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. 核心能力速览能力项说明项目类型本地 AI 素材生成工作流以 ComfyUI 为核心主要功能文生图、图生图、局部重绘、角色一致性、批量生成、图生视频素材准备技术栈ComfyUI、Stable Diffusion 底模、LoRA、ControlNet、Python硬件要求需要 NVIDIA 显卡显存越大越稳CPU 模式可跑但速度慢建议仅用于调试显存占用取决于底模、分辨率、步数和批量大小需按实际环境测试支持平台Windows / LinuxmacOS 视 PyTorch 支持情况而定启动方式一键启动脚本 / 命令行启动 / 接口服务启动是否支持 API支持ComfyUI 提供 HTTP API可提交工作流并获取结果是否支持批量任务支持通过输入目录或脚本循环批量提交适合场景国漫同人图生成、角色参考图、分镜草稿、自媒体视频素材、批量风格化处理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 软件依赖准备依赖项用途Python 3.10 / 3.11运行 ComfyUI 及其插件Git拉取项目代码NVIDIA 驱动 CUDA 工具包GPU 加速Pytorch 需要调用 CUDAPyTorchAI 模型推理的基础库底模文件配置在 ComfyUI/models/checkpoints 目录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 ComfyUIWindows 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 8189Linux 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。反向提示词填写lowres, bad anatomy, extra limbs。分辨率先设置为 512x512 或 768x768步数 20采样器选 Euler。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 为例在工作流中加入 LoRA 节点。选择对应角色的 LoRA 文件设置权重比如 0.8。提示词里加入触发词具体触发词要看 LoRA 模型的说明。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。操作步骤在 workflow 中加入 ControlNet 加载器和预处理器节点。上传一张动态参考图到input目录。连接预处理节点到采样器。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 ControlNetSDXL 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。操作步骤准备一个包含多张参考图的输入目录。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。连续生成 10 张图。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。具体做法先生成角色关键帧图片。将关键帧作为首帧输入图生视频模型。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, jsonworkflow, timeout60) 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, timeout30) 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。推荐的做法用一个 Python 脚本读取任务清单 JSON逐条提交。每次控制并发任务为 1 到 2 个。提交后轮询状态超过 120 秒无响应就标记失败。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先跑小分辨率比如从 512x512 起步。Batch size 始终设置为 1通过脚本循环批量提交。开启低显存优化参数具体看 ComfyUI 版本支持。关闭不必要的预览节点尤其是实时预览。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问题现象可能原因排查方式解决方案启动后页面打不开端口被占用或服务未启动检查终端日志确认端口监听更换端口或用--port启动依赖安装失败Python 版本不匹配或缺少编译环境查看 pip 报错日志使用整合包环境或切换到 Python 3.10/3.11模型文件找不到文件名错误或目录放错检查 models 目录结构将模型放到对应子目录核对文件名PyTorch 检测不到 GPU驱动或 CUDA 版本问题执行torch.cuda.is_available()更新驱动安装匹配的 CUDA 版本图片全部黑色或花屏VAE 未正确连接检查 VAE 节点添加 VAE 加载器并连接批量任务卡住不跑单个任务死锁或显存不足观察 nvidia-smi 和日志调小批量参数逐张重试API 返回超时单张生成时间过长查看耗时日志降低分辨率和步数或增加等待时间角色一致性问题LoRA 没有触发或权重过低检查提示词触发词和 LoRA 权重参考 LoRA 模型说明调整权重和触发词输出图片分辨率超出显存显卡显存不足查看失败原因RuntimeError: CUDA out of memory降低分辨率开启低显存优化节点显示红色缺少自定义节点插件未安装查看缺失模块名称在 custom_nodes 目录安装对应插件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。