核心用法
该技能通过 runcomfy CLI 提供两种图像修复路径：
遮罩驱动编辑（默认）：使用 tongyi-mai/z-image/turbo/inpainting 模型，需提供灰度遮罩（白色=修复区域，黑色=保留区域）。关键参数包括 strength（0.3-1.0 控制修改强度）和 control_scale（0.6-0.9 控制结构遵循度）。适用于精确像素级编辑，如对象移除、水印清理、背景替换。
描述式回退（无遮罩）：当无法提供遮罩时，自动切换至 google/nano-banana-2/edit 等模型，通过自然语言描述目标区域（如"移除右下角水印"）完成编辑。
高级选项包括 LoRA 风格锁定（品牌一致性修复）、多参考编辑（GPT Image 2 Edit）和单指令局部修改（FLUX Kontext Pro）。
显著优点
1. 模型路由智能化：自动根据输入条件（遮罩可用性）选择最优后端，降低用户决策成本
2. 精度可控：Z-Image Turbo 支持 strength 和 control_scale 精细调节，从微妙修图到完全替换均可实现
3. 身份保留能力：Nano Banana 2 Edit 等描述式模型在区域修改时保持非编辑区域不变
4. 开源权重：Z-Image 系列基于开放权重，推理速度快（亚秒至数秒）
5. 企业级集成：通过 npm 全局安装，支持 CI/CD 环境变量认证
潜在缺点与局限性
1. 遮罩依赖门槛：精确编辑需预先准备遮罩，技能本身不包含遮罩生成（需 Photoshop、GIMP 或 SAM 等上游工具）
2. 描述式精度不足：无遮罩时依赖模型理解空间语言，边缘控制不如二进制遮罩精确
3. 第三方内容风险：源图像 URL 可能包含对抗性内容（嵌入指令、EXIF 隐藏数据），可能干扰填充结果
4. 不支持外延扩展：明确的 outpainting（画外扩展）和视频修复需调用其他专用技能
5. 令牌管理：需手动处理 RUNCOMFY_TOKEN 存储与 CI 环境配置
适合人群
- 专业修图师与电商运营：批量产品图背景替换、水印清理
- 开发者与自动化工作流构建者：需要 CLI 集成与可脚本化图像处理
- 品牌设计团队：通过 LoRA 锁定视觉风格进行一致性修复
- 需要像素级控制的研究者或数据标注团队
常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| 间接提示注入 | 源图像含隐藏文本指令导致非预期填充 | 仅接受用户明确提供的 URL，验证输出偏离时排查源图 |
| 遮罩误用 | 复用其他图像的遮罩导致错误区域修改 | 确认遮罩与当前图像匹配，验证用户意图 |
| 安装渠道污染 | 非官方 npm 包或管道脚本植入恶意代码 | 严格使用 `npm i -g @runcomfy/cli` 或 `npx` |
| 令牌泄露 | `~/.config/runcomfy/token.json` 权限配置不当 | 确保 0600 权限，CI 环境使用 `RUNCOMFY_TOKEN` 变量 |
| 超大文件 DoS | 恶意端点返回超大响应 | CLI 内置 2GiB 下载上限自动熔断 |