简介这份资源是面向AI绘画与自动化流程爱好者的ComfyUI工作流合集适合希望借助可视化拖拽界面快速搭建图像生成、风格迁移、内容创作等AI应用的用户无论是否具备编程基础都能上手。压缩包共收录1310个文件约113.09MB其中540个json工作流文件是核心配置687个ipynb笔记本提供Colab运行示例另有png、jpg示例图、md说明文档及少量yml、py脚本便于理解与二次开发。目前已有649人学习下载。合集涵盖从自然语言生成图像、调整图像风格到创建独特艺术作品等场景每个工作流均预置节点用户可自由组合定制并借助配套文档快速掌握操作技巧。模块化设计与网络分享特性也让艺术家、开发者与研究人员都能找到适配工具是探索ComfyUI生态的实用起点。1. 拿到一个 ComfyUI 工作流合集压缩包先别急着双击很多人第一次接触 ComfyUI workflows collection.zip 这类资源第一反应是解压、拖进界面、点生成然后对着满屏红框发呆。我见过太多人卡在这一步节点缺失、模型路径对不上、版本不兼容最后得出“这合集没用”的结论。其实问题不在工作流本身而在于你把它当成了一个开箱即用的软件而它本质上是一堆依赖特定环境、特定模型、特定节点版本的 JSON 描述文件。ComfyUI 工作流合集的价值在于让你跳过从零搭建节点图的阶段直接复用别人调好的采样参数、ControlNet 组合、LoRA 权重和提示词结构。适合谁适合已经跑通过至少一个基础文生图流程、能看懂节点连线逻辑、知道 checkpoint 和 VAE 放哪的人。如果你连 ComfyUI 的 models 目录结构都没摸清这个合集只会让你更混乱。所以第一步不是解压而是先确认你的 ComfyUI 环境能不能承载这些工作流。2. 拆开压缩包之前先把运行环境对齐2.1 确认 ComfyUI 本体版本与前端版本工作流 JSON 里有一个字段叫version它记录的是导出时 ComfyUI 前端的版本号。这个号和你本地安装的版本差距过大时轻则节点位置错乱重则直接报Node type not found。常见做法是打开 ComfyUI 根目录下的requirements.txt看comfyui-frontend-package的版本号然后和压缩包里随便挑一个工作流 JSON 里的version对比。如果本地是 1.3.x工作流是 1.6.x那大概率会缺节点。我一般会先把 ComfyUI 更新到最近一个稳定 tag再来看工作流。更新命令很简单# 进入 ComfyUI 根目录 cd /path/to/ComfyUI # 拉取最新代码 git pull # 更新 Python 依赖 pip install -r requirements.txt --upgrade逻辑说明git pull拉取的是 ComfyUI 主仓库更新pip install --upgrade确保前端包和自定义节点依赖同步升级。参数上注意如果你用的是便携版没有 git 环境那就手动下载最新压缩包覆盖但记得备份models和custom_nodes目录。这一步不做后面所有工作流都可能白搭。2.2 用缺失节点检测脚本批量扫描压缩包里通常有几十个 JSON一个个打开看缺什么节点效率太低。我一般会写一个短脚本遍历所有工作流文件提取type字段然后和本地custom_nodes里已注册的节点名做差集。下面这个 Python 脚本可以直接用import json import os import glob # 工作流所在目录 workflow_dir ./comfyui_workflows # 本地已安装节点类型集合这里简化成从 custom_nodes 目录名推断 # 实际使用时建议从 ComfyUI 启动日志里抓取已注册节点列表 installed_nodes set() for node_dir in os.listdir(./ComfyUI/custom_nodes): installed_nodes.add(node_dir) missing {} for filepath in glob.glob(os.path.join(workflow_dir, *.json)): with open(filepath, r, encodingutf-8) as f: try: data json.load(f) except json.JSONDecodeError: print(f跳过损坏文件: {filepath}) continue # 遍历所有节点 for node_id, node in data.items(): if isinstance(node, dict) and type in node: node_type node[type] # 这里只做粗略匹配实际节点名和目录名不一定一致 if node_type not in installed_nodes: missing.setdefault(node_type, []).append(os.path.basename(filepath)) for node_type, files in sorted(missing.items()): print(f缺失节点: {node_type}出现在: {, .join(files[:3])}...)逻辑说明脚本读取每个 JSON 的节点定义提取type字段和custom_nodes目录名做对比。参数上注意installed_nodes的构建方式比较粗糙因为节点类型名和目录名不一定相同更准确的做法是从 ComfyUI 启动日志里解析Import times那段或者调用/object_infoAPI。但作为快速筛查这个脚本能帮你把明显缺的节点列出来。跑完以后你会得到一张缺失清单接下来就是按清单装节点。2.3 模型文件的目录映射与软链接工作流里引用的模型文件名是固定的比如sd_xl_base_1.0.safetensors、control_v11p_sd15_canny.pth。你本地不一定有同名文件但可能有功能相同的另一个版本。常见做法是不改工作流而是改本地文件名或建软链接。我一般会在models/checkpoints下建一个_workflow_refs目录把常用模型软链接过去命名和工作流里保持一致。Linux 下# 假设本地已有模型在 /data/models/sdxl_base.safetensors # 工作流里引用的是 sd_xl_base_1.0.safetensors ln -s /data/models/sdxl_base.safetensors ./ComfyUI/models/checkpoints/sd_xl_base_1.0.safetensorsWindows 下用mklink或者直接复制改名。逻辑说明软链接不占额外空间且工作流加载时按文件名查找能直接命中。参数上注意ControlNet、LoRA、VAE 同理分别放到models/controlnet、models/loras、models/vae。这一步做完大部分“模型加载失败”的红框会消失。3. 按工作流类型分批导入别一次全拖进去3.1 识别工作流的功能分类一个合集里通常混着文生图、图生图、局部重绘、ControlNet 姿态控制、IPAdapter 风格迁移、AnimateDiff 视频生成等。全拖进 ComfyUI 界面浏览器会卡死。我一般先按文件名和 JSON 里的节点特征分类。比如包含AnimateDiffLoader节点的归为视频类包含IPAdapterApply的归为风格迁移类只有KSampler和CheckpointLoader的归为基础类。分类后每次只导入同一类跑通一个再换下一个。这样出问题时排查范围小不会互相干扰。3.2 用 API 格式批量转成可执行队列ComfyUI 界面支持直接拖入 JSON但如果你想批量测试哪些工作流能跑通手动拖效率太低。常见做法是用 ComfyUI 的/promptAPI把工作流 JSON 转成 API 格式后提交。API 格式和界面格式的区别在于API 格式的每个节点是一个独立对象inputs里直接写值没有widgets_values数组。转换脚本如下import json import requests # 读取界面格式的工作流 with open(./workflow_ui.json, r, encodingutf-8) as f: ui_data json.load(f) # 转换为 API 格式提取每个节点的 inputs api_data {} for node_id, node in ui_data.items(): if not isinstance(node, dict) or type not in node: continue inputs {} if inputs in node: for inp in node[inputs]: inputs[inp[name]] inp.get(link, None) if widgets_values in node: # 这里需要根据节点类型映射 widget 名称简化处理直接按顺序塞 # 实际使用时建议参考 ComfyUI 的 /object_info 返回的 input 顺序 pass api_data[node_id] { class_type: node[type], inputs: inputs } # 提交到本地 ComfyUI resp requests.post(http://127.0.0.1:8188/prompt, json{prompt: api_data}) print(resp.status_code, resp.text)逻辑说明这段代码只是演示转换思路实际转换需要处理widgets_values到具体输入名的映射最稳妥的方式是调用/object_info获取每个节点的输入定义再按顺序填充。参数上注意/prompt接口返回 200 不代表执行成功还要看prompt_id对应的历史记录里有没有status: success。批量测试时建议加一个延时避免队列堆积。3.3 跑通第一个工作流后的参数检查点第一个工作流能出图后别急着换下一个。先检查三个地方采样器步数、CFG 值、种子。很多合集里的工作流用的是固定种子你跑出来和预览图不一样不是工作流坏了是种子不同。把KSampler节点的seed改成random再跑一次。另外看steps和cfg有些工作流为了追求细节把步数拉到 50 以上CFG 设到 12这在低显存卡上直接爆显存。我一般会把步数降到 25 到 30CFG 降到 7 到 8先保证能跑完再逐步往上加。这一步的取舍是先求通再求好。4. 避坑工作流合集里最常见的五类翻车4.1 节点版本不匹配导致“节点存在但输入对不上”现象导入工作流后节点显示正常但连线全断或者某个输入框变成红色。原因你装的节点版本和工作流导出时的版本不一致输入名称改了。比如某个 ControlNet 应用节点旧版叫image新版叫image_input。解决打开custom_nodes下对应节点的__init__.py或nodes.py搜INPUT_TYPES看当前版本的输入名然后手动在工作流 JSON 里替换。批量替换可以用文本编辑器但注意别改错层级。4.2 模型哈希校验失败导致加载中断现象控制台报SafetensorsError: header too large或model hash mismatch。原因下载的模型文件不完整或者工作流里指定的模型和你本地文件虽然同名但内容不同。解决用sha256sum对比文件哈希或者直接删掉重下。更隐蔽的情况是工作流里引用了lora但你没装ComfyUI 不会报错只是静默忽略出图效果和预览图差很远。所以跑之前先看控制台有没有lora not found的警告。4.3 显存溢出发生在“看起来很小”的节点上现象跑图到一半卡住控制台报CUDA out of memory但你看节点图里没有大模型。原因某些后处理节点比如Image Upscale with Model会加载一个额外的放大模型显存占用瞬间翻倍。解决在KSampler之后先接VAEDecode把 latent 转成像素图再做放大。或者把放大节点放到最后用--lowvram启动 ComfyUI。我一般会在启动脚本里加--lowvram牺牲一点速度换稳定。4.4 工作流里的绝对路径在你机器上不存在现象节点报File not found路径是D:\workflows\models\xxx。原因导出工作流的人用了绝对路径而 ComfyUI 的模型加载节点通常只认相对路径或文件名。解决把节点里的路径改成纯文件名比如sd_xl_base_1.0.safetensors然后确保这个文件在models/checkpoints下。如果工作流里大量用了绝对路径可以用脚本批量替换成文件名。4.5 批量导入导致前端崩溃现象一次性拖入 20 个 JSON浏览器标签页无响应。原因ComfyUI 前端每个工作流都要渲染节点图内存占用叠加。解决一次只导入一个跑完保存图片后再导入下一个。如果非要批量用 API 方式提交不走前端渲染。我一般会把合集分成几个子目录每次只打开一个子目录里的文件。5. 把合集变成自己的工具箱参数预设与节点复用5.1 提取高频参数组合做成预设跑通十几个工作流后你会发现某些参数反复出现比如steps: 30, cfg: 7.5, sampler: dpmpp_2m, scheduler: karras。与其每次手动改不如在 ComfyUI 里建一个presets.json或者用KSampler节点的control_after_generate功能。更彻底的做法是把常用参数写成一个自定义节点输入图片和提示词自动套用预设。下面是一个极简的自定义节点示例class MyPresetSampler: classmethod def INPUT_TYPES(cls): return { required: { model: (MODEL,), positive: (CONDITIONING,), negative: (CONDITIONING,), latent: (LATENT,), } } RETURN_TYPES (LATENT,) FUNCTION sample CATEGORY my_tools def sample(self, model, positive, negative, latent): # 这里不实际实现采样只是演示预设参数注入 # 实际应调用 comfy.sample.sample 并传入固定参数 return (latent,)逻辑说明这个节点把采样参数固定下来你只需要连入模型、正负提示和 latent。参数上steps、cfg、sampler_name都写死在sample方法里。这样你从合集里学到的调参经验就固化成了自己的工具不用每次翻 JSON。5.2 用 Git 管理你的工作流修改从合集里拿到的原始 JSON 不要直接改先复制一份到自己的目录然后用 Git 管理。每次调整参数或替换节点都提交一次。这样当你发现某个改动导致出图变差时可以回滚。我一般会在工作流目录下建一个README.md记录每个工作流的来源、依赖节点、模型清单和跑通日期。这个习惯能帮你省下大量“上次那个能跑的工作流是哪版”的后悔药。5.3 验证工作流是否真正可复现的检查清单最后如果你要把某个工作流分享给别人或者过几个月自己再用先过一遍这个清单节点是否全部来自公开仓库、模型文件名是否通用、有没有硬编码的绝对路径、种子是否随机、显存占用是否在 8G 以内。全部通过这个工作流才算真正属于你。我自己的习惯是每跑通一个就把它和对应的模型清单一起打包到一个以日期命名的文件夹里下次直接拿这个文件夹不用再翻原始合集。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/20 13:15:59 · 阅读 1.2k ComfyUI工作流合集避坑指南：环境对齐、节点检测与批量导入
简介这份资源是面向AI绘画与自动化流程爱好者的ComfyUI工作流合集适合希望借助可视化拖拽界面快速搭建图像生成、风格迁移、内容创作等AI应用的用户无论是否具备编程基础都能上手。压缩包共收录1310个文件约113.09MB其中540个json工作流文件是核心配置687个ipynb笔记本提供Colab运行示例另有png、jpg示例图、md说明文档及少量yml、py脚本便于理解与二次开发。目前已有649人学习下载。合集涵盖从自然语言生成图像、调整图像风格到创建独特艺术作品等场景每个工作流均预置节点用户可自由组合定制并借助配套文档快速掌握操作技巧。模块化设计与网络分享特性也让艺术家、开发者与研究人员都能找到适配工具是探索ComfyUI生态的实用起点。1. 拿到一个 ComfyUI 工作流合集压缩包先别急着双击很多人第一次接触 ComfyUI workflows collection.zip 这类资源第一反应是解压、拖进界面、点生成然后对着满屏红框发呆。我见过太多人卡在这一步节点缺失、模型路径对不上、版本不兼容最后得出“这合集没用”的结论。其实问题不在工作流本身而在于你把它当成了一个开箱即用的软件而它本质上是一堆依赖特定环境、特定模型、特定节点版本的 JSON 描述文件。ComfyUI 工作流合集的价值在于让你跳过从零搭建节点图的阶段直接复用别人调好的采样参数、ControlNet 组合、LoRA 权重和提示词结构。适合谁适合已经跑通过至少一个基础文生图流程、能看懂节点连线逻辑、知道 checkpoint 和 VAE 放哪的人。如果你连 ComfyUI 的 models 目录结构都没摸清这个合集只会让你更混乱。所以第一步不是解压而是先确认你的 ComfyUI 环境能不能承载这些工作流。2. 拆开压缩包之前先把运行环境对齐2.1 确认 ComfyUI 本体版本与前端版本工作流 JSON 里有一个字段叫version它记录的是导出时 ComfyUI 前端的版本号。这个号和你本地安装的版本差距过大时轻则节点位置错乱重则直接报Node type not found。常见做法是打开 ComfyUI 根目录下的requirements.txt看comfyui-frontend-package的版本号然后和压缩包里随便挑一个工作流 JSON 里的version对比。如果本地是 1.3.x工作流是 1.6.x那大概率会缺节点。我一般会先把 ComfyUI 更新到最近一个稳定 tag再来看工作流。更新命令很简单# 进入 ComfyUI 根目录 cd /path/to/ComfyUI # 拉取最新代码 git pull # 更新 Python 依赖 pip install -r requirements.txt --upgrade逻辑说明git pull拉取的是 ComfyUI 主仓库更新pip install --upgrade确保前端包和自定义节点依赖同步升级。参数上注意如果你用的是便携版没有 git 环境那就手动下载最新压缩包覆盖但记得备份models和custom_nodes目录。这一步不做后面所有工作流都可能白搭。2.2 用缺失节点检测脚本批量扫描压缩包里通常有几十个 JSON一个个打开看缺什么节点效率太低。我一般会写一个短脚本遍历所有工作流文件提取type字段然后和本地custom_nodes里已注册的节点名做差集。下面这个 Python 脚本可以直接用import json import os import glob # 工作流所在目录 workflow_dir ./comfyui_workflows # 本地已安装节点类型集合这里简化成从 custom_nodes 目录名推断 # 实际使用时建议从 ComfyUI 启动日志里抓取已注册节点列表 installed_nodes set() for node_dir in os.listdir(./ComfyUI/custom_nodes): installed_nodes.add(node_dir) missing {} for filepath in glob.glob(os.path.join(workflow_dir, *.json)): with open(filepath, r, encodingutf-8) as f: try: data json.load(f) except json.JSONDecodeError: print(f跳过损坏文件: {filepath}) continue # 遍历所有节点 for node_id, node in data.items(): if isinstance(node, dict) and type in node: node_type node[type] # 这里只做粗略匹配实际节点名和目录名不一定一致 if node_type not in installed_nodes: missing.setdefault(node_type, []).append(os.path.basename(filepath)) for node_type, files in sorted(missing.items()): print(f缺失节点: {node_type}出现在: {, .join(files[:3])}...)逻辑说明脚本读取每个 JSON 的节点定义提取type字段和custom_nodes目录名做对比。参数上注意installed_nodes的构建方式比较粗糙因为节点类型名和目录名不一定相同更准确的做法是从 ComfyUI 启动日志里解析Import times那段或者调用/object_infoAPI。但作为快速筛查这个脚本能帮你把明显缺的节点列出来。跑完以后你会得到一张缺失清单接下来就是按清单装节点。2.3 模型文件的目录映射与软链接工作流里引用的模型文件名是固定的比如sd_xl_base_1.0.safetensors、control_v11p_sd15_canny.pth。你本地不一定有同名文件但可能有功能相同的另一个版本。常见做法是不改工作流而是改本地文件名或建软链接。我一般会在models/checkpoints下建一个_workflow_refs目录把常用模型软链接过去命名和工作流里保持一致。Linux 下# 假设本地已有模型在 /data/models/sdxl_base.safetensors # 工作流里引用的是 sd_xl_base_1.0.safetensors ln -s /data/models/sdxl_base.safetensors ./ComfyUI/models/checkpoints/sd_xl_base_1.0.safetensorsWindows 下用mklink或者直接复制改名。逻辑说明软链接不占额外空间且工作流加载时按文件名查找能直接命中。参数上注意ControlNet、LoRA、VAE 同理分别放到models/controlnet、models/loras、models/vae。这一步做完大部分“模型加载失败”的红框会消失。3. 按工作流类型分批导入别一次全拖进去3.1 识别工作流的功能分类一个合集里通常混着文生图、图生图、局部重绘、ControlNet 姿态控制、IPAdapter 风格迁移、AnimateDiff 视频生成等。全拖进 ComfyUI 界面浏览器会卡死。我一般先按文件名和 JSON 里的节点特征分类。比如包含AnimateDiffLoader节点的归为视频类包含IPAdapterApply的归为风格迁移类只有KSampler和CheckpointLoader的归为基础类。分类后每次只导入同一类跑通一个再换下一个。这样出问题时排查范围小不会互相干扰。3.2 用 API 格式批量转成可执行队列ComfyUI 界面支持直接拖入 JSON但如果你想批量测试哪些工作流能跑通手动拖效率太低。常见做法是用 ComfyUI 的/promptAPI把工作流 JSON 转成 API 格式后提交。API 格式和界面格式的区别在于API 格式的每个节点是一个独立对象inputs里直接写值没有widgets_values数组。转换脚本如下import json import requests # 读取界面格式的工作流 with open(./workflow_ui.json, r, encodingutf-8) as f: ui_data json.load(f) # 转换为 API 格式提取每个节点的 inputs api_data {} for node_id, node in ui_data.items(): if not isinstance(node, dict) or type not in node: continue inputs {} if inputs in node: for inp in node[inputs]: inputs[inp[name]] inp.get(link, None) if widgets_values in node: # 这里需要根据节点类型映射 widget 名称简化处理直接按顺序塞 # 实际使用时建议参考 ComfyUI 的 /object_info 返回的 input 顺序 pass api_data[node_id] { class_type: node[type], inputs: inputs } # 提交到本地 ComfyUI resp requests.post(http://127.0.0.1:8188/prompt, json{prompt: api_data}) print(resp.status_code, resp.text)逻辑说明这段代码只是演示转换思路实际转换需要处理widgets_values到具体输入名的映射最稳妥的方式是调用/object_info获取每个节点的输入定义再按顺序填充。参数上注意/prompt接口返回 200 不代表执行成功还要看prompt_id对应的历史记录里有没有status: success。批量测试时建议加一个延时避免队列堆积。3.3 跑通第一个工作流后的参数检查点第一个工作流能出图后别急着换下一个。先检查三个地方采样器步数、CFG 值、种子。很多合集里的工作流用的是固定种子你跑出来和预览图不一样不是工作流坏了是种子不同。把KSampler节点的seed改成random再跑一次。另外看steps和cfg有些工作流为了追求细节把步数拉到 50 以上CFG 设到 12这在低显存卡上直接爆显存。我一般会把步数降到 25 到 30CFG 降到 7 到 8先保证能跑完再逐步往上加。这一步的取舍是先求通再求好。4. 避坑工作流合集里最常见的五类翻车4.1 节点版本不匹配导致“节点存在但输入对不上”现象导入工作流后节点显示正常但连线全断或者某个输入框变成红色。原因你装的节点版本和工作流导出时的版本不一致输入名称改了。比如某个 ControlNet 应用节点旧版叫image新版叫image_input。解决打开custom_nodes下对应节点的__init__.py或nodes.py搜INPUT_TYPES看当前版本的输入名然后手动在工作流 JSON 里替换。批量替换可以用文本编辑器但注意别改错层级。4.2 模型哈希校验失败导致加载中断现象控制台报SafetensorsError: header too large或model hash mismatch。原因下载的模型文件不完整或者工作流里指定的模型和你本地文件虽然同名但内容不同。解决用sha256sum对比文件哈希或者直接删掉重下。更隐蔽的情况是工作流里引用了lora但你没装ComfyUI 不会报错只是静默忽略出图效果和预览图差很远。所以跑之前先看控制台有没有lora not found的警告。4.3 显存溢出发生在“看起来很小”的节点上现象跑图到一半卡住控制台报CUDA out of memory但你看节点图里没有大模型。原因某些后处理节点比如Image Upscale with Model会加载一个额外的放大模型显存占用瞬间翻倍。解决在KSampler之后先接VAEDecode把 latent 转成像素图再做放大。或者把放大节点放到最后用--lowvram启动 ComfyUI。我一般会在启动脚本里加--lowvram牺牲一点速度换稳定。4.4 工作流里的绝对路径在你机器上不存在现象节点报File not found路径是D:\workflows\models\xxx。原因导出工作流的人用了绝对路径而 ComfyUI 的模型加载节点通常只认相对路径或文件名。解决把节点里的路径改成纯文件名比如sd_xl_base_1.0.safetensors然后确保这个文件在models/checkpoints下。如果工作流里大量用了绝对路径可以用脚本批量替换成文件名。4.5 批量导入导致前端崩溃现象一次性拖入 20 个 JSON浏览器标签页无响应。原因ComfyUI 前端每个工作流都要渲染节点图内存占用叠加。解决一次只导入一个跑完保存图片后再导入下一个。如果非要批量用 API 方式提交不走前端渲染。我一般会把合集分成几个子目录每次只打开一个子目录里的文件。5. 把合集变成自己的工具箱参数预设与节点复用5.1 提取高频参数组合做成预设跑通十几个工作流后你会发现某些参数反复出现比如steps: 30, cfg: 7.5, sampler: dpmpp_2m, scheduler: karras。与其每次手动改不如在 ComfyUI 里建一个presets.json或者用KSampler节点的control_after_generate功能。更彻底的做法是把常用参数写成一个自定义节点输入图片和提示词自动套用预设。下面是一个极简的自定义节点示例class MyPresetSampler: classmethod def INPUT_TYPES(cls): return { required: { model: (MODEL,), positive: (CONDITIONING,), negative: (CONDITIONING,), latent: (LATENT,), } } RETURN_TYPES (LATENT,) FUNCTION sample CATEGORY my_tools def sample(self, model, positive, negative, latent): # 这里不实际实现采样只是演示预设参数注入 # 实际应调用 comfy.sample.sample 并传入固定参数 return (latent,)逻辑说明这个节点把采样参数固定下来你只需要连入模型、正负提示和 latent。参数上steps、cfg、sampler_name都写死在sample方法里。这样你从合集里学到的调参经验就固化成了自己的工具不用每次翻 JSON。5.2 用 Git 管理你的工作流修改从合集里拿到的原始 JSON 不要直接改先复制一份到自己的目录然后用 Git 管理。每次调整参数或替换节点都提交一次。这样当你发现某个改动导致出图变差时可以回滚。我一般会在工作流目录下建一个README.md记录每个工作流的来源、依赖节点、模型清单和跑通日期。这个习惯能帮你省下大量“上次那个能跑的工作流是哪版”的后悔药。5.3 验证工作流是否真正可复现的检查清单最后如果你要把某个工作流分享给别人或者过几个月自己再用先过一遍这个清单节点是否全部来自公开仓库、模型文件名是否通用、有没有硬编码的绝对路径、种子是否随机、显存占用是否在 8G 以内。全部通过这个工作流才算真正属于你。我自己的习惯是每跑通一个就把它和对应的模型清单一起打包到一个以日期命名的文件夹里下次直接拿这个文件夹不用再翻原始合集。希望帮到你。本文还有配套的精品资源点击获取