落白lite & AI研学社·第 6 / 52 小节 · A · AI 通识先修:A05课程地图|← 上一课下一课 →
AI 入门与 ComfyUI 出图课

A06 · 交棒

从跟 AI 说话到编排 AI

你在聊天框里磨了半小时,终于有一张满意的人像。第二天想再来一张同款,怎么调都回不去——不是你手生了,是聊天本来就不给你留说明书。

这节解决什么:你能说清「哪些活留在聊天里,哪些活必须搬进工作流」,并知道进入 ComfyUI 后先学什么、为什么先学它。

阅读时间约 10 分钟
前置知识A01—A05 已读
学完能做什么进入 B 层 ComfyUI

前置知识这一课是 A 层的收束。至少读过 A01 与 A04,知道大语言模型与扩散模型不是同一种东西,也知道 workflow 的双重含义。

01对话描述意图
02试错看结果再改
03编排固定节点与参数
04交付可复现地产出

01聊天出图:一个闭环,但不是一条产线

你先描述,它生成,你看结果,再描述。第一张往往不满意,改到第五张才对味——这个循环很好用,但它有个结构性问题:每一轮都是新的对话,上一轮的成功没有被固化成可执行的步骤。

聊天出图的流程是描述 → 生成 → 看结果 → 再描述。它非常适合探索:你不知道想要什么时,它帮你快速看到可能性。

聊天:每一轮都从当前上下文重新开始 你的描述 模型生成 你看结果 再描述一次 意图一变,描述就变;上一轮的成功无法自动复用。
闭环的每一圈都依赖“这一次的上下文”,而不是一份固定的执行说明。

02三个不可控

第二天你把同一句话再发一遍,出来的不是昨天那张脸,连构图都换了。聊天能出好图,这不假;问题在于,专业交付要的不是「这一次好」,而是「下一次还能一样好」。

聊天在这个要求上有三个结构性缺口:

01 不可复现

同一句话,换个时间、换个模型版本,结果就可能不同。聊天记录不是执行说明,无法保证第二次得到同一张图。

02 控制太粗

你只能给整体倾向:更亮、更电影感、换个姿势。构图、姿态、局部替换、文字位置,聊天很难精确指定。

03 上下文漂移

对话越长,早期约束越容易被稀释。你说过“不要暖色”,几轮之后它可能已经忘了。

一句话判断

如果任务只需要“给我一个方向”,聊天够用;如果任务要求“按同一标准再做十张、并且能改其中一处”,聊天就不够了。

03工作流:把一次对话拆成可执行的图

昨天那张满意的图,如果当时把每一步都写下来,今天就能重跑一遍。工作流就是这份记录的可执行版本——不是一段更长的提示词,而是一张图。

工作流(workflow)在 ComfyUI 里的含义,是把模型、提示词、采样、解码等步骤连成一张有向无环图(DAG,directed acyclic graph):每个方框是一个节点(node,一道工序),每条线表示数据从哪流向哪(一份交接单)。它不描述“我想要什么感觉”,而是描述“先做什么、再把结果交给谁”。

工作流:节点与连线固定下来,参数可复用 Checkpoint 正向提示词 负面提示词 KSampler 采样 20 步 VAE Decode 输出图像 改一个节点,其他节点不变;整张图可以保存、复用、版本化。
这张图只是最小示例。真实工作流会加入 LoRA、ControlNet、遮罩、放大等节点,但读法相同:看数据往哪流。
先记一句:图里的 Checkpoint(整套模型文件)、KSampler(采样器)、VAE Decode(解码)、LoRA(补丁)、ControlNet(按图约束)、遮罩(mask,指定只改哪一块),B 层与 D 层会逐个讲透。这里你只要认得出「它们是工序」,不必现在会接。

工作流把“这一次的成功”变成“下一次可执行的说明”。你改的不是一句模糊的描述,而是某一个节点上的一个参数;你能看见中间结果,也能定位是哪一步出了问题。

04工作流多出来的四样东西

工作流不是把聊天记录抄一遍。它比聊天多出四样东西,缺一样,就不算可交付的资产。

节点

每个节点只做一件事:加载模型、编码提示词、采样、解码、放大。职责清楚,才好替换与排错。

连线

连线规定数据流向。它让“先做什么、后做什么”变成结构,而不是靠自然语言里的顺序词。

参数

步数、cfg、采样器、分辨率、降噪强度。参数在节点上可见、可改、可对比,不藏在对话里。

种子

seed(随机种子)决定噪声的起点。固定 seed、模型与参数,才能近似复现同一张图。

这四样东西合起来,才构成一份可归档的交付资产:工作流文件 + 模型清单 + 参数 + 输出。聊天记录不是这种资产,它缺少可执行的中间结构。

05代价也要说清

工作流不是免费的。它在三个地方增加成本,必须提前知道:

学习成本

要理解节点、连线、模型类型与采样参数。前几小时会比聊天慢很多。

调试成本

出错时要逐个节点看输入输出。链条越长,定位越花时间。

硬件成本

本地跑模型需要显存与时间;复杂工作流对硬件更敏感。

所以它不是“更高级所以更好”,而是在需要复现、控制与批量时,成本才值得付。只为了一张随手图,聊天仍然更快。

06什么时候仍然该用聊天

成熟的做法不是“全部工作流化”,而是分工:

聊天负责
  • 还没想清楚要什么时的探索
  • 快速看风格方向与构图可能性
  • 写提示词、改文案、列方案
  • 给工作流做“需求翻译”
工作流负责
  • 已经确定的风格与交付标准
  • 需要重复、批量、保持一致的出图
  • 需要精确构图、局部修改、参考图控制
  • 需要归档、协作、版本管理的项目

更实际的混合用法是:用聊天把需求聊清楚,再把结论翻译成工作流节点。聊天负责“想”,工作流负责“出”。

07路线图:你现在在哪,下一步去哪

你在这里 A · 通识 心智模型 B · ComfyUI 节点与工作流 C · 单品课 完整工作流 D · 体系 交付与协作 A06 是 A 层最后一课;下一站从课程地图的 L0-01 开始。
先建立判断力,再学工具;工具会变,判断力不会。

08速查表:聊天与工作流

维度聊天工作流
可复现性低,依赖当次上下文高,固定模型、参数与种子
控制粒度整体倾向节点级,可精确到某一步
修改方式重新描述一遍改一个节点或参数
批量生产手动逐次队列与批处理
排错靠猜与重试看节点输入输出与中间结果
学习成本低高
交付物图片与对话记录工作流文件 + 模型清单 + 输出
适合阶段探索、初稿、需求梳理交付、系列、协作、归档

09常见误解

  1. “工作流就是更高级的提示词。”

    提示词是文本条件;工作流是执行图。前者描述“想要什么”,后者规定“先做什么、结果交给谁”。

  2. “用了工作流就一定专业。”

    结构只保证可执行、可复现,不保证好看。模型、素材、审美与验收标准仍然决定上限。

  3. “工作流是固定的,不能改。”

    节点图就是用来改的。换模型、改提示词、加控制图、换采样器,都是局部修改,不影响其他节点。

  4. “聊天已经能出图,何必学 ComfyUI。”

    一次性出图和可交付是两种需求。前者要快,后者要稳定、可改、可批量、可归档。

  5. “ComfyUI 只是给技术宅玩的。”

    它解决的是复现与控制问题。只要你的工作涉及系列图、客户改稿、多人协作,就会遇到这些问题。

  6. “节点越多,工作流越强。”

    复杂度要对应需求。多余的节点会增加显存、时间与排错成本,还会引入新的失败点。

  7. “固定种子就能得到完全一样的图。”

    还依赖模型版本、采样器、精度、硬件与依赖版本。固定种子是复现的必要条件,不是充分条件。

  8. “学工作流要先学编程。”

    先学数据流与节点语义:谁输出什么、谁接收什么。写自定义节点才需要编程,不是入门前提。

10自检清单

下一站 · L0 开篇

现在,去看 ComfyUI 到底是什么

你已经有了判断力:知道模型在做什么、提示词该怎么写、哪些活不该交、什么时候该从对话切换到编排。接下来不需要更多“AI 通识”,需要的是动手把一张图跑出来。

B 层的第一课会从“ComfyUI 是什么、一张图由哪些节点组成”开始,不要求编程基础,也不要求先买新电脑。

打开课程地图中的 L0-01

L0 课现已创建;这里保留课程地图锚点,方便对照整条学习路线。也可以直接打开 L0-01。

11本课术语台账

本课是 A 层收束,只把「工作流」的结构讲透;图里出现的模型与节点名,进入 B 层后逐个展开。全课总索引见 A07 · 术语对照表。

术语本课状态在哪里讲透
工作流(ComfyUI 语义)讲透本课 03–04 节
节点 / 连线 / DAG讲透本课 03–04 节;L0-01 再动手
参数 / 种子(seed)讲透(作用)本课 04 节;数值在 L1-02、L1-03
不可复现 / 上下文漂移讲透本课 02 节
Checkpoint / KSampler / VAE Decode只提一句L0-01、L1-01、L1-02
LoRA / ControlNet / mask只提一句L2-01、L1-04、L3-05