企业官网建设流程全解析

把“樱花侦探×红心皇后”做成一套可复用的 AI 绘画视觉企划，最值得讲清楚的不是“写提示词”，而是角色一致性控制、主题氛围适配和后期批量交付。作为一个二次元视觉创作类的技术实践，这个项目非常典型：它既有一个明确的人设方向（樱花侦探、红心皇后、七夕限定），又涉及从角色设定、AI 生成、局部修图到统一色调的完整流程。如果你也想给自己喜欢的主题角色做一组节日限定视觉图，那这篇文章正好能帮你把整个管线跑通。

很多人拿到这类标题的第一反应是去找现成图片、搜“同款提示词”，但实际做下来会发现：提示词只是最外层，真正决定成品质量的是三步——建立角色锚点、控制画面结构、统一后期风格。本文会围绕这三个点，拆解一个可落地的 AI 绘画视觉企划流程，包含环境准备、核心概念、生成代码、排查清单、工程建议，适合正在做角色立绘、虚拟主播视觉、同人创作或 AI 辅助设计素材的开发者参考。

1. 这类企划项目的痛点与技术边界

做一个带有明确人设和节日主题的视觉企划，看起来是“画画”的事，但对技术型创作者来说，它几乎是半个 AI 绘画工程问题。为什么这么说？因为这类项目通常一次要产出一组图，而不是一张单图。比如“七夕限定”这个关键词，就暗示了它需要围绕同一个角色产出多个姿势、多个背景、多种构图，至少包括封面图、头像、竖版壁纸、横版 Banner 这几种规格。

如果只用传统手工绘制，问题在于“同一个角色在不同画面里保持一致”极其消耗时间和精力。而如果完全依赖 AI 绘图的随机生成，问题又会走到另一个极端：每一张图都很精美，但放一起看，角色的五官、发型、服装细节对不上，角色“变脸”了，整体像几个长得有点像的人，而不是同一个人。

这正是“角色一致性”问题的典型表现。真正解决它，靠的是三个技术点的配合：模型层面的 LoRA 角色训练、构图层面的 ControlNet 控制、像素层面的局部修复与统一后期。

从更广的角度看，这类企划的价值也不止于“好看”。对做 AI 绘画工具、虚拟角色企划、多媒体海报自动生成、或者内容平台视觉素材的人来说，这套流程其实就是一条“可控角色视觉资产生产线”。步骤跑通以后，同样的方法可以快速迁移到“圣诞限定”“新春限定”“生日限定”，只是换主题词和元素，角色还是那个角色。

所以本文的边界也很明确：不讨论传统手绘板绘技法，不把重点放在某一个具体大模型的参数上，而是围绕“同一角色如何稳定输出一组主题限定视觉图”这个问题，给出完整的技术实现路径。适合阅读的人包括：正在尝试虚拟角色视觉设计的内容创作者、刚接触 AI 绘画但想做得规范一点的开发者，以及需要在项目中集成 AI 生图能力的工程师。

2. 核心概念：角色锚点、LoRA、ControlNet 与主题限定

在进入实操之前，先讲清楚几个关键概念。如果你已经熟悉 Stable Diffusion 和 ComfyUI，可以快速翻到第 4 节；如果你是第一次接触，建议把这一节读完，因为后面所有步骤都建立在它上面。

2.1 角色锚点：让人设可复用的关键

所谓“角色锚点”，并不是某个固定名词，而是指一组用来锁定角色的描述信息。一个完整的视觉角色锚点至少包括几个维度：面部特征（眼睛颜色、发型、脸型）、服装标志（大衣风格、徽章、配饰）、色彩方案（主色、辅色）、标志性物件（红心权杖、樱花胸针、扑克牌元素）。

在传统创作里，角色锚点体现为“设定图”和“三视图”。在 AI 绘画工作流里，角色锚点体现为“LoRA 模型 + 稳定提示词 + 参考图”。没有锚点的 AI 生成，就像让一个演员每场戏都换一张脸；有锚点之后，演员才有稳定的“脸”。

本文标题里的“樱花侦探”和“红心皇后”，本质上就是一个锚点组合：樱花代表季节和气质，侦探代表服装和场景倾向，红心皇后代表视觉符号和色彩中心。落到角色设计上，可以做成一套统一的视觉规则，例如燕尾服、樱花纹章、红心主题权杖，再配合七夕限定的星空和鹊桥元素。

2.2 LoRA：把角色训练进模型

LoRA（Low-Rank Adaptation，低秩适配）是目前实现角色一致性最主流的方案。简单来说，它是在一个大模型基础上，追加一个体积很小的适配文件，让模型在生成时更倾向于输出“符合某个角色特征”的结果。

用类比理解：基础模型是“什么都能画”的画师，LoRA 是给他看的一组“这个角色长什么样”的参考速写。画师画别的图时还用原来的能力，但当提示词里出现与这个 LoRA 相关的内容时，他会不自觉地按速写里的特征来画。

在实际工作流中，训练一个角色的 LoRA 往往需要准备一批同一角色的图片，配上描述文本进行训练。没有训练条件时，也可以先用社区已有 LoRA 里接近的角色模型，再通过提示词和后期修复来“微调”成目标角色。

2.3 ControlNet：控制构图和姿势

ControlNet 是另一个重要组件，它解决的是“画面结构可控”的问题。只用提示词生成图，AI 对姿势和构图的控制能力比较弱。尤其是当你需要“同一角色、多个动作、多角度取景”时，靠随机抽卡效率太低。

ControlNet 的做法是给生成模型额外输入一个控制信号，常见的有：OpenPose 骨骼图（控制人物姿势）、Canny 边缘图（控制轮廓）、Depth 深度图（控制空间关系）、Scribble 涂鸦（粗略构图）。

放在这个项目里，ControlNet 可以让红心皇后的姿势、权杖的指向、画面的对称结构都有迹可循。如果你想生成一张“角色坐在蔷薇花椅上、右手举红心权杖”的画面，你可以先摆好一个 3D 软件里的姿势骨架，或者用示意图生成 openpose 图，然后让 AI 在这个姿势约束下进行细化。

2.4 七夕限定：主题装饰与色彩氛围

“七夕限定”在这个项目里不仅是时间标签，更是视觉氛围的关键词。限定的实现方式不是让角色本身改变，而是调整背景元素、光线氛围和装饰符号。

实操中可以把七夕元素拆成可替换的“素材层”：银河背景、鹊桥剪影、牵牛花或蔷薇花饰、夜空色、柔光和星空粒子。这些素材层可以在 AI 生成阶段通过提示词加入，也可以在后期用图像处理软件叠上去。

比起“角色完全重画”，用这种方式做限定海报会更快，也更符合量产需求。

3. 环境准备：硬件、软件与图片规范

在开始生成之前，先把环境准备清楚。这里不会写死具体版本，因为 AI 绘画生态更新太快，但会给出一个完整的选型思路。

3.1 硬件要求

AI 生图对显卡要求不低，尤其是使用 Stable Diffusion 类模型时，显存决定了你能否流畅使用 LoRA 和 ControlNet。

显存在 8GB 以上，可以比较舒服地生成 512x512 或 768x768 的图；显存在 12GB 以上，可以尝试使用 SDXL 级别的大模型；如果是没有独立显卡的环境，建议使用在线生图服务。这个项目的目标输出通常是海报级图片，所以推荐准备 16GB 以上显存，或者使用云端 GPU。

3.2 软件选型

目前主流的有两类：

• WebUI（Stable Diffusion WebUI）：界面化，插件生态丰富，适合快速出图和沟通验证。
• ComfyUI：节点式工作流，适合把生成过程工程化、复用化，尤其适合“同一角色批量生成多张图”的场景。

对于这个“七夕限定”项目，我更推荐 ComfyUI。原因是它的工作流可以保存成文件，角色 LoRA、ControlNet、KSampler 参数都能在节点中固定下来。下次做“圣诞限定”时，不需要重新配置一遍生成逻辑，只需要替换提示词和素材。

3.3 图片规范和文件组织

为了保证产出可用，一开始就约定好图片规格。下面是一张建议的表：

项目目录按阶段划分，会更方便管理：

sakura-queen-project/ ├── 01-reference/ # 角色参考图 ├── 02-lora/ # 训练好的 LoRA 文件 ├── 03-controlnet/ # OpenPose、Canny 等控制图 ├── 04-prompt/ # 提示词和负面提示词 ├── 05-output/ # AI 生成原始输出 └── 06-final/ # 后期处理后的交付图

4. 核心流程拆解：从角色设定到最终交付

整个项目的技术流程可以拆成七个阶段。理解了这七个阶段，你其实就掌握了一套角色视觉企划的基本生产线。

4.1 角色设定定稿

这是所有步骤里最重要但最容易被跳过的环节。先用文字和素材图把“樱花侦探×红心皇后”的锚点定清楚，包括：

• 面部锚点：粉发或深色发、红瞳或琥珀瞳、樱花发饰。
• 服装锚点：深色侦探外套、领口红心徽章、黑色半裙或礼服元素。
• 道具锚点：红心权杖、樱花胸针、扑克牌。
• 色彩锚点：主色 胭脂红、辅色 樱花粉、点缀色 金色和夜空蓝。

建议把这些信息整理成一个 prompt 文件，后面每次生成都以此为基底。

4.2 准备 LoRA 或选择底模

存在现成角色 LoRA 时，直接加载到一个做二次元风格比较出色的基础模型上。如果你要训练自己的 LoRA，至少准备 20 到 40 张同一角色的高质量图，做裁剪和打标后训练。新手不建议上来就训练，先用已有 LoRA 验证流程更重要。

4.3 构图分镜

确定这一个“七夕限定”企划要出多少个画面。建议包括：

1. 红心皇后执权杖正面立绘。
2. 樱花树下回眸半身像。
3. 手持红心，背后是星空鹊桥。
4. 横版 Banner：角色侧身 + 留白区域。
5. 头像特写：樱花和红心元素入镜。

每个画面的构图可以用 ControlNet 控制图先摆好，生成一批草稿后挑最好的继续细化。

4.4 AI 生成

生成阶段是整个流程的核心，但需要注意的是：不要一上来就追求最终成图。先出小图草稿，筛选后再修复和放大。参数上，分辨率与显存匹配；步数建议 20 步到 35 步；采样器可以选择 DPM++ 2M Karras 或 Euler，不同底模表现不同，没有绝对最优。

4.5 局部修复与角色校准

这一步处理 AI 常见的细节崩坏：手部结构、眼睛方向、樱花符号错乱、衣服纹样不完整。这里重点要讲的是，不能靠重新抽卡解决“手指多一根”这类问题。正确方式是在 WebUI 或 ComfyUI 中用局部重绘（Inpaint），精确选择需要修改的区域，配合提示词重新生成。比如把手部区域遮住，提示词写“hands, five fingers”，重绘率开到 0.6 左右。

4.6 统一色调与后期

AI 生成的原始图片，色调往往不统一：有的偏冷、有的偏暖，对比度也不同。做“七夕限定”这类企划时，必须把这一组图放进同一个后期色彩环境里。

后期工具推荐 Photoshop 或开源方案 GIMP / Krita，用 Lightroom 风格的调色思路：统一色温、统一色调曲线、给高光加一点紫红色调、让暗部呈现夜色感。这一步骤看起来不起眼，却是决定整组图“是不是同一组”的关键。

4.7 导出与发布

最后按第 3 节的图片规范导出，并对齐封面、标题区域、水印和发布文案。如果要在不同平台发布，还需要注意平台对图片尺寸的压缩规则。生成文件统一放进 06-final 目录，并保留原始的 prompt、seed 和参数记录，方便复盘。

5. 完整示例：代码、提示词与工作流实现

这节给出三个可直接参考的代码/配置示例：一个基于 Python 的最小生成脚本、一个 ComfyUI 风格的节点清单、一个批量裁剪图片的工程脚本。

5.1 基于 diffusers 的角色生成脚本

如果你更习惯用 Python 代码控制生成，可以直接用 Hugging Face Diffusers 库写一个最小示例。注意，这里的模型路径和 LoRA 路径以你本机实际为准，本文演示的是通用思路。

# 文件路径：sakura_queen/generate_role_art.py import torch from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler # 选择一个适合二次元风格的基础模型目录 base_model_path = "your-base-model-directory" lora_path = "your-role-lora.safetensors" pipe = StableDiffusionPipeline.from_pretrained( base_model_path, torch_dtype=torch.float16, safety_checker=None ) pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config) pipe = pipe.to("cuda") # 加载角色 LoRA，锁定角色特征 pipe.load_lora_weights(lora_path) prompt = ( "1girl, sakura detective, queen of hearts, " "red queen, holding a heart-shaped scepter, " "starry night sky, tanabata,七夕 limited, " "cherry blossom petals, elegant, detailed illustration, " "best quality, masterpiece" ) negative_prompt = ( "lowres, bad anatomy, bad hands, missing fingers, " "extra digits, watermark, text, blurry" ) # seed 固定，便于复现 generator = torch.manual_seed(20240810) image = pipe( prompt, negative_prompt=negative_prompt, height=768, width=512, num_inference_steps=28, guidance_scale=7.5, generator=generator ).images[0] image.save("output/sakura_queen_starry.png")

这段代码做的事情是：加载基础模型 → 加载 LoRA → 输入正向提示词和负面提示词 → 固定随机种子 → 生成一张竖版角色图。看到output/sakura_queen_starry.png文件生成，说明流程已跑通。

5.2 ComfyUI 工作流节点清单

如果用 ComfyUI，我建议把工作流保存下来，方便复用。下面是一个简化节点的示意清单，你可以按这个结构在 ComfyUI 里搭建节点。

CheckpointLoaderSimple → 加载基础模型 LoRALoader → 加载角色 LoRA CLIPTextEncode → 正向提示词（正面） CLIPTextEncode → 负面提示词（反向） LoadImage → 加载 ControlNet 姿势参考图 ControlNetApply → 将控制图接入生成流程 KSampler → 采样生成（步数28，Cfg 7.5） VAEDecode → 解码生成图片 SaveImage → 保存图片

在 ComfyUI 里，你只需要把“正向提示词”替换成你的角色描述，把“LoadImage”换成新的姿势参考图，就可以批量产出同一个角色的多张主题视觉。这比每次在 WebUI 里重新填写参数要高效得多。

5.3 批量裁剪与拼图脚本

最后是一个后期脚本，它的作用是把多张生成图按规则裁剪成不同平台需要的规格，并生成一个九宫格预览。这里使用 Pillow 库。

# 文件路径：post_processing/crop_grid.py from PIL import Image import os input_dir = "../05-output" output_dir = "../06-final" os.makedirs(output_dir, exist_ok=True) files = sorted([f for f in os.listdir(input_dir) if f.endswith(".png")]) # 生成正方形头像 for f in files: img = Image.open(os.path.join(input_dir, f)) width, height = img.size side = min(width, height) left = (width - side) // 2 top = (height - side) // 2 square = img.crop((left, top, left + side, top + side)) square = square.resize((512, 512), Image.LANCZOS) square.save(os.path.join(output_dir, f"avatar_{f}")) # 生成横幅，保留中间 3:1 区域 for f in files: img = Image.open(os.path.join(input_dir, f)) width, height = img.size target_ratio = 3 target_height = int(width / target_ratio) if target_height > height: continue top = (height - target_height) // 2 banner = img.crop((0, top, width, top + target_height)) banner.save(os.path.join(output_dir, f"banner_{f}")) # 拼接九宫格 images = [Image.open(os.path.join(input_dir, f)).resize((256, 256)) for f in files[:9]] grid = Image.new("RGB", (256 * 3, 256 * 3), (0, 0, 0)) for idx, im in enumerate(images): row, col = divmod(idx, 3) grid.paste(im, (col * 256, row * 256)) grid.save(os.path.join(output_dir, "grid_preview.png")) print("done")

这段脚本会直接生成头像、Banner 和九宫格预览三个交付物。实际项目里还会加统一色调的滤镜函数，这里先给你一个工程化的起点。

6. 运行结果与效果验证

生成完成后，怎么判断这组图“成了”？不能只看单张是否好看，要看整组图是否满足三个标准。

6.1 角色一致性检查

把整组图并列放在一起，检查核心锚点是否一致：发型、发色、服装配色、眼睛颜色、标志性道具。如果发现某张图的妆面和服装颜色明显偏了，优先用局部重绘修正，而不是重新整图生成。角色一致性是这个项目最核心的验证指标。

6.2 主题氛围检查

“七夕限定”的氛围体现在背景和光线中。画面里是否出现了七夕相关的视觉元素？夜空的星星、鹊桥剪影、樱花花瓣、红心装饰、柔和的紫蓝色调。如果画面像普通角色图，那说明提示词里的限定元素没被模型重视，可以通过加重相关 token 的权重、加入素材参考图、后期叠色来改善。

6.3 画面细节检查

放大图片检查三个最容易崩的地方：手部、眼睛、装饰符号。红心权杖上如果有复杂纹样，容易模糊；胸前徽章的形状可能不对称；手指数量偶尔出错。发现这些细节问题后，用 inpaint 修复，不要因为“肉眼远看还行”就跳过，因为发布到平台上之后，读者会放大看。

6.4 运行命令与验证步骤

如果使用上面的 Python 脚本，运行命令是：

cd sakura_queen python generate_role_art.py

第一次运行成功后会生成图片。如果报错，先检查两件事：模型路径是否正确；显存是否足够。如果提示 CUDA Out of Memory，把生成分辨率降到 512x512，步数降到 20，再试一次。ComfyUI 环境的报错优先查看红色节点，哪一步报错就从哪一步排查。

7. 常见问题与排查思路

这节整理了一份常见的排错表格，覆盖从环境到后期的典型问题。

8. 最佳实践与工程建议

项目能跑通只是第一步，真正让产出稳定的，是工程化的管理习惯。

8.1 把 prompt 当成代码管理

每个画面都应该有对应的 prompt 文件，记录正向提示词、负面提示词、采样参数、seed、LoRA 权重。不要只在聊天框里临时写提示词。时间一久，你会发现自己根本记不住哪张图是用什么参数生成的。建议用 Markdown 或 JSON 记录，保存到项目目录的 04-prompt 里。

{ "role": "sakura_detective_queen_of_hearts", "lora_weight": 0.8, "seed": 20240810, "width": 512, "height": 768, "steps": 28, "cfg": 7.5, "prompt": "1girl, sakura detective, queen of hearts...", "negative_prompt": "lowres, bad anatomy, bad hands..." }

8.2 固定 seed 复用

在一次生成里，seed 是复现的关键。如果找到了一张效果很好的图，先固定这个 seed，再做微调，能减少大量随机性。当你想切换主题元素时，比如把“星空”换成“雪景”，固定角色 seed 和 LoRA 权重，只改背景描述词，更容易保留角色特征。

8.3 多出图，先选后修

一次多生成几张，从中选择五官结构最稳定、构图最合适的图进行修复，比单张无限重抽更高效。建议一个画面至少生成 4 到 6 张候选图，再做局部重绘。

8.4 注意版权与素材安全

角色视觉企划涉及素材来源合规问题。使用社区 LoRA 和底模时，确认对应模型的许可协议；不要使用来源不明、可能涉及侵权的角色素材。如果需要发布到公开平台，建议在明显位置标注使用的 AI 绘画工具和模型来源，既是对社区的尊重，也能避免后续纠纷。

8.5 工程目录就是你的资产库

把参考图、LoRA、ControlNet 控制图、prompt 文件、生成输出、后期成品分层放好。一方面便于你自己复盘，另一方面，如果以后想复刻“同一角色圣诞限定”，你可以直接复用整套 LoRA、角色 prompt 和生成工作流，只改主题相关部分。这就是角色视觉资产化的核心收益。

8.6 注意平台尺寸压缩

不同平台对封面图的压缩策略不一样，导出前先确认目标平台的推荐尺寸。发布时尽量上传原始高分辨率图，避免二次压缩导致细节丢失。如果没有特殊需求，不要在素材上叠加过大面积的无意义水印，那会影响整体质感。

9. 总结与扩展方向

这篇文章不是要让你学会“一次性生成一张好看的图”，而是讲解如何把“樱花侦探×红心皇后”这样的角色，稳定地产出一整套七夕限定视觉物料。整条链路里最重要的三个技术模块：LoRA 保证角色锚点，ControlNet 保证构图可控，后期的统一色调保证整组图像同一套企划。

你已经可以试着把流程跑起来的方式很简单：先把角色设定写清楚，准备好一个能用的 LoRA，用文中的 diffusers 脚本或 ComfyUI 节点生成第一张图。然后再生成第二张、第三张，对比它们之间的角色一致性，用局部重绘修掉细节问题，最后用裁剪脚本导出成不同平台的尺寸。

下一步值得深入的方向可能有三类：一是训练自己的角色 LoRA，彻底摆脱对通用模型角色的依赖；二是研究 ControlNet 的深度控制，让人物姿势和画面透视更精准；三是完善后期自动化脚本，把调色、裁剪、加水印全部集成到一个 Python 命令中。

做这类企划最忌讳一上来就猛喂提示词，如果没有角色锚点和流程管理，出来的图就像一群借了你角色外壳的临时代演。建议你从这个最小示例开始，把第一组图完整跑下来，再考虑扩展和优化。