ComfyUI

核心用法

ComfyUI Runner 允许用户在本地 ComfyUI 服务器（默认 127.0.0.1:8188）上运行基于节点的工作流。使用前需确保 ComfyUI 已安装并启动。运行流程为：读取工作流 JSON（默认或用户自定义）→ 识别并编辑提示词节点（如 CLIPTextEncode、PrimitiveStringMultiline）→ 可选设置风格前缀和随机种子 → 保存临时文件 → 调用 comfyui_run.py 执行。

支持模型权重下载：用户可提供 URL 列表，脚本自动推断子文件夹（checkpoints/loras/vae 等），使用 pget 并行下载或内置回退方案，文件存入 ~/ComfyUI/models/。

显著优点

• 完全本地化：数据不出本机，隐私可控
• 高度灵活：支持任意 ComfyUI 工作流，可深度定制节点参数
• 自动化模型管理：智能识别模型类型并分类存放，支持批量下载
• 工作流可编辑：每次运行前可动态修改提示词、种子、风格等

潜在局限

• 环境依赖重：需自行安装 ComfyUI、Python 虚拟环境、模型权重，首次配置复杂
• 无内置 UI：纯命令行/API 交互，需用户理解 ComfyUI 节点结构
• 服务器维护成本：需手动启停服务，错误时需排查连接问题
• 资源消耗大：本地 GPU/CPU 推理，对硬件要求较高

适合人群

• 已熟悉 ComfyUI 节点工作流的技术用户
• 注重数据隐私、不愿使用云端生图服务的创作者
• 需要批量运行自定义工作流或集成到自动化管道的开发者

常规风险

• 路径与权限：~/ComfyUI 路径假设可能在部分系统上不适用；需确保 venv 权限正确
• 模型来源安全：从第三方 URL 下载的权重文件可能含恶意代码，建议校验来源可信度
• 服务可用性：ComfyUI 进程崩溃或未启动时 API 调用失败，需人工介入恢复
• 输出管理：生成文件累积在 output/ 目录，长期运行需磁盘空间监控

核心用法

ComfyUI Runner 是一个本地 AI 图像生成技能，通过调用本地 ComfyUI 服务器的 HTTP API（默认 127.0.0.1:8188）执行工作流。用户可生成图像、运行自定义 JSON 工作流或批量下载模型权重。

主要功能：
1. 工作流执行 — 解析并编辑工作流 JSON，自动识别提示词节点（如 CLIPTextEncode、PrimitiveStringMultiline）和采样器节点（如 KSampler），支持动态注入用户描述、风格和随机种子，然后将修改后的工作流提交到本地 ComfyUI 队列并轮询结果。
2. 模型管理 — 从用户提供的 URL 列表并行下载模型权重，自动识别子文件夹（checkpoints、loras、vae 等），支持 pget 加速和纯 Python 回退，默认跳过已存在文件。
3. 服务管理 — 自动检测 ComfyUI 安装状态，支持一键安装、启动服务器，使用 ~/ComfyUI/venv/bin/python 确保环境隔离。

显著优点：

• 零第三方依赖：仅使用 Python 标准库（urllib、subprocess、tempfile），彻底规避供应链攻击风险
• 来源可信：T2 级别认证（ClawHub 可信组织发布），代码结构清晰，无混淆或隐藏功能
• 安全传输：外部请求强制 HTTPS，本地通信无敏感数据外泄
• 灵活可控：用户完全控制模型来源（URL 白名单），支持禁用外部工具（--no-pget）
• 自动化程度高：智能节点识别、子文件夹推断、自动重试回退机制

潜在缺点/局限性：

• 环境依赖重：必须预先安装 ComfyUI 并配置 Python 虚拟环境，模型文件体积庞大（数 GB），首次 setup 成本高
• 本地资源消耗：图像生成依赖本地 GPU，无显卡或显存不足时无法运行
• 工作格式敏感：需理解 ComfyUI 的节点式 API 格式，自定义工作流调试门槛较高
• 无完整性校验：自动下载的 pget 二进制暂无 SHA256 校验（低风险）
• 下载可靠性待提升：urllib 单连接无重试，弱网环境可能失败

适合人群：

• 已搭建 ComfyUI 环境的 Stable Diffusion 进阶用户
• 需要批量自动化生成图像的创作者或开发者
• 注重隐私、不愿上传图像到云端 API 的本地优先用户
• 具备一定 JSON/节点编辑基础的技术用户

常规风险：

• 外部工具执行：调用 pget 进行并行下载，虽来源可信（Replicate 官方）且可禁用，仍属 subprocess 调用
• 远程二进制下载：自动下载 pget 到 ~/.local/bin/ 并设置可执行权限，建议不信任环境使用 --no-pget
• 用户输入信任：模型 URL 完全由用户指定，需自行确保来源安全
• GDPR 合规：不收集敏感数据，但需注意生成图像的本地存储管理