A06 · 交棒
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。
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。
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。
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:
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。
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。
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。
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。
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。
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。
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。
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。
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。
工作流不是免费的。它在三个地方增加成本,必须提前知道:
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。
出错时要逐个节点看输入输出。链条越长,定位越花时间。
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。
成熟的做法不是“全部工作流化”,而是分工:
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”。
| 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 |
“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”。
“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。
“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。
“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。
“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。
“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。
“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。
“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。
下一站 · L0 开篇
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 L0-01L0 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。
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 |