企业官网建设流程全解析

我平时最烦的一件事，就是本地 ComfyUI 出图的时候，参数、工作流、模型、结果散落一地。每张图都是随机文件名，种子靠手记，模型靠脑子回忆，调了几版之后连自己都分不清哪张图用的哪套配置。后来我把 WorkBuddy 引进来，把本地 ComfyUI 从“手动出图”改造成了“标准流水线”，从任务下发、参数批量注入、排队执行到结果归档，全部走流程。这篇文章就是我搭这条流水线的完整记录，写清楚我为什么这么设计、每一步怎么配置、中间踩了哪些坑，适合那些本地批量出图、一个人管多台机器或者想把 ComfyUI 用成稳定产能的朋友。

1. 先说说 ComfyUI 单机出图到底乱在哪

1.1 节点式工作流是优势，也是“重灾区”

ComfyUI 最大的优点是节点灵活，想怎么接就怎么接。但灵活的另一面，是没人管得住工作流的版本。我在本地玩的时候，今天为了一张图拉两三个节点，明天为了换个 LoRA 权重又拆掉重连，最后工作流文件存了七八个版本，命名全是final_v2、final_v3_真最终、测试改1这种。

这不是 ComfyUI 本身的问题，而是“人肉管理”撑不住复杂度。当你的需求从“出一张图”变成“按固定规格出 50 张图”的时候，手拖节点就彻底没戏了。你得先搞清楚：这批图用什么基础模型，统一用哪个 LoRA，步数和 CFG 是多少，种子是随机还是固定。这些参数如果不固化下来，哪怕只改一个数字，整个批次的结果都不可比。

我自己做过一次“三十张同一提示词的变体测试”，当时靠手在界面上点随机种子，点一次记一次，生怕漏了哪张图的参数。到头来三十张图里真正有用的不到五张，而且其中有几张我根本没法复现当时的配置。那一刻我就知道，必须得有个外部工具来统一管这件事。

1.2 出图过程中的三个失控点，流水线要解决的就是这三个点

我复盘下来，手动模式主要失控在三个地方：

• 种子和工作流配置失控：种子是随机的，工作流 JSON 是反复改的，结果和参数之间没有强绑定。
• 结果文件失控：ComfyUI 默认输出文件名大多是时间戳加随机字符串，靠文件名根本看不出这张图用了什么模型、什么参数。
• 批次任务失控：想跑一百张参数渐变图，手动改参数能改到手抽筋，中间一点错就得重来。

这三个失控点，本质上是同一件事：“状态”没有收拢。种子、模型路径、LoRA 权重、采样参数、输出路径，这些都属于任务状态，散落在界面、记忆和磁盘里，出问题只是时间问题。

我看过很多人在社区里求“批量出图插件”，其实插件只能解决某一个点，比如批量改种子。真正要把出图做成一件事，需要的是把流程串起来，而不是在 ComfyUI 里继续手工补丁。

2. WorkBuddy 在流水线里到底扮演什么角色

2.1 调度层，不是替代 ComfyUI

我一开始以为 WorkBuddy 是个类似 WebUI 的控制台，后来才搞明白，它更像是一个“调度层”。ComfyUI 还是那个执行引擎，负责跑工作流；WorkBuddy 在外面做任务编排、参数注入、执行监控和结果归档。

打个比方，ComfyUI 是车间里的加工机器，WorkBuddy 是车间的生产计划台。生产计划台不加工零件，但它要知道每台机器能做什么、每个订单用什么工艺参数、什么时候开工、产出往哪放。

WorkBuddy 对 ComfyUI 的管理方式也是这个思路：它跟本地 ComfyUI 建立连接，但从不干预你内部的节点逻辑。你原来怎么搭工作流，现在还怎么搭，只是要在工作流里留出几个“变量口”，让 WorkBuddy 能把参数塞进去。

2.2 参数库与任务模板的价值

ComfyUI 的工作流本身就是一张 JSON，里面每个节点的参数是写死的。要想实现批量参数注入，就得把这些写死的值改成“占位符”，然后由 WorkBuddy 在每次提交任务时替换成实际值。

我实际用下来，最值得做的参数化字段有这么几类：

• seed：这个是必须的，批量化生产全靠种子控制随机性。
• 模型和 LoRA 路径：把模型切换变成任务参数，不同批次可以指定用哪个底模。
• 采样参数：steps、cfg、sampler_name、scheduler，这些在测试阶段常常要成组变化。
• 图片尺寸：width、height 在跑分辨率测试时很有用。
• 文件名前缀：让结果文件从一开始就按项目编号命名。

WorkBuddy 里可以给这些参数做组合，比如 a 模型配合 b LoRA 配一组参数，跑 20 张；a 模型配 c LoRA 另外一组，再跑 20 张。这些组合全部可以预设在任务清单里，一个任务清单相当于一张“生产工单”。

2.3 为什么不用“ComfyUI 官方 API + 自己写脚本”的方案

可能你会问，ComfyUI 本来就有 API 模式，自己去写 Python 脚本也能提交任务、轮询结果、下载图片。我最初也是这么干的，写了几百行脚本，确实能跑，但用了一段时间发现问题更多。

脚本的问题在于它只有“逻辑”，没有“状态管理”。我那次脚本跑到一半，想改一下种子范围，得去改代码；跑到一半断了，没有任务台账，不知道到底完成了多少张；出图失败了，日志里只有一串异常，也不知道是哪条任务、哪组参数导致的。

WorkBuddy 把上面这些散装逻辑做成了可视化的界面和状态记录。任务跑没跑完、成功几张失败几张、每一张对应什么参数，都有据可查。对个人用户来说，这可能只是方便一点点；但如果你要跑 200 张图过夜，第二天早上起来看任务清单，一眼就知道产出情况，这就是刚需。

3. 把 ComfyUI 接入 WorkBuddy 的实操配置

3.1 前置准备：ComfyUI 启动起来

WorkBuddy 要跟 ComfyUI 通信，前提是 ComfyUI 得跑在 API 模式下，并且端口能被 WorkBuddy 访问到。我自己是在本机跑，直接默认端口就行。

启动命令一般是这个样子：

python main.py --listen 127.0.0.1 --port 8188

这里有个容易被忽略的点：--listen参数决定了 ComfyUI 监听哪个地址。如果只在本机用，写127.0.0.1就够了；如果是局域网里别的机器也要调，那得监听0.0.0.0，但这时候就涉及到安全问题了，你自己得掂量清楚。

启动之后，先在浏览器打开 ComfyUI 面板，确保能正常加载模型、能出图，再接到 WorkBuddy 上。这是最笨但最稳的验证顺序，先确认机器本身没问题，再谈上层调度。

3.2 工作流 JSON 的“占位符改造”

这是整个接入过程里最关键的一步，也是我最想提醒你用心做的一步。

你先在 ComfyUI 界面里把工作流搭好，比如“文生图 + 高清放大 + 保存图片”，然后导出 JSON。这个 JSON 就是蓝图。WorkBuddy 拿到它之后，需要在里面找到想参数化的节点字段，把这些字段的固定值改成占位符。

我当时是这样改的：找到KSampler节点里的seed字段，把里面的数值替换成${seed}；找到CheckpointLoaderSimple里的ckpt_name，替换成${ckpt_name}；输出文件名前缀改成${prefix}。

改完之后，工作流 JSON 里大概会长这样：

{ "3": { "class_type": "KSampler", "inputs": { "seed": "${seed}", "steps": 20, "cfg": 7, "sampler_name": "euler", "scheduler": "normal", "denoise": 1.0 } }, "4": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "${ckpt_name}" } }, "9": { "class_type": "SaveImage", "inputs": { "filename_prefix": "${prefix}" } } }

这一步的感悟是：别一口气把太多东西都参数化。刚开始只需要把 seed、模型、前缀这三个核心变量做成占位符，跑通了再慢慢加。参数化得越多，模板越灵活，但出错的可能性也越大，尤其是动态尺寸这类，手一抖就控制不住了。

3.3 WorkBuddy 里的任务定义与批次跑通

接下来在 WorkBuddy 里建任务。我在 WorkBuddy 里的操作逻辑是：先建立一个“项目”，然后在项目下维护“任务清单”，再给任务清单绑定一套“参数组合”。

举个例子，我要做一组“五十张不同种子的城市夜景图”，任务清单里就定义成：

• 工作流模板：城市夜景 + 高清放大
• 模型组：realisticVision+夜景增强 LoRA
• 步数：25
• CFG：7
• 分辨率：512 x 768
• 种子：从 10001 到 10050
• 文件名前缀：city_night_

提交之后，WorkBuddy 会自动把五十个 seed 依次注入工作流模板，每个 seed 生成一个任务，任务按顺序排队，提交给 ComfyUI 执行。

第一次跑的时候，我没有一次性提交五十个，而是先提交一个任务试跑。确认输出目录里有图，文件名前缀和参数都对上了，再放开到五十个。这个习惯我一直保持到现在：先跑单，再跑批，永远不要拿整批任务去试错。

3.4 输出验证与状态回读

跑完任务之后，WorkBuddy 会在任务列表里显示每个任务的状态：排队中、执行中、成功、失败。我拿到成功状态之后，还会做一步验证：去输出目录里找对应前缀的文件，确认文件存在且不是零字节。

这里有个经验：ComfyUI 执行成功不等于图片真的可用。有时候生成出来的是全黑图或者纯噪点图，它也是“成功”状态，但实际是废图。所以我在 WorkBuddy 之外，还会定期抽查输出文件夹，用文件大小做一个粗筛，小于某个阈值的文件基本可以判定为异常。

4. 批量出图时的资源控制与排队策略

4.1 一次塞一百个任务，显存为什么炸

第一次把任务提到 100 个的时候，我天真地以为 WorkBuddy 会帮我排队管理，结果它默认把所有任务一次性投给了 ComfyUI。ComfyUI 自己的队列是顺序执行的，本来问题不大，但问题出在并发设置上。

我在 ComfyUI 启动参数里开了多进程并行，以为能加快速度。结果就是 100 个任务同时往下灌，显存瞬间爆了，卡死，任务全部失败。

后来我明白了一个道理：ComfyUI 的批次能力，本质上是单任务内的多批次，而不是多任务并发。真正要管的是“同一时刻在 ComfyUI 里跑几个任务”，而不是“总共提交了几个任务”。

我在 WorkBuddy 里把最大并发调成了 1，也就是同一时间只让 ComfyUI 跑一个任务，剩下的排队等待。虽然速度没有翻倍，但稳定性提升了一大截，至少不会出现那种“前面跑得好好的，突然所有任务全部失败”的惨剧。

4.2 按模型分组排队，减少模型换载

ComfyUI 每次切换底模都要重新加载模型到显存，这个加载时间有时候比出图时间还长。我后来在 WorkBuddy 里做任务规划时，会把同一个底模的任务排在一起，让相同配置的批次连续跑，然后再切换到另一个底模。

比如我这个月的一个任务是：用 A 模型出 200 张，用 B 模型出 200 张，用 C 模型出 100 张。如果按“A 一张，B 一张，C 一张”这么切，三个模型来回换，显存里反复载入卸载，效率低得离谱。按模型分组之后，A 跑完 200 张再换 B，B 跑完再换 C，实测时间能省 30% 以上。

这个经验可以推广到任何批量出图场景：把配置相近的任务尽量放在一起，让 ComfyUI 复用已加载的资源，而不是频繁横跳。

4.3 失败自动重试：不能无脑开

WorkBuddy 里有失败重试的设置。我一开始把重试次数设成 3，结果有个任务因为显存问题连续失败了三次，又重试了三次，白白浪费了大量时间。

后来我把重试策略改成了“只在前一个任务成功的情况下才允许重试”，也就是同一时刻最多跑一个任务，失败了先停下来检查问题，而不是盲目重试。

对于批量出图这种场景，我的建议是：重试打开，但次数别超过 2 次，而且一定要看失败日志。如果是因为显存不足、模型加载失败这种系统性原因，重试再多也没用，得先把根因解决了。

4.4 显存监控与爆显存的自动处理

我在跑流水线的时候，习惯每隔几十秒看一眼显存占用，特别是刚切换模型的前几秒。最危险的时候不是出图过程中，而是 ComfyUI 加载新模型那一刻，加载瞬间显存需求会突然冲高，容易爆。

后来我在 WorkBuddy 里加了一个“显存预留”的设定，就是给 ComfyUI 留出一些余量，不至于把显存全部吃满。这个数值没有标准答案，取决于你的显卡型号和模型大小。我自己的显卡是 12G 显存，普通 SD1.5 模型加放大节点，预留 1.5G 左右就够；如果跑 XL 系列模型，那预留空间还要更大。

没有预留的后果就是，任务跑到第 30 张的时候突然爆显存，排队队列里剩下的 170 张全部跟着遭殃，一旦发生就得从头来。宁可慢一点，也要把余量留够。

5. 出图结果的质检与归档：流水线的最后两公里

5.1 文件命名规范：没人愿意翻两小时图库

档案管理这件事，看着不起眼，其实决定流水线能不能长期用。我早期就是吃了命名的亏，输出目录里几千张图，文件名全是00001_time这种，想找一张图比大海捞针还难。

在 WorkBuddy 里，我把文件名前缀当成一个完整的信息载体。一个标准的输出文件名大概长这样：

20250412_城市夜景_v3_seed10001

这个命名规范里包含了日期、项目代号、工作流版本和种子号，看到名字就能定位到当时用的模板、参数和批次。这四个字段是我反复调整后确定下来的最小信息集，再加其他内容文件名就太长了，反而不好用。

同时目录结构也要配合好。我用的结构是：

输出目录/ 2025-04/ 城市夜景/ 20250412_city_night_seed10001.png

按月份做一级目录，按项目做二级目录，文件按规范命名。这样就算累计上万张图，要找某一次跑批的产出，也只需要三步：进月份、进项目、按 seed 搜文件。

5.2 人工挑图的流程：流水线不能替你审美

流水线能帮你把图生成、命名、归档，但它不会替你做审美判断。所以我保留了一个“人工挑图”环节，只是把挑图这件事也变成了流程的一部分。

我的做法是：每批任务跑完后，先通过 WorkBuddy 查看任务清单和参数记录，把明显异常的任务挑出来（全黑图、畸形图、爆显存残留的半成品），删掉；然后把正常的图导入到看图软件里，用键盘翻图，在文件名里标记_good或_keep后缀，同时把对应的 seed 记下来，方便后续复现。

这里有个心得：挑图的速度通常会远超你的预期。五百张图，正常看下来也就一两个小时。真正费时间的不是挑图，而是挑完之后去回看参数：这一张好看的，到底用了什么模型、什么 CFG、什么 LoRA 权重？所以参数归档才是关键。

5.3 记录废图的原因，比记录废图本身更有价值

我后来在 WorkBuddy 里养成了一个习惯：每个批次跑完，我都写一点批注，记录这批次里废图的主要原因。比如“CFG 开到 9 之后对比度过高，植被糊了”“这个 LoRA 权重超过 0.8 之后肢体开始变形”“夜景提示词加了月光，但出图全是死黑”。

这个习惯看上去是在做记录，其实是在积累一套自家的参数经验库。下次再做类似需求，直接翻批注，能少走很多弯路。我之前出图全靠感觉，现在出图靠记录，两者最大的区别就是：靠感觉的结果不可复现，靠记录的结果每一版都有据可查。

6. 踩坑复盘：本地 ComfyUI 流水线最容易翻车的几个点

6.1 端口冲突和 ComfyUI 更新后的 API 变化

有一次我同时开了两个 ComfyUI，一个用来调试，一个被 WorkBuddy 调度，结果端口占用了，WorkBuddy 连不上。排查了半天才发现是我自己忘了改端口。

还有一个更容易踩的坑：ComfyUI 更新之后，API 结构有可能变化，工作流里某些节点的class_type或者输入字段名变了，你旧的工作流模板跑起来会直接报错。我的处理方式是把工作流模板锁定，不在流水线上直接改，新的测试先在 ComfyUI 界面里跑通，确认无误再更新到 WorkBuddy 的任务模板里。

6.2 模型路径的坑：不要用绝对路径硬编码

工作流 JSON 里的ckpt_name，ComfyUI 是按相对路径读的。但我见过有人直接把模型路径写成了某个绝对路径，换了一台机器之后，整个工作流直接崩掉。

我的建议是：模型路径统一使用相对路径，并且把模型目录里的文件命名规范好，中英文和特殊符号都尽量避免。WorkBuddy 里参数化模型名的时候，直接传“模型文件名”就行，尽量不要带目录层级。

6.3 种子相同的“假随机”问题

提防一个反直觉的情况：当你把种子固定成同一个值，但改了模型的权重或者加了提示词，出来的图其实还是会在某些局部保持相似，让人觉得“是不是没随机成功”。

实际上，ComfyUI 的随机性不只取决于种子，还取决于输入条件图的形态。相同种子下，只要 prompt 不同、模型不同，出来的结果就会有差异，只是这种差异不像你想象的“完全不同”，而是在构图上有某种延续性。这不是 bug，是扩散模型的固有特性。

在流水线里，如果你想做“相同提示词下测试种子对构图的影响”，种子就要保持连续递增，而且每次只改 seed 一个变量，其他参数全部固定，对比才有意义。

6.4 临时文件与磁盘空间的隐形增长

ComfyUI 跑长时间任务的时候，预览图片、中间缓存、工作流备份都会慢慢占磁盘。我有一次连续跑了一整夜，第二天早上发现磁盘满了，ComfyUI 直接卡死，任务全部中断。

从那以后，我在 WorkBuddy 里加了一层磁盘监控，并且在系统层面定期清理 ComfyUI 的 temp 目录和旧版本输出。另外建议给输出目录单独挂一个容量足够的分区，跟系统盘分开，避免因为磁盘满导致整个机器动弹不得。

6.5 不要忽略 ComfyUI 界面里“手动跑一次”的价值

最后这条可能听着有些反流水线，但恰恰是我最大的经验：接入 WorkBuddy 之后，别把所有出图都交给自动化。遇到新模型、新工作流或者新需求，先在 ComfyUI 界面里手动跑一两张，确认工作流逻辑正确、参数合理，再更新到 WorkBuddy 模板里。

我之前图省事，新做的 LoRA 测试直接丢进流水线跑了一整批，结果 LoRA 本身就有问题，一百张全废，白浪费两个多小时。手动画一两张的时间成本几乎可以忽略，但能帮你省下整批重跑的时间。

结语：流水线工作流的最终收益，是让“下一次”变简单

我搭这条 WorkBuddy + ComfyUI 流水线，最核心的目的不是让单张图变得更好看，而是让批量生产这件事变得可控、可跟踪、可复现。以前每次调整参数都是一次新的冒险，现在每一次跑批都是基于模板的增量迭代，哪怕翻车，也能从记录里找到原因。

最后分享一个我现在还在用的小技巧：每跑完一个项目，我会把 WorkBuddy 里的任务模板和这个项目的成品图一起打包备份，模板用于后续复用，成品图用于随时回看。过两个月再翻出来，依然能快速定位到某张图用的参数配方。对长期做图库、做素材积累的人来说，这大概就是流水线最实在的价值。如果你也准备自己搭这么一套，我建议从小批量开始，先把模板跑稳，再慢慢放量，千万不要一上来就整五百张。