2026/9/1 13:22:01
FEATURED · 精选文章 
如果你是一名设计师、开发者或者正在尝试用 AI 做内容创作的运营同学最近一定感受到了一个明显的变化AI 生图、AI 设计已经不再是“玩个新鲜”的阶段而是真正进入了工作流时代。但很多人卡在了第一步——用什么工具要不要付费跑在云端还是本地数据会不会被拿去训练真正动手做设计时一个需求往往不是“点一下生成就好”而是需要模型选择、提示词设计、局部修复、批量变化、风格统一这一整套流程。把这些环节串起来就是 AI 工作流。今天这篇文章我想分享一套我搭建并持续使用的“究极 AI 设计工作流”。它的核心特点有三个免费、本地运行、全流程可落地。我会从工具选型、环境配置、核心流程拆解、实际代码示例到常见问题排查把这一整套东西完整讲清楚。你可以把它当成一份完整教程也可以当成一份选型和避坑指南。即使你目前还不想完全本地化文中关于工作流设计、工具链组合和工程化实践的思路也值得参考。先说结论本地 AI 设计工作流最大的价值不只是省钱而是把“生成”变成“生产”把一次性的随机创意变成可复用、可控制、可交付的设计能力。1. 这篇文章真正要解决的问题很多人在接触 AI 设计时都会经历下面三个阶段中的某一个尝鲜阶段在网页上输入几个词点生成看到一张四宫格的图觉得“很神奇但不实用”。频繁切换阶段用多个在线工具搭配使用生图在 A 平台放大在 B 平台修细节在 C 平台遇到网络波动、额度耗尽、输出带水印、风格不稳定整个流程就断掉。生产落地阶段希望把 AI 真正融入设计流程能批量生成、风格统一、可局部修改、可输出高清成品并且不需要担心调用成本和数据安全。第三个阶段是大家真正需要的也是当前技术条件下大多数人还没迈过去的一道坎。我选择的解决方案是在本地搭建一套以 ComfyUI 为核心节点的 AI 设计工作流。用本地方式运行、用免费开源模型生成、用流程图方式串联设计环节最终形成一套可以反复使用、按需调整、完全可控的设计流水线。这篇文章适合以下读者想用 AI 做设计但不想按张付费的设计师。已在使用各类在线 AI 工具但对成本、数据安全、可控性有顾虑的技术人员。想在本地跑通 AI 设计流程但不知道如何选择的开发者。对 ComfyUI 有兴趣但被误解和碎片化教程劝退的新手。读完这篇文章你将能完成环境准备、ComfyUI 安装、模型选择、工作流设计、代码化运行、批量生成与问题排查。更重要的是你会理解每一个环节为什么这样设计以及它解决的真实问题是什么。2. ComfyUI 的核心概念与适用场景2.1 为什么选择 ComfyUI在本地 AI 设计工具中目前最有代表性的两个方案是 Stable Diffusion WebUI 和 ComfyUI。Stable Diffusion WebUI 的优点是上手直观界面像软件一样点几个按钮就能生成图片缺点是流程不透明复杂的控制逻辑需要安装大量扩展流程本身很难被精细调整。ComfyUI 则把“生成图片”这件事拆成一张流程图。模型加载是一个节点提示词输入是一个节点采样是一个节点输出是一个节点。你可以像搭积木一样连接这些节点形成一条完整的“生产流水线”。这两者的差异用一句话总结WebUI 适合快速体验ComfyUI 适合工作流化和批量生产。如果你想构建一套长期复用的 AI 设计工作流ComfyUI 几乎是目前本地方案里的最佳选择。2.2 ComfyUI 的核心优势这里必须展开讲一下 ComfyUI 的几个关键特性因为它们直接决定了这套工作流能“究极”到什么程度流程可视化每个功能模块是图上的一个节点节点之间的关系用连线表示。设计工作流时你可以直观看到数据从加载模型到出图的完整路径逻辑清晰排错也方便。低显存占用ComfyUI 针对本地运行做了大量优化只在需要时加载模型支持半精度推理能显著降低显存占用。在低配置机器上也能运行小尺寸模型的生成任务。高度可复用一个设计好的工作流可以导出为 JSON 文件分享或复用到其他项目。别人搭好的一套电商设计流程你导入后就能直接使用。支持复杂控制局部重绘、ControlNet 姿态控制、LoRA 风格微调、多模型融合等进阶需求在 ComfyUI 里都可以作为图上的节点自由组合。开发友好ComfyUI 提供 API 模式可以用 Python 代码直接调用工作流实现批量生成、服务化部署。2.3 适用场景与不适用场景从实际项目看这套工作流最擅长的场景包括电商主图批量生成统一产品拍摄图的背景风格。游戏和动漫风格的概念设计通过 LoRA 微调保持角色一致性。新媒体配图的批量生产一次生成多张风格统一、尺寸多样的图片。产品原型的视觉稿生成在方案阶段快速给用户多种风格选项。PDF、PPT 和文档素材的视觉配图。不太适合的场景需要精细控制文字排版的平面设计AI 生成的文字仍不稳定。需要绝对还原产品细节的商业摄影AI 生成会有偏差。对实时性要求极高的在线编辑场景本地生成速度暂时无法与云端 GPU 集群相比。完全不懂技术、也不愿意折腾环境的人本地工作流的前期配置有一定门槛。3. 本地设计工作流的环境准备与前置条件一套完整的本地 AI 设计工作流不只是装一个 ComfyUI 那么简单。它需要配合模型文件、辅助工具、Python 环境和依赖包共同工作。3.1 硬件要求下表给出的是 ComfyUI 本地运行的硬件参考具体效果会因模型尺寸和出图分辨率而不同硬件项最低要求推荐配置说明显卡NVIDIA GTX 1060 6GNVIDIA RTX 3060 12G 或更高显存大小直接影响模型选择和最大分辨率内存16 GB32 GB加载大模型和批量出图时内存占用明显硬盘10 GB 可用空间40 GB 以上 SSDStable Diffusion 模型文件普遍在 2G 到 7G 之间操作系统Windows 10 64 位Windows 11 / Ubuntu 20.04推荐 NVIDIA 显卡配合官方驱动需要特别提醒如果你的显卡是 AMD 或 Intel 核显也能运行但需要额外配置不同版本的 PyTorch难度会大不少。第一次搭建工作流尽量使用 NVIDIA 显卡可以省掉很多环境兼容问题。3.2 软件环境从实际经验看ComfyUI 的安装方式有两种比较推荐一是使用一键整合包适合新手快速体验。整合包一般预装了 Python 依赖、基础模型和常用自定义节点解压即可使用。二是手动安装适合需要深度定制、希望完全掌握每个环节的开发者。手动安装虽然前期麻烦一些但对后续扩展和排错更有帮助。这里主要讲手动安装方式。你需要准备Git 命令行工具。Python 3.10 或 3.11 版本。NVIDIA 显卡驱动通过 NVIDIA 官网或系统更新安装。科学合理的网络环境这里指的是正常的网络访问条件国内网络访问 HuggingFace 等源站时可能需要配置国内镜像源。安全提醒安装 Python 时请从官方渠道python.org下载不要使用来路不明的激活版、绿色版集成环境避免引入恶意代码和自带后门的组件。3.3 依赖说明ComfyUI 依赖的核心库是 PyTorch。安装 PyTorch 时一定要根据你的 CUDA 版本选择对应的安装命令。这一点是新手最容易踩坑的地方——如果 PyTorch 装成了 CPU 版本后续所有生成操作都会慢到无法接受。在终端执行nvidia-smi命令可以查看本机的 CUDA 版本。nvidia-smi输出中 “CUDA Version” 一行的数字就是当前驱动支持的 CUDA 版本。比如显示 12.1那就安装支持 CUDA 12.1 的 PyTorch 版本。4. ComfyUI 安装与模型准备4.1 安装 ComfyUI这里采用手动安装方式便于后续控制每个环节。打开终端按以下步骤执行# 克隆 ComfyUI 仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境推荐使用 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 PyTorch根据本机 CUDA 版本调整命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装 ComfyUI 依赖 pip install -r requirements.txt安装完成后启动 ComfyUIpython main.py启动成功后终端会显示访问地址默认是http://127.0.0.1:8188。用浏览器打开就能看到 ComfyUI 的节点编辑器界面。4.2 下载放置模型ComfyUI 本身不包含任何生成模型需要单独下载。模型文件放置位置有固定规则模型类型目录位置主模型CheckpointComfyUI/models/checkpoints/LoRA 风格模型ComfyUI/models/loras/VAE 模型ComfyUI/models/vae/ControlNet 插件模型ComfyUI/models/controlnet/文本编码器ComfyUI/models/text_encoders/主模型建议从官方渠道下载。以当前社区最常用的 Stable Diffusion 系列为例可以在 HuggingFace 上搜索对应模型仓库例如stabilityai/stable-diffusion-xl-base-1.0。同时也建议考虑下载社区精调的写实模型或动漫模型它们在某些风格任务上表现更好。需要注意的是不同模型要求的提示词语法和采样器参数不同。下载模型后先阅读模型主页的说明再配置工作流。# 示例使用 huggingface_hub 下载模型到指定目录 pip install huggingface_hub python -c from huggingface_hub import hf_hub_download hf_hub_download( repo_idstabilityai/stable-diffusion-xl-base-1.0, filenamesd_xl_base_1.0.safetensors, local_dirComfyUI/models/checkpoints/ ) 国内网络访问 HuggingFace 不稳定时可以使用国内镜像源export HF_ENDPOINThttps://hf-mirror.com4.3 下载工作流文件ComfyUI 社区已经有大量现成的工作流可以先用别人的工作流熟悉结构再动手搭建自己的。一个简单的方法是直接访问 GitHub 搜索 “ComfyUI workflow” 或到相关社区论坛查找“工作流分享”资源。拿到 JSON 工作流文件后在 ComfyUI 界面中点击 “Load” 按钮导入即可。如果工作流使用了自定义节点导入时会提示缺少某些自定义节点需要根据报错信息在 ComfyUI 的custom_nodes目录下安装对应扩展。5. 核心工作流设计详解有了环境和基础工具后接下来是这篇文章最有价值的部分——设计一套真正可以用于项目的 AI 设计工作流。5.1 工作流整体架构从“输入需求”到“输出成品”完整的工作流可以拆成六个环节模型加载与评估。正向提示词与负向提示词输入。采样参数配置。高分辨率修复。局部重绘与精细修整。图片解码与输出。在 ComfyUI 中这六个环节分别对应一组节点。下面是一个最小可用的生成工作流各节点说明节点模块作用实际工作内容CheckpointLoader加载主模型选择基础模型文件加载 UNet、CLIP、VAE 三部分CLIPTextEncode编码文本提示词分别编码正向提示词和负向提示词KSampler采样生成使用特定采样器执行去噪生成潜空间图像VAEDecode解码将潜空间图像转换为可视图片SaveImage保存将图片输出到ComfyUI/output/目录5.2 负面提示词与参数选择新手最容易忽略的是“负向提示词”的威力。它告诉模型“不要”生成什么。负向提示词写得好能直接避免低质量图片的出现。一个常用且有效的负向提示词模板lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry在实际项目中这句话能减少画面中出现多余手指或文字的概率。生成单人或半身像时尤其有用。采样参数方面不同的 checkpoint 模型有不同偏好。以 SDXL 系列为例常用的参数组合是steps20 到 30cfg4 到 7采样器dpmpp_2m调度器karras。如果你使用的是某个社区模型最好去模型页面确认作者推荐的参数而不是直接套用。5.3 高分辨率修复第一步生成的图片分辨率往往不够用。以 SDXL 为例默认生成分辨率常见为 1024x1024但在实际电商图和海报场景中这还不够。Resize 或放大节点不能简单等同于“放大模糊”。更常用的是潜空间放大和放大模型结合的方式先以较小分辨率生成构图再通过高清修复节点放大到目标尺寸。ComfyUI 的UpscaleModelLoader节点配合 ESRGAN 类放大模型可以得到边缘更清晰的放大效果。6. 用 API 模式跑通整个工作流如果你只是想在界面上点点鼠标前一节的足够用了。但对于真正的开发者和进阶用户ComfyUI 的亮点在于可以通过 API 模式实现全流程自动化。6.1 开启 API 模式启动 ComfyUI 时使用以下命令python main.py --listen 0.0.0.0 --port 8188然后在浏览器中打开http://127.0.0.1:8188。在 ComfyUI 界面中将工作流导出为 API 格式保存时选择Save (API Format)得到一个 JSON 文件。在调用 API 前官方提供了一种简单方式生成请求体在界面右侧点击“启用 Dev mode Options”然后点击“Save (API Format)”保存工作流这个 JSON 可以直接作为请求体使用。6.2 Python 调用 ComfyUI API下面是一个最小示例通过 Python 请求 ComfyUI API 执行一个工作流import json import random import urllib.request from pathlib import Path # 从本地 API 格式工作流文件读取节点图 workflow_path Path(your_workflow_api.json) with open(workflow_path, r, encodingutf-8) as f: workflow json.load(f) # 工作流中提示词节点 ID 需要根据实际文件修改 prompt_node_id 6 workflow[prompt_node_id][inputs][text] a beautiful landscape, sunlight, mountains, river, high quality # 提交任务 req urllib.request.Request( http://127.0.0.1:8188/prompt, datajson.dumps({prompt: workflow}).encode(utf-8), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req, timeout30) as resp: result json.loads(resp.read().decode(utf-8)) print(任务 ID:, result.get(prompt_id))请求返回的prompt_id可用于查询执行状态。ComfyUI 会异步执行工作流执行完成后图片保存到output目录。6.3 批量生成与目录管理API 模式最大的价值在于批量生成。你可以在 Python 脚本中循环调用接口并为每次生成分配不同的提示词种子和参数import json import time import urllib.request from pathlib import Path workflow_path Path(your_workflow_api.json) def run_workflow(workflow: dict, timeout: int 60) - str: req urllib.request.Request( http://127.0.0.1:8188/prompt, datajson.dumps({prompt: workflow}).encode(utf-8), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req, timeouttimeout) as resp: result json.loads(resp.read().decode(utf-8)) return result.get(prompt_id, ) def load_workflow() - dict: with open(workflow_path, r, encodingutf-8) as f: return json.load(f) # 生成 10 张不同风格的图片 for i in range(10): workflow load_workflow() prompt_node_id 6 workflow[prompt_node_id][inputs][text] fportrait, studio lighting, style variation {i}, high quality prompt_id run_workflow(workflow) print(f第 {i1} 次提交成功任务 ID: {prompt_id}) time.sleep(3)这里的style variation是提示词里的占位内容实际项目中建议使用更明确的风格词比如cyberpunk style、watercolor style等。注意上面的示例只是演示批量调用 API 的方式每次提交的提示词需要有实际语义差异才能得到不同风格图片。6.4 查询任务执行状态可以编写一个简单函数查询任务是否完成def wait_for_completion(prompt_id: str, interval: int 2, max_wait: int 120) - bool: 等待 ComfyUI 任务执行完成 history_url fhttp://127.0.0.1:8188/history/{prompt_id} waited 0 while waited max_wait: try: with urllib.request.urlopen(history_url, timeout15) as resp: history json.loads(resp.read().decode(utf-8)) if prompt_id in history: return True except Exception as exc: print(f查询异常: {exc}) time.sleep(interval) waited interval return False这段代码在实际使用中很实用。批量生成时需要等待前一个任务完成再提交或者至少保证输出目录不冲突。7. 运行结果与效果验证7.1 启动与验证步骤按顺序执行以下步骤判断工作流是否正确运行第一步启动 ComfyUIpython main.py第二步浏览器打开http://127.0.0.1:8188看到画布和菜单栏说明启动成功。第三步在画布上加载一个工作流选择一个 checkpoint 模型输入提示词点击右侧的Queue Prompt。第四步等待生成完成后查看输出目录。默认图片输出在ComfyUI/output/下。第五步打开生成的图片检查分辨率、内容、画质是否符合预期。7.2 判断生成质量的通用标准生成结果是否“成功”不能只看有没有出图还要看以下几个维度提示词一致性画面主体与提示词描述是否吻合。人物结构手部、眼睛、五官是否自然是否有变形。画面细节是否存在明显噪声、模糊、伪影或文字乱码。分辨率是否符合最终使用场景是否可以直接投入生产。风格统一性同一组图之间风格是否保持一致。7.3 失败排查第一步如果点击生成后没有图片出现或者报错不要急着重装。先按下面顺序排查查看终端输出定位关键词Error或Exception。确认模型文件路径是否正确模型是否完整safetensors 文件常有几个 GB不要只看下载完成要检查文件大小。确认自定义节点是否安装完整是否缺少 Python 包。确认显卡驱动和 PyTorch 版本是否匹配。确认显存是否不足不足时降低分辨率或减少batch_size。8. 常见问题与排查思路下表汇总了这套工作流最常见的几个坑每个都是实践中的真实高频问题。问题现象可能原因排查方式解决方案启动后浏览器无法访问端口被占用或启动失败查看终端是否有报错确认端口占用情况更换--port参数或关闭占用端口的程序生成图片速度极慢PyTorch 装成了 CPU 版本执行python -c import torch; print(torch.cuda.is_available())按 CUDA 版本重装 GPU 版 PyTorch加载模型时报错文件下载不完整或路径放错检查文件大小、目录位置重新下载移动到正确目录生成图片满屏噪点Checkpoint 模型未正确加载确认是否选择了 checkpoint而非 VAE在 CheckpointLoad 节点中正确选择模型图片出现多余手指和畸形负向提示词缺失或采样器参数不佳检查负向提示词、采样器步骤补充负向提示词调大steps或更换采样器显存不足运行中断分辨率或 batch 设置过高查看显存占用日志降低分辨率减少batch_size使用--lowvram模式导入工作流后缺节点未安装对应自定义节点查看控制台报错信息安装相应 custom node 到custom_nodes目录API 请求报 400工作流 JSON 格式不正确检查是否使用 API Format 而非 UI Format在界面中另存 API 格式工作流9. 从“能出图”到“能交付”的最佳实践很多人在本地搭好工作流后只是用来随机玩几张图。但真正让这套工作流产生生产力价值的是下面这几个工程化习惯。9.1 建立自己的提示词模板库提示词不要每次都从零开始写。按照项目类型建立模板电商产品图模板包含拍摄角度、光源方向、背景颜色、质感描述。人物肖像模板包含镜头焦距、面部特征、光线风格、后期风格。场景概念模板包含时间、天气、建筑风格、渲染引擎偏好。ComfyUI 中可以通过节点或自定义脚本保存这些模板也能通过 Python 脚本在调用 API 时动态拼接提示词。长期积累下来你会拥有一套个人风格明确的设计资产。9.2 固化工作流版本同一个需求不同阶段可能用不同模型和参数。建议将工作流 JSON 文件纳入版本管理与项目代码一起提交。一个项目对应一份工作流定义后续任何人都能复现当时的生成效果。9.3 采用确定性种子管理ComfyUI 中可以通过固定seed参数实现同一提示词的可重复生成。调参时固定种子便于对比不同参数对效果的影响批量生成时让种子随机变化以产生风格多样性。建议在 API 调用阶段就封装好种子管理逻辑。import random # 随机种子 seed random.randint(0, 2**32 - 1) # 固定种子便于复现 fixed_seed 42 # 在 workflow 中的 KSampler 节点设置种子 # workflow[9][inputs][seed] seed在 API 模式中种子参数位于采样器节点通常是KSampler的inputs.seed字段。需要查看你导出的工作流 JSON 来确定实际节点 ID。9.4 输出目录与文件命名规范批量生成时如果不管理文件名很快会变成一堆无法识别编号。建议按项目名_日期_风格_序号的格式保存文件并在 API 脚本中实现自动归档。9.5 模型版权与合规使用本地运行免费项目不代表图片可以随意商用。请关注以下几点Stable Diffusion 模型有各自的许可协议部分模型限制商用。训练素材中可能包含具有版权的人物、品牌、艺术品生成结果使用前需评估风险。涉及人脸、肖像、隐私内容时必须获得相关授权。不要使用 AI 生成图片进行虚假宣传、仿冒品牌、伪造身份等不当用途。合规是生产环境前提不可跳过。9.6 备份与回滚在自己搭建的环境中模型文件体积大重置成本高。下载完模型后建议保留原始压缩包修改配置前备份ComfyUI目录下的关键文件自定义节点和 Python 依赖使用requirements.txt固定版本。10. 工作流扩展方向与后续学习路线当前的工作流还只是一个相对基础但完整的框架实际项目中可以根据需求继续扩展。10.1 接入 ControlNet 精细控制ControlNet 是让 AI 设计工作流走向精准控制的必经之路。通过 ControlNet 节点可以将线稿、姿态骨骼、深度图、边缘图作为参考输入让生成的图片在构图上严格遵循你的设计意图。例如先用一张线稿定义产品结构再让模型生成材质和光影。10.2 用 LoRA 统一风格LoRA 模型体积小、训练成本低可以在不改变主模型的前提下控制生成风格。你需要准备 10 到 30 张同一风格的参考图片用 LoRA 训练脚本微调得到一个小体积的风格模型。之后在 ComfyUI 中通过LoraLoader节点加载即可。对于需要长期统一风格的系列产品图LoRA 是绕不开的技术路径。10.3 前后端服务化部署如果你要把工作流能力提供给团队其他成员使用可以基于 Flask 或 FastAPI 封装一层 HTTP 服务团队内通过简单页面提交参数后台调用 ComfyUI API 生成图片并把结果上传到统一存储。这样设计团队、运营团队可以在不接触节点图的情况下使用这套工作流。10.4 从图像工作流扩展为多模态工作流AI 设计工作流并不是只能生成图片。将提示词生成、图片理解、文案生成、设计素材生成等环节合并起来它就能成为一个完整的创意内容生产线。例如用大语言模型根据产品信息生成设计提示词再用图像模型完成视觉呈现。这已经属于多 Agent 协作的范畴可以作为后续进阶方向。本文从环境搭建、模型选择、工作流设计、API 调用、常见排错到工程化实践完整呈现了如何搭建一套免费且本地运行的 AI 设计工作流。核心结论可以总结为三句话本地工作流真正解决的是“批量、可控、可复用”的生产问题ComfyUI 是目前实现这条路径最高效的工具框架工作流能否产生实际价值取决于你如何组织提示词、管理模型和固化流程。这套方案并不完美它有学习门槛需要读者具备基础的命令行操作能力它也不能替代所有设计环节尤其是涉及精细排版、品牌规范和原创插画创作时AI 更适合扮演助理而非唯一的创意来源。但只要你愿意花一个下午完成环境搭建、再花一周在项目里反复调整这套工作流就能逐步成为你个人或团队设计流程的一部分。建议从最小闭环开始先装好 ComfyUI用一张基础工作流生成第一张本地图片然后再逐步加入放大、修复、ControlNet 和 API 批量环节。技术演进从来不是等待更好的工具出现而是把现有工具用到极致。这篇文章的可操作步骤和排查清单可以作为你踏上本地 AI 设计之旅的第一份地图。
免费本地AI设计工作流：ComfyUI从入门到工程化实践
如果你是一名设计师、开发者或者正在尝试用 AI 做内容创作的运营同学最近一定感受到了一个明显的变化AI 生图、AI 设计已经不再是“玩个新鲜”的阶段而是真正进入了工作流时代。但很多人卡在了第一步——用什么工具要不要付费跑在云端还是本地数据会不会被拿去训练真正动手做设计时一个需求往往不是“点一下生成就好”而是需要模型选择、提示词设计、局部修复、批量变化、风格统一这一整套流程。把这些环节串起来就是 AI 工作流。今天这篇文章我想分享一套我搭建并持续使用的“究极 AI 设计工作流”。它的核心特点有三个免费、本地运行、全流程可落地。我会从工具选型、环境配置、核心流程拆解、实际代码示例到常见问题排查把这一整套东西完整讲清楚。你可以把它当成一份完整教程也可以当成一份选型和避坑指南。即使你目前还不想完全本地化文中关于工作流设计、工具链组合和工程化实践的思路也值得参考。先说结论本地 AI 设计工作流最大的价值不只是省钱而是把“生成”变成“生产”把一次性的随机创意变成可复用、可控制、可交付的设计能力。1. 这篇文章真正要解决的问题很多人在接触 AI 设计时都会经历下面三个阶段中的某一个尝鲜阶段在网页上输入几个词点生成看到一张四宫格的图觉得“很神奇但不实用”。频繁切换阶段用多个在线工具搭配使用生图在 A 平台放大在 B 平台修细节在 C 平台遇到网络波动、额度耗尽、输出带水印、风格不稳定整个流程就断掉。生产落地阶段希望把 AI 真正融入设计流程能批量生成、风格统一、可局部修改、可输出高清成品并且不需要担心调用成本和数据安全。第三个阶段是大家真正需要的也是当前技术条件下大多数人还没迈过去的一道坎。我选择的解决方案是在本地搭建一套以 ComfyUI 为核心节点的 AI 设计工作流。用本地方式运行、用免费开源模型生成、用流程图方式串联设计环节最终形成一套可以反复使用、按需调整、完全可控的设计流水线。这篇文章适合以下读者想用 AI 做设计但不想按张付费的设计师。已在使用各类在线 AI 工具但对成本、数据安全、可控性有顾虑的技术人员。想在本地跑通 AI 设计流程但不知道如何选择的开发者。对 ComfyUI 有兴趣但被误解和碎片化教程劝退的新手。读完这篇文章你将能完成环境准备、ComfyUI 安装、模型选择、工作流设计、代码化运行、批量生成与问题排查。更重要的是你会理解每一个环节为什么这样设计以及它解决的真实问题是什么。2. ComfyUI 的核心概念与适用场景2.1 为什么选择 ComfyUI在本地 AI 设计工具中目前最有代表性的两个方案是 Stable Diffusion WebUI 和 ComfyUI。Stable Diffusion WebUI 的优点是上手直观界面像软件一样点几个按钮就能生成图片缺点是流程不透明复杂的控制逻辑需要安装大量扩展流程本身很难被精细调整。ComfyUI 则把“生成图片”这件事拆成一张流程图。模型加载是一个节点提示词输入是一个节点采样是一个节点输出是一个节点。你可以像搭积木一样连接这些节点形成一条完整的“生产流水线”。这两者的差异用一句话总结WebUI 适合快速体验ComfyUI 适合工作流化和批量生产。如果你想构建一套长期复用的 AI 设计工作流ComfyUI 几乎是目前本地方案里的最佳选择。2.2 ComfyUI 的核心优势这里必须展开讲一下 ComfyUI 的几个关键特性因为它们直接决定了这套工作流能“究极”到什么程度流程可视化每个功能模块是图上的一个节点节点之间的关系用连线表示。设计工作流时你可以直观看到数据从加载模型到出图的完整路径逻辑清晰排错也方便。低显存占用ComfyUI 针对本地运行做了大量优化只在需要时加载模型支持半精度推理能显著降低显存占用。在低配置机器上也能运行小尺寸模型的生成任务。高度可复用一个设计好的工作流可以导出为 JSON 文件分享或复用到其他项目。别人搭好的一套电商设计流程你导入后就能直接使用。支持复杂控制局部重绘、ControlNet 姿态控制、LoRA 风格微调、多模型融合等进阶需求在 ComfyUI 里都可以作为图上的节点自由组合。开发友好ComfyUI 提供 API 模式可以用 Python 代码直接调用工作流实现批量生成、服务化部署。2.3 适用场景与不适用场景从实际项目看这套工作流最擅长的场景包括电商主图批量生成统一产品拍摄图的背景风格。游戏和动漫风格的概念设计通过 LoRA 微调保持角色一致性。新媒体配图的批量生产一次生成多张风格统一、尺寸多样的图片。产品原型的视觉稿生成在方案阶段快速给用户多种风格选项。PDF、PPT 和文档素材的视觉配图。不太适合的场景需要精细控制文字排版的平面设计AI 生成的文字仍不稳定。需要绝对还原产品细节的商业摄影AI 生成会有偏差。对实时性要求极高的在线编辑场景本地生成速度暂时无法与云端 GPU 集群相比。完全不懂技术、也不愿意折腾环境的人本地工作流的前期配置有一定门槛。3. 本地设计工作流的环境准备与前置条件一套完整的本地 AI 设计工作流不只是装一个 ComfyUI 那么简单。它需要配合模型文件、辅助工具、Python 环境和依赖包共同工作。3.1 硬件要求下表给出的是 ComfyUI 本地运行的硬件参考具体效果会因模型尺寸和出图分辨率而不同硬件项最低要求推荐配置说明显卡NVIDIA GTX 1060 6GNVIDIA RTX 3060 12G 或更高显存大小直接影响模型选择和最大分辨率内存16 GB32 GB加载大模型和批量出图时内存占用明显硬盘10 GB 可用空间40 GB 以上 SSDStable Diffusion 模型文件普遍在 2G 到 7G 之间操作系统Windows 10 64 位Windows 11 / Ubuntu 20.04推荐 NVIDIA 显卡配合官方驱动需要特别提醒如果你的显卡是 AMD 或 Intel 核显也能运行但需要额外配置不同版本的 PyTorch难度会大不少。第一次搭建工作流尽量使用 NVIDIA 显卡可以省掉很多环境兼容问题。3.2 软件环境从实际经验看ComfyUI 的安装方式有两种比较推荐一是使用一键整合包适合新手快速体验。整合包一般预装了 Python 依赖、基础模型和常用自定义节点解压即可使用。二是手动安装适合需要深度定制、希望完全掌握每个环节的开发者。手动安装虽然前期麻烦一些但对后续扩展和排错更有帮助。这里主要讲手动安装方式。你需要准备Git 命令行工具。Python 3.10 或 3.11 版本。NVIDIA 显卡驱动通过 NVIDIA 官网或系统更新安装。科学合理的网络环境这里指的是正常的网络访问条件国内网络访问 HuggingFace 等源站时可能需要配置国内镜像源。安全提醒安装 Python 时请从官方渠道python.org下载不要使用来路不明的激活版、绿色版集成环境避免引入恶意代码和自带后门的组件。3.3 依赖说明ComfyUI 依赖的核心库是 PyTorch。安装 PyTorch 时一定要根据你的 CUDA 版本选择对应的安装命令。这一点是新手最容易踩坑的地方——如果 PyTorch 装成了 CPU 版本后续所有生成操作都会慢到无法接受。在终端执行nvidia-smi命令可以查看本机的 CUDA 版本。nvidia-smi输出中 “CUDA Version” 一行的数字就是当前驱动支持的 CUDA 版本。比如显示 12.1那就安装支持 CUDA 12.1 的 PyTorch 版本。4. ComfyUI 安装与模型准备4.1 安装 ComfyUI这里采用手动安装方式便于后续控制每个环节。打开终端按以下步骤执行# 克隆 ComfyUI 仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境推荐使用 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 PyTorch根据本机 CUDA 版本调整命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装 ComfyUI 依赖 pip install -r requirements.txt安装完成后启动 ComfyUIpython main.py启动成功后终端会显示访问地址默认是http://127.0.0.1:8188。用浏览器打开就能看到 ComfyUI 的节点编辑器界面。4.2 下载放置模型ComfyUI 本身不包含任何生成模型需要单独下载。模型文件放置位置有固定规则模型类型目录位置主模型CheckpointComfyUI/models/checkpoints/LoRA 风格模型ComfyUI/models/loras/VAE 模型ComfyUI/models/vae/ControlNet 插件模型ComfyUI/models/controlnet/文本编码器ComfyUI/models/text_encoders/主模型建议从官方渠道下载。以当前社区最常用的 Stable Diffusion 系列为例可以在 HuggingFace 上搜索对应模型仓库例如stabilityai/stable-diffusion-xl-base-1.0。同时也建议考虑下载社区精调的写实模型或动漫模型它们在某些风格任务上表现更好。需要注意的是不同模型要求的提示词语法和采样器参数不同。下载模型后先阅读模型主页的说明再配置工作流。# 示例使用 huggingface_hub 下载模型到指定目录 pip install huggingface_hub python -c from huggingface_hub import hf_hub_download hf_hub_download( repo_idstabilityai/stable-diffusion-xl-base-1.0, filenamesd_xl_base_1.0.safetensors, local_dirComfyUI/models/checkpoints/ ) 国内网络访问 HuggingFace 不稳定时可以使用国内镜像源export HF_ENDPOINThttps://hf-mirror.com4.3 下载工作流文件ComfyUI 社区已经有大量现成的工作流可以先用别人的工作流熟悉结构再动手搭建自己的。一个简单的方法是直接访问 GitHub 搜索 “ComfyUI workflow” 或到相关社区论坛查找“工作流分享”资源。拿到 JSON 工作流文件后在 ComfyUI 界面中点击 “Load” 按钮导入即可。如果工作流使用了自定义节点导入时会提示缺少某些自定义节点需要根据报错信息在 ComfyUI 的custom_nodes目录下安装对应扩展。5. 核心工作流设计详解有了环境和基础工具后接下来是这篇文章最有价值的部分——设计一套真正可以用于项目的 AI 设计工作流。5.1 工作流整体架构从“输入需求”到“输出成品”完整的工作流可以拆成六个环节模型加载与评估。正向提示词与负向提示词输入。采样参数配置。高分辨率修复。局部重绘与精细修整。图片解码与输出。在 ComfyUI 中这六个环节分别对应一组节点。下面是一个最小可用的生成工作流各节点说明节点模块作用实际工作内容CheckpointLoader加载主模型选择基础模型文件加载 UNet、CLIP、VAE 三部分CLIPTextEncode编码文本提示词分别编码正向提示词和负向提示词KSampler采样生成使用特定采样器执行去噪生成潜空间图像VAEDecode解码将潜空间图像转换为可视图片SaveImage保存将图片输出到ComfyUI/output/目录5.2 负面提示词与参数选择新手最容易忽略的是“负向提示词”的威力。它告诉模型“不要”生成什么。负向提示词写得好能直接避免低质量图片的出现。一个常用且有效的负向提示词模板lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry在实际项目中这句话能减少画面中出现多余手指或文字的概率。生成单人或半身像时尤其有用。采样参数方面不同的 checkpoint 模型有不同偏好。以 SDXL 系列为例常用的参数组合是steps20 到 30cfg4 到 7采样器dpmpp_2m调度器karras。如果你使用的是某个社区模型最好去模型页面确认作者推荐的参数而不是直接套用。5.3 高分辨率修复第一步生成的图片分辨率往往不够用。以 SDXL 为例默认生成分辨率常见为 1024x1024但在实际电商图和海报场景中这还不够。Resize 或放大节点不能简单等同于“放大模糊”。更常用的是潜空间放大和放大模型结合的方式先以较小分辨率生成构图再通过高清修复节点放大到目标尺寸。ComfyUI 的UpscaleModelLoader节点配合 ESRGAN 类放大模型可以得到边缘更清晰的放大效果。6. 用 API 模式跑通整个工作流如果你只是想在界面上点点鼠标前一节的足够用了。但对于真正的开发者和进阶用户ComfyUI 的亮点在于可以通过 API 模式实现全流程自动化。6.1 开启 API 模式启动 ComfyUI 时使用以下命令python main.py --listen 0.0.0.0 --port 8188然后在浏览器中打开http://127.0.0.1:8188。在 ComfyUI 界面中将工作流导出为 API 格式保存时选择Save (API Format)得到一个 JSON 文件。在调用 API 前官方提供了一种简单方式生成请求体在界面右侧点击“启用 Dev mode Options”然后点击“Save (API Format)”保存工作流这个 JSON 可以直接作为请求体使用。6.2 Python 调用 ComfyUI API下面是一个最小示例通过 Python 请求 ComfyUI API 执行一个工作流import json import random import urllib.request from pathlib import Path # 从本地 API 格式工作流文件读取节点图 workflow_path Path(your_workflow_api.json) with open(workflow_path, r, encodingutf-8) as f: workflow json.load(f) # 工作流中提示词节点 ID 需要根据实际文件修改 prompt_node_id 6 workflow[prompt_node_id][inputs][text] a beautiful landscape, sunlight, mountains, river, high quality # 提交任务 req urllib.request.Request( http://127.0.0.1:8188/prompt, datajson.dumps({prompt: workflow}).encode(utf-8), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req, timeout30) as resp: result json.loads(resp.read().decode(utf-8)) print(任务 ID:, result.get(prompt_id))请求返回的prompt_id可用于查询执行状态。ComfyUI 会异步执行工作流执行完成后图片保存到output目录。6.3 批量生成与目录管理API 模式最大的价值在于批量生成。你可以在 Python 脚本中循环调用接口并为每次生成分配不同的提示词种子和参数import json import time import urllib.request from pathlib import Path workflow_path Path(your_workflow_api.json) def run_workflow(workflow: dict, timeout: int 60) - str: req urllib.request.Request( http://127.0.0.1:8188/prompt, datajson.dumps({prompt: workflow}).encode(utf-8), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req, timeouttimeout) as resp: result json.loads(resp.read().decode(utf-8)) return result.get(prompt_id, ) def load_workflow() - dict: with open(workflow_path, r, encodingutf-8) as f: return json.load(f) # 生成 10 张不同风格的图片 for i in range(10): workflow load_workflow() prompt_node_id 6 workflow[prompt_node_id][inputs][text] fportrait, studio lighting, style variation {i}, high quality prompt_id run_workflow(workflow) print(f第 {i1} 次提交成功任务 ID: {prompt_id}) time.sleep(3)这里的style variation是提示词里的占位内容实际项目中建议使用更明确的风格词比如cyberpunk style、watercolor style等。注意上面的示例只是演示批量调用 API 的方式每次提交的提示词需要有实际语义差异才能得到不同风格图片。6.4 查询任务执行状态可以编写一个简单函数查询任务是否完成def wait_for_completion(prompt_id: str, interval: int 2, max_wait: int 120) - bool: 等待 ComfyUI 任务执行完成 history_url fhttp://127.0.0.1:8188/history/{prompt_id} waited 0 while waited max_wait: try: with urllib.request.urlopen(history_url, timeout15) as resp: history json.loads(resp.read().decode(utf-8)) if prompt_id in history: return True except Exception as exc: print(f查询异常: {exc}) time.sleep(interval) waited interval return False这段代码在实际使用中很实用。批量生成时需要等待前一个任务完成再提交或者至少保证输出目录不冲突。7. 运行结果与效果验证7.1 启动与验证步骤按顺序执行以下步骤判断工作流是否正确运行第一步启动 ComfyUIpython main.py第二步浏览器打开http://127.0.0.1:8188看到画布和菜单栏说明启动成功。第三步在画布上加载一个工作流选择一个 checkpoint 模型输入提示词点击右侧的Queue Prompt。第四步等待生成完成后查看输出目录。默认图片输出在ComfyUI/output/下。第五步打开生成的图片检查分辨率、内容、画质是否符合预期。7.2 判断生成质量的通用标准生成结果是否“成功”不能只看有没有出图还要看以下几个维度提示词一致性画面主体与提示词描述是否吻合。人物结构手部、眼睛、五官是否自然是否有变形。画面细节是否存在明显噪声、模糊、伪影或文字乱码。分辨率是否符合最终使用场景是否可以直接投入生产。风格统一性同一组图之间风格是否保持一致。7.3 失败排查第一步如果点击生成后没有图片出现或者报错不要急着重装。先按下面顺序排查查看终端输出定位关键词Error或Exception。确认模型文件路径是否正确模型是否完整safetensors 文件常有几个 GB不要只看下载完成要检查文件大小。确认自定义节点是否安装完整是否缺少 Python 包。确认显卡驱动和 PyTorch 版本是否匹配。确认显存是否不足不足时降低分辨率或减少batch_size。8. 常见问题与排查思路下表汇总了这套工作流最常见的几个坑每个都是实践中的真实高频问题。问题现象可能原因排查方式解决方案启动后浏览器无法访问端口被占用或启动失败查看终端是否有报错确认端口占用情况更换--port参数或关闭占用端口的程序生成图片速度极慢PyTorch 装成了 CPU 版本执行python -c import torch; print(torch.cuda.is_available())按 CUDA 版本重装 GPU 版 PyTorch加载模型时报错文件下载不完整或路径放错检查文件大小、目录位置重新下载移动到正确目录生成图片满屏噪点Checkpoint 模型未正确加载确认是否选择了 checkpoint而非 VAE在 CheckpointLoad 节点中正确选择模型图片出现多余手指和畸形负向提示词缺失或采样器参数不佳检查负向提示词、采样器步骤补充负向提示词调大steps或更换采样器显存不足运行中断分辨率或 batch 设置过高查看显存占用日志降低分辨率减少batch_size使用--lowvram模式导入工作流后缺节点未安装对应自定义节点查看控制台报错信息安装相应 custom node 到custom_nodes目录API 请求报 400工作流 JSON 格式不正确检查是否使用 API Format 而非 UI Format在界面中另存 API 格式工作流9. 从“能出图”到“能交付”的最佳实践很多人在本地搭好工作流后只是用来随机玩几张图。但真正让这套工作流产生生产力价值的是下面这几个工程化习惯。9.1 建立自己的提示词模板库提示词不要每次都从零开始写。按照项目类型建立模板电商产品图模板包含拍摄角度、光源方向、背景颜色、质感描述。人物肖像模板包含镜头焦距、面部特征、光线风格、后期风格。场景概念模板包含时间、天气、建筑风格、渲染引擎偏好。ComfyUI 中可以通过节点或自定义脚本保存这些模板也能通过 Python 脚本在调用 API 时动态拼接提示词。长期积累下来你会拥有一套个人风格明确的设计资产。9.2 固化工作流版本同一个需求不同阶段可能用不同模型和参数。建议将工作流 JSON 文件纳入版本管理与项目代码一起提交。一个项目对应一份工作流定义后续任何人都能复现当时的生成效果。9.3 采用确定性种子管理ComfyUI 中可以通过固定seed参数实现同一提示词的可重复生成。调参时固定种子便于对比不同参数对效果的影响批量生成时让种子随机变化以产生风格多样性。建议在 API 调用阶段就封装好种子管理逻辑。import random # 随机种子 seed random.randint(0, 2**32 - 1) # 固定种子便于复现 fixed_seed 42 # 在 workflow 中的 KSampler 节点设置种子 # workflow[9][inputs][seed] seed在 API 模式中种子参数位于采样器节点通常是KSampler的inputs.seed字段。需要查看你导出的工作流 JSON 来确定实际节点 ID。9.4 输出目录与文件命名规范批量生成时如果不管理文件名很快会变成一堆无法识别编号。建议按项目名_日期_风格_序号的格式保存文件并在 API 脚本中实现自动归档。9.5 模型版权与合规使用本地运行免费项目不代表图片可以随意商用。请关注以下几点Stable Diffusion 模型有各自的许可协议部分模型限制商用。训练素材中可能包含具有版权的人物、品牌、艺术品生成结果使用前需评估风险。涉及人脸、肖像、隐私内容时必须获得相关授权。不要使用 AI 生成图片进行虚假宣传、仿冒品牌、伪造身份等不当用途。合规是生产环境前提不可跳过。9.6 备份与回滚在自己搭建的环境中模型文件体积大重置成本高。下载完模型后建议保留原始压缩包修改配置前备份ComfyUI目录下的关键文件自定义节点和 Python 依赖使用requirements.txt固定版本。10. 工作流扩展方向与后续学习路线当前的工作流还只是一个相对基础但完整的框架实际项目中可以根据需求继续扩展。10.1 接入 ControlNet 精细控制ControlNet 是让 AI 设计工作流走向精准控制的必经之路。通过 ControlNet 节点可以将线稿、姿态骨骼、深度图、边缘图作为参考输入让生成的图片在构图上严格遵循你的设计意图。例如先用一张线稿定义产品结构再让模型生成材质和光影。10.2 用 LoRA 统一风格LoRA 模型体积小、训练成本低可以在不改变主模型的前提下控制生成风格。你需要准备 10 到 30 张同一风格的参考图片用 LoRA 训练脚本微调得到一个小体积的风格模型。之后在 ComfyUI 中通过LoraLoader节点加载即可。对于需要长期统一风格的系列产品图LoRA 是绕不开的技术路径。10.3 前后端服务化部署如果你要把工作流能力提供给团队其他成员使用可以基于 Flask 或 FastAPI 封装一层 HTTP 服务团队内通过简单页面提交参数后台调用 ComfyUI API 生成图片并把结果上传到统一存储。这样设计团队、运营团队可以在不接触节点图的情况下使用这套工作流。10.4 从图像工作流扩展为多模态工作流AI 设计工作流并不是只能生成图片。将提示词生成、图片理解、文案生成、设计素材生成等环节合并起来它就能成为一个完整的创意内容生产线。例如用大语言模型根据产品信息生成设计提示词再用图像模型完成视觉呈现。这已经属于多 Agent 协作的范畴可以作为后续进阶方向。本文从环境搭建、模型选择、工作流设计、API 调用、常见排错到工程化实践完整呈现了如何搭建一套免费且本地运行的 AI 设计工作流。核心结论可以总结为三句话本地工作流真正解决的是“批量、可控、可复用”的生产问题ComfyUI 是目前实现这条路径最高效的工具框架工作流能否产生实际价值取决于你如何组织提示词、管理模型和固化流程。这套方案并不完美它有学习门槛需要读者具备基础的命令行操作能力它也不能替代所有设计环节尤其是涉及精细排版、品牌规范和原创插画创作时AI 更适合扮演助理而非唯一的创意来源。但只要你愿意花一个下午完成环境搭建、再花一周在项目里反复调整这套工作流就能逐步成为你个人或团队设计流程的一部分。建议从最小闭环开始先装好 ComfyUI用一张基础工作流生成第一张本地图片然后再逐步加入放大、修复、ControlNet 和 API 批量环节。技术演进从来不是等待更好的工具出现而是把现有工具用到极致。这篇文章的可操作步骤和排查清单可以作为你踏上本地 AI 设计之旅的第一份地图。 
