以前搭 ComfyUI 工作流最烦的不是画图本身而是拼节点。加载模型要拖节点、连线、调参数遇到 ControlNet、局部重绘、高清放大这些组合场景面板里密密麻麻全是线。Workbuddy 这类工具出现之后思路变了把我想要一个 SDXL 文生图工作流输出到 out 目录这样一句话丢给 Codex 智能体由它生成工作流 JSON再导入 ComfyUI 就能跑。这篇文章就是围绕这个组合展开先说 Workbuddy Codex 到底能做什么再讲 ComfyUI 局域网连接怎么配置最后给出一套从安装、测试到排查的完整流程。如果你是 ComfyUI 新手、或者想在工作室/团队里多台电脑共用同一套工作流这篇文章可以收藏备用。下面不聊太多底层原理重点是把能用这条链路跑通再讨论怎么稳定地用、批量地用、以及哪些地方最容易踩坑。1. Workbuddy Codex 核心能力速览先把关键信息列出来后续再逐个展开。能力项说明项目类型AI 智能体驱动的 ComfyUI 工作流生成与管理工具核心能力通过自然语言描述生成 ComfyUI 工作流 JSON也能用于工作流解读、修改和工作流协作依赖组件CodexOpenAI 编程智能体、ComfyUI、对应的自定义节点和模型文件对显卡的要求生成工作流本身不直接吃显存真正跑图时的显存消耗取决于 ComfyUI 中的模型和出图参数支持的操作系统Windows / Linux / macOS 均具备落地条件具体以项目文档为准启动方式命令行或脚本启动具体安装与启动命令需按对应项目 README 执行是否支持 APIComfyUI 本身提供 API 接口Codex 也可接入 API 完成自动化调用是否支持批量任务可以结合 ComfyUI 的队列机制批量出图也适合接入外部自动化流程局域网连接通过 ComfyUI 的--listen 0.0.0.0参数暴露服务其他设备在同一局域网内访问适合场景快速搭建工作流、团队共享工作流、ComfyUI 入门、批量出图、接口集成从现有公开信息来看Workbuddy 的价值不是替代 ComfyUI而是把工作流编写这件事从手动拖节点变成自然语言描述。它本身定位更接近智能体助手或工作流管理中间层。2. 适用场景与使用边界2.1 适合谁用第一类是刚接触 ComfyUI 的新手。很多人不是不会画图而是面对一排节点不知道从哪下手。用自然语言描述需求比如做一个文生图工作流使用 SDXL 模型VAE 自动加载输出到 out 目录Codex 智能体可以协助生成对应的工作流结构省去翻文档和反复试错的时间。第二类是需要频繁复用同一套工作流的人。设计师、AI 绘画博主、电商素材制作人员通常会有几个固定模板文生图、图生图、高清放大、局部重绘。这些模板一旦通过智能体生成并验证通过之后每次只需要微调提示词和参数效率提升非常明显。第三类是需要在局域网内协作的团队。工作流存在一台电脑上别人复制过去经常出现节点缺失、模型路径不对的问题。通过局域网连接方案可以直接把 ComfyUI 服务暴露给同网段的同事大家在浏览器里访问、测试、出图。2.2 不适合什么场景不要把 Workbuddy Codex 当成完全不需要了解 ComfyUI的万能工具。工作流生成之后节点之间的数据流关系、模型是否匹配、采样参数是否合理仍然需要人工确认。尤其是复杂的 ControlNet 组合、自定义脚本节点、多段串联流程智能体生成的 JSON 可能需要多次修正才能正常跑通。也不适合对网络环境要求极高的离线场景。Codex 智能体需要访问对应服务才能完成推理如果完全脱离网络只能使用本地模型替代方案具体兼容性要看 Workbuddy 是否支持自定义模型接口。2.3 使用边界与合规提醒使用这类智能体生成工作流 ComfyUI 局域网共享方案时有几个问题必须注意生成图片时模型权重、训练素材、参考图的版权归属需要自己确认。局域网开放服务时建议只在可信网络内使用不要直接暴露到公网。如果涉及人脸、声音、特定人物形象必须获得对应授权。Codex 等智能体会把提示词发送到对应 API 服务敏感信息不要写进提示词。3. 环境准备与前置条件在安装 Workbuddy Codex 之前先把基础环境检查一遍避免后面跑一半卡住。3.1 操作系统与硬件Windows 10/11、Linux 发行版、macOS 都能作为 ComfyUI 的运行环境。真正画图推荐 N 卡使用 CUDA 加速如果没有 N 卡也可以用 CPU 推理但速度会慢很多。要不要独立的 GPU取决于你实际跑多大的模型。如果只是生成工作流、不做本地出图集显也能凑合但验证工作流最终还是要有一台能跑图的设备。3.2 软件依赖清单依赖项说明PythonComfyUI 通常要求 Python 3.10 及以上推荐 3.10/3.11Git从 GitHub 拉取 ComfyUI 和 Codex 源码时使用Node.js / npm部分 Codex 安装方式依赖 npm 全局安装CUDA 驱动N 卡用户需要安装匹配的显卡驱动和 CUDA 环境具体版本以 PyTorch 要求为准ComfyUI可以使用官方仓库或秋叶一键整合包Codex 访问凭证调用 Codex 服务需要对应的 API Key 或登录态局域网环境多设备连接需要在同一网段并放行对应端口3.3 磁盘空间ComfyUI 基础项目本身不大但模型文件很占空间。SDXL 基础模型通常 6GB 到 7GB其他专用模型动辄 2GB 到 5GB。建议至少预留 50GB 可用磁盘空间方便后续下载多个模型。3.4 端口与防火墙ComfyUI 默认端口是 8188。局域网访问时需要确认 Windows 防火墙或路由器没有拦截该端口。4. 安装部署与启动方式4.1 安装 ComfyUI有两种常见方式选一种即可。方式一使用秋叶一键整合包。这种方式适合 Windows 用户尤其适合不想折腾 Python 环境的人。整合包把依赖、模型目录、启动脚本都整理好了解压后按说明启动即可。热词里出现的comfyui秋叶一键整合包秋叶comfyui指的就是这类方案。方式二使用官方仓库手动安装。# 克隆 ComfyUI 仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境推荐 python -m venv venv source venv/bin/activate # Windows 下执行 venv\Scripts\activate # 安装依赖 pip install -r requirements.txt手动安装的优势是环境更可控升级版本方便缺点是模型、自定义节点都要自己管理。4.2 安装 CodexCodex 的安装方式和版本更新比较频繁这里不指定固定命令给出通用思路# 如果使用 npm 方式安装命令格式类似 # npm install -g openai/codex # 如果你的环境是通过官方安装脚本安装则从对应页面获取最新脚本安装完成后需要配置访问凭证。通常是在终端执行登录命令或者设置环境变量# 示例把 API Key 写入环境变量具体变量名以 Codex 文档为准 export CODEX_API_KEY你的 Key注意Codex 的具体安装命令、环境变量名、登录方式会随版本变化务必以官方 README 或对应文档为准。网络热词里出现的codex安装codex官网登录入口codex接入deepseek核心都是在解决两个问题Codex 装在哪、Codex 跑哪个模型服务。如果你计划接入 DeepSeek 等第三方模型服务还需要在 Codex 配置里指定自定义 endpoint。4.3 配置 Workbuddy 与 Codex 的连接Workbuddy 作为上层工具通常会通过配置文件或环境变量来告诉它Codex 在哪里、用什么凭证访问。通用步骤下载或克隆 Workbuddy 项目。按 README 说明安装项目依赖。配置 Codex 的访问地址和凭证。启动 Workbuddy 服务或命令行交互界面。# 伪代码示例实际执行需按项目文档调整 cd workbuddy pip install -r requirements.txt python main.py --codex-endpoint http://127.0.0.1:1234 --output-dir ./workflows4.4 启动 ComfyUI 并开放局域网访问ComfyUI 默认只监听127.0.0.1意思是只有本机能访问。要想让局域网内其他设备访问需要修改启动参数。# 监听所有网络接口允许局域网访问 python main.py --listen 0.0.0.0 --port 8188启动后本机通过http://127.0.0.1:8188访问。同一局域网内的其他电脑通过http://主机IP:8188访问主机 IP 用ipconfig或ifconfig查看。如果 Windows 防火墙弹窗选择允许访问。也可以手动放行端口# 管理员权限运行 PowerShell 或 CMD netsh advfirewall firewall add rule nameComfyUI Web dirin actionallow protocolTCP localport81884.5 验证安装是否成功启动完成后打开浏览器访问 ComfyUI 页面看到节点面板说明 Web 服务正常。再把 Workbuddy 的测试工作流通过导入功能加载如果节点能正常显示说明整个链路已经通了。5. 功能测试与效果验证5.1 一句话生成工作流这是整个方案的核心功能。测试方法启动 Workbuddy 和 Codex。输入类似这样的自然语言描述生成一个文生图工作流使用 SDXL 模型输出到 out 目录默认采样步数 20 步。观察 Codex 是否生成工作流 JSON 文件。把 JSON 导入 ComfyUI检查节点是否齐全。判断标准ComfyUI 中所有节点都是正常颜色没有红色报错节点之间的连线完整模型选择节点能找到对应模型文件。常见失败原因工作流里用到了你没安装的模型节点会显示缺失。工作流里的自定义节点没有安装ComfyUI 会提示请安装缺失的包以使用此工作流。Codex 返回的是 UI 格式而不是 API 格式导入时可能出现兼容问题。如果遇到红色节点先在 ComfyUI 的 Manager 里安装缺失的自定义节点再把模型文件放到models/checkpoints等对应目录。5.2 文生图基础测试工作流导入成功后先做一次基础出图验证。在 ComfyUI 的正面提示词里输入a beautiful landscape, morning light, high detail保持默认采样器点击运行。观察进度条、显存占用和最终输出图片。如果图片正常生成说明工作流的数据流是通的。5.3 修改工作流再生成让 Workbuddy 对已有工作流做修改比如把采样步数从 20 改成 30增加一个放大节点。这一步验证智能体是否理解现有工作流的结构而不仅仅是生成新的 JSON。测试时注意观察修改后的工作流是否能直接导入 ComfyUI、是否保留原有节点参数。5.4 局域网连接测试在另一台电脑上用浏览器访问http://主机IP:8188。测试点包括页面能否正常打开。能否看到同一套工作流。能否提交出图任务。任务执行时性能消耗是在服务端电脑上。关键预期局域网内访问的体验和本机基本一致出图速度取决于服务器那台电脑的 GPU。如果另一台电脑打不开页面先检查防火墙、监听地址和两台设备是否在同一网段。6. 接口 API 调用与批量任务ComfyUI 本身提供了 API 接口这也是把工作流接到自动化流程里的关键。6.1 ComfyUI API 地址ComfyUI 默认提供/prompt接口用来提交工作流执行任务。通过 API 可以绕过界面直接由脚本提交任务适合批量出图。6.2 提交任务示例以下代码是通用调用模板实际使用时需要把prompt替换成从 ComfyUI 导出的 API 格式工作流。import json import requests # 从本地文件读取 API 格式的工作流 JSON with open(workflow_api.json, r, encodingutf-8) as f: prompt_data json.load(f) url http://127.0.0.1:8188/prompt payload { prompt: prompt_data, client_id: local-test } response requests.post(url, jsonpayload, timeout60) print(response.status_code) print(response.text)返回结果里如果能拿到prompt_id说明任务提交成功后续可以用这个 ID 查询任务状态。6.3 cURL 示例如果你更喜欢用命令验证接口也可以使用 curlcurl -X POST http://127.0.0.1:8188/prompt \ -H Content-Type: application/json \ -d workflow_payload.json6.4 批量任务设计批量出图的核心思路是固定工作流循环替换提示词和输出文件名。可以写一个 Python 脚本把一组提示词逐条提交到 ComfyUI 队列。import time import requests api_url http://127.0.0.1:8188/prompt prompts [ a cat in the rain, cyberpunk style, a mountain at sunset, oil painting style, a robot reading a book, minimalist ] for i, prompt in enumerate(prompts): workflow { 3: { class_type: CLIPTextEncode, inputs: { text: prompt, clip: [4, 1] } } # 其他节点省略需要从实际工作流的 API 格式中获取 } payload {prompt: workflow} resp requests.post(api_url, jsonpayload, timeout30) print(ftask {i}: {resp.status_code}) time.sleep(2) # 避免提交过快批次任务建议增加日志记录和失败重试逻辑。记录每个任务的 prompt_id定时查询任务状态。如果有任务提交失败检查原因后重试不要无脑重复提交。6.5 Workbuddy 与管理端结合如果 Workbuddy 本身提供了 Web 管理界面或 API 网关通常会把 Codex 生成的工作流文件和 ComfyUI 的任务队列打通。比如在 Workbuddy 中保存一个工作流模板通过脚本自动替换提示词并提交到 ComfyUI。这种模式下工作流从智能体生成到批量出图可以形成完整链路。7. 资源占用与性能观察7.1 怎么观察资源占用出图过程中推荐用任务管理器或nvidia-smi查看 GPU 占用。Windows 下可以先打开任务管理器切到性能标签页看 GPU 的利用率、显存占用、温度。也可以命令行执行nvidia-smi -l 1这样每秒刷新一次直接看到显存占用和 GPU 利用率。跑大图或者批量出图时显存占用会比较明显具体数字取决于模型大小、分辨率、批量数、采样步数没法一概而论。7.2 哪些操作最吃资源一般来说以下操作会明显增加资源消耗使用大模型比如 SDXL 或更大规格的模型。提高出图分辨率比如从 512x512 提升到 1024x1024。增大批量数一次跑多张。开启高清放大、ControlNet 等复杂节点。7.3 降低占用的思路如果显存不够用可以调整优先级降低分辨率先把构图验证跑通。减少批量数一次只出一张。降低采样步数对画质影响可控。使用更轻量级的模型。开启内存优化或低显存模式具体路径以 ComfyUI 对应版本文档为准。7.4 局域网模式下的性能分布在局域网连接模式下浏览器前端消耗几乎可以忽略。真正的算力消耗集中在运行 ComfyUI 服务的那台电脑上因此建议服务器端使用性能较好的 GPU。客户端只负责提交任务和查看结果。如果多人同时使用注意任务队列排队问题。8. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后页面打不开服务未启动或端口被占用查看终端日志检查端口占用更换端口或重启服务局域网内其他设备无法访问未监听 0.0.0.0 或防火墙拦截检查启动参数检查防火墙规则使用--listen 0.0.0.0放行 8188 端口工作流导入后节点红色缺少自定义节点或模型文件查看节点报错信息用 ComfyUI Manager 安装缺失节点补齐模型出现请安装缺失的包以使用此工作流提示工作流依赖的 Python 包未安装根据提示在终端安装对应包在 ComfyUI 的 Python 环境中执行安装命令Codex 调用失败网络不通、API Key 错误、endpoint 配置错误检查凭证、网络、日志重新配置凭证检查 endpoint 路径报错cc switch local proxy failed while handling codex endpoint /responses本地代理切换异常或 endpoint 路径处理失败检查代理配置和 endpoint 地址修正代理和 endpoint 配置确认路径以/responses结尾显存不足OOM 报错模型 分辨率 批量数超出显存容量观察nvidia-smi显存占用降低分辨率、批量数或换轻量模型任务提交 API 返回 400工作流 JSON 格式不对检查 API 格式是否完整从 ComfyUI 中使用 API 格式导出工作流批量任务卡住队列积压或脚本等待任务状态查看 ComfyUI 队列页面和脚本日志增加超时和重试逻辑出图质量不稳定提示词、采样器、步数设置不合适对比不同参数的结果固定一组验证过的参数再尝试变化上面这些排查思路适用范围比较广。遇到具体问题优先看终端日志日志里通常会写明是模型缺失、路径错误还是网络问题。9. 最佳实践与使用建议9.1 第一次先小参数测试不要一上来就生成一张 2048 分辨率的大图。先用 512x512、20 步、单张批量跑通整条链路确认工作流没问题以后再逐步提高参数。这样排查问题时出问题的地方更少。9.2 保留一套最小可运行配置把你验证过能跑通的文生图工作流单独导出一份作为最小可用配置。以后智能体生成的新工作流出问题时可以直接对比这份模板检查少了哪个节点、哪个参数不一致。9.3 分目录管理文件建议按下面的结构管理ComfyUI/ models/ checkpoints/ 模型主文件 loras/ Lora 模型 controlnet/ ControlNet 文件 output/ default/ 默认输出 test/ 测试输出 batch_20250101/ 批量任务输出 user/ workflows/ 保存的工作流文件把模型、输出、工作流分开存放备份和迁移都方便。9.4 批量任务要加日志和失败重试批量出图不是把 100 张图一次性丢进去就完事。推荐把每次提交的提示词、prompt_id、任务状态、输出路径都记录下来。任务中途卡住或失败时能快速定位是哪一张图、哪一步出的问题。9.5 局域网访问注意安全局域网开放 ComfyUI 服务虽然比公网安全但仍要注意不要在不可信网络中暴露服务。用完及时关闭监听或者只提供必要时间段的访问。如果路由器支持端口隔离可以防止设备之间相互探测。不要轻易用 frp、内网穿透等方式把服务暴露到公网。9.6 涉及人脸、声音、版权素材必须确认授权使用 AI 绘画、数字人、声音克隆相关功能时务必确认素材来源合法、肖像授权完整。工作流生成的内容如果用于商用更要谨慎避免侵权风险。10. 总结与下一步Workbuddy Codex 这个组合最值得尝试的点是把 ComfyUI 工作流的搭建门槛从熟悉节点变成了会描述需求。你不需要背每个节点的名字只要能把需求表达清楚智能体就能生成一套可导入的工作流剩下的事情是在 ComfyUI 里验证和微调。最先应该验证的功能是一句话生成基础文生图工作流。输入描述、生成 JSON、导入 ComfyUI、跑出一张图这条链路如果通了说明整体配置没有问题。最容易踩的坑有两个一是自定义节点缺失工作流一导入就是一片红二是局域网访问时忘记监听0.0.0.0和放行防火墙端口导致其他设备打不开页面。前者靠补齐节点和模型解决后者靠检查启动参数和防火墙规则解决。后续可以继续扩展的方向包括把 Codex 接入 DeepSeek 等第三方模型服务来降低调用成本通过 ComfyUI API 把工作流接入自动化发布流程把批量出图脚本做成定时任务形成稳定的内容生产管线甚至可以结合 Dify、Coze 等智能体平台把工作流生成 出图 内容分发串成一条完整链路。建议先把基础链路跑通再按实际需求逐步加功能。