企业官网建设流程全解析

先问一个实际问题：现在的 AI 写真工作流很多，但真正能做到“角色一致 + 唯美画质 + 本地部署”三者兼得的方案并不多。要么角色一致性需要额外训练 LoRA，要么画质依赖在线 API，要么整套流程拆得七零八落，操作起来非常折腾。本文将分享一套基于 ComfyUI 的 Krea2 套系写真生成工作流，在本地环境中完成从角色参考到写真成片的全流程搭建。内容会覆盖环境准备、模型选择、角色参考模块接法、工作流节点拆解、常见报错排查和工程化建议，适合对 ComfyUI 有一定基础、想落地写真类项目的读者。

1. Krea2 写真工作流能解决什么问题

1.1 “写真生成”在 ComfyUI 里到底是什么

写真生成并不是某个单独模型能完成的事，而是一条由多个节点串联起来的图像生产链路。在 ComfyUI 中，它至少包含角色参考图解析、正向提示词控制、采样器出图、细节修复或放大、最终编码输出这几个环节。Krea2 套系写真工作流的设计目标，是把这些环节封装成一套可复用的流程，让用户只需准备一张角色面部参考图，再输入场景和服装描述，就能批量生成风格统一、角色相似度较高的写真图。

相比直接用文生图，写真的难点在于“同一张脸”。文生图只能靠提示词描述五官，效果不稳定。使用角色参考模块后，工作流会先提取参考图中的面部特征或整体人物特征，再在生成时把这些特征约束进潜空间，从而大幅提高多张图之间的角色一致性。这也是 Krea2 工作流被称为“套系写真”的核心原因：适合生成同一人物在不同场景下的系列图。

1.2 Krea2、白玉模型、角色参考之间的关系

从工作流的角度来看，可以这样理解三者：

“白玉模型”在社区中通常被归类为人像摄影向的模型，擅长柔和光影和通透肤色，比较适合古风、时装、清冷感写真这类视觉风格。它不一定是唯一的模型选择，如果你的出图场景偏商业精修或二次元，可以替换为其他模型，工作流骨架仍然通用。

1.3 适合谁用、常见使用场景

这套工作流适合以下三类读者：

• 想快速产出小红书、朋友圈风格写真图的摄影师和设计师。
• 在 ComfyUI 中折腾过基本文生图，但还没系统搭建过“角色一致 + 套系出图”流程的玩家。
• 需要在本地完成私密人像生成的用户，不依赖在线 API，数据不出本机。

典型使用场景包括古风套系写真、生日纪念照、职场形象照、情侣合照风格统一化、同一模特的多场景服装方案预览等。

2. 环境准备与基础安装

在开始搭建工作流之前，先检查你的运行环境。Krea2 工作流对硬件有一定要求，尤其是启用角色参考节点后，显存占用会明显上升。

2.1 硬件与系统建议

• 操作系统：Windows 10/11、Ubuntu 20.04 及以上均可。
• 显卡：NVIDIA 显卡，建议显存 8GB 以上。角色参考 + SD1.5 模型建议 8GB；如果直接跑 SDXL 系列，建议 12GB 以上。
• 内存：建议 16GB 以上。
• 磁盘：预留 30GB 以上空间，用于存放模型、工作流 json 和临时缓存。

如果你使用的是 A 卡或纯 CPU 环境，理论上可以运行，但角色参考节点和放大节点会比较吃力，出图速度也会慢很多。

2.2 ComfyUI 安装方式

ComfyUI 的安装主要分为“整合包”和“官方源码”两种方式。对大多数新手来说，整合包更省心，常用的有社区维护的秋叶整合包，内置了启动器、依赖管理、模型目录和常用节点，适合快速上手。对需要频繁更新版本或自定义修改源码的开发者，建议使用官方源码。

以官方源码方式为例：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

启动方式：

python main.py

启动成功后，浏览器访问http://127.0.0.1:8188即可打开 ComfyUI 界面。

如果你使用的是整合包，则直接打开启动器，点击“一键启动”即可，不需要手动配置 Python 环境。整合包通常已经装好了 cuDNN、Torch、常见节点等运行依赖，适合不想折腾环境的人。

2.3 额外节点准备

Krea2 工作流如果包含角色参考功能，通常需要以下自定义节点中的一部分：

• ComfyUI Manager：社区节点的安装和管理工具，强烈建议优先安装。
• ControlNet Auxiliary：用于预处理参考图，例如提取深度图、姿态、线稿。
• InstantID 相关节点：用于面部特征保持。
• ReActor 节点：用于人脸检测、人脸替换和面部相似度增强。
• Impact Pack：提供面部修复、检测器、采样器封装等能力。

在缺少自定义节点的情况下，加载工作流 json 时往往会看到红色节点，这表示对应节点不存在。使用 ComfyUI Manager 可以一键搜索并安装缺失节点。

遇到“请安装缺失的包以使用此工作流”的提示时，优先检查节点缺失，而不是重新安装整个 ComfyUI。

3. 模型选择与下载思路

3.1 白玉模型放哪里

白玉模型如果是 Checkpoint 类型，则放入ComfyUI/models/checkpoints/目录。如果是 LoRA 类型，则放入ComfyUI/models/loras/目录。如果是 VAE 结构，则放入ComfyUI/models/vae/目录。

放置完成后，在 ComfyUI 界面中点击“刷新”按钮，节点里的模型下拉列表才会出现新模型。

3.2 Checkpoint、LoRA、VAE 的分工

Checkpoint 是整个出图流程的基座，决定了画风、光影、人体结构的起点。它内部通常已经包含了 UNet、CLIP 和 VAE。理论上一个 Checkpoint 就能完成文生图，但想要更好的效果，可以叠加 LoRA 做风格微调。

白玉模型如果作为 LoRA 使用，它的作用是“在基础模型之上，强化唯美写真的表现特征”。比如让肤色更通透、光影更柔和、发丝更细腻。它不会改变模型的基本能力，而是在出图时通过权重干预风格走向。

VAE 的作用是负责潜空间与像素空间之间的转换。部分模型需要搭配专用 VAE 才能获得更好的色彩表现。如果出图颜色发灰发白，优先考虑更换 VAE。

3.3 角色参考模型怎么选

角色参考功能的模型需要根据你使用的节点决定：

• 如果走 InstantID 路线，需要 InstantID 专用 ControlNet 模型和 face_embedding。
• 如果走 IPAdapter 路线，需要 IPAdapter 模型和对应图像编码器。
• 如果走 ReActor 路线，需要 inswapper_128.onnx 这种人脸替换模型。

不同路线的效果差异较大。InstantID 在“保持面部身份”上表现更强，适合严肃写真；IPAdapter 更偏向风格迁移，适合氛围感人像；ReActor 则是硬性换脸，适合在生成图上直接替换面部。

Krea2 工作流如果已经内置了角色参考模块，那么通常它会指定使用哪条路线。如果你只是套用模板，建议优先按原工作流的要求准备模型，不要随意替换，否则连接方式和参数都会有差异。

4. 核心工作流节点拆解

很多人在网上下载了 Krea2 工作流 json，导入 ComfyUI 后看到密密麻麻的节点就不知道从哪里下手。这一节我们从“功能分区”的角度拆解整套工作流，理解每个模块的作用。

4.1 输入与模型加载区

这是工作流的起点，通常包含 CheckpointLoaderSimple、VAELoader 和 LoraLoader。节点内部负责加载模型权重并输出给后续节点使用。

# 对应节点逻辑（伪代码，用于理解，非实际运行代码） checkpoint = load_checkpoint("白玉.safetensors") vae = load_vae("vae-ft-mse-840000") unet, clip = extract_components(checkpoint)

在实际工作流中，你不需要写代码，只需要选择对应模型文件即可。确保“白玉模型”出现在 Checkpoint 下拉框中。

4.2 角色参考模块

这是整套工作流的重点。以 IPAdapter 路线为例，参考图输入节点会接收一张角色照片，经过图像编码器后生成图像 embedding，再通过 IPAdapter 节点把该 embedding 注入生成过程。

# IPAdapter 接入流程（伪代码） reference_image = load_image("ref.png") embedding = image_encoder.encode(reference_image) result = ipadapter.apply( model=unet, image_embedding=embedding, weight=0.8, start_at=0.0, end_at=1.0 )

这里的 weight 参数很关键。权重太高会导致生成图与参考图几乎一样，但动作和背景变化受限；权重太低则角色相似度不足，人物会“变脸”。实际使用时建议从 0.6 到 0.9 之间调整。

如果使用 InstantID 路线，则在角色参考前通常会接入一个 InsightFace 预处理节点，提取面部 embedding。如果你的参考图是多人合照，还需要先做人脸检测和裁剪，确保只提取目标人物。

4.3 提示词处理区

ComfyUI 中可以用 CLIPTextEncode 节点，也可以外接 Qwen、GPT 等大语言模型节点自动生成提示词。Krea2 工作流如果面向写真场景，建议把提示词分成几个固定组成部分：

• 主体描述：一位中国年轻女性、长发、清冷气质。
• 服装描述：白色吊带裙、薄纱外搭。
• 场景与情绪：黄昏海边、逆光、温柔氛围。
• 画质词：唯美写真、柔和光影、胶片感、高细节。

正向提示词： (best quality:1.2), masterpiece, 1girl, solo, long hair, white slip dress, seaside, golden hour, backlight, soft lighting, dreamy atmosphere, photorealistic, delicate skin, film grain

反向提示词：

lowres, bad anatomy, bad hands, extra fingers, blurry, jpeg artifacts, watermark, text, deformed

提示词不需要很长，但每个词都要有实际控制作用。写真的关键是保留足够的“摄影语言”，而不是堆一堆形容词。

4.4 采样与出图区

采样器决定了潜空间转换质量。常见参数如下：

• sampler_name：推荐dpmpp_2m或euler_a。
• scheduler：推荐karras。
• steps：18 到 30 之间。
• cfg：7 左右。写真人像建议在 6-8 之间测试，过高会发腻。
• denoise：整图生成时通常为 1.0；图生图重绘时根据需求调整。

不同模型适合的采样器组合不同，白玉模型的具体偏好需要实测。建议在第一次使用时固定其他参数，只换 sampler 做横向对比。

4.5 放大与细节修复区

套系写真不仅要脸像，还要画质经得起放大。常见做法是“低分辨率生成 + 二次放大”。先在 512 或 768 分辨率下快速出图，然后通过 UltimateSDUPSCALE 或 Tiled Diffusion 进行放大。

放大过程中有两个关键操作：

1. 开启面部修复（face restore），使用 codeformer 或 gfpgan 修复五官边缘。
2. 对脸部区域进行局部重绘，让放大后的脸依然保持自然质感。

如果显存充足，可以配合 ControlNet Tile 模型，在放大时保持更多细节不丢失。

5. 完整实战：搭建一套可用的 Krea2 写真工作流

这一节我们手动搭建一套最小的“角色参考写真工作流”。虽然每个节点的细节会因为模型和插件版本不同而有所变化，但整体流程思路是通用的。

5.1 工作流结构预览

完整流程按顺序分为四段：

1. 加载模型和白玉 LoRA。
2. 读取角色参考图并提取特征。
3. 提示词控制 + 采样生成。
4. 放大 + 面部修复 + 输出。

5.2 模型加载节点配置

在工作流画布中添加 CheckpointLoaderSimple，选择基础模型。如果你手头有唯美写真向模型，建议选择该类；如果没有，SD1.5 写实模型也可以作为替代。

如果白玉模型是以 LoRA 形式存在，则在 CheckpointLoader 后连接 LoraLoader，并填写 LoRA 文件名。权重建议从 0.5 开始尝试，LoRA 权重过高会让整个画面出现明显风格扭曲。

5.3 角色参考节点配置

这里以 IPAdapter 为例进行说明，因为它对新手最友好。需要准备：

• 一张清晰、正面或微侧面的角色面部照片。
• IPAdapter 模型文件，放到ComfyUI/models/ipadapter/。
• CLIP Vision 模型文件，放到ComfyUI/models/clip_vision/。

在 ComfyUI 中添加 LoadImage 节点，载入角色参考图；添加 IPAdapter 节点，连接模型、参考图 embedding，并设置 weight 为 0.7 到 0.85。

5.4 采样生成区配置

添加 KSampler 节点，将 LoraLoader 输出的 MODEL 连接到 KSampler 的 model 输入。将 CLIPTextEncode 生成的 cond 和 uncond 分别连接到正向和负向提示词输入。

关键参数参考：

seed: 随机种子，出图满意后可固定复现 steps: 25 cfg: 7 sampler_name: dpmpp_2m scheduler: karras denoise: 1.0

生成尺寸建议从 512x768 或 576x768 开始。这个分辨率虽然不高，但能快速验证构图和角色相似度。确认效果后再进入放大环节。

5.5 放大与输出

添加 UltimateSDUPSCALE 节点，将 KSampler 输出的图片传入。放大倍数设置为 2，模型选择为当前基础模型，重绘幅度 denoise 设置为 0.3 到 0.4。这样可以在放大时保持角色一致，不至于因为过度重绘而“变脸”。

在最终输出前，连接 SaveImage 节点保存成片。

5.6 运行与验证

点击“运行”后，观察进度条。首次运行时会有模型加载过程，耗时较长。生成完成后，检查以下几点：

• 面部五官是否与参考图保持一致。
• 光影质感是否符合“唯美写真”预期。
• 放大后的细节是否出现涂抹或崩坏。
• 手指、发丝、服装边缘是否有明显畸形。

如果角色相似度偏低，调高 IPAdapter 的 weight；如果画面整体僵硬，略微降低 weight，并检查提示词是否过于具体、限制了动作和构图。

6. 常见问题与排查思路

6.1 缺少节点或报错

工作中最常见的错误是“节点在执行过程中发生错误”或“请安装缺失的包以使用此工作流”。

这两个报错通常不是同一个原因：

在遇到节点执行错误时，点击报错节点查看完整错误信息。常见为缺少insightface、onnxruntime、tqdm等包。安装缺失包的命令：

pip install insightface onnxruntime

需要注意的是，要在 ComfyUI 所使用的 Python 环境中安装，而不是系统全局环境。整合包用户可以直接在启动器中点击“打开命令行”再执行安装。

6.2 角色相似度低

原因通常有：

1. 权重设置过低。
2. 参考图不清晰或人脸占比太小。
3. 使用了多人之类的复杂参考图，节点提取到错误目标。
4. 基础模型的画风跟参考图五官风格差异太大。

排查顺序建议：

• 先确认参考图中人物面部裁剪是否合适。
• 再逐步提高参考权重。
• 最后尝试更换风格更接近写真的基础模型。

6.3 画面太“假”或太“油”

表现是皮肤过度光滑、塑料感强、细节丢失。常见原因是：

• LoRA 权重过高。
• 提示词中添加了过多“smooth”、“perfect”类词汇。
• 放大时 denoise 设置偏高，重绘导致质感丢失。

建议降低唯美类 LoRA 的权重到 0.4 左右，同时把正向提示词中的画质词改为“胶片颗粒、自然皮肤纹理”：

natural skin texture, film grain, realistic light

6.4 显存不足

角色参考 + 放大对显存有压力。如果出现 CUDA out of memory，可以尝试：

• 将 latent 尺寸从 768 降到 512。
• 关闭或延后放大节点，先出小图验证。
• 降低 batch size 到 1。
• 在启动命令中增加--lowvram参数。

python main.py --lowvram

7. 最佳实践与工程化建议

7.1 工作流模块化管理

不要把整套 Krea2 工作流堆在一个画布里。推荐拆成几个子工作流，例如“角色参考子流程”、“文生图子流程”、“放大子流程”，用 Workflow 节点或直接分组管理。这样后续修改某个环节时，不会影响其他节点。

7.2 提示词分段固化

写真人像的项目往往需要批量产出。建议用一个文本文件管理“固定提示词”和“可变提示词”。固定部分包括画质词、镜头语言、反向词；可变部分包括服装、场景、动作描述。

# prompt_template.txt [固定] best quality, masterpiece, photorealistic, soft lighting, film grain, natural skin texture [可变] 1girl, long hair, {clothes}, {location}, {action}

这样可以避免不同批次出图风格漂移，也让没有经验的使用者能直接上手。

7.3 注意隐私与合规边界

本地部署的一个优势就是不需要把人物照片上传到第三方服务器。但要注意，角色参考图本质上是真实人物的肖像数据。在做测试和分享时，建议使用 AI 生成的基础图或已获授权的模特图，不要上传未经许可的他人照片。生成内容也应遵守平台规范，不制作违反公序良俗的图片。

7.4 定期备份和版本记录

工作流 json 本身很小，建议按日期归档到 Git 仓库或网盘。模型文件一般体积较大，不需要每天备份，但应把下载地址、模型文件哈希值记录在文本文档中。当模型更新或重新拉取时，可以方便追溯版本。

7.5 出图质量管理

批量出图时不要只看缩略图。建议对每一批结果做局部放大检查，重点关注眼睛、手指、发丝。人的视觉对脸部细节非常敏感，一旦五官出现畸变，整套写真的质感都会崩塌。可以考虑在流程最后加一个“质量检查”环节，人工筛选后再进入修图软件。

8. 总结与后续学习方向

从整体来看，Krea2 套系写真工作流并不是一个神秘的“一键式黑盒”，而是一套由模型、参考模块、提示词、采样参数和放大策略共同组成的图像生产管线。掌握它的关键在于理解每个节点的职责，而不是机械地复制 json。角色参考模块让“同一张脸”出现在不同场景成为可能；白玉模型为画风提供了良好的唯美质感基础；而整套工作流的价值，则在于把这些能力有序地组织在一起。

接下来你可以继续深入的方向包括：

• 尝试不同的角色参考实现方式，对比 InstantID、IPAdapter 和 ReActor 的优缺点。
• 引入 ControlNet 的姿态控制，让写真图的人物姿势不再依赖提示词随机。
• 学习 LCM 或 Turbo 加速采样，在牺牲少量画质的情况下大幅度提升出图速度。
• 用 API 方式调用 ComfyUI，把本地工作流封装成可批量调用的服务。

写真生成是一个很吃“细节调优”的领域，没有一套参数能适用于所有模型和参考图。建议你以本文的工作流骨架为基础，用自己常用的模型和参考图反复测试，记录每次调整对结果的影响，逐步形成一套属于自己的出图配方。