角色IP LoRA 训练集构建 Skill（通用版）

适用：krea2 模型 + ComfyUI + 任意LoRA训练平台（ModelScope / kohya / 本地） 前置：设计稿已就绪、ComfyUI可访问（默认 http://127.0.0.1:8188） 目标：6-9轮迭代产出150-200张合格训练集，可直接上传训练 本Skill自包含：迭代规则、固化脚本创建、测试流程全部内置，无需外部文档

---

一、触发条件

用户提出以下任一需求时启动本Skill：

• "训练角色LoRA"、"构建训练集"、"抽卡凑样本"
• "按照设计稿出图用于训练"、"迭代出图入训练集"
• 已有设计稿，需要批量生成符合角色设定的图片

---

二、目录结构约定（首次执行时创建）

在AI agent的当前工作目录下创建 lora-dataset/ 目录。通用资源共享，项目文件按设计稿/项目名分开，避免不同角色的训练集、报告、出图混在一起。

lora-dataset/
├── core/                          # 【通用共享】固化脚本（所有项目共用，创建后勿改）
│   └── comfy_krea.py              # ComfyUI API 封装
├── knowledge/                     # 【通用共享】跨项目知识沉淀（越积累越厚）
│   ├── params.md                  # 关键参数沉淀（种子/工作流/LoRA权重）
│   ├── pitfalls.md                # 踩坑记录（触发条件/对策/状态）
│   └── prompts.md                 # 优秀提示词库（金牌片段/负面词库）
└── projects/                      # 【按项目分开】每个角色/设计稿一个子目录
    └── <项目名>/                   # 如：shenjingque / curve_body / 自定义名
        ├── iter/                  # 该项目的迭代出图脚本（按版本存放）
        │   └── configs/           # 每轮config JSON（含每张prompt/seed/权重）
        ├── dataset/               # 该项目的最终训练集（图片+同名.txt成对）
        │   ├── head/              # 大头照
        │   ├── half/              # 半身照
        │   └── full/              # 全身照
        ├── reports/               # 该项目的迭代报告
        │   ├── summaries/         # 每轮迭代总结（汇总级）
        │   └── analyses/          # 每轮图片逐张分析（逐张级，与总结分开）
        └── output/                # 该项目的每轮原始出图（round1_00001_.png等）

创建命令（agent执行一次即可，<项目名>替换为实际名称）：

mkdir -p lora-dataset/{core,knowledge}
mkdir -p lora-dataset/projects/<项目名>/{iter/configs,dataset/{head,half,full},reports/{summaries,analyses},output}

目录划分原则： | 类型 | 位置 | 说明 | |---|---|---| | 固化脚本 | core/ | 通用，所有项目共用，只创建一次 | | 知识沉淀 | knowledge/ | 通用，跨项目积累，每个项目迭代后都往这里补充 | | 迭代脚本 | projects/<项目名>/iter/ | 项目专属，不同角色的提示词模板不同 | | 训练集 | projects/<项目名>/dataset/ | 项目专属，严格按角色分开，禁止混放 | | 迭代报告 | projects/<项目名>/reports/ | 项目专属，按角色归档 | | 原始出图 | projects/<项目名>/output/ | 项目专属，按角色分开便于回溯 |

2.1 core/ 与 iter/ 的核心区别（严禁混淆）

| 维度 | core/（固化脚本） | iter/（迭代脚本） | |---|---|---| | 本质 | 通用工具库，稳定不变 | 每轮临时执行脚本，频繁变化 | | 内容 | ComfyUI API封装、工作流构建、批量生成函数 | 具体提示词、种子、LoRA权重、本轮任务列表 | | 修改频率 | 创建后几乎不改，改了就是bug修复或功能升级 | 每轮都改，每轮一个新版本 | | 复用范围 | 所有项目、所有角色共用 | 仅当前项目、当前轮次使用 | | 是否含角色设定 | ❌ 不含任何角色/设计稿相关内容 | ✅ 含具体角色的提示词、服装、姿势等 | | 是否含具体参数 | ❌ 只提供函数接口，参数由调用方传入 | ✅ 硬编码本轮的种子、权重、尺寸、任务列表 | | 举例 | comfy_krea.py（generate_one / generate_batch） | round1_headshots.py、v2_round3_fullbody.py | | 存放位置 | lora-dataset/core/ | lora-dataset/projects/<项目名>/iter/ |

判断口诀：

• 换一个角色还能用的 → 放 core/
• 换一个角色就不能用的 → 放 iter/
• 写死了"沈惊鹊"、"绯红礼服"、"瑞凤眼"等具体角色内容的 → 必须放 iter/
• 只是 generate_batch(wf, tasks, negative) 这种通用函数的 → 放 core/

常见错误：把包含具体提示词和任务列表的迭代脚本放进 core/。这会导致core目录越来越乱，不同角色的脚本混在一起，下次新项目无法直接复用core。正确做法是：迭代脚本 import core.comfy_krea，然后在iter脚本里写具体的提示词和任务。

iter脚本标准写法示例：

# 文件：lora-dataset/projects/shenjingque/iter/v1_round1.py
import sys, os
sys.path.insert(0, os.path.join(os.path.dirname(__file__), "..", "..", "..", "core"))
from comfy_krea import generate_batch

# 这里写具体的提示词、种子、任务列表（每轮不同）
tasks = [
    {"name": "head_01", "prompt": "沈惊鹊，鹅蛋偏瓜子脸，瑞凤眼...", "seed": 77777777, "size": (1024,1024)},
    # ...
]
generate_batch("turbo", tasks, negative="...", out_prefix="projects/shenjingque/round1")

---

三、前置检查（开工前必须确认）

□ 设计稿文件已完整读取（用户提供路径或已上传）
□ ComfyUI 正在运行，API 可访问（默认 http://127.0.0.1:8188）
□ krea2 模型已加载（turbo / raw 工作流可用）
□ lora-dataset/ 目录结构已创建
□ 固化脚本 comfy_krea.py 已创建并通过测试（见第四节）

任一不满足→先解决再开工，禁止跳过。

---

四、固化脚本创建与测试（首次必做）

4.1 创建 comfy_krea.py

在 lora-dataset/core/comfy_krea.py 创建以下脚本（ComfyUI API封装，支持turbo/raw/hybrid三种工作流）：

"""
comfy_krea.py - krea2 ComfyUI 固化生图工具
支持：turbo / raw / hybrid(混合流) 三种工作流
功能：单张生成、批量生成、多LoRA链式挂载、自动记录prompt/seed/权重
"""
import json, time, urllib.request, urllib.parse, os, random

COMFY_URL = "http://127.0.0.1:8188"
# 输出根目录：默认为当前工作目录下的 lora-dataset/，可通过环境变量 LORA_DATASET_ROOT 覆盖
OUTPUT_ROOT = os.environ.get("LORA_DATASET_ROOT", os.path.join(os.getcwd(), "lora-dataset"))

# ========== 工作流默认参数 ==========
WF_DEFAULTS = {
    "turbo":  {"steps": 8,  "cfg": 1.0, "sampler": "euler",   "scheduler": "simple", "shift": 3.0},
    "raw":    {"steps": 25, "cfg": 2.0, "sampler": "er_sde",  "scheduler": "simple", "shift": 3.0},
    "hybrid": {"raw_steps": 6, "total_steps": 12, "cfg": 1.0, "sampler": "euler", "scheduler": "simple", "shift": 3.0},
}

def _queue_prompt(prompt_workflow, client_id):
    """提交工作流到ComfyUI队列"""
    data = json.dumps({"prompt": prompt_workflow, "client_id": client_id}).encode()
    req = urllib.request.Request(f"{COMFY_URL}/prompt", data=data, headers={"Content-Type": "application/json"})
    return json.loads(urllib.request.urlopen(req).read())

def _get_history(prompt_id):
    """轮询等待生成完成"""
    while True:
        with urllib.request.urlopen(f"{COMFY_URL}/history/{prompt_id}") as r:
            history = json.loads(r.read())
        if prompt_id in history:
            return history[prompt_id]
        time.sleep(2)

def _build_workflow(wf, prompt, negative, seed, size, loras, **kwargs):
    """构建krea2工作流JSON（根据实际ComfyUI节点ID调整）"""
    w, h = size
    params = WF_DEFAULTS[wf].copy()
    params.update(kwargs)
    client_id = f"agent_{random.randint(10000,99999)}"

    # 基础工作流结构（需根据实际ComfyUI的krea2工作流节点ID适配）
    # 以下为模板，agent首次使用时需对照实际工作流JSON修正节点编号
    workflow = {
        "1": {"class_type": "KSampler", "inputs": {
            "seed": seed, "steps": params["steps"], "cfg": params["cfg"],
            "sampler_name": params["sampler"], "scheduler": params["scheduler"],
            "denoise": 1.0, "model": ["2", 0], "positive": ["3", 0], "negative": ["4", 0],
            "latent_image": ["5", 0]}},
        "2": {"class_type": "UNETLoader", "inputs": {
            "unet_name": "krea2_turbo_fp8_scaled.safetensors" if wf != "raw" else "krea2_raw_fp8_scaled.safetensors",
            "weight_dtype": "fp8_e4m3fn"}},
        "3": {"class_type": "CLIPTextEncode", "inputs": {"text": prompt, "clip": ["6", 0]}},
        "4": {"class_type": "CLIPTextEncode", "inputs": {"text": negative or "", "clip": ["6", 0]}},
        "5": {"class_type": "EmptyLatentImage", "inputs": {"width": w, "height": h, "batch_size": 1}},
        "6": {"class_type": "CLIPLoader", "inputs": {"clip_name": "qwen3vl_4b_fp8_scaled.safetensors", "type": "stable_cascade"}},
        "7": {"class_type": "VAELoader", "inputs": {"vae_name": "qwen_image_vae.safetensors"}},
        "8": {"class_type": "VAEDecode", "inputs": {"samples": ["1", 0], "vae": ["7", 0]}},
        "9": {"class_type": "SaveImage", "inputs": {"images": ["8", 0], "filename_prefix": "lora_dataset"}},
    }

    # LoRA链式挂载（插入LoraLoader节点）
    if loras:
        lora_node_id = "10"
        prev_model = ["2", 0]
        for i, (lora_name, weight) in enumerate(loras):
            if weight == 0:
                continue
            nid = str(10 + i)
            workflow[nid] = {"class_type": "LoraLoader", "inputs": {
                "lora_name": lora_name, "strength_model": weight, "strength_clip": weight,
                "model": prev_model, "clip": ["6", 0]}}
            prev_model = [nid, 0]
        workflow["1"]["inputs"]["model"] = prev_model

    # hybrid混合流：raw前N步 + turbo后M步（需用ModelSamplingSD3或自定义节点实现）
    # 简化版：hybrid用raw_steps参数控制，实际需根据工作流调整
    if wf == "hybrid":
        workflow["1"]["inputs"]["steps"] = params["total_steps"]
        # 注：完整hybrid实现需要raw+turbo双UNet切换，agent可根据实际工作流扩展

    return workflow, client_id

def generate_one(wf="turbo", prompt="", negative="", seed=None,
                 size=(1024,1024), loras=None, out_prefix="gen", timeout=300, **kwargs):
    """
    单张生成
    wf: turbo / raw / hybrid
    prompt: 正面提示词
    negative: 负面提示词（turbo/hybrid下cfg=1负面无效，可留空）
    seed: 随机种子，None=随机
    size: (宽,高)
    loras: [(lora文件名, 权重), ...]，权重0跳过
    out_prefix: 输出文件名前缀
    返回: {ok, path, seed, prompt, negative, loras, size, wf}
    """
    if seed is None:
        seed = random.randint(1, 2**31 - 1)
    loras = loras or []

    workflow, client_id = _build_workflow(wf, prompt, negative, seed, size, loras, **kwargs)
    workflow["9"]["inputs"]["filename_prefix"] = out_prefix.replace("\\", "/")

    try:
        resp = _queue_prompt(workflow, client_id)
        prompt_id = resp["prompt_id"]
        history = _get_history(prompt_id)
        outputs = history.get("outputs", {})
        # 提取保存的图片路径
        img_path = None
        for node_id, out in outputs.items():
            if "images" in out:
                for img in out["images"]:
                    img_path = os.path.join(COMFY_URL.replace(":8188", ""), "view", f"?filename={img['filename']}&subfolder={img.get('subfolder','')}&type={img.get('type','output')}")
        return {"ok": True, "path": img_path, "seed": seed, "prompt": prompt,
                "negative": negative, "loras": loras, "size": size, "wf": wf}
    except Exception as e:
        return {"ok": False, "error": str(e), "seed": seed, "prompt": prompt}

def generate_batch(wf="turbo", tasks=None, negative="", size=(1024,1024),
                   out_prefix="batch", timeout=300, **kwargs):
    """
    批量生成（迭代抽卡主力）
    tasks: [{"name":"01","prompt":"...","seed":123,"loras":[...],"size":(1024,1344)}, ...]
           每条task可单独覆盖公共参数
    跑完自动写 record JSON 到 output/ 目录
    """
    tasks = tasks or []
    results = []
    for i, task in enumerate(tasks):
        name = task.get("name", f"{i:04d}")
        print(f"[{i+1}/{len(tasks)}] {name}")
        rec = generate_one(
            wf=task.get("wf", wf),
            prompt=task["prompt"],
            negative=task.get("negative", negative),
            seed=task.get("seed"),
            size=task.get("size", size),
            loras=task.get("loras", []),
            out_prefix=f"{out_prefix}/{name}",
            timeout=timeout,
            **{k:v for k,v in task.items() if k not in ["name","prompt","negative","seed","size","loras","wf"]}
        )
        rec["name"] = name
        results.append(rec)

    # 保存record到out_prefix所在目录（项目级output目录）
    record_dir = os.path.join(OUTPUT_ROOT, os.path.dirname(out_prefix)) if os.path.dirname(out_prefix) else OUTPUT_ROOT
    os.makedirs(record_dir, exist_ok=True)
    record_path = os.path.join(record_dir, f"{os.path.basename(out_prefix).replace('/','_')}_record.json")
    with open(record_path, "w", encoding="utf-8") as f:
        json.dump({"wf": wf, "total": len(tasks), "results": results}, f, ensure_ascii=False, indent=2)
    print(f"记录已保存: {record_path}")
    return results

def clear_queue():
    """清空ComfyUI队列（卡死时用）"""
    try:
        urllib.request.urlopen(f"{COMFY_URL}/queue", data=b"").read()
    except: pass

def interrupt():
    """中断当前生成"""
    try:
        urllib.request.urlopen(f"{COMFY_URL}/interrupt", data=b"").read()
    except: pass

重要：上述脚本中的工作流节点ID（"1","2","3"...）和模型文件名是模板。agent首次创建后，必须对照本机ComfyUI中实际的krea2_turbo / krea2_raw工作流JSON，修正节点编号和模型文件名，否则无法运行。修正方法：在ComfyUI中打开工作流→右键→Export(API Format)→用实际JSON替换 _build_workflow 函数中的结构。

4.2 测试流程（创建后必须执行）

创建脚本后，依次测试三种基础工作流，每种生成1张测试图：

import sys, os
sys.path.insert(0, os.path.join("lora-dataset", "core"))
from comfy_krea import generate_one

TEST_PROMPT = "一位20岁东方女性，正面半身肖像，黑色长发，自然微笑，纯色背景，真实人像摄影"
TEST_NEG = "低画质,模糊,变形,多人"

# 测试1: turbo（应~30秒出图）
r1 = generate_one("turbo", TEST_PROMPT, TEST_NEG, seed=77777777, size=(1024,1024), out_prefix="test/turbo")
print(f"turbo: ok={r1['ok']}, seed={r1['seed']}")

# 测试2: hybrid混合流（应~40秒出图）
r2 = generate_one("hybrid", TEST_PROMPT, TEST_NEG, seed=77777777, size=(1024,1024), out_prefix="test/hybrid", raw_steps=6, total_steps=12)
print(f"hybrid: ok={r2['ok']}, seed={r2['seed']}")

# 测试3: raw（应~100秒出图，负面词生效）
r3 = generate_one("raw", TEST_PROMPT, TEST_NEG, seed=77777777, size=(1024,1024), out_prefix="test/raw")
print(f"raw: ok={r3['ok']}, seed={r3['seed']}")

测试通过标准：

• 三种工作流均返回 ok=True
• 输出目录 lora-dataset/output/test/ 下有对应图片
• 图片无明显崩坏（人脸正常、无黑图/灰图）

测试不通过：检查ComfyUI是否运行、模型文件名是否正确、节点ID是否匹配实际工作流。修正后重测，直到三种全部通过。

4.3 BBOX工作流（可选，需用户安装节点）

BBOX结构化构图工作流需要安装自定义节点：

• 节点仓库：https://github.com/ukr8b3g-cmyk/Krea2-BBOX-Prompter
• 安装方法：在ComfyUI的 custom_nodes/ 目录下 git clone 该仓库，重启ComfyUI
• 适用场景：补角度短板（纯侧/背身）、稳定全身防裁切、精确控景别
• 注意：BBOX对泪痣/银铃等小细节控制弱，面部锚点抽卡不推荐使用

提示用户：如果需要BBOX功能，请先告知用户安装上述自定义节点；未安装时只用turbo/hybrid/raw三种基础流。

---

五、迭代规则（内置，每轮必须遵守）

5.1 迭代总原则（不可妥协）

1. 每轮必须评估、总结、调优后再进下一轮，禁止盲跑多轮。
2. 每轮结束即出报告，不积压、不事后补写。
3. 以设计稿为唯一验收标准，每轮对照检查不变量是否达标。
4. 优秀提示词和参数必须沉淀，下一轮优先复用，避免重复踩坑。
5. 失败原因必须记录，同类错误不允许出现第三次。

5.2 每轮闭环流程

设定本轮目标 → 批量出图 → 逐张评估 → 总结沉淀 → 调优下一轮
     ↑                                              │
     └──────────────────────────────────────────────┘

设定目标：明确本轮核心问题（如泪痣位置、脸型、服装形制），确定样本量/景别配比/工作流配比。

批量出图：使用固化脚本，种子/LoRA权重/尺寸/工作流必须记录到config JSON。

逐张评估：对照设计稿不变量逐项检查，统计合格数/淘汰数/淘汰原因分类。逐张分析记录存入 projects/<项目名>/reports/analyses/，与总结报告分开。

总结沉淀：归纳有效提示词片段、参数组合、失败根因，更新 knowledge/ 下三个文档。

调优下一轮：基于本轮结论调整提示词/LoRA权重/种子/工作流配比，保留有效参数，替换无效参数。

5.3 入库评判铁律

图片入库只看设计稿，不看提示词。 两个维度严格分离：

| 维度 | 评判标准 | 用途 | |---|---|---| | 图片入库 | 只看图片本身是否符合设计稿（脸型/眼型/发型/身材/服装/标记等） | 决定是否选入训练集 | | 提示词记录 | 只有"出图质量好且符合提示词"的才记录 | 用于优化提示词，与入库无关 |

具体执行：

• 提示词写全身但出成半身/大头→按实际景别评判，符合设计稿就入对应训练集
• 提示词写A服装但出成B服装→只要B服装符合设计稿就可入库
• "不符合提示词"永远不是废图理由

5.4 入库与打标规则

1. 合格图复制到 projects/<项目名>/dataset/head|half|full/，按规范重命名：<模块>_v<版本>r<轮次>_t<序号>.png
2. 必须同步生成同名.txt，内容两段（见第七节5.2）
3. 记录原始文件名→训练集新文件名对应关系
4. 单套服装样本不超过总量10%，表情/姿势/光影/角度必须覆盖设计稿要求

5.5 迭代终止条件

满足任一可暂停：

1. 连续2轮合格率≥70%，且不变量稳定
2. 训练集数量达到目标（角色IP建议150-200张）
3. 核心锚点（脸型/眼型/发型/身材）连续3轮达标率≥80%
4. 用户明确喊停

暂停后输出全量汇总，包含所有轮次参数沉淀、提示词库、踩坑记录、训练集统计。

---

六、执行流程（7步）

Step 1：设计稿解析

通读设计稿，提取两张清单：

不变量（硬锚点，每张必须达标）：

• 脸型、眼型、发型、身材、标记物（痣/疤/饰品）、肤色妆容基调

可变维度（多样性来源）：

• 表情≥8种、姿势≥8种、角度≥6种、光影≥6种
• 服装≥5色系×3形制，单套不超过总量10%
• 背景≥5种

设计稿常见坑预判：

• 泪痣位置→模型对"右眼"理解=画面右侧，建议降级为偶发钩子（10-25%概率），不强制每张必出
• 花钿→古风情绪词（温婉/明艳）会触发，负面词需强化+去掉情绪形容词
• 银铃→半身照看不到脚踝，写了必跑手腕，半身不写银铃只在全身写

Step 2：提示词模板

三段式结构：

【角色锚点段】脸型+眼型+发型+肤色+妆容（固定，所有景别共用）
【身材/服装段】身材描述+具体服装形制+颜色+刺绣+袖型（半身/全身用）
【构图/光影段】景别+姿势+表情+光影+背景+镜头（按景别换）

各景别参数： | 景别 | 尺寸 | 脸占比 | LoRA权重（如有身材LoRA） | 关键描述 | |---|---|---|---|---| | 大头 | 1024×1024 | 60-75% | 0.5 | 头部角度+表情+光影 | | 半身 | 1024×1344 | 30-40% | 0.9 | 头顶到大腿中段，面部完整可见双眼 | | 全身 | 1024×1600 | 15-25% | 1.0 | "镜头拉远+人物占九成高+双脚在底部+严禁裁脚" |

通用负面词库（复制即用）：

网红脸,AI平均脸,圆脸,宽脸,大脸,方脸,圆下巴,钝下颌,
杏眼圆润,圆眼睛,大眼,狐狸眼吊梢眼,
花钿,额饰,面靥,眼尾花纹,多颗痣,双痣,痣串,雀斑,斑点,
旗袍,立领,盘扣,短袖,无袖,吊带,现代服装,高开衩,
平胸,小胸,无腰,臀下垂,瘦弱,骨感,比例失衡,
断肢,坏手,多指,缺指,畸形,多人,裁切,头部裁切,脚部裁切,
银铃在手腕,银铃在手上,多个银铃,双脚都有银铃,
低画质,模糊,塑料磨皮,文字水印

长度铁律：单条提示词≤400字（Qwen3-VL-4B文本编码器上限，超长会OOM）。

Step 3：迭代抽卡

每轮配置：

• 20-24张：大头10 + 半身6 + 全身8
• 工作流配比：turbo 70% + hybrid 30%（角色脸禁用raw和bbox）
• 种子区间：77777777-77777816（花钿率低，已验证）
• 输出到 projects/<项目名>/output/round<N>_

工作流选择结论（已验证）： | 工作流 | 速度 | 负面词 | 角色脸抽卡 | |---|---|---|---| | turbo | ~30s | ❌无效 | ⭐⭐⭐⭐⭐ 主力（发型/脸型锁定最稳） | | hybrid | ~38s | ❌无效 | ⭐⭐⭐⭐ 辅助（质量/速度平衡） | | raw | ~100s | ✅生效 | ⭐⭐ 禁用（发型5/6跑偏、脸型3/6偏圆） | | bbox | ~40s | ❌无效 | ⭐⭐ 禁用（小细节弱，泪痣变泪痕） |

Step 4：逐张评估

评估铁律：只看设计稿，不看提示词（见5.3）。

逐张检查清单：

• [ ] 脸型？眼型？发型？
• [ ] 身材（半身/全身）？标记物位置？
• [ ] 无花钿/多颗痣/短袖硬伤？
• [ ] 无结构错误（断肢/多指/裁切）？
• [ ] 画质清晰？

统计：合格数、淘汰数、淘汰原因TOP3分类。逐张分析存入 projects/<项目名>/reports/analyses/<模块>_图片分析_R<N>_<日期>.md。

Step 5：入库与同步打标

入库：合格图复制到 projects/<项目名>/dataset/head|half|full/，重命名，记录对应关系。

同步打标（必须，格式严格统一）：每张 xxx.png 必须伴随同名 xxx.txt，UTF-8编码，内容固定为以下两段格式：

【源提示词】
正向：<生成该图时实际使用的完整prompt，从record JSON提取，一字不改，含加权语法>
负面：<完整negative prompt，无负面词则写"无">
LoRA：<lora文件名> @ <权重>；<第二个lora> @ <权重>（无LoRA则写"无"）
工作流：<turbo|hybrid|raw> | 种子：<数字> | 尺寸：<宽>×<高>
原始文件：<output目录中的原始文件名>

【训练caption】
<触发词>, <脸型>, <眼型>, <发型>, <身材描述>, <服装形制>, <服装颜色>, <姿势>, <表情>, <光影>, <背景>

格式铁律：

1. 两段标题固定为 【源提示词】 和 【训练caption】，不可改名
2. 字段名固定为 正向：、负面：、LoRA：、工作流：、原始文件：，冒号为中文全角
3. 多个LoRA用分号分隔，如 curve_body_v2.safetensors @ 0.9; sjq_face_v1.safetensors @ 0.7
4. 无LoRA时写 LoRA：无，不可留空
5. 源提示词必须从当轮record JSON提取，不得凭记忆补写或改写
6. 训练caption以触发词开头（如 shenjingque, ），后续用英文逗号+空格分隔
7. 训练caption只保留角色特征+服装+姿势+表情+光影+背景，去掉镜头/画质/分辨率等套话
8. 原始文件字段记录output目录中的文件名，便于回溯

完整示例：

【源提示词】
正向：沈惊鹊，鹅蛋偏瓜子脸，下颌尖窄，瑞凤眼，眼尾飞挑，半挽垂发，颊边碎发，暖象牙白瓷光肌，沙漏身材，C杯胸，极细腰，绯红织金礼服，广袖，交领，腰封，长裙，侧身回眸，微微笑，暖侧光，竹林背景，真实人像摄影
负面：网红脸,圆脸,宽脸,花钿,额饰,多颗痣,短袖,平胸,断肢,坏手,低画质,模糊
LoRA：curve_body_v2.safetensors @ 0.9
工作流：turbo | 种子：77777801 | 尺寸：1024×1344
原始文件：round1_half_03_00001_.png

【训练caption】
shenjingque, 鹅蛋偏瓜子脸, 瑞凤眼, 半挽垂发, 沙漏身材, 绯红织金礼服, 广袖, 交领, 腰封, 长裙, 侧身回眸, 微笑, 暖侧光, 竹林背景

Step 6：迭代调优

本轮淘汰原因TOP3 → 针对性修改提示词/负面词/参数 → 下一轮验证
  ↓
有效参数→knowledge/params.md
踩坑→knowledge/pitfalls.md
金牌提示词→knowledge/prompts.md

每轮总结存入 projects/<项目名>/reports/summaries/<模块>_迭代总结_R<N>_<日期>.md。

Step 7：训练配置（达标后）

通用训练参数（适用于ModelScope / kohya等）： | 参数 | 推荐值 | 说明 | |---|---|---| | 网络大小(dim) | 32 | | | 网络Alpha | 32 | alpha=dim | | Unet学习率 | 0.0001 | 主力 | | 文本编码器学习率 | 0.00001 | 比Unet低10倍 | | 调度器 | cosine_with_restarts | 重启3次 | | 优化器 | AdamW | | | 混合精度 | fp16 | | | 图片分辨率 | 1024×1024 | 开启arb桶 | | 最大token | 225 | | | 打乱标注 | 开启 | | | 训练步数 | 先2000-3000步试效果 | 稳定后5000-6000步 | | 保存间隔 | 每500步 | 方便挑选最佳epoch |

训练集配比：大头40% + 半身35% + 全身25%，总量150-200张起步。

---

七、关键参数速查表

| 项目 | 值 | 置信度 | |---|---|---| | 主力工作流 | turbo（角色脸） | ✅已验证 | | 辅助工作流 | hybrid（多样性） | ✅已验证 | | 禁用工作流 | raw（发型锁不住）、bbox（小细节弱） | ✅已验证 | | 种子区间 | 77777777-77777816 | ✅已验证 | | 大头尺寸 | 1024×1024 | ✅ | | 半身尺寸 | 1024×1344 | ✅ | | 全身尺寸 | 1024×1600（非1536，1536易被裁） | ✅ | | 身材LoRA权重 | 大头0.5/半身0.9/全身1.0 | ✅ | | 单条提示词长度 | ≤400字 | ✅ | | batch_size | 1 | ✅ | | 每轮张数 | 20-24 | ✅ | | 目标训练集 | 150-200张 | ✅ | | 大头:半身:全身 | 4:3:3 | ✅ |

---

八、踩坑速查（Top 10）

| # | 坑 | 触发条件 | 对策 | 状态 | |---|---|---|---|---| | 1 | 泪痣位置反 | 写"右眼" | 降级为偶发钩子，不强制每张必出 | ✅闭环 | | 2 | 多颗痣 | 写"全脸仅此一颗" | 不写数量否定+负面"多颗痣" | ✅解决 | | 3 | 花钿 | 古风情绪形容词 | 去情绪词+负面"花钿,额饰" | ✅解决 | | 4 | 广袖变短袖 | turbo+广袖 | 半身/全身用宽袖款+负面"短袖" | ✅解决 | | 5 | 银铃跑手腕 | 半身照写银铃 | 半身不写银铃，只在全身写 | ✅解决 | | 6 | 银铃跑手上 | 全身+手部复杂 | 负面加"银铃在手上,挂手指,吊手上" | ⚠️偶发 | | 7 | raw锁不住发型 | raw+半挽垂发 | 角色脸用turbo，不用raw | ✅解决 | | 8 | bbox小细节弱 | bbox+泪痣/银铃 | 面部锚点不用bbox | ✅解决 | | 9 | ComfyUI OOM | 提示词>400字+batch=2 | ≤400字+batch=1+每轮重启 | ✅解决 | | 10 | 全身被裁脚 | 写"全身照"+1536高度 | 1600高度+"镜头拉远+脚在底部" | ✅解决 |

---

九、合格率进化参考

9轮迭代实测（沈惊鹊角色IP）：

R1:18% → R2:41% → R3:69% → R4:82% → R5:91% → R6:100% → R7:83% → R8:92% → R9:92%

通常3-4轮后稳定在80%+，6-9轮凑齐150-200张。

---

十、交付物清单

一次完整的角色LoRA训练集构建，应交付：

1. ✅ 训练集图片（150-200张，分head/half/full目录）
2. ✅ 每张图片的同名.txt打标文件（源提示词+训练caption）
3. ✅ 迭代报告（每轮总结+逐张分析记录）
4. ✅ 知识沉淀（参数/踩坑/提示词库三个文档）
5. ✅ 训练配置单
6. ✅ 文件名对应关系登记表

---

Skill创建：2026-08-31 | 通用版，基于9轮迭代实践提炼 | 维护：每次新角色训练后更新