在 ComfyUI 中打造 AI 女友角色：视觉一致性工作流

如果你曾尝试在多张图片里生成一个一致的 AI 女友角色，那你一定懂那种痛苦。你拿到一张惊艳的肖像，想换个姿势重现同一张脸，结果她突然换了一个完全不同的鼻子和下颌线，还莫名其妙地老了十五岁。简直让人抓狂。在我终于摸索出一套真正有效的 ComfyUI 工作流之前，我为了追求一致性烧掉了成千上万次生成。

这里的秘密武器，是在 ComfyUI 里把 IPAdapter 和 FaceID 结合起来用。不是二选一，而是两者一起，同时使用。而且具体的权重数值，比大多数教程透露出来的还要重要得多。我会带你逐个节点地走一遍我自己使用的确切工作流，并附上我在过去一年里反复测试得出的参数。

快速答案： 在 ComfyUI 中打造一个一致的 AI 女友角色需要一种双重锁定的思路：IPAdapter（权重 0.85）负责整体风格、身体比例和服装的一致性，而 FaceID（权重 0.6 至 0.7）专门锁定面部特征。再配合 0.4 至 0.6 的去噪范围，这套工作流可以生成几十张图片，让你的角色在不同姿势、服装和场景里依旧能被认出是同一个人。

为什么 ComfyUI 在角色一致性上胜过其他所有工具？

我要说一句可能会惹恼一些人的话：如果你做角色一致性工作还在用 A1111 的 WebUI，那你是在用更大的力气换更差的结果。没错，我就这么说了。ComfyUI 基于节点的架构不只是一个不同的界面，对于这项特定任务，它从根本上就是一种更优越的方法。

原因如下。在传统界面里，你有一个填提示词的文本框、几个滑块，然后点击生成。如果你想同时用 IPAdapter 加 FaceID 加 ControlNet 加区域提示，你只能一层层堆叠扩展，然后祈祷它们别冲突。在 ComfyUI 里，这些每一项都是一个独立节点，连接关系一目了然。你可以清楚看到数据如何从参考图流经 IPAdapter，FaceID 如何单独处理面部特征，以及所有东西在进入采样器之前如何汇合。

我大约十四个月前正是为了这类工作切换到了 ComfyUI，我的一致性命中率从大概 40% 提升到了 85% 以上。这不是微不足道的进步，这是花一个晚上就能生成可用内容，与花一个周末才行之间的差别。

节点系统还意味着你可以把条件逻辑构建进工作流。想根据目标姿势与参考图的差异程度自动调整 FaceID 强度？可以做到。想让某些生成走一遍额外的精修流程，而对更简单的构图跳过这一步？同样可行。你在标准界面里试试看。

如果你是从 Stable Diffusion WebUI 世界过来的，我写过一篇用 Stable Diffusion 创建 AI 女友角色的完整指南，里面讲了基础知识。可以把这篇 ComfyUI 指南看作那套方法的进阶、更强大的延续。

搭建基础：所需的节点与模型

在我们构建工作流之前，你需要先装好正确的工具。少装一个节点包就会让整条管线崩溃，而 ComfyUI 的报错信息在告诉你缺了什么这件事上，并不总是有帮助。

必备的自定义节点包

你需要通过 ComfyUI Manager 或手动用 git clone 安装这些：

• ComfyUI_IPAdapter_plus - 这是风格一致性的支柱。"plus" 版本包含统一加载节点，能大幅简化模型管理。
• ComfyUI-FaceID - 负责面部特征的提取与应用。现在有些版本已经和 IPAdapter Plus 打包在一起，但要确认你的版本包含 FaceID 专属节点。
• comfyui_controlnet_aux - 用于姿势检测的预处理器节点，当你要让角色摆出不同姿势时会用到。
• ComfyUI-Impact-Pack - 并非严格必需，但里面的人脸检测和分割工具对质量把控极其有用。

你需要下载的模型

IPAdapter 的模型情况可能令人困惑，因为外面流传着多个版本。下面是你确切需要拿到的东西：

1. ip-adapter-plus-face_sdxl_vit-h.safetensors - 这是为 SDXL 优化面部的 IPAdapter 模型。做角色工作不要用通用版。
2. ip-adapter-faceid-plusv2_sdxl.bin - FaceID v2 模型。v2 这次更新在处理侧脸时带来了明显的差别。
3. buffalo_l - InsightFace 的分析模型。FaceID 用它来提取面部特征点。把它放进 models/insightface/models/buffalo_l/。
4. 你偏好的 SDXL 检查点 - 我会根据想要的美学风格在 RealVisXL 和 JuggernautXL 之间混用。

我刚开始时被困扰了好几周的一件事是，InsightFace 模型的目录结构很重要。不只是有文件就行，它们需要按确切的子文件夹结构放在 models/insightface/models/buffalo_l/。我花了相当难堪的一段时间去排查一个 "model not found" 报错，结果只是文件夹嵌套层级的问题。

显示 IPAdapter 和 FaceID 节点连接到 KSampler 的完整工作流

如何创建完美的参考图？

这正是大多数人出错的地方，也是最关键的一步。你的参考图是角色的 DNA。每一次生成都会继承它的特质，无论好坏。喂进一张平庸的参考图，再怎么调权重都救不了你。

什么样的参考图才算好

我对此做过大量测试，用几百张不同的参考图生成同一个角色，规律很清晰。理想的参考图具备这些特质：

• 干净、正面的构图，脸部至少占据画面 30% 至 40%
• 中性表情或微微一笑，因为夸张的表情会让 FaceID 死盯着表情本身，而不是底层的面部结构
• 均匀、柔和的光线，没有那种可能被误读成面部特征的强烈阴影
• 简洁的背景，这样模型就不会试图在每次生成里复制背景元素
• 高分辨率，至少 1024x1024，不过对于 SDXL 工作流来说 1536x1536 或更高会更好

这里有个会和你在别处读到的内容相悖的犀利观点。你不需要多张参考图。事实上，用一张极好的参考图，产生的结果比用三四张还不错的参考图更一致。当你把多张参考图喂进 IPAdapter 时，它会试图取平均，而这个平均过程会弱化那些让你角色独一无二的鲜明特征。一张清晰、光线好、构图佳的参考图，每一次都胜过一堆将就的图。

我通常会用一段非常详细的提示词来生成最初的参考图，完全不开 IPAdapter 或 FaceID。就是纯粹靠提示词工程得到一张我喜欢的脸。然后我用低去噪（0.2 至 0.3）让它跑几遍 img2img 来精修。那张精修过的图就成了我永久的参考图。我有的单张参考图一直陪我跑了超过 500 次一致的生成。

对于想深入了解如何让 AI 角色在大量图片间保持一致这一理论的人来说，AI 一致角色生成器指南对底层原理讲得更深入。

为最佳效果准备你的参考图

不要把参考图原封不动地直接拖进工作流。一点点预处理能起到很大作用：

1. 裁剪成正方形，匹配你的目标生成分辨率
2. 去除任何文字或水印，因为这些可能通过 IPAdapter 渗透出来
3. 调整亮度/对比度，让它中性而非风格化
4. 确保脸部清晰可见，没有头发遮住关键特征之类的遮挡

构建工作流：逐个节点

好了，我们来真正搭这个东西。我会按照数据在工作流中流动的顺序，走一遍每个部分。如果你正在 ComfyUI 里跟着做，可以一步步搭起来。

参考图管线

从一个加载了参考图的 Load Image 节点开始。它会喂进两条并行路径：

路径 1：IPAdapter 处理 把你的参考图连接到 IPAdapter Unified Loader 节点。设置这些参数：

• Model： ip-adapter-plus-face（面部专用变体）
• Weight： 0.85
• Weight Type： Linear
• Start at： 0.0
• End at： 1.0

那个 0.85 的权重至关重要。我以 0.05 为步长测试过从 0.5 到 1.0 的数值，0.85 始终能在一致性和创作自由之间取得最佳平衡。再高，你的生成就开始看起来像参考图的轻微修改版。再低，一致性会在 0.75 附近断崖式下滑。

路径 2：FaceID 处理 从同一张参考图，连接到 IPAdapter FaceID 节点。设置：

• Weight： 0.65（从这里起步，在 0.6 至 0.7 之间调整）
• Weight v2： true（如果你的节点版本里有）
• Combine method： Average

FaceID 的权重比 IPAdapter 的权重更敏感。在 0.7 时，你能得到很强的面部一致性，但有时各次生成的表情会僵硬、雷同。在 0.6 时，表情更自然，但在极端姿势下你可能会看到轻微的面部偏移。我通常把 0.65 作为默认值，只在注意到问题时才调整。

提示词与采样配置

在使用一致性节点时，你的 KSampler 设置比平时更重要。下面是我用的设置：

• Steps： 30 至 35（步数越多越能帮助模型把 IPAdapter/FaceID 的引导与提示词内容协调起来）
• CFG Scale： 5.5 至 7.0（比常规低，因为 IPAdapter 已经在提供很强的引导）
• Sampler： DPM++ 2M SDE Karras
• Denoise： 现有场景的变体用 0.45 至 0.55，全新构图用 0.7 至 0.8

去噪值值得特别留意。它控制着模型偏离潜空间起点的自由度。做角色一致性工作时，你是在走钢丝。太低，每张图看起来几乎一模一样。太高，一致性节点就锁不住角色的外观。

我通常会在三个去噪等级上批量生成：0.45、0.55 和 0.65。然后从每批里挑出最好的结果。这给流程多加了几分钟，却能极大提升我最终选品的质量。

为一致角色做提示词工程

即便 IPAdapter 和 FaceID 在挑大梁，你的文本提示词依然重要。但在这种情境下，你需要换一种思路来写提示词。

提示词里应该包含什么：

• 场景描述（地点、时间、活动）
• 本次生成特有的服装和配饰
• 镜头角度与取景（特写、全身、四分之三）
• 光线氛围
• 质量标签，比如 "masterpiece, best quality, highly detailed"

提示词里应该省略什么：

• 具体的面部特征描述（FaceID 来处理）
• 肤色（IPAdapter 会从你的参考图迁移过来）
• 发色和发型（除非你有意要它不同）
• 体型描述（IPAdapter 会处理比例）

这里还有一个犀利观点：我看到有人在开着 FaceID 的情况下，写 200 个词的提示词去描述角色的脸。你这是在跟自己的一致性工具对着干。让 FaceID 去处理脸。把你的提示词词元用在其他所有东西上。我有些最好的结果，提示词简单到只有 "woman sitting in a coffee shop, afternoon light, casual outfit, looking at camera, masterpiece quality"。

使用 IPAdapter 加 FaceID 工作流，同一角色在四个不同场景中保持一致

哪些最常见的错误会毁掉一致性？

在 Discord 上以及通过 Lewdly.ai 帮几十位创作者搭建一致性工作流之后，我看到同样的错误一次又一次出现。让我帮你省去一些挫败感。

错误 1：跟自己的一致性工具对着干

这是最大的一个，我前面已经提到过。如果你的提示词写着 "blue eyes, small nose, round face"，而你的参考图里是一个绿眼睛、鼻子突出、脸型棱角分明的角色，模型就只能做选择。有时它选提示词，有时它选参考图，有时它别扭地折中。结果就是源于指令冲突的不一致。

解决办法很简单。信任你的参考图和 FaceID。如果你想让角色有蓝眼睛，就确保你的参考图里是蓝眼睛。别想在提示词里去覆盖它。

错误 2：使用过于风格化的参考图

我曾经花了整整一个周六排查不一致问题，结果发现罪魁祸首是我的参考图带有夸张的动漫式赛璐珞着色。IPAdapter 一直试图在每次生成里复制那种特定的光照风格，这跟我写实的场景描述产生了冲突。当我换成一张光线中性的参考图后，一切都顺了。

你的参考图应当在视觉上足够中性，不会把某种特定氛围或风格强加到每次生成上。把戏剧化的光线留给你的提示词。

错误 3：忽视分辨率匹配

如果你的参考图是 512x512，而你在 1024x1024 下生成，IPAdapter 模型就得对它对角色的理解进行放大。这会引入噪声和不一致。让你的参考图分辨率匹配生成分辨率，或者至少保持在同一个量级。

错误 4：跳过面部裁剪

具体到 FaceID，给它喂一张脸在画面里很小的全身照，能让它参考的信息就非常有限。许多工作流会包含一个自动面部裁剪节点，在把图送给 FaceID 之前先提取出脸部区域。如果你的没有，就加一个。面部一致性上的差别会立刻显现出来。

错误 5：从不测试你的设置

我可以给你我推荐的权重，但你具体的模型检查点、参考图和主题内容都会影响最优数值。花三十分钟在不同的 IPAdapter 和 FaceID 权重下生成测试批次。做一个简单的网格来对比结果。一旦你开始做正式的批量生成，这点小投入会有巨大回报。

追求最大一致性的进阶技巧

一旦你让基础工作流稳定运行起来，还有几种技巧能把一致性推得更高。正是这些东西把休闲玩家，和那些能用单个角色构建出整套视觉叙事的创作者区分开来。

用 ControlNet 做姿势引导

在工作流里加入 ControlNet（具体是 OpenPose），可以让你指定确切的姿势，同时由 IPAdapter 和 FaceID 维持角色的外观。这里的关键设置是 ControlNet 强度，保持在 0.7 至 0.8。再高的话，姿势引导就可能干扰 FaceID 对面部特征的应用。

我通常会从真实的参考照片中生成一批 OpenPose 骨架，然后用它们来驱动角色的多样姿势。这样得到的姿势自然、像真人，而不是纯靠提示词驱动姿势变化时那种僵硬、不自然的姿态。

用区域提示更换服装

想让角色在不同生成里穿不同的衣服？区域提示节点能让你对图片的不同区域应用不同的文本提示词。你可以把服装区域遮罩出来，在那里应用针对特定服装的提示词，同时让脸和体型完全交给 IPAdapter 和 FaceID 控制。

老实说，这是整套一致性工具箱里最强大的技巧之一，也是我在 Lewdly.ai 上创建角色变体时常用的方法。角色在穿着完全不同的衣服、身处完全不同的场景时，依然能保持像素级一致。

精修流程小窍门

这里有一个我在别处没怎么见人讨论过的技巧。在你完成最初的生成后，把输出送进第二个 KSampler 流程，去噪极低（0.15 至 0.25），并用相同的 IPAdapter/FaceID 输入。这个 "精修流程" 会在不显著改变构图的前提下，巧妙修正第一次生成时悄悄出现的任何面部偏移。

可以把它想象成校对。第一遍写出文章，第二遍抓出错别字。我发现这个技巧能挽救大约一半那些本会有轻微不一致的图片。在大批量生成中，这个挽救率累加起来相当可观。

批处理实现规模化

如果你在为自己的角色构建内容库，你会想要大规模生成。ComfyUI 原生支持批处理，你可以搭建基于队列的生成，让它跑完几十条提示词，同时锁定你的一致性设置。我在我的 ComfyUI 批处理工作流自动化指南里对此做了详细讲解，而这种批处理方式与这套一致性工作流配合得天衣无缝。

我典型的一次批量运行会包含 30 到 50 条提示词，每条描述一个不同的场景或情境，全部通过相同的 IPAdapter 和 FaceID 节点配合我的参考图来生成。在 50 次生成里，我通常会留下 40 到 45 张。这是大多数手动工作流望尘莫及的产出速率。

如何处理不同角度与表情？

这是我被问得比其他任何问题都多的问题，而且老实说，这正是这套工作流真正展现魔力的地方。让角色在正面肖像里看起来一致相对容易。但要在她回头看肩膀、大笑，或者用低角度拍摄时维持这种一致性？那才是大多数工作流崩溃的地方。

角度难题

FaceID 从你的参考图里提取面部特征点，而这些特征点本质上与参考照片的角度绑定在一起。当你生成一个差异极大的角度时，FaceID 就得推断从新视角看这些特征点会是什么样子。有时它能搞定，有时则不行。

变通办法出奇地简单：为你的角色制作 2 到 3 张不同角度的参考图（正面、四分之三、侧面），然后根据目标构图在它们之间切换。生成侧脸镜头时，用你的侧面参考图。生成正面镜头时，用你的正面参考图。这能给 FaceID 提供每个特定角度都好得多的源数据。

是的，这跟我前面关于使用单张参考图的建议略有矛盾。其中的微妙之处在于，对于基础工作，一张参考图就够了。但要在极端角度变化下做出专业品质的输出，准备好角度专属的参考图，就能消除 FaceID 最大的弱点。

表情管理

FaceID 在较高权重（0.7 以上）时，往往会锁定参考图里的表情。如果你的参考图是一张中性的脸，你的角色可能在每次生成里都显得面无表情。解决办法是，对于那些你想要富有表情的脸的生成，把 FaceID 权重稍微降低（0.55 至 0.60），并更多地依靠提示词来描述想要的表情。

像 "laughing candidly"、"surprised expression" 或 "gentle smile" 这样的提示词，在这些较低的 FaceID 权重下效果很好。模型有足够的自由去调整表情，而 FaceID 仍然维持着底层的面部结构。

我最近花了一个周末为 Lewdly.ai 上的一个项目测试这一点，发现根据场景需要情绪还是需要中性，在 0.55 和 0.65 的 FaceID 权重之间交替，产生了我生成过的最自然的角色系列。

FaceID 权重对比：0.55（左）允许更多表情变化，0.70（右）更紧地锁定特征

在不牺牲质量的前提下优化速度

当你正想构建一个角色图库时，没人愿意每次生成都等上十分钟。下面是我用的、不会实质影响质量的速度优化。

硬件考量

这套工作流在显存至少 12GB 的 GPU 上跑得最好。IPAdapter 加 FaceID 加 SDXL 很吃内存。在 RTX 3060 12GB 上，1024x1024 下每张图大约要 45 到 60 秒。在 RTX 4090 上，这会降到大约 12 到 15 秒。如果你遇到显存问题，可以试着在 ComfyUI 的设置里开启注意力切片，不过这会让生成慢上大约 20%。

聪明的批处理策略

与其一次生成一张再去评估，不如把 8 到 12 张排进队列，配上略有变化的提示词。每张图的耗时会下降，因为模型加载和预处理是每批做一次，而不是每张图做一次。在我的 4090 上，一批 10 张图总共大约花 100 秒，而单独生成它们则要 150 秒。

缓存你的一致性管线

ComfyUI 会在多次运行之间缓存节点输出。如果各次生成之间只有提示词变化（相同的参考图、相同的 IPAdapter/FaceID 设置），一致性管线就不需要重新处理。这意味着从你第二次生成开始就会明显更快。要利用好这一点，把你所有的生成都排在一次会话里，而不是分散到多次。

常见问题排查

即便设置完美，事情也会出错。下面教你诊断并修复最常见的问题。

角色在全身照里看起来不一样

当脸只占整张图很小一部分时，IPAdapter 的影响力会减弱。对于全身照，把 IPAdapter 权重提到 0.90 至 0.95，并加一个面部细节修复节点（比如 Impact Pack 里的 FaceDetailer）作为后处理步骤。这套组合拳通过 IPAdapter 维持身体一致性，同时 FaceDetailer 修正任何面部偏移。

各次生成之间颜色发生偏移

如果你角色的肤色或发色在各次生成之间漂移，通常是 CFG 尺度的问题。较高的 CFG 值会放大颜色差异。试着降到 5.0 至 5.5，让各次生成的颜色还原更稳定。

FaceID 在下颌线周围产生伪影

这发生在 FaceID 的权重相对整体生成过高时。修复办法通常简单到只需以 0.05 为步长降低 FaceID 权重，直到伪影消失。如果这样还不行，检查一下你的参考图在下颌线周围是否有什么不寻常的阴影或伪影，FaceID 可能在试图复制它们。

角色看起来像 "贴上去的"

当角色看起来像是被合成到背景上、而不是自然存在于场景中时，意味着 IPAdapter 的影响力过于主导。把 IPAdapter 权重降到 0.75 至 0.80，并把去噪提到 0.6 至 0.65。这给模型更多空间，把角色自然地融入场景环境里。

关于在不同类型的 AI 生成内容中维持面部一致性，AI 网红面部一致性技巧指南介绍了一些能与这套工作流互补的额外策略。

我推荐的起步设置

在测试了数百种配置之后，下面是我推荐的确切起点。基于你具体的检查点和参考图，从这里开始微调。

参数	数值	备注
IPAdapter 权重	0.85	想要更多创作自由就降到 0.75 至 0.80
IPAdapter 模型	plus-face SDXL	始终使用面部专用变体
FaceID 权重	0.65	根据表情需求在 0.55 至 0.70 之间
去噪	0.50	近似变体用 0.40 至 0.45，新场景用 0.65 至 0.75
CFG 尺度	6.0	保持在 5.0 至 7.0 之间
步数	32	最少 28，超过 40 收益递减
采样器	DPM++ 2M SDE Karras	这套工作流中质量与速度的最佳平衡
分辨率	1024x1024	匹配你的参考图分辨率

这些不是随便定的数字。每一个都代表着一个经过测试的范围的中心，在多个检查点和参考风格下都能稳定产出最好的结果。从这里起步，你就已经领先了那些只会让你 "实验一下，找到适合的" 的教程里 90% 的水平。

常见问题

我能用 SD 1.5 而不是 SDXL 来跑这套工作流吗？ 可以，但你需要 IPAdapter 和 FaceID 模型的 SD 1.5 版本。我推荐的权重是为 SDXL 优化的。对于 SD 1.5，从 IPAdapter 权重 0.80 和 FaceID 权重 0.60 起步，因为更小的模型对这些条件输入的反应更激进。

我实际上需要多少张参考图？ 对大多数使用场景，一张极好的参考图就够了。如果你在做极端角度的变化（侧面、俯视/仰视），准备 2 到 3 张角度专属的参考图会有帮助。永远不要用超过 4 张参考图，因为平均太多张脸会稀释你角色的鲜明特征。

这能用在动漫风格的模型上吗？ IPAdapter 在动漫模型上表现不错，但 FaceID 是为写实人脸设计的。对于动漫角色，单独使用 IPAdapter 并调到较高权重（0.90 至 0.95），完全跳过 FaceID。IPAdapter 的风格迁移通常足以保证动漫的一致性，因为面部特征更风格化、也更容易维持。

我能在各次生成之间更换角色的发型吗？ 可以，但有局限。IPAdapter 会试图维持参考图的发型。要覆盖它，就为新发型用强力的提示词措辞，并考虑在那些特定生成里把 IPAdapter 权重降到 0.70 至 0.75。把头发区域遮罩出来的区域提示效果还要更好。

我该如何保存和分享我的工作流？ ComfyUI 支持把工作流导出为 JSON 文件。用菜单里的 Save 按钮，或按 Ctrl+S。JSON 文件会记录所有节点连接和设置，但不包含模型文件本身。分享时，附上一条说明，注明需要哪些模型。

IPAdapter 和 IPAdapter Plus 有什么区别？ "Plus" 变体使用更大的 CLIP 视觉模型（ViT-H 对比 ViT-G）来获得更好的图像理解。做角色一致性工作时，始终使用 Plus 变体。质量差别很显著，尤其是在面部特征和精细细节上。

我的生成看起来过饱和了，怎么修复？ 过饱和通常来自 IPAdapter 放大了你参考图的色彩特征。试着预处理你的参考图，让它的颜色略微去饱和、偏中性。或者，在生成之后加一个色彩校正节点来把饱和度归一化。

我能把这个和 LoRA 模型结合吗？ 完全可以。用于风格或特定美学的 LoRA 模型与 IPAdapter 和 FaceID 配合得很好。在 IPAdapter 条件链之前把 LoRA 应用到你的模型上。把 LoRA 强度保持适中（0.6 至 0.8），以避免与 IPAdapter 的风格引导冲突。

这跟为我的角色训练一个自定义 LoRA 相比如何？ 训练好的 LoRA 会把你的角色直接嵌入模型权重，提供最强的一致性。而 IPAdapter/FaceID 方法搭建更快（几分钟对比几小时训练），也更灵活（更换参考图是即时的）。对于严肃的长期项目，可以考虑训练一个 LoRA，并用 IPAdapter/FaceID 作为补充性的一致性检查。

这套工作流能在云 GPU 服务上跑吗？ 能。像 RunPod 和 Vast.ai 这样的服务可以用这套工作流运行 ComfyUI。确保你选择一个显存至少 16GB 的实例，以便在所有一致性节点都激活的情况下舒适地进行 SDXL 生成。开始之前先把你的参考图和模型文件上传到实例。

收尾：从理论到实践

我在这里勾勒的工作流不是空谈。它正是我在 Lewdly.ai 上做角色一致性项目时运行的确切管线，经过了数千次测试生成和真实的生产使用打磨。IPAdapter 调到 0.85、FaceID 调到 0.65，再配上合理的去噪值，产出的结果在仅仅十八个月前还像是不可能做到的。

如果你有 Stable Diffusion WebUI 的背景，预料到 ComfyUI 的节点界面会有一段学习曲线。值得你撑过那最初的困惑。一旦工作流上手，你会想不通自己以前是怎么离得开它的。看着数据在节点间流动的视觉反馈、分支与合并处理路径的能力，以及对每一个参数的精细掌控，给了你一种任何简化界面都无法企及的创作力量。

从一张极好的参考图开始。用 IPAdapter 和 FaceID 搭建基础工作流。按我推荐的设置生成一批 10 张的测试。如果结果看起来不错，就开始尝试角度变化和表情管理。如果有什么看着不对劲，回头参考排查那一节。最常见的问题都有直截了当的修复办法。

AI 生成里的角色一致性，曾经是少数掌握自定义训练管线的专家所修炼的一门玄学。如今它是一套你可以在一个下午搭起来、并稳定运行数月的工作流。这就是 ComfyUI 节点生态的力量，而坦白说，这是自扩散模型首次走向主流以来，我所见过的 AI 艺术工具领域里最激动人心的进展之一。