ComfyUI保姆级教程：从节点式工作流到AI绘画高效生产实践

先聊一个不少 AI 绘画玩家都会遇到的问题：用 Stable Diffusion WebUI 做完图后，想复用一套固定的生成流程，却发现要么得手动记一堆参数，要么重装环境后工作流直接失效。更麻烦的是，当需要把 ControlNet、LoRA、局部重绘、视频生成这些能力串在一条生产链路上时，WebUI 的界面操作会变得非常繁琐。这时候，ComfyUI 就成了一个绕不开的选择。

这篇文章我会以 2026 年目前的 ComfyUI 生态为背景，写一份适合新手和有一定基础开发者的保姆级教程。内容覆盖环境部署、核心节点概念、文生图与图生图实战、视频生成工作流、常见报错排查、性能优化建议。全程以可复现、可操作、可排错为目标，尽量把关键参数和“为什么这么做”讲清楚。

无论你是第一次接触节点式工作流，还是已经用过 WebUI、想切换到 ComfyUI 提升出图效率和流程复用性，这篇文章都能给你一套完整参考。

1. 为什么选择 ComfyUI：从绘图工具到节点式创作平台

1.1 ComfyUI 到底是什么

ComfyUI 是一个基于节点的 Stable Diffusion 图形界面工具。它不像 WebUI 那样把“提示词输入框、采样参数滑块、生成按钮”集成在一个页面里，而是把所有处理步骤拆成一个个独立节点，通过连线把数据流串联起来。

你可以把每个节点理解成流水线上的一个工位。第一个工位负责加载大模型，第二个工位负责编码正向提示词，第三个工位负责初始化潜空间图像，第四个工位负责采样，最后一个工位负责把潜空间张量解码成图片并保存。数据按照连线方向流动，最终生成一张图。

这样的设计带来几个直接好处：

1. 工作流可视化：每一步在做什么、输入输出是什么，全部一目了然。
2. 流程可复用：可以把自己常用的节点组合保存为 workflow 文件或图片，下次直接拖入 ComfyUI 即可恢复。
3. 灵活扩展：ControlNet、LoRA、IPAdapter 等插件都可以作为独立节点插入到链路任意位置，不需要像 WebUI 那样依赖复杂参数面板。
4. 资源利用更高效：ComfyUI 可以在生成复杂任务时更精细地控制显存调度，对于长流程、高分辨率任务有优势。

1.2 与 WebUI 的差异对比

很多初学者会在 WebUI 和 ComfyUI 之间犹豫。简单对比一下两者定位：

这里并不是说 WebUI 被 ComfyUI 完全替代。对于偶尔出图、不想研究节点逻辑的用户，WebUI 依旧友好。但如果你需要“把同样的流程跑一百次不出错”，ComfyUI 的工作流复用能力确实更适合工业化生产。

1.3 本文主要内容与适用范围

本文会从以下几个方面展开：

• ComfyUI 本地部署的三种方式：整合包、官方源码部署、已有环境迁移。
• ComfyUI 核心节点拆解：加载大模型、CLIP 编码、KSampler、VAE 解码、图像保存。
• 完整实战：文生图、图生图、LoRA 加载、局部重绘。
• 视频生成工作流思路与常见模型放置方式。
• 高频报错排查：节点执行失败、显存不足、模型加载失败、虚拟内存不足。
• 性能优化最佳实践：启动参数、显存调度、虚拟内存设置、工作流管理建议。

整个内容适合以下读者：

• 用过 Stable Diffusion，但从未接触过 ComfyUI。
• 已经在用 ComfyUI，但只会拖别人的工作流，不懂节点逻辑。
• 部署或运行时遇到报错，需要系统化排查思路。

2. 环境准备与部署方案

2.1 硬件与系统要求

ComfyUI 的运行依赖 PyTorch 与 CUDA 环境，因此硬件配置会直接影响出图速度和能否运行复杂模型。这里的建议以日常使用为参考，实际请以你本机配置为准。

最低配置参考：

推荐配置参考：

如果你没有 NVIDIA 显卡，可以使用 CPU 模式运行，但速度会非常慢。Apple Silicon 用户可以使用 MPS 后端，具体支持情况需要安装对应版本的 PyTorch。

2.2 方案一：秋叶整合包一键部署

“秋叶整合包”是目前国内用户使用较多的一键部署方式。它把 Python 环境、PyTorch、ComfyUI 主程序、常用插件、模型管理工具打包在一起，解压后即可启动，适合不想折腾环境的新手。

安装步骤大致如下：

1. 下载秋叶 ComfyUI 整合包，注意选择与你的显卡匹配的版本。
2. 将压缩包解压到本地目录，注意路径中不要包含中文和空格。
3. 进入解压后的目录，双击启动器或一键启动脚本。
4. 在启动器中选择显卡型号、运行模式，点击“一键启动”。
5. 等待控制台输出启动日志，自动打开浏览器进入 ComfyUI 界面。

这里需要提醒的是，整合包版本更新较快，不同版本的目录结构和启动器界面可能略有差异。不管用的是哪个版本，核心目录一般包括ComfyUI主目录、models模型目录、python内置环境目录和启动器.exe或.bat启动脚本。

整合包的优点是省去环境配置，缺点是更新时可能出现模型路径、插件版本不一致的问题。建议你解压后先备份根目录下的配置文件，再执行更新操作。

2.3 方案二：官方源码手动部署

如果你使用 Linux 服务器，或者希望完全掌控环境版本，推荐使用官方源码部署。这种方式不依赖整合包，所有依赖都通过 pip 安装，排错更清晰。

以 Ubuntu 20.04/22.04 为例，手动部署流程如下：

# 1. 安装 git 和 python 环境 sudo apt update sudo apt install -y git python3 python3-venv python3-pip # 2. 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 3. 创建虚拟环境 python3 -m venv venv source venv/bin/activate # 4. 安装 PyTorch（以 CUDA 12.1 为例） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 5. 安装 ComfyUI 依赖 pip install -r requirements.txt # 6. 启动 ComfyUI python main.py

启动后，控制台会显示类似以下日志：

Starting server To see the GUI go to: http://127.0.0.1:8188

此时在浏览器打开http://127.0.0.1:8188即可进入工作台。

如果你使用 Windows，可以在项目根目录创建run.bat，内容如下：

@echo off cd /d %~dp0 venv\Scripts\activate python main.py --auto-launch pause

保存后双击即可启动，--auto-launch参数会让浏览器自动打开。

2.4 模型放置目录

ComfyUI 启动后不会自带模型，你需要手动把大模型、LoRA、VAE 等文件放到指定目录。默认情况下，模型目录在ComfyUI/models下：

模型文件一般以.safetensors或.ckpt结尾。放好后，如果 ComfyUI 已经在运行，可以在节点中点击刷新按钮，重新扫描模型列表。路径建议全部使用英文，避免某些插件对中文路径兼容不好。

3. ComfyUI 核心概念拆解

3.1 节点式工作流原理

ComfyUI 的工作流本质上是一张有向无环图。每个节点接收输入、产生输出，输出又作为下一个节点的输入。最常见的文生图流程可以抽象为：

加载大模型 -> 编码正向提示词 -> 创建空潜空间 -> 采样 -> 解码 -> 保存图像

对应的节点链路为：

CheckpointLoaderSimple ├── positive -> CLIPTextEncode（正向提示词） ├── negative -> CLIPTextEncode（负向提示词） └── latent -> EmptyLatentImage（空潜空间） ↓ KSampler ↓ VAEDecode ↓ SaveImage

理解这个链路后，你会发现 ComfyUI 的每个节点只是在完成一个独立功能，通过连线指定数据流方向。

3.2 文生图主链路节点详解

下面详细拆解文生图主链路中的几个核心节点。

3.2.1 CheckpointLoaderSimple

这个节点负责加载大模型，输出三个数据：

• MODEL：用于采样推理的模型对象。
• CLIP：用于文本编码，把提示词转为模型能理解的条件向量。
• VAE：用于图像编解码，负责把潜空间数据解码为像素空间图片。

大模型文件存放在models/checkpoints目录。节点上有一个下拉框，列出该目录下所有模型，选择后自动加载。

3.2.2 CLIPTextEncode

CLIPTextEncode节点负责把文本提示词编码为条件向量。它需要两个输入：

• clip：来自 Checkpoint 的 CLIP 数据。
• text：你输入的提示词。

一个完整工作流通常需要两个CLIPTextEncode节点，一个用于正向提示词，一个用于负向提示词。正向提示词描述你想生成的内容，负向提示词描述你想避免的内容。

正向提示词示例： masterpiece, best quality, a beautiful girl, detailed face, cinematic lighting 负向提示词示例： lowres, bad anatomy, bad hands, watermark, text, extra fingers

3.2.3 EmptyLatentImage

EmptyLatentImage节点用于创建空白的潜空间图像，相当于指定生成图片的初始尺寸和批次数量。主要参数有三个：

• width：生成图片宽度。
• height：生成图片高度。
• batch_size：一次生成几张图。

需要注意的是，潜空间尺寸和像素尺寸有对应关系。Stable Diffusion 1.5 的潜空间缩放倍率是 8，也就是说 512x512 的图片对应潜空间张量为 64x64。ComfyUI 会自动处理这个换算，你在界面上直接填写像素尺寸即可。

3.2.4 KSampler

KSampler是采样器节点，也是整个工作流中参数最密集的节点。它负责根据条件向量逐步去噪，生成最终的潜空间图像。

默认参数示例：

3.2.5 VAEDecode 与 SaveImage

VAEDecode节点接收 KSampler 输出的潜空间张量，通过 VAE 解码为像素空间的图片数据。SaveImage节点负责把图片保存到输出目录。

这个链路的顺序不能颠倒。如果不经过 VAE 解码直接保存，得到的结果会是花屏或纯噪声图。

3.3 KSampler 参数与 CFG 的含义

在 ComfyUI 相关搜索中，“CFG 是什么意思”是一个高频问题。CFG 全称 Classifier Free Guidance，中文叫无分类器指导。它的作用是控制提示词对生成图像的引导强度。

简单来说：

• CFG 值越低，生成结果与提示词的一致性越弱，模型有更大的自由发挥空间，画面可能更柔和。
• CFG 值越高，生成结果越贴近提示词，但过高会导致颜色过饱和、画面失真、出现伪影。
• 常用范围一般在 5 到 12 之间，文生图场景下 7 左右是比较常见的选择。

采样器的选择也会直接影响出图风格：

在实际项目中，我更推荐先固定一个常用组合，比如dpmpp_2m + karras + 20 步 + CFG 7，出图稳定后再根据风格需求调整采样器和 CFG。

4. 完整实战流程：从零搭建文生图工作流

4.1 新建工作流准备

打开 ComfyUI 后，默认会加载一个最简单的文生图工作流。如果你被其他工作流覆盖了，可以通过菜单Workflow -> Browse Templates或直接新建画布添加节点。

下面我们通过手动添加节点的方式，从零搭建一个完整的文生图工作流，这样你能更清楚每个节点对应什么功能。

4.2 添加核心节点并连线

在 ComfyUI 工作台空白处双击，会弹出节点搜索框。依次搜索并添加以下节点：

1. CheckpointLoaderSimple：加载大模型。
2. CLIPTextEncode：正向提示词，需要两个。
3. EmptyLatentImage：设置画布尺寸。
4. KSampler：采样。
5. VAEDecode：解码。
6. SaveImage：保存图片。

添加完成后，按以下方式连线：

CheckpointLoaderSimple.MODEL -> KSampler.model CheckpointLoaderSimple.CLIP -> CLIPTextEncode（正向和负向） CheckpointLoaderSimple.VAE -> VAEDecode.vae CLIPTextEncode.CONDITIONING -> KSampler.positive / negative EmptyLatentImage.LATENT -> KSampler.latent_image KSampler.LATENT -> VAEDecode.samples VAEDecode.IMAGE -> SaveImage.images

连线方式很简单：从节点右侧的输出点按住鼠标左键拖到另一个节点的输入点即可。如果连错，可以右键连线删除。

4.3 设置采样参数与提示词

连线完成后，检查以下参数：

CheckpointLoaderSimple 节点：选择一个你本地已有的 checkpoint 模型。如果你还没有下载任何模型，可以先用网上的示例模型文件放入models/checkpoints目录，或者使用整合包自带的默认模型测试。

正向 CLIPTextEncode 节点：

masterpiece, best quality, 1girl, beautiful detailed face, long hair, night city, neon lights, cinematic lighting

负向 CLIPTextEncode 节点：

lowres, bad anatomy, bad hands, extra fingers, missing fingers, watermark, text, signature

EmptyLatentImage 节点：

width: 512 height: 768 batch_size: 1

KSampler 节点：

seed: 888888 steps: 20 cfg: 7.0 sampler_name: dpmpp_2m scheduler: karras denoise: 1.0

4.4 运行与验证

参数设置完成后，点击面板右侧的“Run”按钮，或者按Ctrl + Enter执行工作流。执行过程中，Ksampler 节点会显示进度条，稍等片刻后 SaveImage 节点会输出生成的图片。

如果你看到一张完整的、符合提示词描述的图片，说明工作流搭建成功。

4.5 结果说明与保存工作流

生成成功后，建议通过菜单Workflow -> Save保存工作流文件，文件格式为.json。以后需要复用这套流程，直接拖入 JSON 文件到 ComfyUI 窗口即可加载。

另外，ComfyUI 还有一个特性：保存图片时会把工作流信息嵌入 PNG 文件中。如果你在浏览器中看到别人分享的 ComfyUI 出图结果，可以直接把图片拖入自己的 ComfyUI，即可恢复对应工作流。

5. 进阶实战：LoRA 加载、图生图与局部重绘

5.1 添加 LoRA 节点

LoRA 是轻量级模型微调技术，可以在不大改大模型的情况下改变出图风格或角色特征。ComfyUI 中使用 LoRA 的方式非常简单。

搜索并添加LoraLoader节点，它有三个输入：

• model：来自 Checkpoint 的 MODEL。
• clip：来自 Checkpoint 的 CLIP。
• lora_name：选择本地 LoRA 文件。

LoRA 节点会把经过 LoRA 调整后的 model 和 clip 传给下一步。连接关系如下：

CheckpointLoaderSimple.MODEL -> LoraLoader.model CheckpointLoaderSimple.CLIP -> LoraLoader.clip LoraLoader.MODEL -> KSampler.model LoraLoader.CLIP -> CLIPTextEncode（正向和负向的 clip 输入都改接这里）

LoraLoader 还有一个强度参数strength_model和strength_clip，默认是 1.0。实际使用中，如果画面出现过拟合、细节粗糙，可以把强度降到 0.7 到 0.9 观察效果。

5.2 图生图与局部重绘工作流

图生图工作流的原理是：把一张已有的输入图经过 VAE 编码为潜空间张量，然后用带噪声的潜空间作为 KSampler 的初始输入，而不是使用 EmptyLatentImage。

核心节点替换为：

LoadImage -> VAEEncode -> KSampler（latent_image 从 VAEEncode 获取）

连接关系示意：

CheckpointLoaderSimple.VAE -> VAEEncode.vae LoadImage.IMAGE -> VAEEncode.pixels VAEEncode.LATENT -> KSampler.latent_image

此时 KSampler 的denoise参数会变得非常关键。denoise 表示去噪强度：

• denoise = 1.0：完全重新生成，只保留原图的构图和颜色大体结构。
• denoise = 0.6：保留较多原图特征，只修改细节。
• denoise = 0.3：轻度调整，比如改动光照、局部细节。

图生图适合做“保持人物姿势不变、改变画面风格”的任务。局部重绘则是在原图上蒙版指定区域，只对该区域重新生成，其他区域保持不变。

局部重绘需要额外节点：

LoadImage -> VAEEncode -> SetLatentNoiseMask -> KSampler VAEEncode -> SetLatentNoiseMask

SetLatentNoiseMask节点接收一个蒙版图，把蒙版区域标记为需要重绘。mask 可以通过插件生成，也可以在节点参数中加载黑白图片：白色区域表示重绘区域，黑色区域表示保留区域。

6. 视频生成工作流思路

6.1 视频生成节点链条

ComfyUI 不只是图片生成工具。随着视频生成模型接入，ComfyUI 也可以作为视频生成工作流的管理平台。近几年开源社区出现了多种视频生成模型，比如 LTX-Video、Minimax 相关视频模型等，在这些模型的加持下，ComfyUI 里可以搭建“文生视频”或“图生视频”工作流。

视频生成工作流的基本链路和文生图类似，但有几个关键差异：

• 输入除了提示词，还要指定视频帧数、帧率、分辨率。
• 潜空间不再是单张图像，而是一段时间序列潜空间张量。
• 解码后输出的是视频文件或图像序列。

大致节点链路：

加载视频模型 -> 编码提示词 -> 创建视频潜空间 -> 视频采样 -> 视频解码 -> 保存视频

6.2 常见视频模型放置与注意事项

不同视频模型的放置目录略有差异，但一般遵循以下习惯：

需要特别注意的是，视频生成对显存和内存的消耗远大于单张图片生成。如果你的显卡显存只有 8GB，直接跑大分辨率的视频工作流大概率会遇到显存不足。此时可以尝试：

• 降低分辨率，比如先从 384x672 开始测试。
• 减少帧数，比如先生成 9 帧或 16 帧，确认链路通畅后再增加。
• 开启显存优化启动参数，具体见本文第 8 节。

视频模型的文件通常较大，下载时要注意来源可靠性。建议使用官方发布渠道或知名社区分享的模型文件，并且放置模型前先确认是否与当前 ComfyUI 版本兼容。

7. 常见报错排查与解决方法

ComfyUI 在使用过程中会遇到各种报错，下面列出几个最高频的场景和排查思路。

7.1 节点执行过程中发生错误

这是 ComfyUI 最典型的报错，错误提示中会包含node error report之类的信息。常见原因有：

• 模型的输出维度与当前节点不匹配。
• 显存不足导致 CUDA 报错。
• 某些节点缺少自定义插件。
• 模型文件损坏或不完整。

排查步骤如下：

1. 查看控制台完整日志，找到报错节点名称。
2. 检查该节点输入输出线是否连接正确。
3. 尝试换一个小尺寸模型测试，排除显存问题。
4. 确认所有节点对应的插件已安装并启用。
5. 如果某个节点一直报错，右键删除该节点，重新添加一个相同类型节点。

ComfyUI 社区中有一个通用排查技巧：把报错信息复制到搜索引擎，加上“comfyui”关键词，大部分节点报错都能找到解决方案。

7.2 显存不足：CUDA Out of Memory

显存不足是生成大图或视频时最高频的问题。解决方法优先级如下：

1. 降低分辨率。
2. 减少 batch_size。
3. 使用--lowvram或--medvram启动参数。
4. 开启--cuda-malloc参数优化显存分配。
5. 关闭其他占用显存的程序。

如果你使用整合包，启动器里一般有显存优化选项，直接勾选低显存模式即可。如果你使用官方源码启动，可以在启动命令中加入参数：

python main.py --lowvram --cuda-malloc

7.3 模型加载失败

模型加载失败的常见原因有：

• 文件没有放到正确目录。
• 文件名包含中文或特殊符号，导致解析失败。
• 模型文件下载不完整，.safetensors文件可能只有几 MB。
• 模型版本与 ComfyUI 版本不兼容。

建议下载模型后先检查文件大小是否正常。例如，Stable Diffusion 1.5 的 checkpoint 文件大小通常在 2GB 到 4GB 之间，如果只有几百 MB，大概率下载有问题。

7.4 虚拟内存不足

运行视频生成或大型工作流时，即使显存够用，也可能因为物理内存不足导致系统崩溃或进程退出。解决方法是在 Windows 中设置较大的虚拟内存。

Windows 设置虚拟内存路径：

控制面板 -> 系统和安全 -> 系统 -> 高级系统设置 -> 高级 -> 性能 -> 设置 -> 高级 -> 虚拟内存 -> 更改

取消勾选“自动管理所有驱动器的分页文件大小”，选择装有 ComfyUI 的磁盘，设置自定义大小。建议初始大小和最大大小都设为物理内存的 1.5 到 2 倍。例如 32GB 物理内存，可以设置初始 49152MB，最大 65536MB。

设置完成后需要重启系统生效。这个操作对内存不足导致的工作流崩溃有明显缓解作用。

8. 性能优化与生产级建议

8.1 常用启动参数

ComfyUI 支持的启动参数较多，下面列出我在实际使用中比较常用的几个：

启动示例：

python main.py --auto-launch --medvram --cuda-malloc

在整合包中，这些参数通常可以在启动器界面上勾选，不需要手写命令。

这里也单独提一下虚拟内存设置。很多刚接触 ComfyUI 的用户容易忽略虚拟内存的作用。当你的工作流包含视频生成、多模型叠加、高分辨率放大时，物理内存可能会被瞬间耗尽，虚拟内存能缓解峰值压力。建议在运行大型工作流之前，先把虚拟内存调整到足够大小。

8.2 工作流管理的工程建议

工作流文件（.json或.png）是核心资产。以下是我推荐的工程化习惯：

1. 按项目拆分目录：为不同项目建立独立工作流文件夹，例如workflows/portrait、workflows/video。
2. 工作流文件命名带版本：比如portrait_v1.json、portrait_v2.json，方便回溯。
3. 记录参数变更：在保存工作流时，可以在正向提示词或注释节点中备注本次使用的模型、LoRA、采样参数。
4. 关键节点添加注释：右键节点可以添加注释，把每个节点的作用写清楚，方便以后维护。
5. 不要随便覆盖原始工作流：复制一份再修改，避免调整失败后恢复困难。

8.3 模型与插件的版本管理

ComfyUI 的更新节奏比较快，插件和核心之间的兼容性有时会出现问题。如果你不想花大量时间处理版本冲突，建议：

• 保持核心 ComfyUI 版本相对稳定，不要每次更新都立刻升级。
• 记录当前使用的插件列表和版本号。
• 更新前先备份ComfyUI/execution.py、ComfyUI/custom_nodes目录，以及根目录的requirements.txt。
• 对于不再维护的旧插件，优先找替代插件，而不是强行兼容。

8.4 安全与生产环境注意事项

在使用 ComfyUI 进行生产环境部署时，有几个原则需要留意：

• 不要把工作流服务直接暴露在公网，ComfyUI 默认监听本地 8188 端口，如需远程访问，建议通过安全隧道或内网隔离。
• 对工作流文件中的提示词保持敏感，不生成违反法律法规的内容。
• 批量生成图片前，先在小批量下验证完整链路，避免一次性提交大量任务导致系统资源耗尽。
• 涉及模型文件替换时，注意备份原始模型，避免文件损坏影响线上流程。
• 使用 API 调用 ComfyUI 时，建议加一层业务鉴权，避免未授权请求占用推理资源。

ComfyUI 支持通过 API 提交工作流。如果你后续有自动化需求，可以参考下面的 Python 示例（示例思路，需结合你的工作流 JSON 调整）：

import json import requests # 读取工作流 JSON with open("workflows/portrait_v1.json", "r", encoding="utf-8") as f: workflow = json.load(f) # 提交到本地 ComfyUI 服务 response = requests.post( "http://127.0.0.1:8188/prompt", json={"prompt": workflow} ) print(response.status_code) print(response.json())

这个接口适合把固定工作流嵌入到自动化流程中，比如定时出图、批量生成、图片风格化服务等。

9. 总结与下一步学习路线

完成这篇教程的阅读后，你应该已经掌握以下内容：

• ComfyUI 的节点式工作流概念和与 WebUI 的差异。
• 使用整合包和官方源码两种方式完成本地部署。
• 理解文生图、图生图、局部重绘、LoRA 加载、视频生成的核心节点链路。
• 掌握 KSampler 参数和 CFG 的作用。
• 面对节点执行错误、显存不足、模型加载失败、虚拟内存不足等高频问题时的排查思路。
• 掌握性能优化、工作流管理、生产环境部署的工程建议。

下一步的学习方向，可以从几个方面继续深入：

• 研究 ControlNet 工作流，把姿态控制、深度控制、线稿控制引入自己的生成链路。
• 学习 ComfyUI API 调用方式，把工作流封装成后端服务。
• 尝试自定义节点开发，理解 ComfyUI 节点的输入输出规范。
• 关注社区中的高质量工作流分享，拆解别人设计的复杂工作流，并总结节点组合规律。

建议你先从最基础的文生图工作流开始，手动搭一遍，把每个节点的作用和参数含义吃透，再逐步加入 LoRA、图生图、ControlNet。遇到报错时，不要急着复制别人的解决方案，先看控制台日志，定位到具体节点，然后根据错误类型做针对性调整。这种排错习惯会在后续使用中带来很大帮助。

如果你在搭建过程中遇到本文没有覆盖到的问题，欢迎在评论区留言讨论。好的工作流离不开反复调试，希望你能把 ComfyUI 真正用起来，搭建出适合自己的一套稳定生产链路。