企业官网建设流程全解析

最近在挑选 ComfyUI 工作流的时候，我发现套系写真类的工作流热度一直很高。原因很简单：普通爱好者想要一张好看的写真图并不难，但想要同一个角色、同一套服装、统一风格地生成一组图，难度立刻上了一个台阶。网上很多工作流要么角色一致性靠运气，要么需要堆一堆 ControlNet 节点，配置复杂，普通用户很难一次跑通。

这篇教程要讲的是基于 Krea2 节点封装的一套套系写真工作流，配合白玉模型来实现角色参考和唯美风格。我会从基础概念拆起，然后带大家把工作流完整搭出来，包括节点连接、关键参数解释、LoRA 和参考图的作用，最后给出常见报错排查和工程化建议。不管你是刚接触 ComfyUI 的新手，还是已经玩了一段时间但经常在“角色一致性”上翻车的进阶玩家，这篇文章都能给你一套能实际落地的方案。

1. 先说清楚这套工作流里的几个概念

在搭建工作流之前，有几个名词必须分清。因为它们涉及完全不同的下载资源、目录位置和加载方式，很多新手把工作流拖进 ComfyUI 后出现红色节点警告，往往就是这几个概念没分清楚导致的。

1.1 ComfyUI 是什么

ComfyUI 是一款基于节点图（Node Graph）的 Stable Diffusion GUI 工具。它和 WebUI 最大的差别在于，ComfyUI 把每个处理步骤都拆成了一个节点，用户通过连线来定义数据流动方向。这样做的好处是自由度极高，坏处是新手面对一张空白画布时容易不知所措。

在 ComfyUI 里，一个最简单的文生图流程至少要包含 4 类节点：

• 加载模型节点，例如 Load Checkpoint。
• 正向提示词节点 CLIP Text Encode（Positive）。
• 采样器 KSampler。
• 解码保存节点 VAEDecode、Save Image。

套系写真工作流本质上就是把上面这套基础流程进行“横向扩展”，额外加入角色参考、风格模型、精细重绘等分支。

1.2 Krea2 是什么

Krea2 在 ComfyUI 生态里通常指一套辅助人物写真生成的节点集合。它的核心作用是把“图像预处理、人物抠图、参考特征融合、生成结果增强”等常见写真需求封装成独立节点，让创作者不需要手动接线很多个 ControlNet 和遮罩节点。

需要注意的是，Krea2 并不是一个单独的底模，而是一类辅助增强层的集合。它更像是一套“业务封装工具”，通常包含类似 Krea2 Image Analyze、Krea2 Detail Enhancer 这类功能节点。实际使用时，还是要配合底座大模型、LoRA 和参考图来完成出图。

如果在网上下载到包含 Krea2 节点的工作流，本地 ComfyUI 没有安装对应插件，画布上会显示节点缺失。这时需要到 ComfyUI Manager 中搜索安装，而不是直接运行。

1.3 白玉模型是什么

白玉模型是一类专门针对亚洲人像、古风/唯美写真实战调校过的模型。它通常以 SD 1.5 底模或者基于该底模的训练模型形式分发，特点是人物皮肤质感细腻、面部光影柔和、发丝细节保留较好，比较适合古装写真、日常写真、婚纱风格等场景。

需要提醒大家的是，市面上叫“白玉模型”的文件不止一个版本，有的可能是完整 Checkpoint，有的可能是 LoRA。下载后先看文件后缀和存放位置：

• 完整模型 .safetensors 放到ComfyUI/models/checkpoints/。
• LoRA 文件放到ComfyUI/models/loras/。
• VAE 文件放到ComfyUI/models/vae/。

如果文件放错目录，即使工作流本身没有问题，也可能出现加载时报错或出图效果完全不对的情况。

1.4 角色参考是什么意思

角色参考在写真工作流里的核心目标是“保持同一张脸、同一套服装风格”。实际落地时通常有几种做法：

• Reference Image 直接喂给 IPAdapter 或 InstantID，作为角色特征参考。
• 先用 ControlNet OpenPose 约束姿态，再用 IPAdapter 约束面部特征。
• 通过大模型提示词里固定服装、发型、配饰描述 + LoRA 强化风格。

这套工作流里使用的角色参考，主要思路是把参考图先经过图像预处理，提取出人物面部和服装特征，然后通过 Krea2 节点输出可复用的特征条件，再送入采样器参与生成。

2. 环境准备与版本说明

这一节非常重要。我见过很多用户下载工作流后，明明节点颜色正常，模型路径也对，但生成出来的图糊成一团，最后发现是运行环境不匹配。所以不管你现在跑得通还是跑不通，都建议按下面的思路重新梳理一遍本地环境。

2.1 硬件与系统要求

ComfyUI 本身对硬件没有硬性门槛，但如果你要跑完整版写真工作流，建议满足以下条件：

注意，显存非常重要。Krea2 节点在预处理参考图时会临时占用额外显存，如果显存低于 6GB，建议先生成低分辨率，再通过后期高清修复放大，否则很容易爆显存。

2.2 ComfyUI 安装方式

ComfyUI 官方支持便携版和 Git 源码版。国内用户使用最多的还是秋叶一键整合包，它内置了 Python 环境、ComfyUI 主程序、常用自定义节点和模型管理工具，对新手非常友好。

# 官方 Git 方式（任选） git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt python main.py

如果是整合包，解压后双击启动ComfyUI.bat即可。首次启动会自动检查依赖，然后打开浏览器访问http://127.0.0.1:8188。

启动出现黑色窗口且没有报错，说明服务正常。之后所有工作流操作都在浏览器页面里完成。

2.3 自定义节点安装

这套套系写真工作流依赖两个自定义节点：

• ComfyUI Manager
• Krea2 相关节点包

通过 Manager 安装的参考命令：

cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git cd ComfyUI-Manager pip install -r requirements.txt

安装完成后重启 ComfyUI，界面右侧会出现 Manager 按钮。以后看到画布上有红色节点，可以直接点击右下角“Install Missing Custom Nodes”进行补装。

2.4 模型与文件准备

在实际跑工作流之前，至少需要准备好以下文件：

如果你是从网盘下载“白玉模型套系写真工作流”，网盘里一般会附带一个models文件夹和一个workflow.json文件。正确做法是把models文件夹里的内容分别合并到本地 ComfyUI 的对应目录，再用 ComfyUI 菜单里的Load功能导入workflow.json。

3. 套系写真工作流的完整节点链路

这一部分我们进入核心。我不只是给你一张工作流截图，而是把整条链路拆开讲清楚。你理解了节点逻辑之后，遇到工作流报错就能自己定位是哪一段出了问题，也可以在不破坏整体效果的前提下替换节点。

3.1 整体工作流架构

套系写真工作流一般分为五个阶段：

加载底模 → 文本与图像条件编码 → Krea2角色参考处理 → 采样生成 → 解码输出与放大

整个链路用文字描述会比较抽象，我用结构化列表说明每个阶段承担的任务：

1. 加载阶段：Load Checkpoint 加载白玉模型底模与内置 VAE。
2. 条件阶段：正向、反向提示词分别通过 CLIP Text Encode 编码。
3. 参考阶段：Load Image 读取角色参考图，送入 Krea2 预处理节点，输出特征条件。
4. 生成阶段：KSampler 根据组合条件进行采样。
5. 输出阶段：VAEDecode 解码图像，通过 Save Image 保存，必要时接入放大节点。

3.2 采样器参数分析

KSampler 是整个工作流中出图质量的关键。先看常见的参数配置：

{ "seed": 123456, "control_after_generate": "randomize", "steps": 28, "cfg": 7.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 1.0 }

参数含义：

• seed：随机种子，相同种子在相同条件下能复现同一张图。
• steps：采样步数，写真类建议 25～30，太低细节不足，太高性能浪费。
• cfg：提示词引导强度，建议 6～8，白玉模型本身风格较强，cfg 太大会导致颜色过饱和。
• sampler_name：采样器名称，dpmpp_2m 是通用性较好的选择。
• scheduler：调度器，karras 能让采样步长分布更合理，画面层次更分明。
• denoise：重绘幅度，图生图时常用。如果你用的是文生图主流程，保持 1.0。

3.3 提示词组织策略

很多用户以为写真效果不好是模型问题，实际上提示词组织不合理占很大比例。套系写真和普通文生图不一样，普通图你只需要描述画面内容，但写真需要同时控制人物、服装、光线、场景、镜头语言这五类信息。

正向提示词建议按以下顺序组织：

(masterpiece, best quality:1.2), 1girl, solo, photorealistic, white dress, long black hair, soft smile, upper body, looking at viewer, soft light, depth of field, delicate skin texture, clean background, pastel tones

反向提示词建议固定写：

worst quality, low quality, bad anatomy, bad hands, extra fingers, missing fingers, deformed face, blurry, jpeg artifacts, watermark, text, logo, oversaturated, saturated colors, plastic skin

这里强调一下，反向提示词里的bad anatomy和bad hands非常关键。人物写真最容易被看出问题的地方就是手部结构和面部比例，提前在反向提示词里屏蔽能减少大量废片。

4. 手把手搭建 Krea2 套系写真工作流

现在进入实战环节。我假设你本地已经装好 ComfyUI，并且下载了白玉模型和 Krea2 节点包。接下来从画布上的空白处开始搭建。

4.1 新建工作流并加载底模

打开 ComfyUI 后，点击菜单栏的Workflow，选择New，创建一个空白工作流。

在空白画布上双击鼠标，弹出节点搜索窗口，输入Checkpoint，找到Load Checkpoint节点并点击创建。

在节点位置处，把 Checkpoint 下拉菜单切换到白玉模型：

Load Checkpoint ckpt_name: 白玉模型_v1.0.safetensors

Loaded checkpoint 输出端有三个接口：

• MODEL：用于采样阶段。
• CLIP：用于文本编码阶段。
• VAE：用于解码阶段。

4.2 搭建提示词节点

继续双击画布，搜索CLIP Text Encode，创建两个节点，分别命名为：

• Positive Prompt
• Negative Prompt

将Load Checkpoint的 CLIP 输出端分别连接到两个提示词节点的 CLIP 输入端。将上一节写的正向与反向提示词文本复制到对应文本框。

然后搜索CLIP Text Encode的公共输出目标Conditioning，我们下一步会用到。

4.3 加载角色参考图

双击画布，搜索Load Image，创建图像加载节点。点击节点上的choose file to upload，上传一张你准备好的角色参考图。

这张参考图的选择有讲究：

• 面部清晰，眼部不发生遮挡。
• 光线均匀，不要一半亮一半暗。
• 服装就是你想生成的服装风格，或者至少风格接近。

如果要实现“换衣但保持脸部一致”，需要把参考图处理成面部特写，而不是全身图。全身图参考脸部和半身图的参考效果完全不同。

4.4 接入 Krea2 角色参考处理

接下来是所有节点中最重要的部分。双击搜索Krea2，找到角色参考相关节点。不同版本的 Krea2 节点名称可能略有差异，但功能类似。

创建 Krea2 节点后，将Load Image的图像输出端连接到 Krea2 的图像输入端。Krea2 会先对输入图像进行分析，提取面部特征、姿态信息和服装纹理特征，最终输出一个或多个特征条件向量。

如果节点有mode或weight之类的参数，可以这样设置：

mode: character_reference weight: 0.8

weight 控制参考特征对生成结果的引导强度。过高会导致生成结果和参考图几乎一样，缺少多样性；过低则角色特征容易丢失。建议先以 0.8 起步，生成后根据效果微调。

4.5 连接采样器与解码输出

双击搜索KSampler，创建采样器节点。按下面方式接线：

1. Load Checkpoint的 MODEL → KSampler 的 model。
2. 正向提示词的 CONDITIONING → KSampler 的 positive。
3. 反向提示词的 CONDITIONING → KSampler 的 negative。
4. Krea2 输出的参考条件，如果有image或conditioning端口，根据工作流设计接入采样器对应端口或通过合并节点融合。

再搜索VAEDecode和Save Image，将 KSampler 的LATENT输出接至 VAEDecode 的 samples 输入，VAEDecode 的 VAE 输入来自 Load Checkpoint 的 VAE 输出，解码后的 IMAGE 接到 Save Image 的 images 输入。

接线整体链路如下：

Load Checkpoint → CLIP Text Encode → KSampler → VAEDecode → Save Image → Load Image → Krea2 ──────────→ KSampler

4.6 运行与验证

点击右侧面板的Queue Prompt按钮，或使用快捷键 Ctrl + Enter，开始生成。

第一次运行可能需要下载一些额外模型文件，耐心等待。如果一切正常，你会看到 Save Image 节点下方出现一张写真图。

生成完成后，重点检查几个部分：

• 面部是否与参考图高度相似。
• 手部结构是否自然。
• 皮肤质感是否细腻，有无塑料感。
• 服装纹理是否清晰。

如果效果不满意，优先调整 Krea2 节点的 weight，而不是去整体换模型。换模型牵一发动全身，容易引入新的风格偏移。

5. 角色参考一致性专项优化

很多用户卡在“角色参考不生效”这一步。Krea2 节点已经接线正确，但生成结果的脸和参考图完全不像。这个问题的本质是特征引导强度不够，或参考图本身质量不佳。

5.1 多种角色参考方案对比

我在实际测试中总结过几种角色参考组合方案，表现形式差别很大。

如果是静态套系写真，建议优先尝试 Krea2 + LoRA。如果是同一张脸、多个动作，则使用 Krea2 + IPAdapter 组合。

5.2 用 LoRA 锁定服装与风格

如果你需要同一套服装、同一风格生成多张不同姿态的图，单靠参考图还不够稳定，因为参考图会限制姿态多样性。更稳妥的做法是训练一个轻量级 LoRA。

LoRA 文件放置到models/loras后，在工作流中创建Load LoRA节点，连接方式为：

1. Load Checkpoint 的 MODEL → Load LoRA 的 model。
2. Load Checkpoint 的 CLIP → Load LoRA 的 clip。
3. Load LoRA 的输出 MODEL → KSampler 的 model。
4. Load LoRA 的输出 CLIP → 提示词节点的 clip。

LoRA 提示词写法：

<lora:cloth_style_v1:0.7>

0.7 表示 LoRA 权重，建议从 0.6～0.8 开始调，过高会产生过拟合效果，细节纹理丢失。

5.3 提示词与参考条件的权重平衡

角色参考和提示词的权重平衡是写真工作流调试的核心。参考图决定“这个人”，提示词决定“穿什么、在什么环境、用什么镜头拍”。两者不能被一方完全压制。

我的建议是：

• 脸部参考权重保持 0.8。
• 服装描述放在正面提示词中前 10 个 token 内。
• 场景描述不要太多，默认让模型根据服装风格补全。

如果生成结果中人物姿势僵硬，可以降低 Krea2 姿态参考的权重，只保留面部特征参考。Krea2 节点如果支持分离输出姿态与面部，建议分别控制。

6. 常见问题与排查思路

工作流搭建过程中，我遇到最多的问题集中在缺失节点、模型加载失败、显存溢出、出图崩脸这四个方向。下面逐一说明排查思路。

6.1 节点库缺失

这类问题的通用解决思路是：

1. 点击红色节点，查看报错信息中的关键字。
2. 到 ComfyUI Manager 中点Install Missing Custom Nodes。
3. 安装后必须重启 ComfyUI，部分节点还需要到 Settings 中刷新节点列表。

6.2 模型加载卡住或报错

模型文件较大，加载速度慢是正常现象。但如果卡在某个百分比超过 5 分钟，需要检查：

• 模型文件是否完整下载，网盘下载容易断点损坏。
• 文件是否放入了正确的 checkpoints / loras 目录。
• 是否缺少 VAE 文件。

一个常见的隐蔽错误是，网盘中附带的白玉模型文件名包含特殊字符或空格，导致 ComfyUI 在解析路径时报错。建议把文件名改为baiyu_v1.safetensors这种简洁格式。

6.3 显存不足

RuntimeError: CUDA out of memory.

出现这个报错，优先降低分辨率。将 KSampler 生成尺寸从 1024x1024 改为 768x768，先把流程跑通，再考验画质。

也可以使用--lowvram模式启动 ComfyUI：

python main.py --lowvram

这个模式会降低显存占用，但会牺牲部分速度。

6.4 出图崩脸

出图崩脸主要和采样器参数与 LoRA 强度有关。排查顺序：

1. 先看反向提示词是否包含bad hands, bad anatomy。
2. 将 Krea2 面部参考权重从 0.8 降至 0.6。
3. 将 LoRA 权重从 0.7 降至 0.5。
4. 增加采样步数到 30，cfg 降至 6.5。

如果是连续多次崩脸，建议换一张更清晰的参考图。模糊参考图会导致模型无法准确提取面部特征，这时调参效果有限。

6.5 每次生成结果差异过大

角色一致性不稳定，常见原因是参考图面部占比太小。Krea2 提取面部特征时，如果参考图里脸部只占图片面积的 10%，面部信息量不足，出来的脸就不稳定。

解决方法是先在 PS 或任意裁剪工具中，把参考图裁剪为“肩部以上”构图，再重新加载。

7. 最佳实践与工程化建议

工作流跑通只是第一步，真正让它稳定地用于写真套系生产，还需要注意下面这些工程细节。

7.1 目录与文件规范

建议为不同项目创建独立目录，例如：

D:/ComfyUI/models/checkpoints/ D:/ComfyUI/models/loras/ D:/ComfyUI/models/krea2_ref/ D:/ComfyUI/output/my_studio/baiyu_wedding/

把工作流 JSON、参考图、生成结果按项目归档，后续复现时不需要重新找素材。

7.2 固定种子，先测风格再量产

找风格阶段不要固定种子，每次生成随机种子，有利于探索不同构图。

确定风格后，把 seed 固定下来，后续仅微调提示词。这样能保证拍摄套系时背景、色调基本一致，只是人物动作或服装细节有变化。

7.3 批量生成与筛选

批量生成时，建议把control_after_generate设置为randomize，一次生成 4～6 张再筛选。不要一张一张手动调。批量筛选时可以按以下标准打分：

• 面部相似度是否达到 85% 以上。
• 手部是否有结构错误。
• 服装纹理是否清晰。
• 整体色调是否符合“唯美写真”定位。

筛选后如果整体质量不理想，优先调整 Krea2 weight 和正向提示词的前几个 token，不必整套重新生成。

7.4 高清放大与细节增强

KSampler 直接出 1024 分辨率时，皮肤纹理还能看，但无法用于打印或壁纸级别输出。建议追加高清放大节点：

1. 通过Upscale Image将图片放大至 2 倍。
2. 通过KSampler二次采样，denoise 设为 0.4～0.5。
3. VAE Decode 后保存。

二次采样时正向提示词保持不变，但可以加入detailed skin texture, realistic pores增强肤质细节。

7.5 安全与合规提醒

生成人物写真时，请确保你拥有参考图中人物的合法授权。不要对他人照片进行未经许可的“换脸”或“写真生成”，也不要将生成结果用于虚假宣传、诈骗等场景。技术上建议在本地运行，避免把人物图片上传至不明第三方服务。企业在批量生产时，应建立合规审核流程，保存完整的授权记录。

8. 学习路线与进阶方向

到这里，你已经能够搭建一套基于 Krea2 + 白玉模型 + 角色参考的套系写真工作流。接下来可以按下面路线继续往下走。

8.1 掌握图生图与局部重绘

套系写真经常会遇到“生成图服装满意但动作不对”的情况。学会局部重绘后，可以用遮罩锁定服装区域，只对背景或动作进行重绘，效率会提升很多。

8.2 学习 ControlNet 姿态控制

角色参考解决“脸像谁”的问题，ControlNet OpenPose 解决“动作是什么”的问题。把 Krea2 与 OpenPose 结合，就能做到用一个人物的照片，摆出多个指定姿势，这是套系写真商业化的核心能力。

8.3 训练自己的 LoRA

如果你需要在固定服装、固定人物、固定场景风格下大批量生产，自己训练 LoRA 是绕不开的路径。不建议用在线训练平台直接替换，可以先用本地 WebUI 自带的 LoRA 训练脚本，收集 15～20 张干净素材做一次小规模训练实验，感受数据配置、学习率和迭代步数对效果的影响。

8.4 搭建批量自动化任务

当工作流稳定后，可以通过 ComfyUI 的 API 模式批量调用。把 workflow.json 转换成 API 格式后，可以配合 Python 脚本批量提交任务，并根据返回结果自动保存。这样就不再需要人工一张张点 Queue Prompt 了。

可以用一个很简单的 Python 思路来实现批量提交：先读 JSON 模板，替换其中的 seed、提示词、参考图路径，再通过 API 提交。注意控制并发数量，防止显存不足。这种方式尤其适合时间有限、需要大量出图的场景。

9. 写在最后

Krea2 套系写真工作流的核心价值不在于某个单点技术，而在于它把“角色参考、风格控制、批量产出”串成了一条完整链路。当你把这些节点背后的原理一个一个弄明白，ComfyUI 就不再是“别人发的神秘 JSON”，而是一套你可以自由改造的工具箱。

最后给一个非常实际的建议：如果你下载到的工作流跑出来效果跟别人的示例图差距很大，不要急着删，先看一下底模、LoRA、参考图三个变量是不是完全一致。90% 的“复现失败”都出在这三个地方。

如果本文对你有帮助，可以收藏备用。后续我也会继续分享 Krea2 工作流在不同风格场景下的调参笔记，欢迎在实践中多交流。