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 EncodePositive。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组件最低要求推荐配置显卡6GB 显存12GB 及以上内存16GB32GB操作系统Windows 10 / Ubuntu 20.04Windows 11 / Ubuntu 22.04Python3.103.10 / 3.11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 ManagerKrea2 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文件类型示例名称存放路径底模白玉模型 safetensorsmodels/checkpointsLoRA写实人像 LoRAmodels/lorasVAE内置或单独下载models/vae参考图任意人物照片任意位置工作流内上传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加载阶段Load Checkpoint 加载白玉模型底模与内置 VAE。条件阶段正向、反向提示词分别通过 CLIP Text Encode 编码。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。生成阶段KSampler 根据组合条件进行采样。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 2530太低细节不足太高性能浪费。cfg提示词引导强度建议 68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.safetensorsLoaded 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 PromptNegative 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: 0.8weight 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Load Checkpoint的 MODEL → KSampler 的 model。正向提示词的 CONDITIONING → KSampler 的 positive。反向提示词的 CONDITIONING → KSampler 的 negative。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 ──────────→ KSampler4.6 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。方案优点缺点适用场景Krea2 单独参考操作简单极端角度容易失效日常半身写真Krea2 IPAdapter面部一致性较强多一个节点面部是核心卖点的写真Krea2 InstantID换脸能力最强容易崩面部纹理侧重于“换脸”场景Krea2 LoRA 人物模型角度宽容度最高需要训练 Lora套系写真商业化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Load Checkpoint 的 MODEL → Load LoRA 的 model。Load Checkpoint 的 CLIP → Load LoRA 的 clip。Load LoRA 的输出 MODEL → KSampler 的 model。Load LoRA 的输出 CLIP → 提示词节点的 clip。LoRA 提示词写法lora:cloth_style_v1:0.70.7 表示 LoRA 权重建议从 0.60.8 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 节点库缺失问题现象常见原因解决思路节点显示红色缺少自定义节点使用 Manager 安装缺失节点提示找不到 Krea2自定义节点未安装Git clone 官方仓库到 custom_nodes缺少 Python 包插件依赖未安装在 ComfyUI 的 Python 环境中 pip install这类问题的通用解决思路是点击红色节点查看报错信息中的关键字。到 ComfyUI Manager 中点Install Missing Custom Nodes。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 ComfyUIpython 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。排查顺序先看反向提示词是否包含bad hands, bad anatomy。将 Krea2 面部参考权重从 0.8 降至 0.6。将 LoRA 权重从 0.7 降至 0.5。增加采样步数到 30cfg 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 46 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通过Upscale Image将图片放大至 2 倍。通过KSampler二次采样denoise 设为 0.40.5。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 1520 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。