企业官网建设流程全解析

1. 项目背景：为什么需要重构 AI 绘画工作流

AI 绘画早已不是“输入一句提示词、等一张图”的阶段。设计团队和参赛团队真正头疼的问题往往出在流程上：生成工具是生成工具，Photoshop 是 Photoshop，两边来回倒图不仅浪费时间，还容易丢细节。比如设计草图在 PS 里已经排好了图层、选区、蒙版，但切到 WebUI 后这些信息全部丢失，只能重新描述；而 WebUI 里试好的 LoRA 权重、采样参数、种子值，回到 PS 里又要靠手动记录，换一台电脑就全部失效。

从应用层看，设计师希望在 PS 里完成构图、修改、合成，同时希望 AI 生成结果能直接回到当前画布；从模型层看，LoRA 让风格和角色变得可控制，但 LoRA 的数量变多后，哪个 LoRA 适合哪张底图、权重调到多少合适，不能靠每次跑完整张图来判断。这也是为什么“在 Photoshop 中集成 LoRA 预览图系统”会成为一套值得做的工程课题。本文以 B 站 AI 创造公开赛中常见的参赛方向为例，拆解一套相对完整的本地 AI 绘画工作流：在 PS 内接入 LoRA 预览能力，串联 XL 图生图链路，同时保留 krea2 这类文生图能力的扩展入口。

适合阅读本文的读者有三类：一是想把 Stable Diffusion 等生成能力装进 Photoshop 的设计师；二是正在准备 AI 创作类比赛、需要输出一份可演示作品的开发者；三是已经会跑 WebUI，但受困于素材反复导入导出、LoRA 效果不可视化等问题的进阶用户。读完本文，你可以自己搭出一套“先预览 LoRA、再用图生图精修、最后由文生图拓展灵感”的闭环流程。

2. 核心概念与整体架构

2.1 先分清三个术语：LoRA、文生图、图生图

要理解整套工作流，第一步不是写代码，而是把术语边界理清。

LoRA（Low-Rank Adaptation，低秩适配）原本是一种高效的模型微调方法。在 Stable Diffusion 生态里，LoRA 通常代表一个体积很小的模型文件，例如几百 MB 甚至几十 MB。它不替换基础大模型，而是作为一个“风格或角色插件”叠加到基础模型上。比如你有一个写实风格的基础大模型，再叠加一个“雨夜街道”的 LoRA，生成结果就会偏向特定氛围。

文生图（Text-to-Image）是最基础的生成方式，输入提示词，模型从头生成整张图。它的优点是自由度高，缺点是构图不好控制，容易出现多余肢体、复杂场景元素丢失等问题。

图生图（Image-to-Image）则是基于一张已有图片继续生成，模型会参考原图的构图和内容，再根据提示词和重绘幅度（Denoising strength）决定改变程度。图生图适合把草稿变成插画、把照片转换成特定风格、或者对画面做二次构成。

比赛项目中常说的“XL 图生图”，一般指基于 SDXL（Stable Diffusion XL）大模型的图生图。相比 SD 1.5 系列，XL 在画面细节、光影和大尺寸输出上更有优势，也因此对显存和采样步数有更高要求。至于“krea2 文生图”，在各类创作比赛中指代并不统一，有的指的是某个在线生成工具的实时绘画能力，有的只是项目内对新一代文生图模块的代号。本文不展开某一个特定云端服务的密钥配置，而是从工作流结构来说明：凡是提供 API 并返回图片的服务，都能按同样的思路嵌入到后续链路中。

2.2 LoRA 预览图系统的价值

所谓“LoRA 预览图系统”，并不是一个固定插件，而是一种批量化、标准化的测试机制。它的核心思路是：在同一底图、同一提示词、同一随机种子的前提下，遍历多个 LoRA 文件或多个权重档位，把生成结果排列成一张预览总图，让使用者一眼看出不同 LoRA 的风格差异。

这样做有三个好处。第一，对照变量只有 LoRA，结果可信度更高；第二，批量操作让人工介入最少，适合比赛答辩前集中产出素材；第三，预览图可以直接存成比赛工作流的过程记录，方便向评委展示“我们如何从多组候选模型中筛选最终方案”。

2.3 工作流的分层结构

整套方案可以拆成四层：

四个层从下往上组合，才构成一个“可复用”的工作流。缺少桥接层，PS 就只是看图工具；缺少存储层，每次调参都靠记忆，就谈不上工程化。

文章后面会以 Stable Diffusion WebUI 作为生成后端来演示。如果你选择 ComfyUI，也可以参考相同思路，只不过 API 请求格式会不同，需要按你安装的 ComfyUI 版本进行调整。

3. 环境准备与基础配置

3.1 工具链与版本说明

文章中涉及的工具较多，为了避免读者复制命令后因为版本差异失败，先列出本项目中的核心工具链：

不同工具的大版本之间可能存在兼容性差异，比如某个 Photoshop 版本不识别新版插件，又如 WebUI 从 1.6 升级后 LoRA 标签的解析方式有细微变化。因此版本需要根据你的项目实际情况调整，本文重点演示配置思路。

3.2 WebUI 以 API 模式启动

为了让 Photoshop 插件和自定义 Python 脚本能够调用 WebUI，必须让 WebUI 开启 API 接口。以 Windows 环境为例，进入 WebUI 安装目录后执行以下命令：

python launch.py --api

如果你的显存小于 8GB、希望生成 XL 模型时更稳定，可以追加：

python launch.py --api --medvram

参数说明：

• --api是必须项，没有它，外部程序无法访问http://127.0.0.1:7860/sdapi/...接口。
• --medvram表示中等显存优化，适合 6GB 到 8GB 显存环境，但会略微降低速度。
• 如果你的机器配置较高，可以不写--medvram。

启动成功后，浏览器访问http://127.0.0.1:7860能看到 WebUI 页面，说明服务正常。为了验证 API 是否可用，可以在浏览器单独访问http://127.0.0.1:7860/sdapi/v1/sd-models。如果返回一段 JSON 数组，里面包含模型名称列表，就说明 API 正常。

3.3 在 Photoshop 中接入本地生成服务

PS 里接入 WebUI 的常见方案是安装 sd-ppp 插件。这个插件允许你在 PS 面板中填写 WebUI 地址，并把当前画布发送到生成后端。安装时注意以下几点：

• 下载插件后，先关闭 Photoshop。
• 按插件文档要求，把插件目录复制到 PS 对应的扩展目录，或执行安装器脚本。
• 重新打开 Photoshop，在“扩展”或“脚本”菜单中找到插件入口。
• 在插件的 API 地址配置项中，填写http://127.0.0.1:7860。
• 如果你的 WebUI 设置了登录密码或使用了反向代理，需要按插件支持的认证字段额外配置。

有些 PS 版本对第三方脚本有签名限制，如果插件不能正常加载，通常需要在 PS 偏好设置中关闭“允许载入扩展”的相关限制，或改用插件作者推荐的签名版本。建议以插件官方 README 为准。

3.4 确认 LoRA 模型已就绪

把要测试的 LoRA 文件放入 WebUI 的models/Lora目录。为了脚本方便，建议文件名不要包含中文和空格，例如：

rainy_street_v1.safetensors cyberpunk_costume_v3.safetensors

在 WebUI 的 txt2img 页面中，点击生成按钮下方的 LoRA 图标，如果能看到这些文件，说明模型目录配置正确。需要注意：SD 1.5 训练的 LoRA 通常不能直接用于 XL 大模型，反之亦然。如果你的实验对象是 XL 图生图，要使用 XL 版本的 LoRA。

4. 实战一：批量生成 LoRA 预览图

4.1 为什么固定种子和提示词

LoRA 预览效果对比最怕“变量失控”。如果每一次测试都使用不同的随机种子，那么两张图的差异可能来自随机噪声，而不是来自 LoRA 本身的风格能力。所以在批量脚本中，我们把提示词、负向提示词、采样器、步数、CFG、尺寸这些参数全部固定，只改变 LoRA 标签，并把随机种子固定为一个整数。

同样的道理也适用于权重测试。推荐先固定一个 LoRA，按 0、0.2、0.5、0.8、1.0 五档权重各生成一次，确认该 LoRA 对画面影响强度；再固定合适的权重，横向对比多个 LoRA。这个方法成本很低，非常适合比赛前期的方案筛选。

4.2 批量生成脚本

下面是一段可直接复制运行的 Python 脚本。脚本会遍历指定目录下的 LoRA 文件，为每个 LoRA 调用 WebUI 的 txt2img 接口生成一张图，并把结果拼成一张预览总图。

# 文件路径：scripts/lora_preview_generator.py """ LoRA 预览图批量生成脚本 使用前请先启动：python launch.py --api """ import os import requests import base64 from io import BytesIO from PIL import Image, ImageDraw, ImageFont # 基础配置 API_BASE = "http://127.0.0.1:7860" LORA_DIR = "D:/models/Lora" # 修改为你的 LoRA 目录 OUTPUT_DIR = "D:/output/lora_preview" # 输出目录 BASE_MODEL = "sd_xl_base_1.0.safetensors" # 修改为你的基础模型名称 # 用于横向对比的固定提示词，请按你的主题修改 POSITIVE_PROMPT = "1girl, city street at night, neon light, detailed face, masterpiece" NEGATIVE_PROMPT = "lowres, bad anatomy, bad hands, extra fingers, jpeg artifacts, watermark" # 固定参数：只改变 LoRA COMMON_PARAMS = { "steps": 28, "cfg_scale": 7.0, "width": 768, "height": 1024, "sampler_name": "DPM++ 2M Karras", "seed": 20240817, "batch_size": 1, "override_settings": { "sd_model_checkpoint": BASE_MODEL } } def get_lora_files(path): """读取目录下所有 safetensors 文件，返回不带扩展名的文件名列表。""" files = [] for name in os.listdir(path): if name.endswith(".safetensors") or name.endswith(".ckpt"): files.append(os.path.splitext(name)[0]) return sorted(files) def txt2img(lora_name=None, lora_weight=0.8): """调用 WebUI 的 txt2img 接口。""" if lora_name: prompt = f"<lora:{lora_name}:{lora_weight}>, {POSITIVE_PROMPT}" else: prompt = POSITIVE_PROMPT payload = { "prompt": prompt, "negative_prompt": NEGATIVE_PREVIEW, **COMMON_PARAMS, } resp = requests.post(url=f"{API_BASE}/sdapi/v1/txt2img", json=payload, timeout=180) resp.raise_for_status() return resp.json()["images"][0] def save_preview_grid(image_map, output_path, columns=3): """将多个 LoRA 的结果拼成网格图，便于快速对比。""" images = [] labels = [] for name, b64_img in image_map.items(): raw = base64.b64decode(b64_img) img = Image.open(BytesIO(raw)).convert("RGB") images.append(img) labels.append(name) cell_w = max(img.width for img in images) cell_h = max(img.height for img in images) + 40 rows = (len(images) + columns - 1) // columns grid_w = cell_w * min(columns, len(images)) grid_h = cell_h * rows canvas = Image.new("RGB", (grid_w, grid_h), "white") draw = ImageDraw.Draw(canvas) try: font = ImageFont.truetype("arial.ttf", 18) except Exception: font = ImageFont.load_default() for index, (name, img) in enumerate(zip(labels, images)): x = (index % columns) * cell_w y = (index // columns) * cell_h canvas.paste(img, (x, y + 40)) draw.text((x + 10, y + 8), name, fill="black", font=font) os.makedirs(os.path.dirname(output_path), exist_ok=True) canvas.save(output_path) print(f"预览图已保存：{output_path}") if __name__ == "__main__": # 先跑一张无 LoRA 的基线图，用于确认固定提示词效果 results = {"baseline_no_lora": txt2img(lora_name=None)} # 再遍历所有 LoRA for lora in get_lora_files(LORA_DIR): print(f"正在生成 LoRA：{lora}") image_b64 = txt2img(lora_name=lora, lora_weight=0.8) results[lora] = image_b64 output_file = os.path.join(OUTPUT_DIR, "lora_preview_grid.png") save_preview_grid(results, output_file)

代码里有几个容易出错的地方需要说明。POSITIVE_PROMPT和NEGATIVE_PROMPT分开写，是为了保证不同 LoRA 只改变画面风格，不改变画面主体描述。脚本底部先跑一张baseline_no_lora，没有叠加任何 LoRA，这样你可以对比“没加 LoRA”和“加了 LoRA”之间的差异。

override_settings里需要填 WebUI 可用的大模型名称。你可以先访问http://127.0.0.1:7860/sdapi/v1/sd-models，从返回结果中复制完整的模型文件名。

4.3 运行与结果阅读

假设你已经把脚本放在scripts目录下，先安装依赖：

pip install requests pillow

然后运行：

python scripts/lora_preview_generator.py

如果一切正常，终端会循环打印：

正在生成 LoRA：rainy_street_v1 正在生成 LoRA：cyberpunk_costume_v3 预览图已保存：D:/output/lora_preview/lora_preview_grid.png

打开输出的网格图后，你应该能快速完成两个判断：第一，哪些 LoRA 风格符合项目设定；第二，哪些 LoRA 会明显破坏面部或结构。前者决定建模方向是否走通，后者决定要不要检查该 LoRA 的基础模型是否匹配。

如果你希望在 Photoshop 里直接查看这些预览图，可以将网格图作为参考图层放入画布，生成正式输出后把预览图层关闭。这样能保留“先选型、后产出”的决策记录。

5. 实战二：XL 图生图与局部重绘流程

5.1 XL 图生图的典型使用场景

参赛作品通常包含大量原画草稿。草稿有明确的构图和线条，但缺少颜色、光影和材质细节。此时如果直接走文生图，模型大概率会自由发挥，构图容易跑偏。使用 XL 图生图，可以让模型在尊重草稿结构的前提下补全画面。

在 PS 中的常见流程是：

1. 将草稿或线稿整理到单独图层。
2. 用选区或蒙版圈出要重绘的区域。
3. 把当前可见图层发送给生成端，执行图生图。
4. 设置合理的重绘幅度，一般 0.35 到 0.55 比较合适。
5. 生成结果返回后，利用 PS 蒙版把满意的部分保留下来，不满意的区域再继续迭代。

需要注意的是，无论是 XL 图生图还是局部重绘，都不是“一键自动完成”的魔术。你需要先把画面中不想要的部分用 PS 工具清理掉，因为图生图会保留原图中的大量信息。如果原图里有明显的文字水印，生成结果也会很难彻底去除。

5.2 通过 API 发起图生图

很多 PS 插件已经内置了图生图按钮，你可以直接使用插件面板操作。但如果是参赛演示，我建议额外保留一段脚本作为兜底方案，方便处理批量素材或自动记录参数。

# 文件路径：scripts/img2img_bridge.py """ 从本地图发送图生图请求，适合与 PS 导出文件配合使用。 实际使用中，PS 插件可以把当前画布直接发送到该接口。 """ import requests import base64 import json API_BASE = "http://127.0.0.1:7860" BASE_MODEL = "sd_xl_base_1.0.safetensors" # 可按需替换 # 图片文件路径 SOURCE_IMAGE = "D:/work/ps_export/sketch.png" # 是否启用局部蒙版；不需要时可以留空 MASK_IMAGE = "D:/work/ps_export/mask.png" with open(SOURCE_IMAGE, "rb") as f: source_b64 = base64.b64encode(f.read()).decode("utf-8") payload = { "init_images": [source_b64], "prompt": "detailed digital painting, cinematic lighting, masterpiece, best quality", "negative_prompt": "lowres, bad anatomy, bad hands, blurry", "steps": 30, "cfg_scale": 6.5, "width": 1024, "height": 1024, "denoising_strength": 0.45, "sampler_name": "DPM++ 2M Karras", "seed": -1, "override_settings": { "sd_model_checkpoint": BASE_MODEL } } if MASK_IMAGE: with open(MASK_IMAGE, "rb") as f: mask_b64 = base64.b64encode(f.read()).decode("utf-8") payload["mask"] = mask_b64 resp = requests.post( url=f"{API_BASE}/sdapi/v1/img2img", json=payload, timeout=180 ) resp.raise_for_status() result = resp.json() # 保存生成结果 with open("D:/work/ps_export/result.png", "wb") as f: f.write(base64.b64decode(result["images"][0])) print("图生图完成，结果已保存到 result.png") print("本次使用的种子是：", result.get("info"))

上面代码涉及两个需要强调的参数。denoising_strength表示重绘幅度，数值越大，改变越多；如果是草图风格转到成品插画，0.45 左右可以保留构图但补充细节；如果只是想局部换一个配色，可以降到 0.2 到 0.3。如果传入mask字段，模型只会在蒙版白色区域重绘，这种方式对应 PS 里的局部重绘。

5.3 在 sd-ppp 中手动执行的路线

如果你的重点是快速验证，不一定要跑代码。使用 sd-ppp 插件的常规操作如下：

• 在 PS 中框选需要处理的区域，或直接选中图层。
• 在插件面板中切换模式到 img2img。
• 把画布内容作为 init image 发送，确认目标尺寸。
• 在提示词中输入要优化的内容，并调整 denoising 强度。
• 点击生成，等待结果回到新图层，然后手动混合。

如果你使用了局部选区，建议把选区保存为通道或者蒙版。有些 PS 插件支持自动读取当前选区，有些则不支持，需要看你具体安装的版本。

6. 实战三：文生图模块与 krea2 类能力的接入

6.1 文生图在整个流程里的位置

文生图并非和 Photoshop 二选一。更合理的组织方式是：先用文生图做脑暴，产生多张构图方向；再把其中最有价值的构图导入 PS；最后通过图生图细化。这样做可以避免一上来就被 PS 里的空白画布限制住灵感。

在参赛工作流中，“krea2 文生图”可以理解为一个提供高自由度的灵感生成模块。由于这类在线服务的 API 协议并不统一，且不同比赛版本所指向的服务也经常变化，我这里不给某一家云端服务的具体账号接入步骤，而是提供一个稳定接入原则：把服务封装成统一函数，入参是提示词和图片尺寸，返回值是图片字节流或文件路径。这样即使更换服务商，上层提示词模板和 PS 集成逻辑都不用重写。

如果你希望在本地获得更好的文生图体验，也可以直接用第 4 节里的 txt2img 接口，只是不叠加 LoRA，而是把提示词空出来专门做灵感探索。

6.2 搭建提示词模板管理

文生图最耗时的地方不是点击生成，而是写提示词。在 PS 工作流中，可以把常用提示词做成一个文本模板：

主题：{subject} 场景：{scene} 光线：{lighting} 镜头：{shot} 风格：{style} 负面：{negative_words}

然后通过脚本的配置文件，把模板参数映射到实际调用中。后期如果想加入 LoRA，再在正向提示词开头追加<lora:模型名:权重>即可。这样的模板化结构，让比赛过程中的每次实验都可记录、可重现，而不是靠灵感碰运气。

配置文件示例：

{ "subject": "a futuristic girl detective", "scene": "rainy cyberpunk street", "lighting": "neon rim light", "shot": "medium shot", "style": "detailed anime style", "negative_words": "lowres, bad anatomy, bad hands" }

6.3 快速验证接口是否可用的建议

如果你要接入一个非本地、非标准 API 的在线文生图服务，先不要急着开发整套 UI，先用一段最小脚本验证三个问题：

• 服务是否支持 API key 认证，key 应该放在环境变量而不是源码中。
• 服务返回内容是图片 URL 还是 base64，以及是否有异步任务队列。
• 服务对图片尺寸、格式、内容审核有哪些限制。

验证通过后，再考虑和 PS 的联动。如果某家服务的访问经常超时，或者返回结果不稳定，不建议把它放在主流程里，可以把它作为审美参考通道，而不是生产通道。

7. 常见报错与排查清单

工作流一旦串起来，最考验人的往往是排错能力。以下列表总结了本项目里最容易踩中的几类问题。

如果你在 ComfyUI 中生成图片，遇到“在预览窗口看不到预览图但实际已生成”的问题，通常也是节点预览组件和输出节点的设置不一致导致的。可以先到 ComfyUI 的输出目录查看 PNG 文件是否已经落盘，确认生成成功后再排查前端预览配置。

在本地调试阶段，建议优先开一个独立的 WebUI 控制台窗口，出现报错时不要只看浏览器网络面板，因为 Python 进程的控制台会输出更详细的后端异常信息。

8. 最佳实践与工程级建议

从“能跑到”到“能手把手给别人演示”，中间还差工程化这一步。这里分享几条对参赛或项目落地都有帮助的经验。

第一，所有生成参数都要有记录。不要只保存图片，建议把提示词、负向提示词、采样器、步数、CFG、种子、LoRA 文件名、LoRA 权重一起存成 JSON 或 CSV。日后想要复现某个效果，有记录才能复现；否则比赛答辩时被问到“这张图怎么生成”，只能支支吾吾。

第二，统一 LoRA 命名规范。例如按日期_风格_版本来命名：

20250115_rainy_street_v1.safetensors

这样做的好处是批量脚本的输出网格能够按文件名排列，从输出图片上就可以看出版本迭代关系。

第三，使用自有的或已授权素材进行测试和参赛。比赛中如果用他人照片或未授权原画做图生图底稿，既可能违反比赛规则，也有版权风险。建议在流程设计阶段就使用自己的手绘草稿、原创摄影或开源协议允许的测试图片。

第四，提示词库里尽量只保留对结果有确定性影响的词。不要在一句话里堆十几个风格形容词，否则你很难判断最终效果到底来自哪个词，更没法解释给评委听。把提示词拆成“主体 + 场景 + 光效 + 风格 + 负面”五段，定位问题会容易很多。

第五，不要让 AI 生成流程脱离人工审核。无论使用本地模型还是在线服务，都要遵守模型使用条款，不能生成违法、违规或不符合公序良俗的内容。这一点在公开比赛场景中尤其重要，作品的主题和训练数据来源必须经得起核查。

第六，对显存资源做预算。XL 图生图比文生图更吃显存，因为除了模型参数外还要加载输入图片。批量预览时不要让脚本一次发多个并发请求，否则显存瞬间溢出，轻则报错，重则导致 WebUI 假死。建议在脚本里加一个sleep或使用信号量控制并发数。

第七，分类保存输出目录。建议至少分成三个目录：raw存放模型原始输出，ps_retouch存放 PS 修图后的结果，final存放最终参赛展示图。原始输出被误修改后，至少还能通过备份找回。

这里我想多说一句关于安全边界的建议：本机服务默认监听 127.0.0.1 时，只有本机能访问。如果你为了让其他电脑访问而把监听地址改成 0.0.0.0，至少要确认自己所在的网络环境可信，并且要在服务端做身份认证。在未配置认证的情况下，把模型服务暴露到局域网或公网，极容易被其他人调用，造成 GPU 资源耗尽，甚至被滥用生成不当内容。比赛演示时如果必须联网，建议只在可信的演示网络内临时开启，演示结束立刻关闭。

9. 后续可以继续深入的方向

如果上面的基础流程你已经跑通，下一步并不是继续增加更多 LoRA 文件，而是围绕“可控性”做深化。你可以尝试把 ComfyUI 作为生成后端，用节点方式把 LoRA、图生图、局部重绘连接成固定模板，这样每次执行顺序完全一致，参数调整也更容易可视化。也可以尝试在 PS 端记录每一步图层的生成数据，把整张作品的创作过程保存为一种“可回放的工作流”，这在 AI 创作类比赛中通常是很加分的展示形式。

你还可以给脚本增加一个简单的 UI 或批次清单文件，每次只需修改 JSON 配置就能切换不同提示词模板、不同 LoRA 权重表，而不需要改代码逻辑。如果你想研究得更深，不妨从 LoRA 训练反推命名和管理规范，或者为自己的常用风格训练一组专用 LoRA，再回过来接入这套 Photoshop 预览系统。

技术方案是否优秀，不取决于单个模型有多强，而取决于它能不能稳定嵌入到创作者的真实工作习惯里。Photoshop、LoRA、WebUI、API 脚本这些组件，单独拿出来都算不上新东西；把它们按“预览—生成—精修—沉淀”的节奏组合起来，才真正构成一套属于自己的 AI 绘画工作流。希望本文的工程细节和排错经验，能帮你在比赛或实际项目中少走一段弯路。