一句话生成ComfyUI工作流：Workbuddy + Codex 组合玩法详解

这次我们来看一个组合玩法Workbuddy Codex ComfyUI。ComfyUI 这类节点式工作流工具画图能力强但真正用起来最烦的不是出图本身而是记 API、认节点名、排连线。尤其是新手想搭一个“文生图转局部重绘再批量出图”的流程光把节点拖对得花不少时间。而 Codex 这类编码智能体擅长读代码、写代码天然适合把自然语言需求转换成结构化 JSON。Workbuddy 就是把它俩接起来的那层“胶水”你告诉智能体需求它帮你把 ComfyUI 工作流生成好。好先给结论这个组合解决三个问题。第一用一句话生成 ComfyUI 工作流不用手动画节点第二生成的是标准 workflow JSON可以拖进 ComfyUI 用也可以通过 HTTP API 提交批量任务第三ComfyUI 支持局域网访问团队可以共用一张显卡的出图能力。接下来我会按“核心能力 → 环境准备 → 安装启动 → 功能测试 → API 与批量任务 → 资源占用 → 排查 → 最佳实践”的顺序写。没有用真实设备跑过的数据我不会编涉及具体版本和接口路径的地方会明确标注“以官方文档为准”。1. 核心能力速览先看整体规格。下面的表格按“项目组合”整理部分参数需要结合你自己的 Codex 版本和 ComfyUI 版本确认。能力项说明项目组合Workbuddy Codex 智能体 ComfyUI 工作流核心能力自然语言生成 ComfyUI 工作流 JSON交付给 ComfyUI 加载或 API 调用工作流类型文生图、图生图、局部重绘、批量出图、多节点组合等具体取决于 ComfyUI 已安装模型和自定义节点启动方式ComfyUI 图形界面启动 / 局域网监听启动 / API 服务模式是否支持 API支持ComfyUI 自带/prompt、/history等 HTTP 接口也支持 WebSocket 推送进度是否支持批量任务支持可以通过脚本循环提交多个 workflow JSON也可以让智能体生成批量配置硬件门槛推荐 NVIDIA 显卡N 卡 CUDA不同模型显存占用差异很大CPU 也能跑但速度慢操作系统Windows、Linux、macOS 均可ComfyUI 对 Windows 支持最成熟适合场景ComfyUI 新手搭流程、团队共享出图能力、批量生成素材、接口自动化注意一点Workbuddy 在不同资料里的形态不完全一致有的描述是 Codex 的 Skill 包有的教程是独立安装工具。我这里按“给 Codex 智能体提供 ComfyUI 领域能力”的用法展开具体安装目录和命令要以项目 README 为准。2. 适用场景与使用边界这个组合不是“全自动出图神器”它的价值边界非常清楚。先说适合谁。你是 ComfyUI 新手不知道怎么把“图生图”和“ControlNet”串起来可以让智能体帮你搭你是老手已经装了秋叶一键整合包或者官方 ComfyUI但每次调工作流都要手动改 JSON可以让智能体直接改你负责团队内部设计素材批量生成想让同事通过浏览器访问 ComfyUI 用一张显卡出图局域网模式就很有用。它不适合什么场景对完全离线、严格保密的内网环境Codex 这类智能体一般需要连接模型服务你得先确认模型服务能不能在内网访问。对出图效果要求极其精细、需要反复手调参数的工作流智能体生成的版本通常只是“能跑通”不一定是最优效果。另外如果你只有一张 4G 显存的入门卡硬要跑 SDXL 甚至视频生成模型那么瓶颈在显卡不在这个智能体组合。合规边界必须说。ComfyUI 工作流本身是技术工具但用它生成图片、视频时要确保输入素材的版权和肖像授权。不能用未授权的人脸图片做换脸或风格化不能用受版权保护的图片做模型训练也不能把别人的作品直接改一改就商用。局域网共享出图能力时要给服务加访问控制别裸奔在公网。3. 环境准备与前置条件部署之前先把环境检查一遍。下面是一套通用检查清单具体版本要求以你选的安装方式为准。操作系统准备。ComfyUI 在 Windows 上最省事秋叶一键整合包基本是双击启动Linux 适合服务器长期跑批量任务macOS 可以跑 CFG 量小的模型但配置类似显卡的加速能力不完整复杂工作流不建议。显卡与驱动。如果你有 NVIDIA 显卡先确认驱动版本够新再确认 CUDA 环境能用。可以用下面的命令查看基础状态。nvidia-smi看到显卡型号和驱动版本就行。CUDA 不是必须在系统层面单独装ComfyUI 的 PyTorch 自带 CUDA 运行时关键是显卡驱动不能太旧。Python 环境。ComfyUI 官方版本通常要求 Python 3.10 或 3.11 左右。建议用虚拟环境隔离不要直接和系统 Python 混在一起。python -m venv comfyui-env如果你已经装了秋叶整合包Python 环境基本是内置好的不需要自己再折腾。Codex CLI 环境。Codex 的安装和登录方式建议直接看官方文档。一般流程是先安装命令行工具再完成账号认证。# 示例具体命令以官方文档为准 npm install -g codex codex loginWorkbuddy 接入。Workbuddy 作为智能体的技能包常见做法是把对应目录放到 Codex 的配置目录下或者通过安装脚本激活。这一步不同项目差别很大务必以项目 README 为准。如果安装时提示需要授权码或激活码请通过官方渠道获取不要使用来路不明的破解文件。磁盘空间。ComfyUI 本体不大几百 MB真正占空间的是模型文件。一个 SD1.5 系列模型大约 2GB 到 4GBSDXL 大约 7GB其他大模型可能 10GB 以上。批量出图前预留 50GB 以上比较稳妥。端口规划。ComfyUI 默认端口通常是 8188如果有其他服务占用启动时用--port改掉。4. 安装部署与启动方式这一节分成四个部分ComfyUI 启动、局域网模式、Codex Workbuddy 接入、启动后的验证。4.1 准备 ComfyUI如果你用的是秋叶整合包直接按整合包说明启动即可不需要手动装 CUDA、PyTorch。这种方式对新手最友好但后续加自定义节点时要注意版本兼容。如果你想手动装官方推荐流程大致是先建 Python 虚拟环境再安装 PyTorch再克隆 ComfyUI 仓库最后安装依赖。# 示例Linux / macOS git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txtWindows 下的依赖安装可以参考官方 README或者直接用秋叶整合包。4.2 启动 ComfyUI 并开启局域网访问最常用的启动命令是python main.py这样启动后只能在本机访问地址是http://127.0.0.1:8188。如果想让同一局域网的同事访问需要监听所有网卡地址python main.py --listen 0.0.0.0 --port 8188启动成功后日志里会出现类似Starting server的信息。本机浏览器打开http://127.0.0.1:8188能看到节点编辑界面说明启动成功。查看当前机器的局域网 IP可以用ipconfigWindows或ip addrLinux。这样同事就能通过http://你的IP:8188访问。局域网访问有几个前提防火墙要放行对应端口系统网络配置允许局域网访问ComfyUI 实例和访问者在同一个网段。如果访问不了优先查防火墙和监听地址。4.3 安装并配置 Codex 智能体Codex 是命令行智能体给 ComfyUI 生成工作流主要靠它。安装后先确认能正常对话再接入 Workbuddy。codex --version登录认证后建议先跑一个最简单的问答确认账号和模型服务都可用。Workbuddy 的接入方式如果你拿到的是 Skill 包通常需要把它放到 Codex 配置的 skills 目录如果是一键安装脚本直接执行脚本。目录结构可能类似~/.codex/ ├── skills/ │ └── workbuddy/ │ ├── SKILL.md │ └── scripts/具体目录名和文件名以安装包为准。配置好后可以在 Codex 里问它“你现在能操作哪些 ComfyUI 节点”如果它给出 ComfyUI 相关知识内容说明 Workbuddy 已生效。4.4 启动后的验证顺序第一次建议按这个顺序验证ComfyUI 本机界面能打开。局域网 IP 能打开同一个界面。Codex 命令行能对话。Workbuddy skill 能识别 ComfyUI 关键词。让智能体生成一个最简单的文生图工作流 JSON。把 JSON 保存下来拖进 ComfyUI 能正常加载。这里不要跳过第 5、6 步。很多配置问题到最后一步才暴露比如智能体生成的节点版本和本地 ComfyUI 不匹配。5. 功能测试与效果验证下面是一套“一句话生成 ComfyUI 工作流”的验证流程。我没有写死某个模型的参数因为不同环境差异很大你按自己的模型和显卡调整。5.1 测试前置条件ComfyUI 已经启动并且能用默认工作流出图。本机已经有可用的模型文件例如 SD1.5 的v1-5-pruned-emaonly.safetensors。Codex 已经登录Workbuddy 配置生效。建议先用 ComfyUI 默认自带的文生图工作流跑通一次确认基础环境正常再交给智能体生成。5.2 一句话生成工作流打开 Codex 终端输入类似这样的需求帮我生成一个 ComfyUI 文生图工作流使用 SD1.5 的 v1-5-pruned-emaonly.safetensors 模型采样器用 DPM 2M Karras步数 20CFG 7尺寸 512x512输出格式 PNG。智能体如果配置正确会返回一段 workflow JSON。判断标准是JSON 里包含CheckpointLoaderSimple、EmptyLatentImage、CLIPTextEncode、KSampler、VAEDecode、SaveImage这些基础节点并且节点之间的inputs引用关系完整。如果它只返回一段文字说明没有给 JSON你可以追问一句“直接输出完整的 workflow JSON不要省略。”5.3 把工作流导入 ComfyUI把返回的 JSON 保存成文件例如workflow.json。在 ComfyUI 界面里直接把文件拖进浏览器即可加载。也可以点击界面里的Load按钮选择文件。判断成功的标准画布上出现了完整的节点链路没有红色报错节点节点之间的连线正常。如果出现红色节点优先看缺失的是不是自定义节点然后再看模型路径是否写对。如果智能体生成的 JSON 里引用了一个你没装的节点比如ComfyUI_ControlNet相关节点ComfyUI 会提示缺少自定义节点。解决方法是先把对应自定义节点装好再让智能体重新生成或修改。5.4 验证 API 提交任务ComfyUI 界面加载成功后点击 Queued 可以出图。但智能体组合更大的价值是 API 调用。ComfyUI 原生的接口可以对工作流排队执行。在浏览器开发者工具里可以用http://127.0.0.1:8188/system_stats查看运行时状态用POST http://127.0.0.1:8188/prompt提交工作流。实际测试时把 workflow JSON 里的 API 格式和 UI 格式区分开。ComfyUI 里点的流程图是 UI 格式提交给/prompt接口的通常是 API 格式智能体生成时要说清楚“给 ComfyUI API 使用”。5.5 局域网访问测试在另一台局域网电脑上浏览器输入http://主机IP:8188。能打开界面说明局域网模式基本正常。再让这台电脑提交一个简单工作流能出图说明 WebUI 和 API 都能跨机器访问。如果只是打开界面但提交任务失败检查防火墙是否拦截了 POST 请求。6. 接口 API 与批量任务ComfyUI 的 HTTP API 是批量任务的关键。虽然不同版本的接口路径可能有小调整但大体上可以按下面的思路测试。6.1 查看系统状态curl http://127.0.0.1:8188/system_stats正常会返回 JSON包含系统信息、设备列表等内容。这一步可以快速确认服务是否活着。6.2 提交工作流把工作流 JSON 保存为workflow_api.json然后用 Python 提交。import json import requests api_url http://127.0.0.1:8188/prompt with open(workflow_api.json, r, encodingutf-8) as f: workflow_payload json.load(f) response requests.post(api_url, json{prompt: workflow_payload}, timeout30) print(response.status_code) print(response.text)成功时会返回一个prompt_id。拿着这个 ID 可以查询任务状态。6.3 查询任务结果curl http://127.0.0.1:8188/history/你的_prompt_id返回结果里会有输出图片文件名。图片文件本身通常可以通过 ComfyUI 的/view接口读取格式一般是http://127.0.0.1:8188/view?filenamexxx.pngsubfoldertypeoutput6.4 批量任务队列批量出图最简单的办法是循环提交多个 prompt。比如你有 10 组提示词可以写 Python 循环每次把提示词字段替换后再 POST。import json import time import requests base_workflow workflow_api.json prompts [ prompt one, prompt two, # 更多提示词 ] for index, prompt_text in enumerate(prompts): with open(base_workflow, r, encodingutf-8) as f: workflow json.load(f) # 这里要根据实际 workflow 结构找到 CLIPTextEncode 节点并替换文本 # 例如 workflow[5][inputs][text] prompt_text response requests.post( http://127.0.0.1:8188/prompt, json{prompt: workflow}, timeout30 ) print(ftask {index}: {response.status_code} {response.text}) time.sleep(1)需要强调上面代码里的workflow[5]是示例不是通用结构。每个工作流的节点 ID 不一样先用小批量测试确认替换逻辑正确再跑完整队列。如果批量任务卡住优先检查 ComfyUI 的队列状态。ComfyUI 默认串行执行任务多个任务会排队。如果某一张图显存爆了整个进程可能卡住。建议每跑完几张就查一次日志。6.5 失败重试建议批量任务应该记录每个 prompt_id失败时用/history/{prompt_id}查错误原因然后重试对应任务。不要把整个队列从头跑一遍浪费时间。如果对批量任务要求比较高可以用 n8n、Dify 这类工作流平台调度 ComfyUI 的 HTTP 请求但那是另一个话题。7. 资源占用与性能观察资源占用没有统一答案取决于模型、分辨率、步数和批量大小。下面是观察方法和调优思路具体数字要以你的设备为准。显存占用怎么观察。Windows 上打开任务管理器查看 GPU 专用内存Linux 上用nvidia-smi。提交大任务时盯住显存和 GPU 利用率如果显存接近满但 GPU 利用率低可能是模型太大或 batch 太大。影响资源占用的因素。模型越大显存占用越高分辨率越高潜空间张量越大显存和计算量都涨步数影响推理时间和体感速度batch 数直接乘显存占用提示词长度对显存影响相对小但 encode 阶段也有开销。CPU 推理能不能用能但慢。如果没有独显小尺寸、低步数的图还能接受放大尺寸或批量出图就很吃力。ComfyUI 在 CPU 上的表现和 GPU 差距很大建议只用来验证工作流逻辑。降低显存占用的常用方法。换小模型比如 SD1.5 系列而不是 SDXL降低分辨率先 512x512 测试减少 batch 大小在启动参数里用低显存模式例如python main.py --lowvram具体参数名以 ComfyUI 版本为准。另外批量任务建议按顺序跑不要同一个 GPU 上同时挂太多实例否则显存竞争会导致任务失败。局域网连接下的性能瓶颈。多人访问 ComfyUI 时GPU 算力是共享的任务会排队。如果同事离得远网络带宽也可能成为瓶颈尤其是大批量输出高清 PNG。建议输出目录统一定期清理避免磁盘和网络一起塞满。8. 常见问题与排查方法下面这组问题是 ComfyUI 和智能体组合最容易遇到的可以按表格排查。问题现象可能原因排查方式解决方案ComfyUI 页面打不开服务未启动、端口被占用、监听地址不对看启动日志检查端口占用换端口或改用--listen 0.0.0.0局域网设备访问失败防火墙拦截、不同网段、服务只监听 127.0.0.1本机访问确认服务正常再用局域网 IP 访问放行防火墙端口确认同一网段智能体生成的 JSON 拖进去报错工作流引用了缺失自定义节点或模型路径错误看报错信息是否提示缺节点安装对应自定义节点修正模型路径提示“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……”工作流包含未安装的自定义节点按提示进入 ComfyUI 的 Python 环境安装依赖安装缺失节点或删除对应工作流提交 API 返回错误workflow JSON 格式不是 API 格式节点 ID 不匹配用系统自带工作流先试 API 提交向智能体说明需要 API 格式 JSON显存不足模型太大、分辨率或 batch 太高查看报错是否 OOM降低分辨率、缩小 batch、使用小模型Codex 无法连接模型服务未登录、网络环境异常、API 服务配置问题先跑简单对话测试重新登录检查网络环境按官方文档调整配置批量任务运行一半卡死某个任务 OOM、磁盘满、模型冲突看 ComfyUI 日志查/history单任务测试加日志重试失败项生成的图片效果不稳定提示词、步数、采样器、CFG 设置不合适对比不同参数结果优化提示词固定随机种子补充一个优先级判断任何问题先看 ComfyUI 终端日志。它能直接告诉你哪个节点加载失败哪一行 Python 报错比猜配置高效得多。9. 最佳实践与使用建议用 Workbuddy Codex 生成 ComfyUI 工作流本质上是让智能体写代码。把它当代码工程来管而不是当“魔法按钮”用。第一次先小参数测试。不要一上来就让智能体生成一个包含 ControlNet、IPAdapter、视频模型的巨型工作流。先用最基础文生图跑通链路再逐步加节点。这样可以快速定位是 ComfyUI 环境问题还是智能体生成问题。保留一套最小可运行配置。把最简单的文生图 workflow JSON 存成模板只要智能体生成的 JSON 出问题就用最小配置回到正常状态。这套模板也是排查 API 调用的基线。目录管理要规范。建议这样分目录comfyui_workspace/ ├── inputs/ # 输入素材 ├── outputs/ # 输出图片 ├── workflows/ # 工作流 JSON ├── logs/ # 批量任务日志 └── models/ # 模型文件批量任务要有日志。每个任务记录 prompt_id、参数、开始时间、结束时间、结果路径。这样失败时能定位是哪一个子任务而不是翻整张图列表。接口服务要限制访问范围。局域网共享时不要让 ComfyUI 监听公网地址。如果有跨网络访问需求用合规的隧道或内网方案而不是直接暴露。生产环境一定要加鉴权避免别人往你的 GPU 队列里塞满任务。涉及人脸、声音、版权素材时必须确认授权。智能体生成工作流不等于你有权使用所有图片素材。商业项目尤其要注意输入输出素材的版权链。发布或商用前做效果复核。智能体生成的参数可能不是最优特别是提示词、CFG、步数。正式跑量之前用固定种子先看几张效果再决定是否全量执行。10. 总结与下一步这个组合最值得尝试的点是把“理解 ComfyUI 节点结构”这件事从人脑转移到智能体。你不需要记住每个节点的输入输出名只要能把需求描述清楚Codex 配合 Workbuddy 能直接给你一份可运行的工作流 JSON。再加上 ComfyUI 的局域网模式一台电脑挂显卡同事通过浏览器访问算力利用率会高很多。最先应该验证的功能是“一句话生成基础文生图工作流”并且确认 JSON 能拖回 ComfyUI 正常出图。这一步过了再往图生图、批量任务、API 方向扩展。最容易踩的坑有三个智能体生成的 JSON 格式不对工作流引用了缺失的自定义节点局域网防火墙没放行。前两个靠“先跑最小模板”解决第三个靠看日志和检查端口。后续可以继续扩展的方向让智能体生成带 ControlNet 或局部重绘的复杂工作流用 Dify、n8n 这类工作流平台调度 ComfyUI API把批量出图变成自动化管道把输出结果接到其他工具做后处理。建议先收藏这篇文章部署的时候照着环境检查和排查清单来能省不少时间。