企业官网建设流程全解析

1. WorkBuddy 是什么，它为什么能“管住” ComfyUI 这头猛兽？

很多人第一次听说 WorkBuddy，会下意识把它当成另一个“ComfyUI 启动器”或者“UI 美化插件”。我最初也是这么想的——直到我在某次连续三小时调试一个带 27 个节点、嵌套 4 层循环的 ControlNet+IP-Adapter 工作流时，电脑风扇声盖过了空调，显存占用曲线像心电图一样反复冲顶又骤降，而我连保存当前状态都得手动截图、记笔记、关掉所有节点再重开……那一刻我才意识到：ComfyUI 的强大，恰恰是它最难被“管理”的根源。

WorkBuddy 不是 UI 插件，也不是模型加载器，它是一个面向工作流生命周期的轻量级编排层（Workflow Orchestration Layer）。它的核心定位非常清晰：不碰 ComfyUI 的底层执行逻辑，也不改写任何 Python 节点代码，而是像一位经验丰富的产线班组长，在 ComfyUI 这台精密机床的“输入口”和“输出口”之间，加装了一套可配置、可追溯、可复用的调度系统。

它解决的不是“能不能出图”的问题，而是“能不能稳定、可重复、可协作、可回溯地出图”的问题。举个生活化类比：ComfyUI 是一台功能齐全但没有操作手册、没有预设模式、所有旋钮都裸露在外的工业级咖啡机；而 WorkBuddy 就是你在它前面加装的智能控制面板——你可以一键调用“美式浓缩”“冷萃冰滴”“双份奶泡拿铁”三种预设配方，每种配方自动记录水温、研磨度、萃取时间、奶泡温度，还能在出杯失败时自动触发“重做上一杯”并保留全部参数快照。

这个定位决定了 WorkBuddy 的技术边界：它不替代 ComfyUI，也不试图封装 ComfyUI；它只做三件事——固化流程、隔离环境、追踪状态。所以它不需要修改 ComfyUI 源码，不依赖特定 Python 版本，甚至不强制要求你用官方启动方式。我实测过，无论你是用comfyui.exe双击运行、用python main.py命令行启动，还是通过 Docker 容器部署，只要 ComfyUI 的/api接口正常响应，WorkBuddy 就能无缝接入。

提示：WorkBuddy 的本质是 HTTP 客户端 + 本地元数据管理器。它通过标准 ComfyUI API（如/prompt,/history,/view）与后端通信，所有“管理”动作最终都转化为对这些接口的结构化调用。这意味着它天然兼容所有遵循 ComfyUI API 规范的衍生版本（如 ComfyUI-Manager、ComfyUI-Custom-Nodes 生态），不存在“锁死官方版”的风险。

这也是为什么它能“把本地 ComfyUI 管成一条出图流水线”——流水线的核心不是速度，而是确定性。当你的 prompt 修改、模型切换、采样器参数调整、图像尺寸变更，都能被 WorkBuddy 自动捕获、打标、归档、复用时，“出图”就从一次性的手工操作，变成了可批量、可审计、可交接的标准化工序。后面我会详细拆解它是如何做到这一点的。

2. 流水线成型的关键：WorkBuddy 的三大支柱能力

WorkBuddy 的能力不是堆砌出来的，而是围绕“让 ComfyUI 工作流具备工程化属性”这一目标，构建起的三个相互支撑的支柱。它们共同构成了那条“流水线”的骨架。很多用户初期只看到界面按钮，却忽略了背后这三层设计逻辑——结果就是用得很顺手，但一遇到跨设备迁移或多人协作就卡壳。下面我逐层拆解，说明每个支柱解决了什么具体问题，以及它为什么非如此不可。

2.1 支柱一：工作流模板（Workflow Template）——把“临时灵感”变成“可复用资产”

ComfyUI 最常见的痛点之一，是“调好一个效果，下次想复现却找不到当初的 JSON 文件”。你可能有几十个.json文件散落在不同文件夹里，命名像flux_v2_32000steps_20240512.json、ipad_v3_fix_lighting.json、final_final_v2_fixed.json……这种命名方式在单人小项目里尚可忍受，但一旦涉及多轮迭代、AB 测试、客户返稿，就会迅速失控。

WorkBuddy 的工作流模板，本质上是一套带元数据封装的 JSON 包装器。它不改变原始 ComfyUI 工作流结构，而是在其外部增加一层描述层，包含：

• 语义化名称（非文件名）：如“电商主图-白底-8K-光影强化”
• 用途标签（Tag）：#product,#e-commerce,#lighting-enhance
• 关联资源引用：自动记录该模板所依赖的 Checkpoint、Lora、ControlNet 模型路径（注意：是路径，不是文件名，避免因重命名失效）
• 默认参数快照：包括seed（设为 -1 表示随机）、steps、cfg、sampler_name、scheduler等关键字段的初始值
• 版本备注：支持添加简短说明，如“修复了 face detail 在 1024x1024 下的崩坏问题”

最关键的是，WorkBuddy 模板支持参数覆盖机制。当你基于某个模板启动新任务时，可以只修改width=1280和height=720，其余所有参数（包括模型路径、节点连接关系）均继承自模板。这彻底终结了“复制粘贴 JSON → 手动改 5 处路径 → 忘记改第 6 处 → 出图报错”的恶性循环。

我曾用这个功能重构了一个客户定制的服装平铺图生成流程。原来需要手动加载 3 个 Lora（布料纹理、缝线细节、阴影层次）、设置 2 个 ControlNet（深度图+法线图）、调整 7 处采样参数。现在只需在 WorkBuddy 中选择“服装平铺-高精度”模板，输入产品图路径和背景色 HEX 值，点击“提交”，整个流程自动完成。客户反馈修改意见后，我直接在历史记录里找到上一次成功出图的模板实例，仅修改control_net_strength参数，30 秒内生成新版本。这才是流水线该有的样子。

2.2 支柱二：环境沙箱（Environment Sandbox）——让“换模型不翻车”成为常态

ComfyUI 用户最深的恐惧之一，是“昨天还能跑通的工作流，今天打开就报错”。究其原因，90% 都源于环境污染：某个新装的 Custom Node 更新了依赖库，导致旧版节点崩溃；某个 Lora 模型更新了适配器，与现有 ControlNet 冲突；甚至只是 Python 包版本微调（如torch==2.1.0升级到2.1.1），就引发 CUDA 内存分配异常。

WorkBuddy 的环境沙箱，不是指虚拟机或 Docker（那太重），而是一种进程级依赖隔离策略。它通过以下三步实现“安全换模”：

1. 模型指纹注册：首次加载任意模型（Checkpoint/Lora/VAE/ControlNet）时，WorkBuddy 会计算其 SHA256 哈希值，并与模型文件路径、创建时间、所属工作流模板绑定，存入本地 SQLite 数据库。这意味着，哪怕你把realisticVisionV60B1_v51HyperVAE.safetensors重命名为my-best-model.safetensors，WorkBuddy 仍能识别出它是同一文件。

2. 沙箱配置文件（Sandbox Config）：每个工作流模板可绑定一个.sandbox.yml文件，内容类似：

   python_version: "3.10.12" torch_version: "2.1.0+cu118" comfyui_commit: "a1b2c3d" # 对应 ComfyUI 仓库的 commit hash required_nodes: - "comfyui_controlnet_aux==0.0.12" - "comfyui-ipadapter==1.1.0"

3. 启动时校验与提示：当你点击“用此模板运行”时，WorkBuddy 会实时检查当前 ComfyUI 进程的 Python 版本、Torch 版本、Git Commit ID，并比对.sandbox.yml中的声明。若发现不匹配（如当前 Torch 是2.1.1，而模板要求2.1.0），它不会强行启动，而是弹出明确提示：“检测到 Torch 版本不匹配（期望 2.1.0，当前 2.1.1）。是否：① 切换至兼容环境（推荐）？② 强制运行（可能报错）？③ 查看差异详情？”——这个选项，救了我至少 5 次深夜调试。

这个机制的价值，在于把“环境问题”从“玄学故障”变成了“可读日志”。以前同事问我“为什么他那边跑不通”，我只能让他截图报错信息，然后凭经验猜是哪个包冲突；现在我直接让他导出 WorkBuddy 的沙箱诊断报告（一个 JSON 文件），里面清晰列出所有版本差异项，3 分钟内就能定位根因。

2.3 支柱三：执行历史（Execution History）——让每一次出图都“留痕、可溯、能复”

ComfyUI 默认的历史记录（/historyAPI 返回的数据）只包含prompt_id、status、outputs路径，缺失最关键的上下文：这次出图用的是哪个工作流模板？当时设置了哪些覆盖参数？模型路径是否已被移动？有没有手动修改过节点内部值（比如某个CLIPTextEncode节点的文本框）？

WorkBuddy 的执行历史，是一个增强型审计日志系统。每次成功提交 Prompt，它都会持久化记录：

这个日志不是存在内存里，而是以 SQLite 数据库存储在本地workbuddy/history.db。这意味着：

• 你可以用标准 SQL 查询：“查出所有使用juggernautXL_v8R.safetensors且cfg > 7的成功出图记录”；
• 可以导出为 CSV，用 Excel 做 AB 测试效果对比（比如统计不同denoise值下的平均出图质量分）；
• 更重要的是，当客户说“我要和上次一模一样的图，但换个背景色”，你不用翻聊天记录、不用猜参数，直接在 WorkBuddy 历史页搜索关键词，找到对应记录，点击“复刻此任务”，它会自动加载原模板、填入原参数、只让你修改background_color字段——整个过程 10 秒内完成。

我曾用这套历史系统，帮某高校实验室重建了一个中断半年的图像生成实验。他们原来的 ComfyUI 工作流全靠口头传承，没人记得清第 3 轮实验用的是哪个 Lora 组合。我们导入 WorkBuddy 历史数据库，按时间范围筛选，导出所有prompt_id对应的完整参数快照，3 小时内就还原出了全部 12 个实验组的精确配置。没有 WorkBuddy 的历史追踪，这事至少要花 2 天。

3. 从零搭建：WorkBuddy + ComfyUI 流水线的实操四步法

很多用户卡在第一步：不知道 WorkBuddy 怎么装、怎么连、怎么用。网上教程要么过于简略（“下载解压即可”），要么过度复杂（硬推 Docker + Nginx 反向代理）。作为每天都在这条流水线上干活的人，我总结出一套零基础、低侵入、可验证的四步落地法。它不要求你懂 Python 虚拟环境，不强制修改 ComfyUI 源码，甚至不需要管理员权限——所有操作都在用户目录下完成。

3.1 第一步：确认 ComfyUI 基础服务可用（5 分钟）

这是最容易被跳过的一步，却是后续所有操作的前提。WorkBuddy 依赖 ComfyUI 的 Web API，如果 API 不通，再好的管理工具也是废铁。

请严格按顺序执行以下检查（在你启动 ComfyUI 的终端窗口中操作）：

1. 确认 ComfyUI 正在运行且监听正确端口
   启动 ComfyUI 后，观察终端输出的最后一行。正常情况应包含类似：
   Starting server on 127.0.0.1:8188或Starting server on 0.0.0.0:8188

   注意：如果你看到127.0.0.1，表示只允许本机访问；0.0.0.0表示允许局域网访问。WorkBuddy 默认连接127.0.0.1:8188，无需修改。

2. 手动测试 API 连通性
   打开浏览器，访问http://127.0.0.1:8188/object_info。你应该看到一个巨大的 JSON 响应，内容是 ComfyUI 所有节点的定义（如"CLIPTextEncode": { "input": {...}, "output": [...] }）。如果页面显示ERR_CONNECTION_REFUSED，说明 ComfyUI 没启动或端口被占；如果返回404，说明你访问的不是 ComfyUI 的根路径（检查 URL 是否多写了/api或少写了端口号）。

3. 验证/prompt接口可写
   这是最关键的一步。新建一个文本文件test_prompt.json，内容如下（这是一个极简工作流，只生成纯色图）：

   { "prompt": { "3": { "class_type": "EmptyLatentImage", "inputs": {"width": 512, "height": 512, "batch_size": 1} }, "6": { "class_type": "VAEDecode", "inputs": {"samples": ["3", 0], "vae": ["4", 0]} } } }

   然后在终端执行（确保 ComfyUI 正在运行）：

   curl -X POST "http://127.0.0.1:8188/prompt" \ -H "Content-Type: application/json" \ -d @test_prompt.json

   如果返回{"prompt_id": "xxx"}，说明 API 写入正常；如果返回{"error": "...", "reason": "..."}，请根据错误信息排查（常见原因是test_prompt.json格式错误或缺少必要节点）。

这三步做完，你才真正拥有了一个“可编程的 ComfyUI”。WorkBuddy 的所有能力，都建立在这个坚实的基础上。跳过此步，后面所有配置都是空中楼阁。

3.2 第二步：安装 WorkBuddy 并完成首次对接（8 分钟）

WorkBuddy 提供两种安装方式：绿色免安装版（推荐新手）和Python 包安装版（适合进阶用户）。这里只讲绿色版，因为它最简单、最可控、最易卸载。

1. 下载与解压
   访问 WorkBuddy 官方 GitHub Release 页面（搜索workbuddy release），下载最新版workbuddy-vX.X.X-win64.zip（Windows）或workbuddy-vX.X.X-macos-arm64.zip（Mac M 系列）。解压到任意位置，例如D:\tools\workbuddy。

2. 配置 ComfyUI 连接
   进入解压后的文件夹，找到config.yaml。用记事本（Windows）或 TextEdit（Mac）打开它。找到comfyui部分，修改为：

   comfyui: host: "127.0.0.1" port: 8188 # 如果你的 ComfyUI 启用了认证，请取消下面两行注释并填写 # username: "your_username" # password: "your_password"

   注意：WorkBuddy 默认不启用认证。如果你的 ComfyUI 开启了--enable-cors-header或--user参数，请务必在此处同步配置，否则连接会失败。

3. 首次启动与验证
   双击workbuddy.exe（Windows）或workbuddy.app（Mac）。首次启动会自动创建templates/和history/目录。等待 5 秒，软件主界面左上角应显示绿色圆点 ✅ 和文字 “Connected to ComfyUI (127.0.0.1:8188)”。如果显示红色 ❌，请检查config.yaml中的地址和端口是否与 ComfyUI 启动日志完全一致。

此时，WorkBuddy 已经成功“看到”你的 ComfyUI。但还不能出图——它需要知道你打算用什么工作流。下一步就是导入或创建第一个模板。

3.3 第三步：创建你的第一个工作流模板（12 分钟）

别被“模板”二字吓到。WorkBuddy 的模板创建，本质就是“给一个已有的 ComfyUI JSON 工作流，加上一层描述信息”。我们以最常用的“SDXL 文生图”为例。

1. 准备基础工作流 JSON
   在 ComfyUI 界面中，用节点搭建一个最简 SDXL 工作流：Load Checkpoint→CLIPTextEncode（正向提示词）→CLIPTextEncode（负向提示词）→KSampler→VAEDecode→SaveImage。然后点击右上角Queue Prompt旁的Save图标，将工作流保存为sdxl_base.json到D:\comfyui\custom_nodes\workbuddy_templates\（路径可自定）。

2. 在 WorkBuddy 中导入
   启动 WorkBuddy，点击左侧导航栏的Templates→+ New Template。在弹出窗口中：

   • Template Name: 输入 “SDXL 基础文生图”
   • Tags: 输入#sdxl #text2image #base
   • Description: 输入 “SDXL 1.0 官方 Checkpoint，适用于通用文生图任务”
   • Workflow File: 点击Browse，选择刚才保存的sdxl_base.json
   • Default Parameters: 在下方表格中，添加两行：
     • seed→-1（表示随机）
     • steps→30

3. 保存并验证
   点击Save。你会在模板列表中看到新条目。点击它右侧的▶ Run按钮。WorkBuddy 会自动将sdxl_base.json发送到 ComfyUI 的/prompt接口，并在界面上显示“Queued” → “Running” → “Success”。几秒钟后，output/文件夹里会出现一张新图。

这一步的意义在于：你亲手完成了“从 ComfyUI 原生工作流”到“WorkBuddy 可管理资产”的转化。以后所有优化（加 ControlNet、换 Lora、调参数），都基于这个模板进行，而不是在原始 JSON 上反复修改。

3.4 第四步：配置自动化流水线（15 分钟）

现在，你已经能用 WorkBuddy 启动单次任务。但真正的“流水线”，意味着它可以自动响应外部事件、批量处理、无人值守。WorkBuddy 通过Triggers（触发器）模块实现这一点。

我们以一个高频需求为例：监控一个文件夹，当有新图片放入时，自动用指定模板为其生成 3 种风格的变体图（写实、插画、赛博朋克）。

1. 创建三个风格化模板
   基于上一步的SDXL 基础文生图模板，分别克隆（Clone）三次，命名为：

   • SDXL 写实风格：在正向提示词中加入photorealistic, ultra-detailed, f/1.4, shallow depth of field
   • SDXL 插画风格：加入illustration, flat design, clean lines, pastel colors
   • SDXL 赛博朋克：加入cyberpunk, neon lights, rain-soaked streets, chrome, 80s retro

2. 设置文件夹监控触发器
   点击左侧Triggers→+ New Trigger→ 选择File Watcher类型。

   • Watch Path: 设置为D:\comfyui\input_images\（你存放待处理图片的文件夹）
   • File Pattern:*.png, *.jpg, *.jpeg（支持的图片格式）
   • Trigger On:Created（文件创建时触发）
   • Action:Run Workflow Template
   • Template: 选择SDXL 写实风格
   • Parameters Override: 添加一行input_image_path→{file_path}（这是 WorkBuddy 的内置变量，代表刚创建的文件路径）

3. 添加批量分发逻辑
   点击Add Another Action，重复上述步骤两次，分别选择SDXL 插画风格和SDXL 赛博朋克模板，并同样设置input_image_path为{file_path}。

4. 启用并测试
   点击Enable Trigger，然后将一张test.jpg放入D:\comfyui\input_images\。WorkBuddy 日志区会立即显示：

   [INFO] FileWatcher: Detected new file D:\comfyui\input_images\test.jpg [INFO] Trigger 'Style Batch' executing action 1/3... [INFO] Trigger 'Style Batch' executing action 2/3... [INFO] Trigger 'Style Batch' executing action 3/3...

   30 秒后，output/文件夹里会出现test_realistic.png,test_illustration.png,test_cyberpunk.png三张图。

至此，一条完整的、可扩展的、无人值守的图像生成流水线已经建成。你不再需要打开 ComfyUI 界面，不再需要手动拖拽节点，所有操作都由 WorkBuddy 在后台调度完成。这就是“管成一条流水线”的真实含义。

4. 高阶实战：用 WorkBuddy 解决 ComfyUI 团队协作中的三大顽疾

当 ComfyUI 从个人玩具升级为团队生产工具时，新的问题会指数级涌现。我曾在某视觉创意工作室担任技术顾问，他们用 ComfyUI 为 12 个客户制作营销素材，团队共 5 人。最初大家各自维护自己的 ComfyUI 实例，结果出现了三个经典顽疾：版本混乱、参数失焦、责任难溯。WorkBuddy 的高阶用法，正是为解决这些问题而生。下面我用真实场景还原，告诉你如何用 WorkBuddy 的进阶功能一一击破。

4.1 顽疾一：版本混乱——“为什么我的机器上跑出来是糊的，他的就是高清的？”

现象：设计师 A 用juggernautXL_v8R.safetensors+controlnet-scribble-sdxl-1.0生成了完美的草图转线稿效果；设计师 B 拿着同样的 JSON 工作流，在自己电脑上运行却得到模糊、断线的结果。两人核对模型文件名、节点版本、ComfyUI 版本，全都一致，问题陷入僵局。

根因分析：表面看是“模型相同”，实则是模型加载路径不同导致的权重加载偏差。A 的模型放在D:\models\checkpoints\，B 的放在E:\AI\models\checkpoints\。ComfyUI 的Load Checkpoint节点在 JSON 中记录的是相对路径（如../checkpoints/juggernautXL_v8R.safetensors），当工作流在不同机器上加载时，..指向的父目录不同，实际加载的文件可能根本不是同一个。

WorkBuddy 的解法：全局模型注册中心 + 路径无关引用

1. 统一注册所有模型
   在 WorkBuddy 主界面，点击Models→+ Register Model。为每个常用模型（Checkpoint/Lora/ControlNet）单独注册：

   • Model Type: 选择Checkpoint
   • Model Name:Juggernaut XL V8R
   • File Path:D:\models\checkpoints\juggernautXL_v8R.safetensors（A 的路径）
   • Fingerprint: WorkBuddy 自动计算
   • Aliases: 添加juggernaut,xl-v8r（便于搜索）

   然后让 B 在他的机器上，用完全相同的Model Name（Juggernaut XL V8R）和Aliases，但指向他本地的路径E:\AI\models\checkpoints\juggernautXL_v8R.safetensors。WorkBuddy 会为两个路径生成相同的model_id（如mdl-9a8b7c6d）。

2. 模板中引用 model_id 而非路径
   当创建工作流模板时，在Workflow File的 JSON 中，将Load Checkpoint节点的inputs.checkpoint_name字段，从原来的文件名juggernautXL_v8R.safetensors，改为 WorkBuddy 的模型 ID：mdl-9a8b7c6d。WorkBuddy 在提交 Prompt 前，会自动将mdl-9a8b7c6d替换为当前机器上注册的对应物理路径。

效果：A 和 B 使用同一个模板 JSON（其中只含mdl-9a8b7c6d），在各自机器上运行，都能加载到正确的、经过指纹校验的模型文件。版本混乱问题，从根源上消失。

注意：这个功能要求团队成员使用同一套Model Name命名规范。我们制定了《模型命名公约》：[品牌/作者]-[模型名]-[版本号]，如stabilityai-sdxl-turbo-1.0、comfyanonymous-controlnet-scribble-sdxl-1.0。公约由团队负责人在 WorkBuddy 的Models页面统一发布，新人入职第一件事就是导入公约。

4.2 顽疾二：参数失焦——“客户说要调亮一点，但我们有 17 个地方影响亮度！”

现象：客户反馈“人物脸部太暗”，需要提亮。团队有 5 个相关参数可能影响：KSampler的cfg、denoise；CLIPTextEncode的正向提示词（加bright lighting）；ControlNet的strength；VAEDecode前的ImageScale节点。设计师们各自尝试修改，结果 A 调了cfg，B 改了提示词，C 动了ControlNet strength，最后交出的 3 张图风格迥异，客户更困惑了。

根因分析：ComfyUI 的参数是“分散式”的，没有统一的“亮度控制中枢”。每个节点独立工作，参数之间缺乏语义关联。

WorkBuddy 的解法：参数组（Parameter Group） + 语义化覆盖

1. 定义语义化参数组
   在 WorkBuddy 的Templates编辑页，点击Advanced Settings→+ Add Parameter Group。创建名为Lighting Control的组，包含：

   • lighting_brightness（类型：Slider，范围 0.5–2.0，默认 1.0）
   • lighting_contrast（类型：Slider，范围 0.8–1.5，默认 1.0）
   • lighting_style（类型：Dropdown，选项：Soft,Dramatic,Studio）

2. 将参数组映射到具体节点
   在同一页面，找到Parameter Mapping区域。为lighting_brightness添加映射：

   • Node ID:12（假设这是KSampler节点 ID）
   • Field:cfg
   • Formula:base_value * lighting_brightness（base_value是模板中cfg的默认值，如 7） 为lighting_style添加映射：
   • Node ID:5（假设这是CLIPTextEncode节点 ID）
   • Field:text
   • Formula:if lighting_style == 'Soft': 'soft lighting, even exposure' elif lighting_style == 'Dramatic': 'dramatic lighting, high contrast shadows' else: 'studio lighting, professional portrait'

3. 交付客户时只暴露语义参数
   当需要向客户演示或收集反馈时，WorkBuddy 可以生成一个精简版的 Web 表单（Share → Generate Web Form），表单上只有三个控件：Brightness Slider、Contrast Slider、Lighting Style Dropdown。客户完全不需要知道cfg、text是什么，他只关心“亮一点”、“对比强一点”、“要影楼风”。

效果：参数从“技术符号”变成了“业务语言”。客户的一句“再亮一点”，直接对应lighting_brightness从 1.2 调到 1.3，WorkBuddy 自动计算出cfg = 7 * 1.3 = 9.1并注入KSampler节点。所有设计师操作的是同一套语义参数，结果自然一致。

4.3 顽疾三：责任难溯——“这张图是谁改的？改了哪？为什么改？”

现象：项目上线前 QA 发现一张图的 Logo 位置偏移了 5 像素。追溯 Git 提交记录，发现过去 3 天有 8 次工作流 JSON 的修改。没人记得清哪次修改影响了ImageScale节点的scale_by字段。

根因分析：ComfyUI 工作流是二进制 JSON，Git 无法有效 diff；人工记录修改日志容易遗漏；没有强制的审批流程。

WorkBuddy 的解法：模板版本控制（Template Versioning） + 变更审计日志

1. 启用模板版本控制
   在Templates列表页，找到目标模板，点击右侧⋯→Enable Versioning。WorkBuddy 会为该模板创建一个 Git 仓库（位于workbuddy/templates/[template_id]/.git），所有对模板的修改（JSON 内容、参数默认值、描述文字）都会自动提交，附带提交者姓名（从系统用户名获取）和时间戳。

2. 查看可视化变更对比
   点击模板右侧History，进入版本历史页。选择任意两个版本，WorkBuddy 会以高亮方式显示 JSON 的差异：

   • 绿色：新增的字段（如"inputs": {"scale_by": 1.05}）
   • 红色：删除的字段
   • 黄色：修改的字段（如"scale_by": 1.0→"scale_by": 1.05）

3. 关联执行历史锁定责任人
   在History页面，点击某次版本提交，下方会列出“此版本被用于哪些执行任务”。点击任一任务 ID，跳转到Execution History，可以看到：

   • 执行时间、执行者（系统用户名）
   • 执行时覆盖的参数（如{"scale_by": 1.05}）
   • 输出文件路径及缩略图

效果：当 QA 提出问题，我们只需在 WorkBuddy 中：

• 搜索问题图的文件名 → 找到对应的执行记录 → 点击Template Version→ 查看该版本的变更详情 → 确认是哪位同事在哪天修改了scale_by字段 → 直接联系他确认修改原因。

整个过程 2 分钟内完成，无需翻 Git 日志、无需查聊天记录、无需开会讨论。责任归属清晰，问题定位精准。

5. 我踩过的坑与必须告诉你的 7 条硬核经验

WorkBuddy 是个强大的工具，但它不是银弹。在我把它部署到 3 个不同规模的团队（个人工作室、12 人创意公司、50 人 AI 应用研发部）的过程中，踩过不少坑。有些是文档没写的，有些是社区教程误导的，有些是 ComfyUI 本身机制导致的。我把这些血泪教训浓缩成 7 条硬核经验，每一条都配了真实场景和解决方案，希望能帮你绕过我走过的弯路。

5.1 经验一：永远不要在 WorkBuddy 模板里硬编码绝对路径，用模型注册代替

场景：我曾为一个客户定制的 LoRA 模型client_logo_v2.safetensors创建模板，直接在 JSON 中写死了路径"D:/models/loras/client_logo_v2.safetensors"。后来客户换了新电脑，路径变成"E:/ai/models/loras/client_logo_v2.safetensors"，模板