose.json ├── inputs/ │ ├── ref_zhugeliang.png │ ├── ref_batman.png │ └── pose_pair.png ├── outputs/ │ └── 20250520/ └── prompts/ └── prompt_library.md

这样批量任务跑完之后，可以直接按日期文件夹找到结果，不至于在output根目录里翻几百张图。

9.4 批量任务要加日志和失败重试

批量脚本里一定要打印每个任务的提交状态、task_id、输出文件路径。如果某个任务失败了，记录到error.log，不要中断整个流程。脚本最后统计成功数量和失败数量。

9.5 接口服务要限制访问范围

ComfyUI 的 API 默认监听在127.0.0.1，也就是本机地址。如果你需要局域网内其他机器调用，可以设置--listen 0.0.0.0，但这会暴露 API 服务，有一定安全风险。建议只在受信任的内网环境开启，并且不要用默认密码方案来保护一个无鉴权的 API 服务。

9.6 涉及人脸、声音、版权素材时必须确认授权

这一点再强调一次。三国题材和 DC 英雄联动，涉及的具体角色美术形象、商业 IP、可能出现的真实人物肖像，都要逐一确认授权情况。个人学习测试没问题，公开传播和商用必须谨慎。

10. 总结与下一步

“Q版三国 + DC英雄联动”这个创作主题，最值得尝试的是它天然覆盖了 AI 绘画工作流里的多个核心能力：文生图打底、LoRA 统一画风、ControlNet 约束双人姿态、IP-Adapter 固定角色一致性、API 脚本跑批量组合。

你先要做的事情只有一件：把 ComfyUI 跑起来，用一套 SD 1.5 或 SDXL 模型生成一张 Q 版诸葛亮。这张图成功了，整个流程就通了。

最容易踩的坑是三类：一是模型文件放错目录导致加载失败；二是双角色同框时风格分裂，画面里一个是 Q 版、一个是写实；三是批量任务一次性提交太多，显存直接爆掉。这三类问题，前面都给出了具体排查方式。

后续可以继续扩展的方向很多：把生成的 Q 版角色图接到图生视频工具里，做成角色出场动画；把三国角色和 DC 英雄的联动组合扩充成完整图集，形成一套“跨宇宙角色图鉴”；或者把工作流封装成公司内部使用的批量素材生成接口，给团队里不需要懂 ComfyUI 的同事通过网页调用。基础工作流跑通之后，后面就是一层一层往上加功能的事。