Metadata

name: comfyui-painter-tool-pro
slug: comfyui-painter-tool-pro
displayName: ComfyUI绘画专业版
version: 1.0.0
summary: 专业AI绘画工具，支持自动调参、CivitAI模型管理、批量生成、图生图与ControlNet.。ComfyUI绘画专业版 —— 面向专业创作者与设计团队的高级本地AI绘画工具。核心能力:
description: ComfyUI绘画专业版 —— 面向专业创作者与设计团队的高级本地AI绘画工具。核心能力:。可自发提升工作效率. 用于需要comfyui。Use when 需要设计创作、UI设计、海报制作、品牌视觉时使用。不适用于3D建模和动画制作。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。功能涵盖: painter。
license: Proprietary
tools: ["Read","Write","Edit","Bash"]
tags: ["prompt","def","scheduler","steps","cfg"]
category: Creative
pricing_tier: L2-标准级

核心功能: 本技能提供中文交互、化工作流场景等能力。 核心功能: 本技能提供结构化的工作流程和配置指引等能力。

ComfyUI绘画专业版

快速开始

确认运行环境满足依赖说明中的要求
在AI Agent对话中调用本技能,提供必要的输入参数
检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

总览

ComfyUI绘画专业版是面向专业创作者与设计团队的高级本地AI绘画工具，在免费版基础上提供自动调参、CivitAI模型管理、图生图、ControlNet集成、批量生成等专业能力。适用于专业插画、电商产品图、游戏美术、建筑可视化等高阶创作场景.

免费版与专业版对比

能力	免费版	专业版
文生图	支持	支持+自动调参
图生图	不支持	支持
ControlNet	不支持	支持（多类型）
模型管理	基础模型	CivitAI全模型
LoRA支持	不支持	支持
批量生成	不支持	支持（队列管理）
高清放大	不支持	Tiled Upscale
工作流模板	1个默认	多种专业模板
提示词工程	基础建议	高级模板+权重
图像后处理	不支持	修复/迁移/放大

能力描述

1. 自动调参

请求格式

参数名	类型	必填	说明
input	string	是	ComfyUI绘画专业版处理的输入数据或指令
options	object	否	附加配置选项,如模式选择、格式偏好等
callback_url	string	否	异步处理完成后的回调通知URL

import requests
import json
COMFYUI_URL = "http://127.0.0.1:8188"
class AutoTuneGenerator:
    def __init__(self, comfyui_url):
        self.url = comfyui_url
    def auto_tune_params(self, prompt, style="photorealistic"):
        """根据提示词与风格自动优化参数"""
        presets = {
            "photorealistic": {
                "sampler": "dpmpp_2m",
                "scheduler": "karras",
                "steps": 30,
                "cfg": 7.5,
                "denoise": 1.0
            },
            "anime": {
                "sampler": "euler_a",
                "scheduler": "normal",
                "steps": 25,
                "cfg": 6.5,
            },
            "artistic": {
                "sampler": "dpmpp_sde",
                "scheduler": "karras",
                "steps": 35,
                "cfg": 8.0,
            },
            "fast_preview": {
                "sampler": "euler",
                "scheduler": "normal",
                "steps": 12,
                "cfg": 5.0,
            }
        }
        return presets.get(style, presets["photorealistic"])
    def generate_with_auto_tune(self, prompt, negative_prompt="",
                                 style="photorealistic", seed=-1,
                                 width=1024, height=1024, model="sdxl_base.safetensors"):
        """自动调参生成"""
        params = self.auto_tune_params(prompt, style)
        workflow = self._build_workflow(
            prompt=prompt,
            negative_prompt=negative_prompt,
            model=model,
            seed=seed,
            **params,
            width=width,
            height=height
        )
        response = requests.post(f"{self.url}/prompt", json={"prompt": workflow})
        return response.json().get("prompt_id")
    def _build_workflow(self, prompt, negative_prompt, model, seed,
                        sampler, scheduler, steps, cfg, denoise,
                        width, height):
        """构建工作流"""
        return {
            "3": {
                "class_type": "KSampler",
                "inputs": {
                    "seed": seed, "steps": steps, "cfg": cfg,
                    "sampler_name": sampler, "scheduler": scheduler,
                    "denoise": denoise,
                    "model": ["4", 0], "positive": ["6", 0],
                    "negative": ["7", 0], "latent_image": ["5", 0]
                }
            },
            "4": {"class_type": "CheckpointLoaderSimple", "inputs": {"ckpt_name": model}},
            "5": {"class_type": "EmptyLatentImage", "inputs": {"width": width, "height": height, "batch_size": 1}},
            "6": {"class_type": "CLIPTextEncode", "inputs": {"text": prompt, "clip": ["4", 1]}},
            "7": {"class_type": "CLIPTextEncode", "inputs": {"text": negative_prompt, "clip": ["4", 1]}},
            "8": {"class_type": "VAEDecode", "inputs": {"samples": ["3", 0], "vae": ["4", 2]}},
            "9": {"class_type": "SaveImage", "inputs": {"filename_prefix": "ComfyUI_Pro", "images": ["8", 0]}}
        }

处理: 解析自动调参的输入参数,完成核心逻辑,返回处理结果. 输出: 返回自动调参的响应数据,包含返回码、数据和处理记录.

通过input_params参数指定操作类型(创建/查询/导出)

2. CivitAI模型管理

import os
import requests
from pathlib import Path
class CivitAIManager:
    def __init__(self, api_key, comfyui_models_dir):
        self.api_key = api_key
        self.models_dir = comfyui_models_dir
        self.base_url = "https://civitai.com/api/v1"
    def search_models(self, query, model_type="checkpoint", limit=10):
        """搜索CivitAI模型"""
            f"{self.base_url}/models",
            params={"query": query, "types": model_type, "limit": limit},
            headers={"Authorization": f"Bearer {self.api_key}"}
        )
    def download_model(self, model_id, version_id, model_type="checkpoint"):
        """下载模型"""
            f"{self.base_url}/models/{model_id}",
        )
        model_info = response.json()
        for version in model_info.get("modelVersions", []):
            if version["id"] == version_id:
                download_url = version["downloadUrl"]
                filename = f"{model_info['name']}_{version['name']}.safetensors"
                save_dir = os.path.join(self.models_dir, model_type + "s")
                os.makedirs(save_dir, exist_ok=True)
                save_path = os.path.join(save_dir, filename)
                print(f"下载模型: {filename}")
                    download_url,
                    stream=True
                )
                with open(save_path, 'wb') as f:
                    for chunk in response.iter_content(chunk_size=8192):
                        f.write(chunk)
                print(f"模型已保存: {save_path}")
                return save_path
        return None
    def list_local_models(self):
        """列出本地模型"""
        models = {}
        for subdir in ["checkpoints", "loras", "vae", "embeddings"]:
            dir_path = os.path.join(self.models_dir, subdir)
            if os.path.exists(dir_path):
                models[subdir] = [
                    f for f in os.listdir(dir_path)
                    if f.endswith(('.safetensors', '.ckpt', '.pt'))
                ]
        return models

处理: 解析CivitAI模型管理的输入参数,完成核心逻辑,返回处理结果. 输出: 返回CivitAI模型管理的响应数据,包含返回码、数据和处理记录.

通过input_params参数指定操作类型(创建/查询/导出)

3. 图生图（Image-to-Image）

def img2img(self, input_image_path, prompt, negative_prompt="",
            denoise=0.6, seed=-1, steps=25, cfg=7.0,
            model="sdxl_base.safetensors"):
    """图生图：基于参考图生成变体"""
    with open(input_image_path, 'rb') as f:
        upload_response = requests.post(
            f"{self.url}/upload/image",
            files={"image": f}
        )
    image_name = upload_response.json()["name"]
    workflow = {
        "3": {
            "class_type": "KSampler",
            "inputs": {
                "seed": seed, "steps": steps, "cfg": cfg,
                "sampler_name": "dpmpp_2m", "scheduler": "karras",
                "denoise": denoise,  # 关键：控制变化程度
                "model": ["4", 0], "positive": ["6", 0],
                "negative": ["7", 0], "latent_image": ["12", 0]
            }
        },
        "4": {"class_type": "CheckpointLoaderSimple", "inputs": {"ckpt_name": model}},
        "6": {"class_type": "CLIPTextEncode", "inputs": {"text": prompt, "clip": ["4", 1]}},
        "7": {"class_type": "CLIPTextEncode", "inputs": {"text": negative_prompt, "clip": ["4", 1]}},
        "10": {"class_type": "LoadImage", "inputs": {"image": image_name}},
        "11": {"class_type": "VAEEncode", "inputs": {"pixels": ["10", 0], "vae": ["4", 2]}},
        "12": {"class_type": "VAEDecode", "inputs": {"samples": ["3", 0], "vae": ["4", 2]}},
        "13": {"class_type": "SaveImage", "inputs": {"filename_prefix": "ComfyUI_Img2Img", "images": ["12", 0]}}
    }
post(f"{self.url}/prompt", json={"prompt": workflow})
    return response.json().get("prompt_id")

处理: 解析图生图（Image-to-Image）的输入参数,完成核心逻辑,返回处理结果. 输出: 返回图生图（Image-to-Image）的响应数据,包含返回码、数据和处理记录.

通过input_params参数指定操作类型(创建/查询/导出)

4. ControlNet集成

def generate_with_controlnet(self, input_image_path, prompt, control_type="openpose",
                              negative_prompt="", seed=-1, steps=30, cfg=7.5,
    """使用ControlNet控制生成"""
    with open(input_image_path, 'rb') as f:
post(f"{self.url}/upload/image", files={"image": f})
    controlnet_models = {
        "openpose": "control_openpose_sdxl.safetensors",
        "canny": "control_canny_sdxl.safetensors",
        "depth": "control_depth_sdxl.safetensors",
        "scribble": "control_scribble_sdxl.safetensors"
    }
    workflow = {
        "3": {
            "class_type": "KSampler",
            "inputs": {
                "seed": seed, "steps": steps, "cfg": cfg,
                "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 1.0,
                "model": ["4", 0], "positive": ["20", 0],
                "negative": ["7", 0], "latent_image": ["5", 0]
            }
        },
        "4": {"class_type": "CheckpointLoaderSimple", "inputs": {"ckpt_name": model}},
        "5": {"class_type": "EmptyLatentImage", "inputs": {"width": 1024, "height": 1024, "batch_size": 1}},
        "7": {"class_type": "CLIPTextEncode", "inputs": {"text": negative_prompt, "clip": ["4", 1]}},
        "10": {"class_type": "LoadImage", "inputs": {"image": image_name}},
        "15": {"class_type": "ControlNetPreprocessor", "inputs": {"image": ["10", 0]}},
        "16": {"class_type": "ControlNetLoader", "inputs": {"control_net_name": controlnet_models[control_type]}},
        "20": {
            "class_type": "ControlNetApply",
            "inputs": {
                "conditioning": ["6", 0], "control_net": ["16", 0],
                "image": ["15", 0], "strength": 0.8
            }
        },
        "6": {"class_type": "CLIPTextEncode", "inputs": {"text": prompt, "clip": ["4", 1]}},
        "12": {"class_type": "VAEDecode", "inputs": {"samples": ["3", 0], "vae": ["4", 2]}},
        "13": {"class_type": "SaveImage", "inputs": {"filename_prefix": "ComfyUI_ControlNet", "images": ["12", 0]}}
    }
post(f"{self.url}/prompt", json={"prompt": workflow})
    return response.json().get("prompt_id")

处理: 解析ControlNet集成的输入参数,完成核心逻辑,返回处理结果. 输出: 返回ControlNet集成的响应数据,包含返回码、数据和处理记录. 能力覆盖范围：能力范围包括以下关键词：绘画工具、支持自动调参、批量生成、图生图与、绘画专业版、面向专业创作者与、设计团队的高级本、核心能力、根据提示词自动优、化采样器、等参数、平台模型与、姿态控制、边缘检测、深度图等专业控制、队列管理等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.

通过input_params参数指定操作类型(创建/查询/导出)

场景介绍

场景一：电商产品图批量生成

电商团队批量生成不同风格的产品场景图.

generator = AutoTuneGenerator(COMFYUI_URL)
products = [
    {"name": "耳机_白色", "prompt": "white wireless earbuds, on marble table, studio lighting, product photography"},
    {"name": "耳机_黑色", "prompt": "black wireless earbuds, on wooden desk, warm lighting, product photography"},
    {"name": "耳机_场景", "prompt": "wireless earbuds, on beach sand, sunset, lifestyle photography"},
]
for product in products:
    generator.generate_with_auto_tune(
        prompt=product["prompt"],
        negative_prompt="blurry, low quality, watermark",
        style="photorealistic",
        seed=-1,
        width=1024,
        height=1024,
    )
    print(f"已提交生成: {product['name']}")

场景二：CivitAI模型搜索与下载

搜索并下载特定风格的模型.

civitai = CivitAIManager(
    api_key="your_civitai_api_key",
    comfyui_models_dir="./ComfyUI/models"
)
results = civitai.search_models("anime style", model_type="checkpoint", limit=5)
for model in results["items"]:
    print(f"模型: {model['name']} - 下载量: {model['stats']['downloadCount']}")
civitai.download_model(
    model_id=12345,
    version_id=67890,
    model_type="checkpoint"
)
local_models = civitai.list_local_models()
print("本地模型:", local_models)

场景三：ControlNet姿态控制生成

使用参考图姿态生成新图像.

generator = AutoTuneGenerator(COMFYUI_URL)
generator.generate_with_controlnet(
    input_image_path="./reference/pose_reference.jpg",
    prompt="a woman in elegant dress, same pose, studio lighting, fashion photography",
    control_type="openpose",  # 姿态控制
    negative_prompt="blurry, deformed, extra limbs",
    seed=42,
    steps=30,
    cfg=7.5,
)
print("ControlNet生成已提交")

使用范例

自动调参预设

风格预设	采样器	步数	CFG	适用场景
photorealistic	dpmpp_2m	30	7.5	写实照片
anime	euler_a	25	6.5	动漫风格
artistic	dpmpp_sde	35	8.0	艺术创作
fast_preview	euler	12	5.0	快速预览

ControlNet类型

类型	控制内容	适用场景
openpose	人体姿态	人物姿态控制
canny	边缘检测	形状轮廓控制
depth	深度图	空间层次控制
scribble	涂鸦	草图生成

优选实践指南

风格预设选择：写实用photorealistic，动漫用anime，创作用artistic
CivitAI模型：根据需求选择合适模型，注意模型授权与使用范围
ControlNet强度：strength值0.7-0.9效果较好，过低控制不明显
图生图denoise：风格转换用0.5，细节修复用0.2
批量并发：批量生成时控制并发数，避免显存溢出
LoRA叠加：可叠加多个LoRA实现复合风格，注意权重平衡
高清放大：生成后使用Tiled Upscale进行高清放大，提升细节

疑问解答

Q1: 首次使用如何快速上手?

A: 阅读快速开始章节,按步骤配置环境变量和API Key,然后参考使用流程章节执行。

Q2: 报错"unauthorized"怎么解决?

A: 确认API Key已正确设置到环境变量中,检查Key是否过期或格式错误,必要时重新生成。

Q3: 可以批量处理数据吗?

A: 支持批量模式。建议单次不超过100条,避免触发API限流。大批量任务请分批执行。

Q4: 结果与预期不符怎么办?

A: 检查输入参数格式,确认参数值在有效范围内。参考案例展示章节的示例对照调整。

Q5: 是否支持离线使用?

A: 需要联网调用API。离线场景请确认是否有本地模型或缓存机制可用。

前置条件

运行环境

Agent平台: 支持SKILL.md的任意AI Agent（ Code / Cursor / Codex / CLI等）
操作系统: Windows / macOS / Linux
Python版本: 3.8及以上
GPU: NVIDIA GPU（推荐8GB+显存，ControlNet需10GB+）

第三方依赖

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent内置LLM提供
Python 3	运行时	必需	python.org 下载安装
ComfyUI	工作流引擎	必需	ComfyUI项目下载
PyTorch	深度学习框架	必需	`pip install torch`
requests	Python库	必需	`pip install requests`
CivitAI API	外部API	可选	CivitAI网站注册获取
ControlNet模型	AI模型	可选	ComfyUI Manager安装
LoRA模型	AI模型	可选	CivitAI平台下载

API Key 配置

CIVITAI_API_KEY：CivitAI平台API密钥（模型下载功能需要）
ComfyUI本地运行无需API Key
与免费版完全兼容，免费版的本地ComfyUI配置可直接在专业版中使用

可用性分类

分类: MD+EXEC（纯Markdown指令，核心功能需要exec命令行执行能力）
说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent执行专业AI图像生成任务。支持自动调参、CivitAI模型管理、图生图、ControlNet等高级功能，通过Python脚本调用本地ComfyUI API与CivitAI API实现。与免费版完全兼容，可直接复用免费版的基础文生图工作流与默认模型配置.

错误管理机制

错误场景	原因	处理方式
配置错误	参数缺失或格式错误	检查依赖说明中的配置要求
运行时错误	运行环境不满足	确认运行环境符合依赖说明
网络错误	连接超时或不可达	执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案

注意事项

本地运行，不支持多设备同步
组件兼容性依赖特定框架版本
免费版自定义主题与令牌管理能力有限
生成的代码可能需要手动调整以适应项目规范

返回格式

{
  "success": true,
  "data": {
    "result": "ComfyUI绘画专业版处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "comfyui painter pro"
    }
  },
  "execution_log": ["解析输入参数", "执行核心处理", "格式化输出结果"],
  "error": null
}

质量增强补充

可靠性增强(Reliability Enhancement)

已实现以下异常处理与可靠性保障:

- 边界条件检查(空输入、超长输入等edge case)
降级策略与默认值(fallback/default value)处理
重试机制(retry with backoff)

适用性增强(Adaptability Enhancement)

- 限制说明(limitation)与不适用场景
触发条件(trigger)与激活方式

安全免责声明

风险类型	防范措施
API密钥泄露	使用环境变量管理密钥,禁止硬编码
命令执行风险	命令执行受白名单约束,避免注入用户输入
网络通信安全	强制HTTPS传输并验证SSL证书
敏感数据暴露	结果中排除密钥类数据
使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。

特色对比

对比维度	ComfyUI绘画专业版	传统手动方式	通用脚本工具
自动化程度	全流程自动	完全手动	部分自动
错误处理	内置错误恢复	依赖人工经验	基本try-catch
可复用性	参数化配置	一次性脚本	模板化
安全合规	内置安全检查	无安全保障	无安全保障
适用场景	专业AI绘画工具，支持自动调参、CivitAI模型管理、批量生成、图生图与Con	通用场景	通用场景
风险项	等级	防护措施	验证方法
--------	------	----------	----------
API密钥泄露	高	使用环境变量,禁止硬编码	定期审计环境变量配置
输入注入攻击	中	对输入参数进行验证和转义	进行注入测试验证
输出内容异常	中	对输出结果进行校验	建立内容审核流程
依赖漏洞	低	定期更新依赖版本	使用工具扫描已知漏洞

实操说明

配置API密钥: 在环境变量中设置对应的API Key
初始化连接: 使用提供的凭证建立API连接
调用接口: 传入必要参数执行API调用
准备文件: 确认文件路径正确且格式受支持
执行处理: 调用对应的处理函数
查看结果: 检查输出文件或返回数据
检查环境: 确认运行时和依赖已安装
执行命令: 使用正确的参数格式执行
查看输出: 检查命令输出和退出码

前置条件

已安装所需运行环境(参考依赖说明)
已获取必要的API密钥或访问凭证(如适用)
输入数据已准备就绪

依赖说明

LLM/API Key: 需要配置相应的API密钥
网络连接: 需要访问外部服务
文件系统: 需要读写文件权限
运行时环境: 需要相应的命令行工具

ComfyUI绘画专业版

安装技能

ComfyUI绘画专业版

快速开始

总览

免费版与专业版对比

能力描述

1. 自动调参

请求格式

2. CivitAI模型管理

3. 图生图（Image-to-Image）

4. ControlNet集成

场景介绍

场景一：电商产品图批量生成

场景二：CivitAI模型搜索与下载

场景三：ControlNet姿态控制生成

使用范例

自动调参预设

ControlNet类型

优选实践指南

疑问解答

Q1: 首次使用如何快速上手?

Q2: 报错"unauthorized"怎么解决?

Q3: 可以批量处理数据吗?

Q4: 结果与预期不符怎么办?

Q5: 是否支持离线使用?

前置条件

运行环境

第三方依赖

API Key 配置

可用性分类

错误管理机制

注意事项

返回格式

质量增强补充

可靠性增强(Reliability Enhancement)

适用性增强(Adaptability Enhancement)

安全免责声明

特色对比

实操说明

前置条件

依赖说明