企业官网建设流程全解析

看到“突然想起来自己是个异人up 那发个库存吧【异人之下】”这个标题，第一反应是动漫区UP主的库存视频。但抛开视频选题不谈，这类UP主如果想稳定更新，背后通常需要一条可复用的素材生产线：角色图、分镜、表情包、视频片段，每一类都要批量产出。这篇文章就把“异人之下”当作国漫二创的常见需求，拆成一套本地 AI 素材生产流程。

这里不会讨论剧情，也不涉及具体模型版权，只讲技术路径：用 ComfyUI 搭建工作流，结合 Stable Diffusion 系底模、LoRA 和 ControlNet，完成角色一致性出图、批量生成分镜、接入 API 做自动化任务。整个过程可以本地部署，支持批量任务，也能把生成能力封装成接口，适合做国漫风格插画、同人漫画分镜、自媒体视频素材和角色参考图。

这个流程最值得关注的几个点：第一，ComfyUI 是可视化节点工作流，改参数、换模型、接 ControlNet 都很直接；第二，它自带 API 服务，能通过脚本提交生成任务，批量出图不需要手动点鼠标；第三，只要底模和 LoRA 选得合适，同一角色在不同画面里的风格一致性可控制；第四，部署难度不高，普通台式机或者笔记本都能跑，显存大小只影响分辨率和速度。

本文会带你先完成环境准备，再启动 ComfyUI，随后分别测试文生图、角色一致性、批量生成和 API 调用，最后给出资源占用观察方法和常见问题排查清单。

1. 核心能力速览

从材料看，这个流程更适合已经有底模使用经验的人。第一次使用也可以照着本文按顺序执行，重点是把最小工作流跑通，不要一上来就堆大模型和高分辨率。

2. 适用场景与使用边界

这套流程最适用的场景是：你在做《异人之下》或其他国漫 IP 的二创内容，需要快速产出角色图、固定角色造型、生成表情包、做分镜草稿。传统做法是手绘或者逐张修图，效率低；用 AI 工作流可以把“生成一张图”变成“批量生成一批候选图”，然后人工从里面挑选和精修。

它也能解决一类更实际的问题：角色一致性。很多二创作品卡在同一个角色在不同画面里的脸型、衣服、配色不统一。通过训练或下载对应角色的 LoRA，再配合 ControlNet 的参考图约束，可以让同一角色的多次生成结果更接近。这在漫画分镜或视频素材准备阶段非常有用。

但不是所有需求都适合这套流程。如果你的目标是制作完全原创的商业作品，不建议直接使用未经授权的模型和角色 LoRA，存在版权风险。如果角色涉及真人肖像，更不能在未获得授权的情况下生成和传播。另一个边界是，AI 生成不等于最终成稿，出图后仍然需要人工检查构图、文字、手指、道具细节，不能直接拿去发布。

合规提醒具体说三点：第一，使用任何模型、LoRA、素材前，先确认来源是否有授权；第二，二创内容要注意原 IP 的版权限制，商用前必须取得权利方许可；第三，涉及真人照片、声音、肖像，必须获得明确授权，并避免生成误导性内容。

3. 环境准备与前置条件

开始部署前，先按下面清单检查本机环境，避免跑到一半才发现缺依赖。

3.1 系统与硬件检查

• 操作系统推荐 Windows 10/11 或 Ubuntu 20.04 以上。Windows 用户注意显卡驱动最好更新到最新版本。
• NVIDIA 显卡是首选，核心关注显存大小。4G 显存可以跑低分辨率小模型，8G 以上能跑更高分辨率和更多插件。AMD、Intel 显卡需要额外配置 DirectML 或 ROCm，不在本文默认范围内。
• 内存建议 16G 以上，模型加载和批量处理时比较吃内存。
• 磁盘建议预留至少 20G 空间。底模 LoRA、ControlNet 模型加起来占用不小，输出图多了也要占用空间。

3.2 软件依赖准备

如果你不想手动配置 Python 环境，更简单的方案是下载整合包，自带 Python 和依赖，启动后直接用。这样省去很多环境问题，缺点是更新和排查时需要理解目录结构。

3.3 模型目录规划

ComfyUI 的模型统一放在 models 目录下，建议提前建立好对应子目录，后面导入工作流时不容易出错。

ComfyUI/ ├── models/ │ ├── checkpoints/ # 底模，如 Stable Diffusion 1.5 / SDXL │ ├── loras/ # 角色或风格 LoRA │ ├── controlnet/ # ControlNet 模型 │ ├── vae/ # VAE 文件 │ └── clip/ # CLIP 模型 ├── input/ # 输入图片，批量处理时放这里 ├── output/ # 生成结果目录 └── user/ # 用户配置

具体文件名以你下载到的模型为准，目录名不要改，否则工作流导入后会提示“模型文件未找到”。

4. 安装部署与启动方式

4.1 安装 ComfyUI

Windows 下最简单的方式是下载官方整合包，解压后运行启动脚本。如果想保持环境干净，也可以使用 Git 安装。

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

依赖装完后，确认 PyTorch 安装在 GPU 版本上。可以执行下面命令检查：

python -c "import torch; print(torch.cuda.is_available())"

输出 True 说明 GPU 调用正常，输出 False 则需要检查驱动、CUDA、PyTorch 版本。

4.2 启动服务

命令行启动方式：

python main.py

默认端口是 8188，启动后浏览器访问http://127.0.0.1:8188，看到节点工作台说明服务正常。

如果 8188 端口被占用，可以手动指定端口：

python main.py --port 8189

Linux 服务器上部署时，如果不希望监听所有网卡，可以加上参数：

python main.py --listen 127.0.0.1 --port 8188

这样就不会把 API 暴露到外网，适合只在本地调用。

4.3 导入工作流

ComfyUI 的界面是节点图。你需要先准备一张 workflow JSON 文件，这张文件可以从社区开源工作流中找，也可以自己拖节点搭。

导入操作：打开 ComfyUI 页面，把 JSON 文件拖进页面，节点图会自动加载。如果某些节点显示红色，说明缺少对应自定义节点或模型文件，需要先安装缺失插件，再把模型放到指定目录。

建议第一次导入工作流后，先不直接批量出图，而是把底模、VAE、LoRA、ControlNet 这些节点逐个检查一遍，确认每一项都有对应的模型文件。

4.4 断网与离线环境

内网机器需要离线部署时，提前在一台联网机器上下载好模型文件和依赖包，通过压缩包复制到目标机器。启动时设置--offline参数可以禁止 ComfyUI 访问网络更新。

python main.py --offline

离线环境最容易遇到的问题就是缺插件，因此拷贝整个custom_nodes目录比单独拷贝脚本更稳妥。

5. 功能测试与效果验证

启动成功后，不要急着追求高画质。按下面的测试顺序，先把每个功能验证一遍。

5.1 文生图基础测试

测试目的：确认从文本提示词到图片生成的链路完整，模型文件和采样器都能正常工作。

操作步骤：

1. 在默认文生图工作流中填入正向提示词，例如a mysterious martial artist, glowing energy, anime style。
2. 反向提示词填写lowres, bad anatomy, extra limbs。
3. 分辨率先设置为 512x512 或 768x768，步数 20，采样器选 Euler。
4. 点击 Queue 按钮运行。

预期结果：队列执行后生成一张图片，右侧预览区域出现生成结果。查看输出目录output里能看到文件。

判断标准：图片没有黑屏、彩噪、明显花屏，说明模型加载正常。如果全黑或花屏，优先检查 VAE 节点是否挂载正确。

5.2 角色一致性测试

测试目的：确认同一角色在多张画面中的风格和五官接近。

这里需要 LoRA 模型或参考图。以 LoRA 为例：

1. 在工作流中加入 LoRA 节点。
2. 选择对应角色的 LoRA 文件，设置权重，比如 0.8。
3. 提示词里加入触发词，具体触发词要看 LoRA 模型的说明。
4. 分别用三组不同场景的提示词生成三张图。

预期结果：三张图中角色服饰和面部风格基本一致，场景背景有明显变化。

如果三张图角色差异很大，先检查 LoRA 是否生效。可以在提示词前后加触发词，或者把 LoRA 权重提高到 1.0 再试。但权重过高可能导致画面过拟合，人物表情和结构畸形。

5.3 ControlNet 姿态控制测试

测试目的：验证角色姿态是否能被参考图约束。

通常用于分镜草稿：先找一张简单的人物动态参考图，通过 ControlNet 的 OpenPose 或 Lineart 提取姿势，再把姿势信息作为约束传入生成节点。

操作步骤：

1. 在 workflow 中加入 ControlNet 加载器和预处理器节点。
2. 上传一张动态参考图到input目录。
3. 连接预处理节点到采样器。
4. 保持提示词不变，观察生成图中人物动态是否符合参考图。

预期结果：生成人物姿态基本复现参考图，同时背景和服装由提示词决定。

常见失败原因是 ControlNet 模型版本与底模不匹配。SD1.5 底模对应 SD1.5 的 ControlNet，SDXL 底模对应 SDXL 的 ControlNet，不能混用。

5.4 批量生成测试

测试目的：验证连续多张出图的稳定性，检查显存释放情况。

操作步骤：

1. 准备一个包含多张参考图的输入目录。
2. 在工作流中使用“加载图像批次”节点，或通过脚本调用 API 提交多组提示词。
3. 连续生成 10 张图。
4. 边生成边打开任务管理器或nvidia-smi观察显存占用。

预期结果：任务不会中途停止，出图文件按任务顺序写入输出目录。

判断标准是看进程是否一直持续到任务结束。如果生成到第几张就卡住，大概率是单个任务释放不完整，可以尝试把 batch size 改成 1，逐张生成。

5.5 图生视频素材准备

如果目标是做短视频素材，通常不在 ComfyUI 里直接生成视频，而是先生成视频关键帧，再用其他工具补帧或做图生视频。具体做法：

1. 先生成角色关键帧图片。
2. 将关键帧作为首帧输入图生视频模型。
3. 通过批量任务生成多段短视频素材片段。

这一步的功能边界是：视频生成对显存要求通常高于静态出图，需要额外测试视频模型是否能加载。判断标准以本机测试为准，不要凭经验直接上大分辨率。

6. 接口 API 与批量任务

ComfyUI 的价值不只是图形界面，它还提供 HTTP API。这意味着你可以写脚本批量提交任务，不必手动操作页面。

6.1 获取工作流 JSON

在 ComfyUI 页面中点击“Save API Format”，导出用于 API 调用的 JSON 文件。这个文件里包含每个节点的输入参数和模型调用关系。实际请求时，只需要替换其中的提示词和输入图片路径。

6.2 提交生成任务

API 的入口路径通常为POST /prompt，请求体格式类似：

{ "prompt": { "3": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "你的底模文件名.safetensors" } }, "6": { "class_type": "CLIPTextEncode", "inputs": { "text": "a martial artist, anime style", "clip": ["3", 1] } } } }

这里给的是简化示例，实际工作流中节点和连线更复杂。你可以通过GET /object_info接口查看所有可用节点及其参数。

提交任务的 Python 示例：

import json import requests api_url = "http://127.0.0.1:8188/prompt" workflow = { "prompt": { # 这里替换为从页面导出的 API Format JSON } } response = requests.post(api_url, json=workflow, timeout=60) data = response.json() print(data.get("prompt_id"))

返回的prompt_id可用于查询任务状态。

6.3 查询任务状态与结果

提交任务后，可以通过历史接口获取执行结果：

history_url = "http://127.0.0.1:8188/history/{}".format(prompt_id) result = requests.get(history_url, timeout=30) print(result.json())

从返回结果中读取输出图片文件名，再到output目录中取文件。

6.4 批量任务队列设计

批量场景下，不建议一次性把几百个任务全部塞进队列。这样一旦中间一个任务因显存不足失败，后面全部受影响。

推荐的做法：

1. 用一个 Python 脚本读取任务清单 JSON，逐条提交。
2. 每次控制并发任务为 1 到 2 个。
3. 提交后轮询状态，超过 120 秒无响应就标记失败。
4. 失败任务写入failed.json，后续统一重试。

python batch_submit.py --input tasks.json --output results/ --retry 3

脚本内部可以循环调用提交接口，间隔时间根据单张生成速度调整。这样既稳定，也方便断点续跑。

7. 资源占用与性能观察

显存占用是这个流程最值得关心的指标。第一次跑任务前，先打开显存监控：

nvidia-smi -l 2

每隔两秒刷新一次，可以看到显存使用率变化。启动模型时显存会快速上升，生成过程中波动不大，任务完成后显存会回落。

影响性能的几个关键参数：

• 分辨率：越大越吃显存，耗时越长。
• 步数：步数越高，采样越慢，但画质不一定线性提升。
• Batch size：一次生成多张图会显著提高显存占用。
• 底模版本：SDXL 系比 SD1.5 更吃显存。
• ControlNet：多一个控制模块，显存开销就多一分。

降低显存占用的通用方法：

1. 先跑小分辨率，比如从 512x512 起步。
2. Batch size 始终设置为 1，通过脚本循环批量提交。
3. 开启低显存优化参数，具体看 ComfyUI 版本支持。
4. 关闭不必要的预览节点，尤其是实时预览。
5. 用轻量 ControlNet 模型替代重型模型，优先保证基础姿态控制。

CPU 推理不是不能用，但速度会慢很多。更稳妥的判断是：CPU 只用来验证工作流是否连通，正式批量生成尽量使用 GPU。

8. 常见问题与排查方法

如果任务在批量过程中卡住，优先看终端日志是否出现显存溢出信息。出现CUDA out of memory时，不要盲目调低分辨率，先检查是否有其他进程占用显存。

9. 最佳实践与使用建议

结合本地 AI 素材生产的常见经验，给几组工程化建议。

第一，第一次跑通后，保存一份最小可用工作流 JSON。这也是你的基线配置。后续修改底模或 LoRA 时，建立在该工作流基础上调整，出问题能快速回退。

第二，目录管理要干净。建议按下面结构整理：

project/ ├── workflows/ # JSON 工作流文件 ├── inputs/ # 参考图输入 ├── outputs/ # 生成结果 ├── models/ # 底模和 LoRA 的备份或链接 └── tasks/ # 批量任务清单和失败记录

第三，坚持记录提示词和参数。每批生成时把 Json 配置和生成图片放到同一批目录，后续要复现风格时直接看配置就行。

第四，批量任务要加日志和失败重试。只依赖 ComfyUI 内部队列不够，建议在脚本里记录每个 prompt_id 的状态。失败的任务不要自动无脑重试，先分析失败原因，再决定是否重跑。

第五，接口服务只监听本机。如果需要在局域网访问，设置--listen 0.0.0.0前先确认网络环境可信，并加上访问权限控制。不要让一个未加鉴权的生成服务暴露在公网。

第六，涉及国漫 IP、角色版权、真人肖像的内容，发布前必须做合规审查。生成图不等于可随便使用，原角色设计、同人二创和商用之间有很大区别。

10. 总结与下一步

这个流程最值得尝试的点，是把“异人之下”这类国漫角色素材从手工制作变成可批量、可复现、可 API 化的工作流。你不需要一次搭建很复杂的节点图，先把文生图跑通，再逐步加入 LoRA 和 ControlNet。

最先应该验证的是角色一致性。如果你连基础的文生图都稳定，再加任务量只是脚本的事。最容易踩的坑集中在模型文件放错目录、ControlNet 版本不匹配、显存不足这三类，遇到问题先查终端的报错日志。

后续可以继续扩展的方向：接入图生视频工作流、训练自己的角色 LoRA、把生成服务封装成 Web API、结合人工审核流程做成半自动素材生产线。建议先保存本文的通用步骤，跑通最小工作流后再逐步加复杂度。