OpenClaw ComfyUI

技能概述

ComfyUI-OpenClaw Skill 是一款专为高效调用 ComfyUI API 而设计的自动化工具，核心优势在于Token 资源优化与模板化工作流管理。该技能通过预定义的 JSON 工作流模板，避免了在对话中传输冗长的节点配置数据，显著降低上下文窗口负担。

核心用法

技能采用 CLI 调用模式，通过 python3 skills/comfyui/comfy_client.py 执行，支持两种主要功能：

1. 图像生成（gen_z 模板）：基于文本提示创建新图像，默认输出 720x1280 竖版
2. 图像编辑（qwen_edit 模板）：支持输入图像路径进行智能编辑，具备自动上传能力

用户仅需提供 template_id、文本提示及可选参数（图像路径/方向），无需接触底层 JSON 结构。

显著优点

• Token 效率极高：通过模板 ID 替代完整工作流 JSON，减少 90% 以上的提示词冗余
• 路径级资源管理：本地相对路径引用替代 Base64 编码，避免大体积数据传输
• 直接交付机制：图像输出直达 Telegram 或本地 Mac 显示，不占用 LLM 上下文
• 可扩展架构：新增工作流仅需放置 JSON 文件并更新映射表，无需修改核心逻辑

潜在局限

• 本地部署依赖：需预先配置 ComfyUI 服务（192.168.1.38:8190），网络可达性影响稳定性
• 模板维护成本：工作流更新需手动同步 WORKFLOW_MAP 配置
• 调试透明度低：节点级错误需查看 ComfyUI 服务端日志，CLI 层错误信息有限
• 平台锁定：当前优化策略深度绑定特定目录结构（skills/comfyui/ 等）

适合人群

• 需要高频、批量图像生成的内容创作者
• 受限于 LLM 上下文长度限制的复杂工作流场景
• 已具备本地 ComfyUI 环境的 Stable Diffusion 进阶用户
• 重视 API 调用成本优化的自动化工作流设计者

常规风险

• 路径穿越风险：输入图像路径未显示经过严格校验，可能存在目录遍历隐患
• 服务端暴露：硬编码内网 IP 若配置不当，存在未授权访问 ComfyUI 接口的风险
• 依赖管理：Python 环境与 comfy_client.py 的第三方库版本需持续维护
• 无内置重试机制：网络抖动可能导致单次调用失败，需上层逻辑兜底

核心用法

ComfyUI-OpenClaw 是一个专为 ComfyUI 图像生成服务设计的客户端控制工具，采用 Template Mapping 架构 实现极致的 Token 效率。用户无需在对话中传输冗长的 JSON Workflow，仅需通过简短的 template_id（如 gen_z、qwen_edit）即可触发复杂的图像生成或编辑任务。

调用方式：

python3 skills/comfyui/comfy_client.py <template_id> "<prompt>" [input_image_path] [orientation]

• template_id: 预注册的工作流标识（gen_z 用于文生图，qwen_edit 用于图生图编辑）
• orientation: 画幅控制，portrait (720×1280) 或 landscape (1280×720)

Token 优化策略：

• No JSON in Prompt: 完全隐藏 Workflow 结构，通过模板 ID 映射
• Path-Based Messaging: 使用本地相对路径引用图像，避免 Base64 编码膨胀
• Direct Delivery: 输出直送 Telegram 或本地预览，不占用 LLM Context Window

显著优点

1. 极致 Token 效率: 相比直接传输 ComfyUI JSON (通常 5K-20K tokens)，模板化调用仅需数十 tokens
2. 可扩展架构: 新增 Workflow 只需放置 JSON 文件并更新 WORKFLOW_MAP 字典
3. 本地化优先: 纯局域网通信，无云端依赖，数据不出本地
4. Auto-Asset Management: 自动处理图像上传和路径解析
5. 简洁依赖: 仅需 requests 单库，零复杂依赖树

潜在缺点与局限性

• 硬编码配置: 服务器地址 192.168.1.38:8190 写死在代码中，迁移需改源码
• HTTP 明文传输: 局域网内使用 HTTP 而非 HTTPS，存在理论中间人风险
• 有限输入验证: 图像文件类型未严格校验（仅检查存在性）
• ComfyUI 依赖: 必须预先部署 ComfyUI 服务，无法独立运行
• 模板预热成本: 首次配置新 Workflow 需理解节点注入逻辑

适合人群

• 本地 AI 绘画重度用户: 已部署 ComfyUI 且追求高效工作流调用
• Token 敏感场景: 使用 Claude 等按 token 计费模型的专业用户
• 隐私优先用户: 拒绝将图像数据上传至第三方 API
• 技术爱好者: 愿意维护本地 ComfyUI 节点和工作流配置

常规风险

• 服务可用性: 依赖本地 ComfyUI 实例，服务宕机则 Skill 失效
• 网络配置: 需确保 Skill 运行环境与 ComfyUI 网络互通
• 工作流兼容性: 升级 ComfyUI 版本可能导致旧模板 JSON 失效
• 资源消耗: 图像生成消耗本地 GPU 资源，需合理控制并发