ComfyUI漫剧工作流详解：从角色一致到批量出图的AI动画生产线

做漫剧最头疼的是什么？不是剧情灵感，也不是分镜创意，而是当你终于画出第一张主角定妆照之后，第二张、第三张、第十张里的主角全都“换了个人”。头发颜色变了，眼睛大小变了，连衣服细节都在前后摇摆。如果你只用网页版生图工具一张一张手动调试，整个漫剧项目会卡在“角色一致性”和“批量出图”这两个环节上，很难推进到成片阶段。

ComfyUI 漫剧工作流解决的正是这个问题。它把“模型加载 → 提示词解析 → 图像生成 → 细节控制 → 批量输出 → 视频合成”整个过程拆成可视化节点，只要把节点连好一次，就能反复复用到不同分镜、不同场景、不同角色设定上。本文会从零开始，完整拆解 ComfyUI 漫剧工作流的环境安装、节点概念、角色一致性方案、分镜批量生成、动态视频输出和常见报错处理，适合刚接触 ComfyUI 的新手，也适合已经能出图但想系统搭建漫剧生产流程的进阶玩家。

1. 背景：ComfyUI 漫剧工作流解决什么问题

1.1 漫剧到底是什么

漫剧可以理解为“动态漫画”或“有声漫画”。它本质上是由一批静态漫画分镜图组成的短剧，画面带有轻微运镜、缩放、人物动态，再配上配音、音乐、字幕和转场，最终形成一集类似动画短视频的内容。

漫剧的制作流程通常包括：剧本写作、分镜脚本、角色设定、场景设定、单张画面生成、批量修改、动态化处理、剪辑配音。传统生产模式下，角色设定和分镜画面由画师手工绘制，成本高、周期长。AI 辅助漫剧制作则把重心转移到了“提示词设计”和“工作流管理”上。

ComfyUI 在漫剧生产中的定位不是“取代画师”，而是把“绘制大量风格统一图片”这件事变成流程化操作。你需要做的，是先把角色描述、模型选择、画面尺寸、ControlNet 控制条件整理成一套可复用流程，再交给 ComfyUI 批量执行。

1.2 为什么选择 ComfyUI 而不是传统绘图工具

很多刚开始做漫剧的人会先接触传统绘图软件或网页版 AI 生图工具。这类工具上手快，但存在几个明显问题：

• 单张生成效率低，不容易批量处理分镜。
• 图片风格和角色特征很难保持统一，重新生成一张往往要重新调参数。
• 工作流无法沉淀，今天调试好的参数明天又要重新试。
• 后期如果要接 ControlNet、LoRA、视频生成，网页版很难满足复杂需求。

ComfyUI 使用了基于节点的可视化编辑方式。你可以把整个漫剧制作流程拆成一个个功能单元，例如“加载大模型”“输入提示词”“设置采样参数”“使用 ControlNet 控制姿势”“保存图片”，然后用连线把单元串起来。这样有几个明显好处：

1. 流程可视化：出了错误可以快速定位到具体节点。
2. 参数可复用：一套漫剧工作流保存成 JSON 文件后，可以直接分享或反复加载。
3. 扩展性极强：ComfyUI 有大量自定义节点，ControlNet、LoRA、AnimateDiff、视频生成模型等都能通过插件接入。

换句话说，ComfyUI 漫剧工作流不只是“画图工具”，而是一个完整的“漫剧生产流水线”。

1.3 漫剧工作流的核心链路

一条完整漫剧工作流通常包含以下链路：

1. 加载基础模型（Checkpoint）。
2. 按场景加载 LoRA 或其他增强模型。
3. 输入正向提示词与反向提示词。
4. 设定图片尺寸、采样步数、CFG 数值和种子值。
5. 必要时通过图生图或 ControlNet 控制角色姿势、构图、景别。
6. 批量生成同一角色的多个分镜画面。
7. 通过视频生成节点或帧序列方式把静态图变成动态画面。
8. 导出视频片段，进入剪辑合成。

这篇文章后面所有章节，都会围绕这条链路展开。

2. 环境准备：搭建你的 ComfyUI

2.1 硬件要求

ComfyUI 对硬件要求主要集中在大模型推理阶段。做一个判断：如果你电脑能流畅运行 Stable Diffusion WebUI，那么运行 ComfyUI 基本不会有问题；如果连 WebUI 都跑不动，就需要考虑云 GPU 方案。

建议硬件配置如下：

如果你的显卡显存只有 4GB 或 6GB，也可以运行漫剧工作流，但建议使用更小的模型、更低分辨率，并且尽量不要同时开多个大型节点。视频生成对显存占用更高，6GB 显存跑视频生成会非常吃力，建议优先使用云端方案。

2.2 三种安装方式对比

ComfyUI 的安装方式主要有三种：整合包、手动安装、Docker 容器。

对大多数漫剧制作者来说，第一选择是下整合包，尤其是“秋叶一键整合包”这类在社区里很流行的版本。整合包通常会把 ComfyUI 主程序、Python 运行环境、常用自定义节点、启动脚本打包好，解压后直接运行启动脚本就能打开浏览器界面。

这里要提醒一句：整合包版本更新很快，你从网上下载到的版本名称和界面布局可能和我这篇文章里描述的不完全一样。遇到界面差异时，优先参考整合包发布者提供的说明。

2.3 整合包安装与启动

使用整合包的流程很简单：

1. 从发布者主页下载整合包压缩文件。
2. 将压缩包解压到磁盘空间充足的目录，路径不要包含中文和空格。
3. 进入解压后的目录，找到启动脚本。
4. 双击启动脚本等待服务启动，浏览器会自动打开 ComfyUI 页面。

常见的启动脚本名称包括run_nvidia_gpu.bat、启动器.exe、A启动器.exe等。不同整合包名称不同，以实际压缩包内文件为准。

启动成功后，浏览器地址栏通常访问的是：

http://127.0.0.1:8188

如果 8188 端口被占用，ComfyUI 会自动切换端口，或者你可以在启动参数中手动指定端口。

2.4 手动安装参考

如果你不想用整合包，也可以手动安装 ComfyUI。这里给出一套通用安装步骤，版本细节以官方 GitHub 仓库说明为准。

先准备 Python 环境，建议使用 Python 3.10 或 3.11 版本，并创建独立虚拟环境，避免和其他项目冲突：

# 创建虚拟环境 conda create -n comfyui python=3.11 # 激活虚拟环境 conda activate comfyui # 克隆 ComfyUI 主项目 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 安装依赖 pip install -r requirements.txt

安装依赖时，PyTorch 版本需要根据你的显卡驱动和 CUDA 版本选择，不建议盲目安装最新版。如果你用的是 NVIDIA 显卡，通常在整合包环境中已经配置好对应版本；手动安装时，请先确认nvidia-smi输出的 CUDA 版本，再选择匹配的 PyTorch 安装命令。

依赖安装完成后，启动服务：

python main.py --listen 0.0.0.0 --port 8188

这里--listen 0.0.0.0表示允许局域网内其他设备访问，如果你只在本机使用，可以去掉这个参数，直接运行：

python main.py

服务启动后，在浏览器中打开http://127.0.0.1:8188即可。

2.5 验证环境

不管用哪种方式安装，第一次进入 ComfyUI 界面后，建议做三件事：

1. 在默认示例工作流上点击“运行”，确认能生成一张测试图。
2. 查看底部日志，确认模型加载正常、没有报错。
3. 安装 ComfyUI Manager，这是管理和安装自定义节点的关键工具。

ComfyUI Manager 在后期排查“缺失节点”问题时非常有用。手动安装方式可以这样安装：

cd ComfyUI/custom_nodes git clone https://github.com/ComfyUI-Manager/ComfyUI-Manager.git cd ComfyUI-Manager pip install -r requirements.txt

安装完成后重启 ComfyUI，浏览器页面右侧或顶部会出现 Manager 入口。通过它可以查看自定义节点列表、一键安装、一键更新、检查缺失节点。

3. ComfyUI 核心概念：节点、连线与图像生成链路

3.1 节点与连线

ComfyUI 的界面由一张无限画布和若干个节点组成。每个节点负责一个功能，比如：

节点与节点之间通过连线传递数据。例如，Load Checkpoint节点会输出MODEL、CLIP、VAE三种类型的数据，分别连接给采样器、文本编码器和解码器用。

新手最常见的困惑是“不知道怎么连线”。解决办法很简单：先把别人分享的漫剧工作流 JSON 文件拖进 ComfyUI 界面，观察它的连线方式；然后在默认工作流基础上做小改动，而不是完全从零搭建。

3.2 潜空间与采样器

ComfyUI 里很多概念源自 Stable Diffusion 模型的技术原理。我们需要理解一个关键概念：潜空间。

Stable Diffusion 不会直接在原始像素级别生成图片，而是先把图片压缩到潜空间（Latent Space），在这个低维空间里执行去噪采样，最后再通过 VAE 解码器还原成正常图片。这样做能大大降低计算量。

在 ComfyUI 中，这个流程体现为：

1. Empty Latent Image或Load Image产生潜空间输入。
2. KSampler在潜空间执行采样。
3. VAE Decode把潜空间数据解码为像素图。

KSampler里有几个参数需要重点关注：

• Steps：采样步数，数值越高通常质量越好，但耗时越长。漫剧批量出图时建议先设为 20 到 30 步。
• CFG：提示词引导强度，一般 5 到 8 之间。CFG 过高会让画面失真，过低则可能偏离提示词描述。
• Sampler：采样器算法，常见的如 DPM++ 2M Karras、Euler a 等，不同算法风格和速度有差异。
• Scheduler：采样调度器，和 Sampler 搭配使用。
• Denoise：去噪强度，图生图时常用。值为 1 表示完全重新生成，值越小越接近原图。

漫剧制作中，建议固定一组常用参数，比如Steps = 25、CFG = 6、Sampler = dpmpp_2m、Scheduler = karras。固定参数能减少变量，从而提高画面一致性。

3.3 从加载模型到输出图片的完整流程

先来看一个最基础的工作流链路：

Load Checkpoint ├── MODEL → KSampler ├── CLIP → CLIP Text Encode → KSampler └── VAE → VAE Decode Empty Latent Image → KSampler → VAE Decode → Save Image

用文字描述就是：加载大模型，分别取出模型权重、CLIP 文本编码器、VAE 解码器；把提示词用 CLIP 编码；控制潜空间初始大小；采样器把随机噪声逐步去噪为潜空间特征；VAE 解码成图片；最终保存。

这套链路是后面所有漫剧工作流的“骨架”。角色一致性、ControlNet、LoRA 等进阶功能，都是在不同环节插入额外节点。

新手很容易忽略的是：CLIP Text Encode节点分为正向提示词和反向提示词两部分，一个工作流里通常有两个该节点。正向提示词写画面内容，比如角色外貌、场景、风格；反向提示词写不希望出现的内容，比如模糊、变形、多余手指、低质量等。

3.4 工作流文件的本质

ComfyUI 的工作流文件是 JSON 格式。这个 JSON 里记录了所有节点类型、参数、位置和连线关系。你可以在界面右上角菜单中导出工作流，也可以把别人分享的工作流 JSON 文件直接拖进 ComfyUI 窗口完成导入。

这里有个新手常见误区：把工作流文件当成图片丢进custom_nodes文件夹。这是不对的。工作流文件对应的是“流程图”，不是插件包。要安装的是“节点对应插件”，不是工作流本身。

4. 漫剧工作流常用节点体系

4.1 Checkpoint 模型与 LoRA

在漫剧项目中，基础模型直接决定了整体画风。有的模型偏日漫，有的偏国漫，有的偏写实。你需要根据漫剧题材选择或训练合适的 Checkpoint。

LoRA 是一种小规模权重微调模型。它体积通常只有几十到几百 MB，却能把某种特定风格、角色或物体特征“注入”到生成结果中。漫剧制作者经常使用 LoRA 做两件事：

1. 固定角色外貌，例如训练一个“男主”LoRA，出图时只要加载这个 LoRA，男主五官就会被拉回统一状态。
2. 固定整体画风，例如古风、赛博朋克、Q 版风格等。

在 ComfyUI 中，LoRA 的加载位置在Load Checkpoint和CLIP Text Encode、KSampler之间：

Load Checkpoint → LoRA Loader → MODEL → KSampler → CLIP → CLIP Text Encode

每个 LoRA 节点都有strength_model和strength_clip参数，控制 LoRA 对模型和文本编码的影响程度。刚开始调时建议值设置在 0.6 到 0.8 之间，过高会破坏画面结构，过低又看不到明显效果。

4.2 文生图、图生图与 ControlNet

漫剧制作的第一步通常是文生图，也就是通过提示词直接生成画面。但纯文生图有个问题：不同分镜里角色姿势、构图、镜头角度很难稳定控制。

这时通常需要引入图生图与 ControlNet。

图生图的逻辑是：加载一张已有图片作为参考，通过Denoise参数控制在原图基础上的改动程度。漫剧中的一个常见用法是：先用文生图得到角色基础形象，再通过图生图生成不同表情、姿势的变体。

ControlNet 更进一步，它通过额外条件控制生成过程。比如用 OpenPose 姿态图控制人物姿势，用 Canny 边缘检测控制画面轮廓，用 Depth 深度图控制空间结构。

在漫剧工作流中，ControlNet 的典型用法是：

1. 先用 3D 软件或手绘草图摆出角色姿势，导出 OpenPose 骨骼图。
2. 在 ComfyUI 中加载 ControlNet 模型。
3. 把骨骼图输入 ControlNet，让角色按照指定姿势生成画面。

操作时注意 ControlNet 有两个强度参数，通常保持默认即可，不必每次修改。如果发现姿势被过度控制导致画质下降，可以适当降低 ControlNet 的权重。

4.3 角色一致性方案

角色一致性是漫剧制作的核心难点。所谓一致性，不只是“头发颜色相同”，而是五官比例、脸型、气质、穿着细节都要稳定。

几种常见方案：

建议在项目初期马上确定主角的 LoRA 或参考图方案，而不是每张图都临时改提示词。因为一旦分镜数量到了几百张，靠手写提示词统一角色根本不现实。

4.4 批量分镜生成

漫剧一集可能有 50 到 200 个分镜，逐张点击生成效率太低。ComfyUI 本身的Save Image节点每次只会保存一张图片，但可以通过以下方式提高效率：

• 利用 Seed 种子值：固定seed可以复现同风格结果，批量变化不同种子可以生成多个候选方案。
• 编写外部脚本调用 API。
• 使用自定义节点的批处理功能，例如对图片文件夹统一处理。

在 ComfyUI 工作流中，你还可以把多个分镜的提示词放在一个外部文本文件中，通过脚本方式逐条提交，避免手动复制提示词。

4.5 动态效果与视频输出

漫剧除了静态分镜，还需要动态画面。ComfyUI 中常见的动态化方式包括：

如果你的显存允许，建议把工作流拆成“静态分镜生成”和“视频帧生成”两段来跑，避免一个超长工作流占用过多显存。视频模型对显卡要求较高，量级较大的漫剧项目优先考虑云端 GPU 环境。

实际制作中，一个简单高效的流程是：先用 ComfyUI 出高质量静态分镜图，再在剪辑软件里做运镜，配合配音和字幕。这样既保留了 ComfyUI 的优势，又避免视频生成显存不足的问题。

5. 完整实战：搭建一条漫剧分镜工作流

下面进入完整实战。我们会从分镜脚本开始，一步一步搭建一条可运行的漫剧分镜工作流。

5.1 先写分镜脚本

漫剧工作流不是随便生成几张好看图就行了，而是需要按剧情生成连续画面。所以在打开 ComfyUI 之前，请先准备好分镜脚本。

一个分镜脚本条目至少包含以下字段：

• 场号：例如 S01、S02。
• 镜头描述：人物在做什么动作。
• 景别：特写、近景、中景、全景。
• 人物表：这个镜头里有哪个角色。
• 情绪：角色的表情和状态。
• 参考构图：是否需要特定姿势或镜头角度。

例如：

S01｜主角登场｜全景｜夜幕下的城市天台｜男主背对镜头看远方｜冷色氛围 S02｜男主转头｜近景｜男主正面看向镜头｜眼神坚定｜背景虚化 S03｜女主出现｜中景｜女主从楼梯口走来｜惊讶表情｜暖色灯光

有了这个表格，后面写提示词就不容易乱。

5.2 第一步：搭建角色设定节点

在新画布中依次添加以下节点：

1. Load Checkpoint：加载漫剧风格的基础模型。
2. LoRA Loader：如已训练角色 LoRA，则加载主角 LoRA。
3. CLIP Text Encode：输入角色固定描述词。

角色固定描述词示例：

white hair, red eyes, black long coat, young man, detailed face, clean lineart, anime style, upper body, serious expression

这个描述词会作为正向提示词的一部分，覆盖到后续所有分镜生成中。

同时建议建立一套自己的角色描述模板。例如：

[角色名]: [外貌特征], [服装特征], [风格特征], [镜头特征]

角色名字不建议写中文名称，因为大部分模型训练语料都是英文，英文描述通常更稳定。

5.3 第二步：搭建背景与镜头生成节点

复制一个新的CLIP Text Encode节点，用于输入当前分镜的背景和镜头描述。为了方便管理，可以把正向提示词按顺序拼接，例如：

角色描述 + 场景描述 + 镜头描述 + 画质增强词

ComfyUI 中可以通过多个CLIP Text Encode节点连到同一个KSampler吗？可以的，但更常见的做法是直接在同一个提示词文本框中用逗号拼接，或者使用Text Concatenate类自定义节点。

简化起见，建议用一段完整提示词示例：

white hair, red eyes, black long coat, young man, detailed face, clean lineart, anime style, night city rooftop, urban skyline, cinematic lighting, cold tones, full body, looking at camera, masterpiece, best quality

镜头描述部分可以随分镜变化，角色描述部分保持固定。这就是保证漫剧画面连贯的第一步。

5.4 第三步：加入 ControlNet 固定构图

如果你希望某些分镜必须使用特定姿势，可以在工作流中加入 ControlNet 节点。

工作流结构变成：

Load Checkpoint → MODEL → ControlNet Apply → KSampler Load Image → ControlNet Loader → ControlNet Apply

节点的连接思路是：

1. Load Image加载姿势参考图片。
2. ControlNet Loader加载 ControlNet 模型，例如 OpenPose 版本。
3. ControlNet Apply节点接收基础模型、条件数据和参考图片，输出处理后的模型。
4. 最终参与KSampler采样。

ControlNet 的强度不一定越高越好。如果你的角色姿势图比较粗糙，强度设太高会出现“复制参考图颜色”或“画面崩坏”的问题，建议从 0.6 到 0.8 开始调试。

5.5 第四步：导出图片与批量命名

图片生成后，Save Image节点会把图片保存到 ComfyUI 的默认输出目录。建议在 Save Image 节点中填写文件名前缀，例如：

S01_scene01

这样导出后文件名带场号，方便后期排序。批量生成时，文件名前缀可以按分镜编号命名。

为了便于检查输出结果，可以在本地 Python 环境中写一个小脚本，批量查看分镜图片的尺寸和数量：

import os from PIL import Image output_dir = "output" expected_scenes = ["S01", "S02", "S03"] for scene in expected_scenes: scene_dir = os.path.join(output_dir, scene) if not os.path.exists(scene_dir): print(f"{scene}: 目录不存在") continue images = sorted([f for f in os.listdir(scene_dir) if f.endswith((".png", ".jpg"))]) print(f"{scene}: {len(images)} 张图") for img_name in images: img = Image.open(os.path.join(scene_dir, img_name)) print(f" {img_name}: {img.size[0]}x{img.size[1]}")

这段脚本用来确认输出是否齐全，也可以帮助你提前发现尺寸不统一的问题。

5.6 第五步：接入视频生成

静态分镜图批量完成后，如果显存和模型支持，可以在 ComfyUI 中继续搭建视频生成工作流；如果环境不允许，也可以先把图导到剪辑软件里做动态化。

在 ComfyUI 中做动态化的一种常见思路是：把静态图作为第一帧，接视频生成模型，生成几秒短视频片段。例如图生视频类模型的工作流大致是：

Load Image → 图生视频模型 → Frame Sequence → VAE Decode → 视频保存节点

视频模型版本多、更新快，具体节点名称请以你安装的插件为准。如果你的显卡跑不动，可以用以下 ffmpeg 命令，把静态图批量合成为视频：

ffmpeg -framerate 24 -i frame_%05d.png -c:v libx264 -pix_fmt yuv420p output.mp4

这条命令的意思是：按 24 帧每秒读取frame_00001.png、frame_00002.png…… 并编码为 H.264 视频。如果图片命名不是这种规律，请先批量重命名。

5.7 运行验证

搭建完成后，从第一节点开始点击，或者直接点击页面上的 “Run” 按钮执行整个工作流。

运行过程中观察两个地方：

1. 日志输出：看是否报错，报错时会告诉你具体是哪个节点出了问题。
2. 图片预览：看生成结果是否接近分镜描述。

第一次跑通后，不要急着改参数。先把工作流导出保存为 JSON 文件，之后再尝试调整提示词、Seed、ControlNet 强度。记住一个原则：每次只改一个变量，否则出了问题很难定位。

6. 常见报错与缺失节点处理

下面这些问题是我在多年漫剧工作流实践中被问得最多的问题，按频率做了整理。

6.1 导入工作流提示“请安装缺失的包以使用此工作流”

这个提示几乎每个人都遇到过。出现原因是：对方分享的漫剧工作流使用了某个自定义节点，但当前 ComfyUI 环境还没有安装对应插件。

解决办法通常有两条。

第一条，使用 ComfyUI Manager 自动安装：打开 Manager，在界面中查看“缺失节点”列表，点击安装即可。安装后重启 ComfyUI。

第二条，手动安装：根据报错提示定位到缺失的节点仓库，进入custom_nodes目录，执行以下操作：

cd ComfyUI/custom_nodes git clone <节点仓库地址> cd <节点目录> pip install -r requirements.txt

注意几点：安装完必须重启 ComfyUI；部分节点依赖额外的 Python 包，需要在节点目录内安装；安装失败时优先查看日志中的具体报错。

6.2 节点执行过程中发生错误

这种报错一般会以类似下面的日志出现：

node: KSampler error: ...

看到这种信息不要慌张。它只是告诉你“某个节点在执行时报错了”，根因可能是上一步输入的数据类型不对，也可能是模型文件缺失。

排查步骤建议如下：

1. 看日志中node字段指向哪个节点。
2. 检查该节点的输入连线是否完整，比如KSampler是否接收到了MODEL、CLIP、VAE、Latent。
3. 检查用到的模型文件是否已经下载并放到正确目录。
4. 降低分辨率或减少批次大小，排除显存不足导致的错误。
5. 如果某条连线是红色的，说明数据类型不匹配。

6.3 显存不足

常见表现是生成时报 CUDA Out of Memory，或者系统冻结。

解决方向包括：

• 降低图像分辨率，例如从 1024x1024 降到 768x768。
• 减小 batch size，一次只生成 1 张图。
• 使用低显存占用模型，例如轻量 LoRA 或者量化版本模型。
• 关闭其他占显存程序，浏览器标签页太多也可能影响显卡内存。
• 使用--lowvram或--novram启动参数，让模型分批次加载。

例如：

python main.py --lowvram

--lowvram表示低显存模式，ComfyUI 会在需要时才把模块加载到显卡，减少显存峰值，但速度会变慢。

6.4 ControlNet 模型加载失败

ControlNet 节点在加载模型时提示文件不存在，通常是因为模型文件放错目录。ComfyUI 中模型文件有固定目录结构：

ComfyUI/models/ ├── checkpoints/ # 大模型 ├── loras/ # LoRA 模型 ├── controlnet/ # ControlNet 模型 ├── vae/ # VAE 模型 └── unet/ # 其他扩散模型

ControlNet 模型应按controlnet目录存放，文件名要和工作流中的节点配置一致。如果你下载的是其他格式或版本，需要按实际的节点需求调整。

6.5 视频合成失败

视频合成失败的原因比较多。如果是 ffmpeg 报错，优先检查输入图片命名和路径；如果是 ComfyUI 视频节点报错，通常是模型版本或显存问题。

这里提供一个简单的检查清单：

6.6 排查清单

遇到任何报错，都可以按下列顺序排查：

1. 日志定位：明确报错发生在哪个节点。
2. 环境检查：确认所有自定义节点已安装。
3. 模型检查：确认所有模型文件已下载且路径正确。
4. 参数检查：确认采样器、CFG、分辨率参数合理。
5. 资源检查：确认显存、硬盘、内存充足。
6. 最小化复现：在一个全新工作流中只保留报错相关节点，再测试。

7. 漫剧生产效率优化

漫剧项目一旦开始正式制作，出图量会非常大。这里分享几个提升效率的工程化思路。

7.1 把工作流拆成组件

不建议把所有功能堆在一条超长工作流里，因为一但某个节点报错，整条链路都会停。

建议拆分成几条独立工作流：

• 角色设定工作流：专门生成和验证角色定妆图。
• 分镜生成工作流：输入角色描述和分镜内容，批量出图。
• 放大修复工作流：对选中的分镜图做超分和细节修复。
• 视频生成工作流：把选中的静态图转为动态片段。

拆分后，每个工作流的职责清晰，调试成本更低。

7.2 批处理

ComfyUI 的节点本身支持批次处理，但批次太大会增加显存压力。更稳妥的方式是脚本批处理。

例如，你可以维护一个 CSV 文件，每行记录一个分镜的提示词、场景、姿势参考图路径，然后写脚本遍历 CSV 内容并提交给 ComfyUI API。这样即使有 200 个分镜，也不需要手动复制粘贴提示词。

7.3 提示词与参数管理

漫剧项目里，提示词是最容易被忽视的资产。建议把常用提示词做成模板文件，例如：

common_positive.txt # 公共正向提示词，包含画质增强词 common_negative.txt # 公共反向提示词 character_01.txt # 主角1的角色描述 scene_descriptions.txt # 分镜场景描述

生成分镜时，把“公共正向提示词 + 角色描述 + 场景描述”拼接起来使用，而不是每次重新写一大段内容。这样既能保证一致性，也方便统一调整画风。

7.4 版本管理

工作流文件最好纳入版本管理。

建议在本地为每个漫剧项目建立目录：

project_xxx/ ├── workflows/ # 工作流 JSON 文件 ├── prompts/ # 提示词模板 ├── loras/ # 定制 LoRA ├── output/ # 生成结果 │ ├── S01/ │ ├── S02/ │ └── S03/ └── notes/ # 分镜脚本与修改记录

工作流文件命名可以参考形态，例如：

20260101_character_workflow_v1.json 20260105_scene_workflow_v2.json

每次修改工作流后，都保存一个新版本，避免把调好的参数覆盖掉。

7.5 云端 GPU 方案

如果你的本地显卡跑不动视频生成，或者需要大批量出图，可以考虑云 GPU 方案。常见选择包括云服务器租用、ComfyUI 云实例平台等。

使用云 GPU 时注意三点：

1. 数据上传下载速度影响大，建议在本地先准备好模型和提示词，再传到云端。
2. 云端环境插件版本可能和本地不一致，尽量使用相同工作流文件和依赖列表。
3. 建议定时保存工作流结果，防止实例释放导致数据丢失。

8. 七天学习路线建议

最后给出一个从零基础入门 ComfyUI 漫剧工作流的七天学习节奏，按照这个节奏走，七天可以完成第一个完整漫剧小样片。

8.1 第 1-2 天：环境搭建与第一张图

目标：成功启动 ComfyUI，并能用默认工作流生成第一张图。

做法：

• 下载安装整合包或手动安装。
• 学会加载模型和提示词。
• 在默认工作流基础上改提示词，生成不同主题图片。
• 学会导入和保存工作流 JSON 文件。

这个阶段不需要理解所有节点，重点是跑通链路。

8.2 第 3 天：理解核心节点

目标：能读懂一条基础文生图工作流里每个节点的作用。

做法：

• 观察Load Checkpoint、CLIP Text Encode、KSampler、VAE Decode、Save Image的连线关系。
• 尝试调整 Steps、CFG、Seed，观察图片变化。
• 保存 3 组不同参数下生成的结果，并记录差异。

8.3 第 4 天：角色统一与 ControlNet

目标：掌握角色一致性的基础操作。

做法：

• 选定一个角色，固定角色提示词。
• 尝试图生图方式生成多个表情变体。
• 找一张姿势参考图，接入 ControlNet，生成不同姿势。
• 对比有 ControlNet 和没有 ControlNet 的差异。

8.4 第 5 天：批量分镜生成

目标：能按分镜脚本批量出图。

做法：

• 写一个包含 10 个分镜的脚本。
• 为每个分镜整理提示词。
• 在 ComfyUI 中逐条生成，并按时保存。
• 使用脚本检查输出图片数量和命名是否规范。

8.5 第 6 天：动态化与视频

目标：能把静态分镜变成动态片段。

做法：

• 尝试在 ComfyUI 中接入视频生成节点。
• 如果本地显存不足，就用 ffmpeg 把一组静态图合成视频。
• 制作 3 个不同运镜方式的短片段。

8.6 第 7 天：整合成片

目标：把 7 天内容串成一个漫剧小样。

做法：

• 选一个 30 秒以内的碎片化剧情。
• 产出所有分镜图。
• 做动态化处理。
• 在剪辑软件中加入字幕、配音和配乐，导出样片。

最终你可以用这条工作流复盘整个制作过程，找出效率最低的环节，然后针对性优化。

漫剧工作流的本质是把创意变成可量化、可复制的生产流程。ComfyUI 真正强大的地方，恰恰在于它把“生成稳定风格图像”这一过程从靠运气变成了靠流程。只要前期把模型、提示词、ControlNet、LoRA 这些环节梳理清楚，后续哪怕做到几百个分镜，也能保持角色不崩、效率不拖、流程不乱。如果你正打算启动一部漫剧，建议从今天的第一张角色定妆图开始，用它把你整条工作流真正串起来。