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部分作用启用的模块Krea2工作流主体规定 出图节奏、节点连接方式、放大策略整套 json 流程白玉模型负责画风与审美影响“唯美”的质感Checkpoint、LoRA角色参考保证脸型、五官、气质在不同场景下保持一致InstantID / IPAdapter / ReActor 等参考节点“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( modelunet, image_embeddingembedding, weight0.8, start_at0.0, end_at1.0 )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。steps18 到 30 之间。cfg7 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开启面部修复face restore使用 codeformer 或 gfpgan 修复五官边缘。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加载模型和白玉 LoRA。读取角色参考图并提取特征。提示词控制 采样生成。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问题现象常见原因解决思路节点红色、json 加载后显示一堆缺失节点缺少自定义节点插件用 ComfyUI Manager 搜索并安装缺失节点执行时报错 ModuleNotFoundErrorPython 环境缺少依赖包在 ComfyUI 的 Python 环境中执行 pip install报错信息指向 CUDA 或 out of memory显存不足或驱动异常降低批量大小、关闭放大重绘、检查驱动版本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权重设置过低。参考图不清晰或人脸占比太小。使用了多人之类的复杂参考图节点提取到错误目标。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 light6.4 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 --lowvram7. 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。
