在实际做 AI 漫剧之前很多人会把 ComfyUI 当成“比 Stable Diffusion WebUI 更强一点的画图工具”。这个理解只对了一半。ComfyUI 真正的价值是把生成过程拆成节点、连线和数据流让你能把“角色参考图、提示词、采样器、放大、批量导出、图生视频”这些环节沉淀成一套可复用、可分享、可排查的工作流。这篇文章围绕一条完整的技术主线展开让一个不熟悉 ComfyUI 的创作者在当前生态下从零安装环境、理解节点机制、搭建漫剧分镜工作流并掌握最常见的报错排查方法。学完之后你不只能导入别人分享的工作流还能自己搭流程、调参数、改结构从“AI 画图实验”进入“AI 漫剧生产”。1. 漫剧工作流到底在解决什么问题1.1 从 AI 画图到 AI 漫剧的技术断层能画出一张好看的二次元图不等于能做出漫剧分镜。两者之间差的不是审美而是工程能力。单张图片创作只需要关心提示词和采样参数但漫剧生产是一整套流水线先有剧本再拆成分镜脚本每个分镜里有角色、场景、镜头、台词角色必须在不同画格中保持面貌一致画面要能批量生成生成的静态图要能接续到动画或视频环节最后还要导出给剪辑软件使用。这个流程里最难的并不是“生成一张好图”而是“稳定、批量、一致地产出一批分镜图”。一张图好看可以靠运气几十张图全都符合设定就必须要靠工作流约束。ComfyUI 的节点式工作流正好回应这个痛点。它把提示词、模型、采样器、ControlNet、LoRA、IPAdapter 这些组件变成可连线的节点节点之间传递的不只是图片还有潜空间张量、文本编码、条件控制数据。修改一个节点就能改变整条生成链路而不需要像传统界面那样在多个面板之间来回切换参数。1.2 ComfyUI 节点式工作流的本质如果用一句话概括ComfyUI 的节点式工作流就是一个“可编程的生成管线”。传统 WebUI 的生成逻辑是黑盒你填写提示词点击生成看到结果。中间发生什么用户基本不需要了解。但漫剧工作流要求你把生成过程拆开。比如第一张图用于确定角色形象之后的每一张分镜都要以这张角色图为条件继续生成有的分镜需要线稿控制构图有的分镜需要局部重绘改表情。这些需求在传统界面里实现起来很别扭但在 ComfyUI 里就是把“加载参考图”“VAE 编码”“IPAdapter 应用”“ControlNet 应用”几个节点串联起来。节点式还有一个容易被忽略的价值可分享。一个工作流文件就是一段 JSON别人拿到这个文件只要模型和节点版本对得上就能复现同样的生成链路。很多漫剧教程分享的核心资产并不是某一张图而是一整套节点结构。1.3 一条漫剧工作流应该包含哪些闭环环节从零搭建漫剧工作流不应该直接去抄别人的大节点图而是先拆需求。一条完整的漫剧生产工作流通常包含以下闭环脚本和分镜表决定有哪些场景、哪些镜头、角色做什么动作。角色设定图确定主角、配角的面部特征、发型、服装。分镜画面生成用文生图或图生图产出每个镜头的静态画面。角色一致性控制通过 IPAdapter 或 LoRA 让同一角色在不同分镜中保持一致。批量补细节与放大在批量出图后做高清放大或局部修复。图生视频或动画化将静态分镜转成动态片段。导出与剪辑把图像、视频按分镜号命名交给剪辑软件合成。ComfyUI 无法接管所有环节但它承担的是最核心的“从设定到分镜画面”和“从画面到动态素材”这两段。工作流设计得越模块化后续修改越轻松。2. 环境准备选对部署方式先避免一半报错2.1 三种部署方式对比ComfyUI 的部署方式直接影响后续排错难度。这里先看三种主流方式的适用范围。部署方式适合人群优点缺点秋叶一键整合包首次接触 ComfyUI 的新手自带 Python、依赖和常用模型目录安装后直接启动封装较多自定义节点装多之后依赖冲突难排查官方仓库手动部署想长期深入使用的创作者依赖链清晰升级可控报错信息完整需要自己配置 Python、Git、PyTorch前置门槛稍高Docker 部署团队协作或云端批量渲染环境一致性好方便迁移到云 GPU 机器需要懂 Docker 和 GPU 透传早期调试成本较高如果你的目标是快速跑通别人分享的漫剧工作流整合包是成本最低的方案。但这里有一个重要提醒整合包并不是万能包。它是把特定版本的 Python、ComfyUI 核心代码、常用依赖和一批模型预先安装好。当你从网上下载一个新工作流时往往会发现工作流依赖的自定义节点没有安装这时候还是要回到节点管理这一步。如果你已经有 Python 开发经验建议从官方仓库手动部署一次。这样遇到报错时你能直接看到是哪一行 Python 代码或哪个依赖出了问题而不是在一个被封装过的环境里反复重装。2.2 手动部署 ComfyUI 的详细步骤以下步骤以 Windows 环境为例Linux 服务器流程基本相同只是激活虚拟环境的命令不同。# 1. 创建独立的 Python 虚拟环境避免污染全局环境 conda create -n comfyui python3.11 -y conda activate comfyuiPython 版本优先选择 3.10 或 3.11。3.12 之后部分自定义节点还没有适配到稳定状态所以不建议在搭建工作流初期就使用追新版本。# 2. 安装 PyTorch这里以 CUDA 12.1 版本为例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装前先确认自己的显卡驱动支持对应的 CUDA 版本。Windows 下可以通过nvidia-smi查看驱动版本和最高 CUDA 版本Linux 服务器同样可以用这条命令。# 3. 克隆 ComfyUI 仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 4. 安装官方依赖 pip install -r requirements.txt # 5. 启动服务 python main.py启动后浏览器访问http://127.0.0.1:8188。如果能看到工作台界面说明核心环境已经跑通。手动部署后还需要关注几个启动参数。它们在生产场景里非常有用启动参数作用说明--listen 0.0.0.0允许局域网访问在同一台机器上工作可以不使用但部署到服务器或另一台渲染机时必须使用--port修改默认端口默认 8188端口冲突时才需要改--lowvram低显存模式显存小于 8G 时建议使用但生成速度会下降--reserve-vram保留部分显存避免生成时占满显存导致其他程序卡死--cuda-device 0指定 GPU多卡机器上可以指定使用哪张卡2.3 模型和自定义节点放到哪个目录ComfyUI 读取模型不是靠记忆而是靠目录规则。模型放错目录节点加载时会直接报错提示找不到文件。默认目录结构如下ComfyUI/ ├── models/ │ ├── checkpoints/ # 主模型通常是完整大模型 │ ├── loras/ # LoRA 模型 │ ├── controlnet/ # ControlNet 模型 │ ├── vae/ # VAE 模型 │ ├── clip/ # 文本编码器 │ ├── ipadapter/ # IPAdapter 模型 │ └── unet/ # Flux 等单独架构的模型 ├── custom_nodes/ # 自定义节点目录 ├── input/ # 图生图参考图、角色设定图 ├── output/ # 默认生成结果输出目录 └── user/ # 用户默认工作流等配置自定义节点安装在custom_nodes目录下。安装方式有两种一种是在 ComfyUI Manager 中搜索安装另一种是直接git clone到该目录。cd custom_nodes git clone https://github.com/example/ComfyUI-ExampleNode.git pip install -r ComfyUI-ExampleNode/requirements.txt这里要注意每次新增自定义节点后都需要重启 ComfyUI。部分节点安装依赖比较重例如涉及视频处理的节点可能会拉取多个大型 Python 包安装时间会比较长不要中途直接关闭终端。3. 读懂工作流节点、连线与数据流3.1 最小文生图工作流拆解在接触复杂漫剧工作流之前先理解一个最小文生图工作流。它只有六个节点CheckpointLoaderSimple加载大模型和配套的 CLIP、VAE。CLIPTextEncode把正向提示词编码成文本条件。CLIPTextEncode把负向提示词编码成文本条件。EmptyLatentImage生成一个指定尺寸的空潜空间张量。KSampler在潜空间执行采样。VAEDecode把潜空间张量解码成像素图像。SaveImage保存图片并显示在工作台上。当你点击“运行”时数据流是这样的CheckpointLoaderSimple 输出三个对象分别是模型、CLIP、VAE正向和负向提示词节点消费 CLIPEmptyLatentImage 提供初始噪声图KSampler 接收模型、条件、潜图执行去噪去噪结果交给 VAEDecode最后 SaveImage 保存。理解这个过程非常关键。漫剧工作流再怎么复杂底层仍然是这条链路。角色一致性、构图控制、局部重绘都是在 KSampler 前后增加别的节点去干预数据流。3.2 工作流 JSON 文件的结构一个 ComfyUI 工作流文件存储为 JSON。打开后你会发现它主要包含两部分节点数组和连线数组。下面是简化后的结构示例用于理解而不是直接运行。{ nodes: [ { id: 1, type: CheckpointLoaderSimple, inputs: { ckpt_name: animeModel.safetensors }, outputs: [ { name: MODEL, type: MODEL }, { name: CLIP, type: CLIP }, { name: VAE, type: VAE } ] }, { id: 2, type: CLIPTextEncode, inputs: { clip: [1, 1], text: best quality, anime scene, girl }, outputs: [ { name: CONDITIONING, type: CONDITIONING } ] }, { id: 5, type: KSampler, inputs: { model: [1, 0], positive: [2, 0], negative: [3, 0], latent_image: [4, 0], seed: 42, steps: 25, cfg: 7.0, sampler_name: euler, scheduler: normal, denoise: 1.0 } } ], links: [ [0, 1, 0, 5, 0, MODEL], [1, 1, 1, 2, 0, CLIP] ] }可以看到links中记录的是“哪一个节点的第几个输出连接到哪一个节点的第几个输入”。导入别人分享的工作流后如果提示某一处连线类型不匹配往往就是因为节点版本不同导致输出类型定义发生了变化。3.3 漫剧生产中最常用的节点类型漫剧工作流中除了最小工作流的六个基础节点还有几类节点出现频率非常高。第一类是图像输入类。LoadImage用来加载参考图通常连接到 IPAdapter 或图生图分支。VAEEncode把像素图像编码回潜空间用于在潜空间进行局部重绘。第二类是控制类。ControlNetLoader加载 ControlNet 模型配合ControlNetApply把边缘、深度、线稿等条件注入生成过程。漫剧里很常见的用途是先画一版粗糙的构图线稿再用线稿 ControlNet 严格约束生成结果。第三类是角色一致性类。IPAdapter系列节点通过参考图提取图像特征约束生成结果保持与参考人物一致。LoRA 则通过LoraLoader加载以低秩权重干预模型输出风格或角色特征。第四类是批量处理类。Batch Prompt Schedule等高级节点可以按帧或按分镜切换提示词适合做视频序列或批量分镜生成。不过这类节点依赖较复杂新手不必第一时间掌握。新手容易犯的一个错误是看到别人丢过来的大工作流里有几十个节点就想一个个弄懂。正确做法是先定位这条工作流的主链路找到谁是模型、谁是采样器、谁是保存节点再看这些主链路上的控制类节点分别约束了什么。4. 搭建漫剧分镜工作流从角色一致性到批量出图4.1 角色一致性方案对比与选型漫剧工作流最关键的技术难点是角色一致性。同一个角色在第 1 格和第 50 格里必须看起来是同一个人否则整部漫剧的叙事会被打破。目前常见的角色一致性控制有三种方案各有使用场景。方案原理优点缺点适用场景固定提示词 固定 Seed每次生成使用同一组角色描述词和相同随机种子操作简单不需要额外模型提示词描述能力有限复杂姿势和表情下容易走形简单角色、半身镜头、对一致性要求不极端的情况LoRA 角色训练预先用角色多角度图片训练一个角色 LoRA角色特征稳定多场景泛化好训练过程有成本需要收集图片和调参核心主角、需要跨几十个分镜反复出现IPAdapter 参考图约束每次生成把角色设定图作为参考输入不需要训练随换随用对构图和视角变化的支持不如 LoRA 稳定配角、道具、服装风格迁移、快速验证实际漫剧项目通常会把 LoRA 和 IPAdapter 结合。核心角色用训练好的 LoRA 保底遇到特殊服装或道具时再用 IPAdapter 临时补强。如果只为了快速测试剧情可行性直接用 IPAdapter 搭配参考图就足够了。IPAdapter 的接线思路是把参考图通过加载节点读入经过图像编码器提取特征再与文本条件一起送入采样器的控制分支。不同模型架构的 IPAdapter 版本不通用SD1.5 的参考模型不能直接用于 SDXL 工作流。4.2 分镜提示词模板与批量生成漫剧分镜不是一张张单独写提示词而是要先建立一套提示词模板再把变化的部分参数化。一个典型的分镜提示词模板可以这样设计masterpiece, best quality, [场景描述][角色描述] [动作描述][表情描述] [镜头描述][光线描述] [画风关键词]例如一个具体的分镜提示词masterpiece, best quality, classroom interior, morning light, young girl, black long hair, red scarf, school uniform, sitting at desk, looking up with surprise, medium shot, viewing from front left, soft lighting, anime style对应的负向提示词也要固定lowres, bad anatomy, bad hands, extra fingers, watermark, signature, text, jpeg artifacts, blurry, distorted face批量生成时不要把所有分镜塞在同一个提示词里。ComfyUI 的批量处理可以通过两种方式实现一种是用 Python 脚本调用底层 API另一种是在工作流中使用批量节点按分镜列表逐条改变提示词。如果工作流的Batch Size设置为 4每个 KSampler 会对同一个潜空间批次执行采样适合在同一个场景下生成多个相似构图供筛选。如果你的分镜之间差异很大更合适的做法是保持Batch Size为 1用外部脚本循环修改提示词并调用 API。4.3 图生视频与动态分镜扩展漫剧的最终形态往往不是静态图而是带动态效果的视频片段。ComfyUI 里做图生视频通常有两类做法。第一类是用 AnimateDiff 这类动画节点在潜空间里对连续帧做采样。它比逐帧生成更自然但对显存和采样时间的要求明显更高。16G 显存可以尝试短片段8G 显存运行时会非常吃力建议使用--lowvram并调低视频分辨率。第二类是接入当前开源的图生视频模型节点。比如 Minimax H3、可灵系工作流以及社区封装好的视频生成节点在 ComfyUI 里已经出现很多整合方案。这类节点通常会把静态图作为首帧再由视频模型生成一段运动画面。这里有一个实践建议不要直接在工作流里从头到尾生成整段动画。正确流程是先做静态分镜确认构图和角色没有问题再选择关键分镜生成短视频片段最后到剪辑软件里拼接。4.4 输出组织目录结构、命名与缓存策略漫剧项目一旦开始批量生成输出管理会变成第一个暴露的问题。文件如果没有统一命名规则几天后根本分不清哪张图属于哪一集哪一分镜。建议在 ComfyUI 的input目录里建立分镜素材目录input/ ├── project_name/ │ ├── 01_script/ # 剧本和分镜表 │ ├── 02_character/ # 角色设定图 │ ├── 03_reference/ # 场景参考图 │ ├── 04_scene/ # 背景素材 │ └── 05_control/ # 线稿、OpenPose 姿态图输出文件命名建议使用“项目编号_集数_分镜号_版本号”的格式mh_ep01_shot012_v3.png很多新手忽略缓存策略。ComfyUI 中的 KSampler 如果保持固定 Seed重新运行时生成结果相同。在调参阶段建议把关键 Seed 记录下来确认哪个 Seed 版本符合预期进入正式批量生成后再对 Seed 做随机化避免同一角色在大量分镜里出现完全一样的构图。5. 运行验证怎么判断工作流真的可用5.1 进入队列前的检查点在点击“运行”之前建议先做一遍静态检查。这一步能省掉大量无效排队时间。先检查节点状态。所有节点都应该正常显示不存在红色报错节点。自定义节点如果显示为红色通常说明缺少对应插件或运行环境不完整。再检查模型文件名。双击加载模型的节点确认下拉列表里确实存在工作流需要的模型。如果模型名称是红色或提示找不到说明模型文件没有放到正确目录或者文件名不一致。最后检查连线关系。从末端往回看确认SaveImage的输入确实来源于VAEDecode的输出如果使用了IPAdapter确认参考图节点有实际加载图片而不是默认的空图。5.2 生成结果的评估标准有些工作流能生成图片但图片质量不稳定。判断一套漫剧分镜工作流是否达标建议从四个维度检查一致性同一角色在不同分镜中的发型、瞳色、服装是否稳定。构图合理性主体位置是否符合分镜要求镜头关系是否混乱。表情与动作角色表情是否准确表达剧情情绪。画质稳定性是否存在崩手、崩脸、背景扭曲等低级错误。这里有一条非常实用的经验漫剧分镜不要追求每张图都是“神图”而是追求“可用率”。只要角色一致、构图达标、没有明显畸形剩下的交给后期剪辑和配音比反复抽卡更高效。5.3 日志、显存与执行耗时怎么看ComfyUI 启动后终端窗口会持续输出日志。日志里不只有报错信息还包括设备信息、模型加载耗时和采样进度。[2026-01-15 10:24:11] To see the GUI go to: http://127.0.0.1:8188 [2026-01-15 10:24:15] comfyui: loaded checkpoint animeModel.safetensors [2026-01-15 10:24:16] comfyui: Requested to load animeModel.safetensors [2026-01-15 10:24:21] comfyui: 100%|████████| 25/25 [00:1200:00, 2.03it/s]执行耗时的核心指标是it/s也就是每秒采样步数。同样是 25 步采样it/s越高单张图越快。如果发现it/s明显低于正常水平先检查是不是并发任务太多或者显存被其他程序占用。查看显存状态可以使用系统命令nvidia-smi重点看 GPU 显存占用和温度。ComfyUI 在执行任务时显存占用会有波动如果一直顶满且出现CUDA out of memory就需要调低分辨率或启用低显存模式。6. 常见报错排查从“安装缺失节点”到“Failed to execute”6.1 导入工作流时提示“请安装缺失的包”从网上下载别人分享的漫剧工作流后最常见的第一句提示就是请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的 python 环境中运行...出现这个提示说明工作流依赖的自定义节点没有装在当前环境里。ComfyUI 的默认安装并不包含所有社区节点分享者用的节点需要手动补充。排查路径按顺序走看看工作流画布上哪些节点是红色红色节点基本就是缺失部分。确认是否安装了 ComfyUI Manager。如果已安装可以通过 Manager 自动查找缺失节点并安装。如果 Manager 安装失败需要根据节点名称到公开代码仓库中搜索将仓库克隆到custom_nodes目录。安装完成后检查该节点的requirements.txt在虚拟环境中执行pip install -r。重启 ComfyUI再导入工作流。这里的关键是不要看到提示就盲目执行安装命令。先看清楚缺失的是哪个节点再安装对应的包避免把整个环境搞乱。6.2 节点执行失败并出现 ComfyUI Error Report执行工作流时弹窗出现节点在执行过程中发生错误并附上一段ComfyUI Error Report这是另一种高频场景。错误报告里最重要的字段是Node和Exception。# ComfyUI Error Report ## Error Details - **Node**: KSampler - **Exception Type**: RuntimeError - **Message**: CUDA out of memory. Tried to allocate 2.00 GiBNode告诉你报错发生在哪个环节Exception告诉你具体原因。同样一张工作流图错误可能出在加载模型阶段、采样阶段也可能出在保存图片阶段定位到节点才能对症下药。常见的失败原因和排查方向错误现象常见原因检查方式处理建议找不到模型文件模型未下载或路径错误检查 checkpoint 节点下拉列表把模型放进models/checkpoints并重启AttributeError: NoneType object has no attribute前置节点输出为 None查看上游节点是否有报错从链路末端向前逐节点排查CUDA out of memory显存不足执行nvidia-smi降低分辨率、使用--lowvram、关闭其他程序TypeError: ... not a valid value节点输出类型不匹配查看两个节点之间的连线是否报红更新节点到兼容版本生成图片全黑或全灰VAE 缺失或 cfg 过高查看 log 中的 VAE 加载记录补全 VAE 并调低 cfg排查这类错误时不要一次性修改多个参数。先解决报错节点的上游问题再重新执行如果问题依旧再检查报错节点自身参数。6.3 CUDA out of memory 和低显存优化显存不足是漫剧工作流最容易遇到的生产瓶颈。一个 SDXL 工作流配合 ControlNet、IPAdapter 时8G 显存很容易直接爆掉。优化方向是分步压缩显存占用。第一步降低单批潜图尺寸。把分辨率从 1024 降到 896 或 768画面质量损失可通过后续放大节点弥补。第二步启用低显存模式。启动 ComfyUI 时加上参数python main.py --lowvram第三步关闭不必要的节点分支。如果工作流里同时挂了一套 ControlNet 和一套 IPAdapter但当前分镜只用到其中一部分可以直接断掉不需要的分支连线减少显存占用。第四步检查是否加载了重复模型。比如同一个大模型出现在两个 checkpoint 节点里ComfyUI 会加载两次模型显存自然翻倍。如果这些手段都用完了仍然报错那么问题不在参数而在硬件预算。此时应该考虑云 GPU 服务器或换一张更大显存的显卡而不是继续在 8G 显存里硬扛。6.4 模型下载与路径问题漫剧工作流里涉及的模型类型很多大模型、VAE、LoRA、ControlNet、IPAdapter 各有各的放置目录。新手最容易犯的错误是把从网盘下载的模型文件全部丢到checkpoints。模型文件放错目录后节点界面不会自动识别。比如 LoRA 文件放进checkpointsLoraLoader节点的下拉列表里就找不到它。处理模型文件冲突时先看文件扩展名。常见的.safetensors和.ckpt文件按用途分别放到loras、controlnet、vae或ipadapter目录。如果同一个文件在多个目录里各有一份不仅浪费磁盘还会让加载逻辑变得混乱。下载时也要注意与主模型架构匹配SD1.5 的 LoRA 不能直接用于 SDXL 大模型SDXL 的 ControlNet 也不能用于 Flux。架构不匹配时运行报错往往不是“找不到文件”而是张量维度不匹配。7. 七天学习计划和生产化建议7.1 七天从零基础到精通的学习任务表标题里的“七天从小白到大神”更多是学习节奏的概括。对多数人来说七天能完成的是从“完全不会”到“能独立搭出可用工作流”距离真正的大神还需要项目积累。合理的七天节奏如下。天数核心任务验证结果第 1 天安装部署 ComfyUI熟悉界面和目录能通过默认工作流生成一张图第 2 天拆解最小文生图工作流看懂节点和连线能自己从空白画布搭出文生图链路第 3 天掌握图生图、局部重绘和denoise参数能把一张参考图改表情或换背景第 4 天学习 LoRA 和 ControlNet能用线稿控制构图加载角色 LoRA第 5 天学习 IPAdapter实现角色一致性同一角色在不同提示词下保持面貌第 6 天搭建批量分镜工作流能按分镜表批量生成多张图并统一命名第 7 天接入图生视频节点导出片段输出一段可剪辑的漫剧短视频素材第 2 天的空白画布练习尤其重要。很多人只会导入现成工作流一旦节点画面被打乱就不知道怎么恢复。从零搭工作流是真正理解节点机制的最快路径。7.2 生产环境还需要补齐的工程能力教程里经常把工作流画完就算结束但生产环境的要求远比画布内复杂。首先是配置外置化。模型的路径、固定的提示词、Seed 策略、分辨率这些都不要散落在十几个节点里。ComfyUI 支持在节点中用变量或文本节点统一管理参数建议把经常调整的参数集中到一处并加注释节点说明含义。其次是日志和结果记录。生产环境建议保存每次批量生成时使用的完整参数而不是只保存图片。可以把工作流 JSON 和工作流截图与输出图片放在同一个项目目录方便后续追溯哪一张图来自哪一次生成。第三是异常处理。批量生成几百张分镜时一两张图报错并不罕见。不要让整个队列因为一个分镜失败而中断要学会把失败节点的错误信息记录到日志等批量结束再统一处理。第四是备份和版本管理。工作流 JSON 本质是文本文件可以纳入 Git 管理。每次大改动之前先提交一次改崩了能直接回滚。模型文件不需要入库但建议在 README 里记录模型来源和版本。7.3 漫剧工作流发布前检查清单在把一套工作流投入正式漫剧项目之前建议对照清单做最后检查。[ ] 模型版本和节点版本已确认匹配没有红色报错节点。[ ] 角色一致性方案已确定核心角色用 LoRA 或 IPAdapter 做了约束。[ ] 分镜提示词模板已固定变化项集中管理。[ ] 输出目录和命名规则已统一图片能对应回分镜表。[ ] 关键参数如 Seed、steps、cfg、denoise 已有记录。[ ] 显存占用在安全水位批量运行不会频繁 OOM。[ ] 自定义节点的安装记录已保存换机器部署时可以复现。[ ] 工作流 JSON 已备份修改前有回滚版本。这套清单适用于从个人创作到小团队生产的过渡。只要每一条都能明确回答“是”工作流的可维护性就比较扎实。ComfyUI 漫剧工作流的学习路径并不复杂先理解节点和数据流再掌握角色一致性控制然后用批量生产标准去约束自己的习惯最后通过报错排查积累经验。这套能力一旦建立起来换模型、换项目、换风格都只是替换节点的操作底层思维是一样的。对新手最有价值的练习不是再下载一份更复杂的别人工作流而是从一张空白画布开始搭出属于自己项目的第一个最小可运行链路。
