如果你第一次接触 ComfyUI大概率会经历这样的过程从网上下载一个看起来很专业的工作流 JSON拖进界面后满屏报错想用文生图跑一张图却发现节点之间根本没连对终于跑通了想换到另一台电脑上继续用又卡在局域网访问上。这一连串问题的根因其实不是 ComfyUI 太复杂而是我们把太多精力花在了手工作业上。现在Codex 这类编程智能体正在改变这个现状。它的重点不是替你画图而是把“工作流设计”变成可生成、可校验、可复用的代码工件。以 Workbuddy 为代表的智能体工作台把这种能力封装成更友好的入口你输入一句话需求Codex 在后台读取 ComfyUI 工作流规范、生成 JSON、检查节点连接关系最后输出一个可以直接导入的文件。这篇文章围绕两件事展开Workbuddy Codex 智能体一句话生成 ComfyUI 工作流以及 ComfyUI 局域网连接配置。前者解决怎么把想法变成可执行的工作流后者解决怎么把工作流变成多人可访问的服务。读完你可以得到一套完整可复用的链路自然语言 - 工作流 JSON - ComfyUI API 提交 - 局域网访问。1. 手写 ComfyUI 工作流到底难在哪里很多人以为 ComfyUI 难在绘图参数比如采样器、CFG、调度器。实际用过一段时间后你会发现真正的难点在于工作流本身的结构组织哪些节点先执行哪些数据要传给下一个节点模型从哪个端口输出潜空间和像素空间什么时候转换。这些信息都藏在一条条连线里用鼠标拖节点时看不出来改起来却容易漏。传统做法是从别人分享的工作流 JSON 开始拖进 ComfyUI 后逐个调整。这种方式有几个问题第一别人的工作流往往包含自定义节点你可能没装对应插件导入后一堆节点显示红色。第二你未必看得懂每条连线的含义想加一个 LoRA 或换一个采样器不知道应该连到哪里。第三工作流仅存在于 ComfyUI 界面里不好版本管理也不好自动化调用。Codex 智能体解决的是第三层问题同时部分缓解第一层和第二层问题。它把工作流当成一种结构化数据来生成你告诉它想要什么效果它会根据 ComfyUI 的节点定义把需求拆解成节点、端口、连线然后生成完整的 JSON 文件。这比人在界面上手动连线更接近系统工程。这里有一个值得注意的判断ComfyUI 工作流本质上是一张有向无环图节点是算子连线是数据流。Codex 等大模型最擅长的就是从自然语言中提取这种结构化关系。所以“一句话生成工作流”并不是玄学而是大模型对图结构生成能力的自然延伸。2. ComfyUI 工作流的核心概念与适用场景要理解智能体如何生成工作流先要理解 ComfyUI 工作流的文件结构。2.1 节点、端口与连线在 ComfyUI 中每个节点代表一个处理步骤。常见节点包括Load Checkpoint加载大模型输出 MODEL、CLIP、VAE 三个端口。CLIP Text Encode把提示词编码成 Conditioning通常用于正向和负向提示。Empty Latent Image创建空白潜空间图像指定宽高和批次大小。KSampler核心采样器通过调整步数、CFG、采样器和调度器控制生成质量。VAE Decode把潜空间数据解码为像素图像。Save Image保存图像文件。节点之间通过端口连线。比如Load Checkpoint的 MODEL 端口连到KSampler的 model 端口CLIP端口连到CLIP Text Encode的 clip 端口。理解端口关系比记住单个节点的参数更重要。2.2 workflow.json 的两种格式ComfyUI 工作流文件有多种写法最常用的是两种格式特征典型用途UI 格式包含节点坐标、节点尺寸、连线 ID面向界面导入拖进 ComfyUI 画布人工调整API 格式顶层是节点 ID 到节点配置的映射不含坐标通过/prompt接口自动提交任务很多初学者会把这两种格式混在一起看导致“导入能用但 API 提交报错”或“API 能提交但界面打开报错”。让 Codex 生成工作流时一定要在 Prompt 里说明格式或者在生成后单独做一次校验。2.3 为什么适合交给智能体生成ComfyUI 工作流本质上是结构化 JSON节点和端口都有明确 ID 和类型。这种格式对自然语言模型非常友好因为它不需要模型理解图像本身只需要模型理解规则和依赖关系。举个例子你写“生成一张 1024x1024 的风景图SDXL 模型步数 25CFG 7”Codex 需要完成的映射是Load Checkpoint-CLIP Text Encode-EmptyLatentImage-KSampler-VAE Decode-Save Image。这套映射关系是稳定的和代码函数调用非常相似。模型训练时见过的代码足够多对这种结构并不陌生。当然Codex 生成出来的工作流质量取决于节点知识的准确性。如果你使用的 ComfyUI 版本比较新某些节点参数有变化模型可能给出旧格式。稳妥的方式是让 Codex 先生成再用脚本或 ComfyUI Manager 校验而不是直接信任输出。3. 环境准备Codex CLI 与 ComfyUI 安装前提在开始生成工作流之前先把环境准备好。本文会同时涉及 Codex 和 ComfyUI 两部分建议按顺序配置。3.1 Codex 环境准备Codex 通常以 CLI 形式出现你需要在终端里能够直接输入codex并开始对话。安装方式以你使用的官方文档为准这里不做版本绑定。核心要求是终端可执行codex命令。已配置模型访问凭据。能够正常调用模型服务接口。如果你使用的是 OpenAI 官方服务一般只需要在环境变量里配置 API Key。如果你使用的是兼容接口的模型网关比如团队自建网关或国内可访问的开放平台Codex 也支持通过自定义 provider 指定接口地址。一个常见的配置位置是~/.codex/config.toml示例结构如下# 文件路径~/.codex/config.toml model gpt-5-codex model_provider openai [model_providers.openai] name OpenAI base_url https://api.openai.com/v1 env_key OPENAI_API_KEY如果你的模型接口不是 OpenAI 官方而是某个兼容服务只要该服务支持 Codex 客户端调用的协议就可以把base_url替换成对应接口地址。需要注意不同模型服务的接口格式可能不同/responses端点和普通的聊天补全接口不是一回事配置时以平台文档为准。3.2 ComfyUI 安装ComfyUI 的安装方式相对成熟。Windows 用户常用的是秋叶一键整合包本质上是把 Python 环境、PyTorch、ComfyUI 主程序和常用模型打包在一起省去手动装依赖的步骤。如果你熟悉 Conda 或者直接使用官方仓库也可以自行安装。安装完成后先在本机启动一次 ComfyUI确认默认地址http://127.0.0.1:8188能正常打开界面。之后再考虑局域网访问。启动命令通常类似python main.py如果你的机器配置了多个 Python 环境确保使用的是安装依赖时的那个 Python。整合包用户一般启动主程序即可不需要手动配置 Python。3.3 模型文件放在哪里ComfyUI 默认从models/checkpoints加载大模型从models/loras加载 LoRA从models/vae加载 VAE。让 Codex 生成工作流之前先确认你实际有哪些模型文件并把真实的模型名发给 Codex。如果工作流里写的模型名不存在即使 JSON 结构正确任务也会执行失败。这里最容易被忽略的一点是模型文件名必须带后缀比如sd_xl_base_1.0.safetensors。让 Codex 生成 Prompt 时把文件名列出来能减少后面排查问题的时间。4. Workbuddy Codex 智能体生成工作流实操步骤下面进入核心实操。假设你已经在终端里启动 Codex或者使用 Workbuddy 这类智能体工作台来交互。整体流程是一样的描述需求 - 生成 JSON - 保存文件 - 校验 - 导入 ComfyUI。4.1 创建项目目录建议为每个工作流单独建一个目录方便后续版本管理。mkdir comfyui-workflows cd comfyui-workflows4.2 编写 Prompt 模板“一句话生成工作流”不等于随便说一句话。为了让 Codex 输出可用的结果Prompt 应该包含目标效果文生图、图生图、局部重绘还是批量处理。使用的模型文件名。关键采样参数。输出格式要求API 格式还是 UI 格式。是否需要生成说明文档。一个推荐模板如下请帮我生成一个 ComfyUI 文生图工作流使用 API 格式 JSON。 要求 1. 加载模型使用 models/checkpoints 目录下的 sd_xl_base_1.0.safetensors 2. 正向提示词a beautiful landscape, sunlight, mountains, lake 3. 负向提示词blurry, low quality, watermark 4. 采样器KSampler步数 25CFG 7.0 5. 采样方法dpmpp_2m调度器karras 6. 图像尺寸1024x1024 7. 输出Save Image 节点文件名前缀 workbuddy_codex 8. 必须包含完整节点连线不要省略端口 输出到文件 workflow.json并简要说明每个节点的作用。这里的关键是把“必须包含完整节点连线”写进去。如果不加这句Codex 可能只输出一个简化结构缺少中间节点导致导入后无法运行。4.3 让 Codex 保存文件Codex 和普通聊天模型的最大区别是它能读写当前项目目录下的文件。在对话中要求“输出到文件 workflow.json”比复制代码块更可靠。生成结束后检查项目目录里是否真的有这个文件。4.4 校验生成的 JSONCodex 生成的文件不一定一次就完全正确尤其是当你使用的 ComfyUI 节点版本较新时。建议先写一个简单脚本来检查 JSON 格式和基本节点结构。下面是一个最小校验脚本# 文件路径check_workflow.py import json import sys def main(path): with open(path, r, encodingutf-8) as f: data json.load(f) # API 格式的特征顶层是节点 ID 到节点配置的映射 if isinstance(data, dict) and all( isinstance(v, dict) and class_type in v for v in data.values() ): print(识别为 API 格式节点数量, len(data)) else: print(当前不是 API 格式可能包含 nodes/links 等 UI 字段) # 检查关键节点是否存在 class_types [v.get(class_type, ) for v in data.values()] required [CheckpointLoaderSimple, KSampler, SaveImage] for name in required: if name in class_types: print(f已找到节点{name}) else: print(f缺少节点{name}) if __name__ __main__: main(sys.argv[1])运行方式python check_workflow.py workflow.json如果输出显示缺少KSampler或SaveImage说明 Codex 生成不完整可以要求它补全。4.5 导入 ComfyUI把workflow.json拖入 ComfyUI 界面。如果使用的是 API 格式ComfyUI 也能识别但界面布局可能是自动生成的节点位置会比较乱。如果更希望得到整齐的界面布局可以要求 Codex 同时生成 UI 格式版本。导入后如果看到红色节点说明缺少自定义节点或依赖包。先看看报错信息把缺失的节点名称交给 Codex让它给出安装建议也可以直接使用 ComfyUI Manager 安装。5. 通过 ComfyUI API 自动化调用工作流工作流生成之后下一步是让它能够被程序调用。ComfyUI 自带 HTTP API常用端点包括POST /prompt提交一个工作流任务。GET /history/{prompt_id}查询任务执行状态和结果。GET /view?filenamexxx获取输出图片。下面用 Python 标准库写一个最简单的提交脚本不依赖第三方库方便复制运行。# 文件路径submit_workflow.py import json import time import urllib.request COMFYUI_URL http://127.0.0.1:8188 def load_workflow(path): with open(path, r, encodingutf-8) as f: return json.load(f) def submit_prompt(workflow): payload json.dumps({prompt: workflow}).encode(utf-8) req urllib.request.Request( f{COMFYUI_URL}/prompt, datapayload, headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode(utf-8)) if __name__ __main__: workflow load_workflow(workflow.json) result submit_prompt(workflow) print(提交结果, result) prompt_id result.get(prompt_id) if prompt_id: for _ in range(60): time.sleep(2) with urllib.request.urlopen( f{COMFYUI_URL}/history/{prompt_id} ) as resp: history json.loads(resp.read().decode(utf-8)) if prompt_id in history: print(任务执行完成) break else: print(等待超时)运行命令python submit_workflow.py如果工作流是 API 格式并且模型名存在脚本会输出一个prompt_id随后轮询查询执行状态。看到“任务执行完成”说明整条链路已经打通。这里要提醒一个常见误区ComfyUI 的POST /prompt接口只接受 API 格式不一定接受从界面导出的 UI 格式。如果你的工作流是从界面导出的提交前需要先转换格式或者让 Codex 专门生成 API 版本。6. ComfyUI 局域网连接配置工作流能在本机运行之后很多人会想把它暴露给局域网内的其他设备。比如另一台电脑希望调用 ComfyUI 出图或者想把界面分享给同事试用。默认情况下ComfyUI 只监听127.0.0.1也就是说只有本机能访问。要让局域网内其他设备访问需要做三件事。6.1 修改启动参数监听所有网卡启动 ComfyUI 时加入--listen 0.0.0.0参数python main.py --listen 0.0.0.0 --port 81880.0.0.0表示监听所有网络接口不只是回环地址。如果你使用的是整合包一般在启动器里可以勾选“局域网访问”或“服务模式”本质是给启动命令加上同样的参数。启动后再确认一下本机访问http://127.0.0.1:8188是否正常。如果本机正常说明服务已经启动成功。6.2 确认本机局域网 IP 并测试访问在 ComfyUI 所在的机器上查看 IPipconfig或者 Linux 下ip addr找到局域网网卡的 IP比如192.168.1.100。然后在局域网内的另一台设备访问http://192.168.1.100:8188如果页面能打开说明监听配置已经生效。6.3 放行防火墙端口如果本机能访问但局域网内其他设备无法访问最常见的原因是系统防火墙拦截了 8188 端口。Windows 上可以执行netsh advfirewall firewall add rule nameComfyUI 8188 dirin actionallow protocolTCP localport8188Linux 上如果使用 ufw可以执行sudo ufw allow 8188/tcp放行端口后重新测试。如果还是不通检查两台设备是否在同一个网段是否连接了同一个路由器或交换机。6.4 安全边界提醒必须强调一点--listen 0.0.0.0意味着局域网内所有设备都能访问你的 ComfyUI 服务而且 ComfyUI 默认没有复杂的身份认证机制。在可控局域网内使用问题不大但不要轻易把这个端口映射到公网。如果确实需要在更广泛的网络中使用建议在前面加一层带认证的反向代理或者在防火墙层面做来源 IP 白名单。另外如果你开启了虚拟机和容器也要注意端口映射问题。ComfyUI 运行在宿主机时虚拟机里的环境不一定能直接访问宿主机的0.0.0.0监听需要确认网络模式是否允许。7. 常见问题与排查思路下面是这个链路里最容易遇到的几个问题整理成表格方便排查。问题现象可能原因排查方式解决方案Codex 调用时报local proxy failed while handling codex endpoint /responsesCodex 客户端到模型服务的链路异常常见是接口地址、凭据或本地网络代理配置不对检查 Codex 配置文件中的 base_url 和 API Key确认模型服务是否能访问重启 Codex 客户端修正配置换成可达的服务地址重新发起对话导入工作流后提示“请安装缺失的包以使用此工作流”工作流依赖了未安装的自定义节点查看提示中给出的缺失节点名称和安装命令在 ComfyUI 对应的 Python 环境中安装缺失包或使用 ComfyUI Manager 安装然后重启服务本机能访问 ComfyUI但局域网其他设备打不开防火墙拦截端口或服务只监听了 127.0.0.1检查启动参数是否包含--listen 0.0.0.0检查防火墙 8188 端口是否放行按第 6 节配置监听地址和防火墙规则提示 GPU 显存不足当前显存不足以加载整个模型或显存被其他程序占用查看任务管理器或nvidia-smi确认显存占用使用--lowvram参数启动降低图片尺寸和 batch_size关闭其他占用显存的程序更换轻量模型提交 API 时报错界面导入却正常工作流是 UI 格式不是 API 格式用校验脚本检查 JSON 结构让 Codex 重新生成 API 格式 JSON或手动将 workflow 转换为 API 格式电脑能访问互联网但访问不了局域网其他设备连接了访客网络或开启了 AP 隔离或手动 IP 配置有误检查网络类型和 IP 配置确认两台设备在同一网段切换到主网络关闭 AP 隔离恢复 DHCP 自动获取 IP7.1 进阶排查为什么 IP 能通但访问不了服务很多时候局域网访问不了并不是 ComfyUI 本身的问题而是二层网络隔离。如果你连接的是 Wi-Fi并且路由器开启了“AP 隔离”或“访客网络隔离”无线客户端之间无法直接通信。表现就是本机能上网却无法访问同一局域网内其他设备的服务。检查方法是在目标机器上执行arp -a查看目标 IP 对应的 MAC 地址。如果显示的是网关的 MAC而不是目标主机的 MAC说明二层通信没有到达目标主机。这种时候要回到路由器配置确认是否开启了隔离模式。如果 IP 和 MAC 都正常那问题大概率出在防火墙或监听地址上按第 6 节的顺序继续排查即可。8. 工作流工程化与最佳实践把 Codex 生成工作流、ComfyUI API 提交、局域网访问这三条链路组合起来已经具备一个小型 AI 图像服务的基本形态。但要稳定地用在真实项目里还需要考虑工程化问题。8.1 把工作流当代码管理工作流 JSON 应该纳入版本管理和代码一起提交。目录结构可以参考comfyui-workflows/ ├── workflows/ │ ├── txt2img.api.json │ ├── txt2img.ui.json │ └── img2img.api.json ├── scripts/ │ ├── check_workflow.py │ └── submit_workflow.py ├── README.md └── requirements.txt每次修改工作流保留一份可读的说明记录改了哪些节点、为什么改。这样过一段时间回头看仍然能理解。缺点是 JSON 文件里的节点 ID 不直观可以在 README 里画一个文字版的节点流转图。8.2 记录节点依赖ComfyUI 工作流越复杂依赖的自定义节点越多。建议把工作流用到的所有自定义节点和依赖包记录在requirements.txt或 README 里。这样换一台机器恢复环境时不需要从报错里一个个猜。需要注意ComfyUI 整合包通常自带 Python 环境使用pip安装包时一定要对准整合包的 Python而不是系统 Python。如果在终端直接执行pip install很可能装到了错误的环境里。8.3 参数化与批处理当你希望批量生成图片时不要直接修改workflow.json而是把经常变化的参数抽出来。比如种子、提示词、图片尺寸、模型名称都可以放在一个 Python 脚本的配置区生成参数后动态写入工作流 JSON再提交。这也正是 Codex 的用武之地。你可以让 Codex 生成一个封装脚本读取一组 CSV 或 JSON 配置自动替换工作流里的参数然后批量提交。这样的好处是任务可重复结果可追溯。8.4 安全与最小权限原则ComfyUI 本身不包含完善的多用户认证体系所以对外提供访问时一定要控制边界。在局域网内使用只放行必要端口并限定来源 IP。在更大的网络中使用建议放在内网服务后面由统一入口做身份认证和访问控制。Codex 生成的代码也一样。执行前先看一遍它要运行的命令尤其涉及文件删除、密钥读取、网络请求时不要盲目信任。大模型生成的脚本可以作为起点但不能替代人做安全审查。8.5 验证链路要完整在实际项目里不要只验证“工作流在界面能跑”。完整验证链路应该包括生成的工作流 JSON 是否能通过格式校验。API 提交是否能返回prompt_id。任务执行后是否真的生成了图片文件。局域网内其他设备是否能访问服务。模型文件名变更后工作流是否仍然可用。跑通这五步才算真正把智能体生成工作流的流程落地。9. 总结与下一步实践Workbuddy Codex 智能体生成 ComfyUI 工作流本质上是把传统的“手工连线”变成“自然语言描述 结构化生成”。ComfyUI 工作流作为一张有向无环图天然适合大模型去理解和生成。而局域网连接配置则是把 ComfyUI 从单机演示推向多人可用服务的关键一步。如果你今天只做一件事我建议不要急着搭建复杂工作流。先让 Codex 生成一个最简的文生图工作流存成 API 格式用脚本提交一次再配置局域网访问。这个“一句话生成 一次 API 调用 一次局域网访问”的链路跑通后后面无论接入更多模型、批量出图还是把工作流接到业务系统里思路都是同一套把工作流当代码把 ComfyUI 当服务。 用Codex智能体一句话生成ComfyUI工作流，并配置局域网访问
如果你第一次接触 ComfyUI大概率会经历这样的过程从网上下载一个看起来很专业的工作流 JSON拖进界面后满屏报错想用文生图跑一张图却发现节点之间根本没连对终于跑通了想换到另一台电脑上继续用又卡在局域网访问上。这一连串问题的根因其实不是 ComfyUI 太复杂而是我们把太多精力花在了手工作业上。现在Codex 这类编程智能体正在改变这个现状。它的重点不是替你画图而是把“工作流设计”变成可生成、可校验、可复用的代码工件。以 Workbuddy 为代表的智能体工作台把这种能力封装成更友好的入口你输入一句话需求Codex 在后台读取 ComfyUI 工作流规范、生成 JSON、检查节点连接关系最后输出一个可以直接导入的文件。这篇文章围绕两件事展开Workbuddy Codex 智能体一句话生成 ComfyUI 工作流以及 ComfyUI 局域网连接配置。前者解决怎么把想法变成可执行的工作流后者解决怎么把工作流变成多人可访问的服务。读完你可以得到一套完整可复用的链路自然语言 - 工作流 JSON - ComfyUI API 提交 - 局域网访问。1. 手写 ComfyUI 工作流到底难在哪里很多人以为 ComfyUI 难在绘图参数比如采样器、CFG、调度器。实际用过一段时间后你会发现真正的难点在于工作流本身的结构组织哪些节点先执行哪些数据要传给下一个节点模型从哪个端口输出潜空间和像素空间什么时候转换。这些信息都藏在一条条连线里用鼠标拖节点时看不出来改起来却容易漏。传统做法是从别人分享的工作流 JSON 开始拖进 ComfyUI 后逐个调整。这种方式有几个问题第一别人的工作流往往包含自定义节点你可能没装对应插件导入后一堆节点显示红色。第二你未必看得懂每条连线的含义想加一个 LoRA 或换一个采样器不知道应该连到哪里。第三工作流仅存在于 ComfyUI 界面里不好版本管理也不好自动化调用。Codex 智能体解决的是第三层问题同时部分缓解第一层和第二层问题。它把工作流当成一种结构化数据来生成你告诉它想要什么效果它会根据 ComfyUI 的节点定义把需求拆解成节点、端口、连线然后生成完整的 JSON 文件。这比人在界面上手动连线更接近系统工程。这里有一个值得注意的判断ComfyUI 工作流本质上是一张有向无环图节点是算子连线是数据流。Codex 等大模型最擅长的就是从自然语言中提取这种结构化关系。所以“一句话生成工作流”并不是玄学而是大模型对图结构生成能力的自然延伸。2. ComfyUI 工作流的核心概念与适用场景要理解智能体如何生成工作流先要理解 ComfyUI 工作流的文件结构。2.1 节点、端口与连线在 ComfyUI 中每个节点代表一个处理步骤。常见节点包括Load Checkpoint加载大模型输出 MODEL、CLIP、VAE 三个端口。CLIP Text Encode把提示词编码成 Conditioning通常用于正向和负向提示。Empty Latent Image创建空白潜空间图像指定宽高和批次大小。KSampler核心采样器通过调整步数、CFG、采样器和调度器控制生成质量。VAE Decode把潜空间数据解码为像素图像。Save Image保存图像文件。节点之间通过端口连线。比如Load Checkpoint的 MODEL 端口连到KSampler的 model 端口CLIP端口连到CLIP Text Encode的 clip 端口。理解端口关系比记住单个节点的参数更重要。2.2 workflow.json 的两种格式ComfyUI 工作流文件有多种写法最常用的是两种格式特征典型用途UI 格式包含节点坐标、节点尺寸、连线 ID面向界面导入拖进 ComfyUI 画布人工调整API 格式顶层是节点 ID 到节点配置的映射不含坐标通过/prompt接口自动提交任务很多初学者会把这两种格式混在一起看导致“导入能用但 API 提交报错”或“API 能提交但界面打开报错”。让 Codex 生成工作流时一定要在 Prompt 里说明格式或者在生成后单独做一次校验。2.3 为什么适合交给智能体生成ComfyUI 工作流本质上是结构化 JSON节点和端口都有明确 ID 和类型。这种格式对自然语言模型非常友好因为它不需要模型理解图像本身只需要模型理解规则和依赖关系。举个例子你写“生成一张 1024x1024 的风景图SDXL 模型步数 25CFG 7”Codex 需要完成的映射是Load Checkpoint-CLIP Text Encode-EmptyLatentImage-KSampler-VAE Decode-Save Image。这套映射关系是稳定的和代码函数调用非常相似。模型训练时见过的代码足够多对这种结构并不陌生。当然Codex 生成出来的工作流质量取决于节点知识的准确性。如果你使用的 ComfyUI 版本比较新某些节点参数有变化模型可能给出旧格式。稳妥的方式是让 Codex 先生成再用脚本或 ComfyUI Manager 校验而不是直接信任输出。3. 环境准备Codex CLI 与 ComfyUI 安装前提在开始生成工作流之前先把环境准备好。本文会同时涉及 Codex 和 ComfyUI 两部分建议按顺序配置。3.1 Codex 环境准备Codex 通常以 CLI 形式出现你需要在终端里能够直接输入codex并开始对话。安装方式以你使用的官方文档为准这里不做版本绑定。核心要求是终端可执行codex命令。已配置模型访问凭据。能够正常调用模型服务接口。如果你使用的是 OpenAI 官方服务一般只需要在环境变量里配置 API Key。如果你使用的是兼容接口的模型网关比如团队自建网关或国内可访问的开放平台Codex 也支持通过自定义 provider 指定接口地址。一个常见的配置位置是~/.codex/config.toml示例结构如下# 文件路径~/.codex/config.toml model gpt-5-codex model_provider openai [model_providers.openai] name OpenAI base_url https://api.openai.com/v1 env_key OPENAI_API_KEY如果你的模型接口不是 OpenAI 官方而是某个兼容服务只要该服务支持 Codex 客户端调用的协议就可以把base_url替换成对应接口地址。需要注意不同模型服务的接口格式可能不同/responses端点和普通的聊天补全接口不是一回事配置时以平台文档为准。3.2 ComfyUI 安装ComfyUI 的安装方式相对成熟。Windows 用户常用的是秋叶一键整合包本质上是把 Python 环境、PyTorch、ComfyUI 主程序和常用模型打包在一起省去手动装依赖的步骤。如果你熟悉 Conda 或者直接使用官方仓库也可以自行安装。安装完成后先在本机启动一次 ComfyUI确认默认地址http://127.0.0.1:8188能正常打开界面。之后再考虑局域网访问。启动命令通常类似python main.py如果你的机器配置了多个 Python 环境确保使用的是安装依赖时的那个 Python。整合包用户一般启动主程序即可不需要手动配置 Python。3.3 模型文件放在哪里ComfyUI 默认从models/checkpoints加载大模型从models/loras加载 LoRA从models/vae加载 VAE。让 Codex 生成工作流之前先确认你实际有哪些模型文件并把真实的模型名发给 Codex。如果工作流里写的模型名不存在即使 JSON 结构正确任务也会执行失败。这里最容易被忽略的一点是模型文件名必须带后缀比如sd_xl_base_1.0.safetensors。让 Codex 生成 Prompt 时把文件名列出来能减少后面排查问题的时间。4. Workbuddy Codex 智能体生成工作流实操步骤下面进入核心实操。假设你已经在终端里启动 Codex或者使用 Workbuddy 这类智能体工作台来交互。整体流程是一样的描述需求 - 生成 JSON - 保存文件 - 校验 - 导入 ComfyUI。4.1 创建项目目录建议为每个工作流单独建一个目录方便后续版本管理。mkdir comfyui-workflows cd comfyui-workflows4.2 编写 Prompt 模板“一句话生成工作流”不等于随便说一句话。为了让 Codex 输出可用的结果Prompt 应该包含目标效果文生图、图生图、局部重绘还是批量处理。使用的模型文件名。关键采样参数。输出格式要求API 格式还是 UI 格式。是否需要生成说明文档。一个推荐模板如下请帮我生成一个 ComfyUI 文生图工作流使用 API 格式 JSON。 要求 1. 加载模型使用 models/checkpoints 目录下的 sd_xl_base_1.0.safetensors 2. 正向提示词a beautiful landscape, sunlight, mountains, lake 3. 负向提示词blurry, low quality, watermark 4. 采样器KSampler步数 25CFG 7.0 5. 采样方法dpmpp_2m调度器karras 6. 图像尺寸1024x1024 7. 输出Save Image 节点文件名前缀 workbuddy_codex 8. 必须包含完整节点连线不要省略端口 输出到文件 workflow.json并简要说明每个节点的作用。这里的关键是把“必须包含完整节点连线”写进去。如果不加这句Codex 可能只输出一个简化结构缺少中间节点导致导入后无法运行。4.3 让 Codex 保存文件Codex 和普通聊天模型的最大区别是它能读写当前项目目录下的文件。在对话中要求“输出到文件 workflow.json”比复制代码块更可靠。生成结束后检查项目目录里是否真的有这个文件。4.4 校验生成的 JSONCodex 生成的文件不一定一次就完全正确尤其是当你使用的 ComfyUI 节点版本较新时。建议先写一个简单脚本来检查 JSON 格式和基本节点结构。下面是一个最小校验脚本# 文件路径check_workflow.py import json import sys def main(path): with open(path, r, encodingutf-8) as f: data json.load(f) # API 格式的特征顶层是节点 ID 到节点配置的映射 if isinstance(data, dict) and all( isinstance(v, dict) and class_type in v for v in data.values() ): print(识别为 API 格式节点数量, len(data)) else: print(当前不是 API 格式可能包含 nodes/links 等 UI 字段) # 检查关键节点是否存在 class_types [v.get(class_type, ) for v in data.values()] required [CheckpointLoaderSimple, KSampler, SaveImage] for name in required: if name in class_types: print(f已找到节点{name}) else: print(f缺少节点{name}) if __name__ __main__: main(sys.argv[1])运行方式python check_workflow.py workflow.json如果输出显示缺少KSampler或SaveImage说明 Codex 生成不完整可以要求它补全。4.5 导入 ComfyUI把workflow.json拖入 ComfyUI 界面。如果使用的是 API 格式ComfyUI 也能识别但界面布局可能是自动生成的节点位置会比较乱。如果更希望得到整齐的界面布局可以要求 Codex 同时生成 UI 格式版本。导入后如果看到红色节点说明缺少自定义节点或依赖包。先看看报错信息把缺失的节点名称交给 Codex让它给出安装建议也可以直接使用 ComfyUI Manager 安装。5. 通过 ComfyUI API 自动化调用工作流工作流生成之后下一步是让它能够被程序调用。ComfyUI 自带 HTTP API常用端点包括POST /prompt提交一个工作流任务。GET /history/{prompt_id}查询任务执行状态和结果。GET /view?filenamexxx获取输出图片。下面用 Python 标准库写一个最简单的提交脚本不依赖第三方库方便复制运行。# 文件路径submit_workflow.py import json import time import urllib.request COMFYUI_URL http://127.0.0.1:8188 def load_workflow(path): with open(path, r, encodingutf-8) as f: return json.load(f) def submit_prompt(workflow): payload json.dumps({prompt: workflow}).encode(utf-8) req urllib.request.Request( f{COMFYUI_URL}/prompt, datapayload, headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode(utf-8)) if __name__ __main__: workflow load_workflow(workflow.json) result submit_prompt(workflow) print(提交结果, result) prompt_id result.get(prompt_id) if prompt_id: for _ in range(60): time.sleep(2) with urllib.request.urlopen( f{COMFYUI_URL}/history/{prompt_id} ) as resp: history json.loads(resp.read().decode(utf-8)) if prompt_id in history: print(任务执行完成) break else: print(等待超时)运行命令python submit_workflow.py如果工作流是 API 格式并且模型名存在脚本会输出一个prompt_id随后轮询查询执行状态。看到“任务执行完成”说明整条链路已经打通。这里要提醒一个常见误区ComfyUI 的POST /prompt接口只接受 API 格式不一定接受从界面导出的 UI 格式。如果你的工作流是从界面导出的提交前需要先转换格式或者让 Codex 专门生成 API 版本。6. ComfyUI 局域网连接配置工作流能在本机运行之后很多人会想把它暴露给局域网内的其他设备。比如另一台电脑希望调用 ComfyUI 出图或者想把界面分享给同事试用。默认情况下ComfyUI 只监听127.0.0.1也就是说只有本机能访问。要让局域网内其他设备访问需要做三件事。6.1 修改启动参数监听所有网卡启动 ComfyUI 时加入--listen 0.0.0.0参数python main.py --listen 0.0.0.0 --port 81880.0.0.0表示监听所有网络接口不只是回环地址。如果你使用的是整合包一般在启动器里可以勾选“局域网访问”或“服务模式”本质是给启动命令加上同样的参数。启动后再确认一下本机访问http://127.0.0.1:8188是否正常。如果本机正常说明服务已经启动成功。6.2 确认本机局域网 IP 并测试访问在 ComfyUI 所在的机器上查看 IPipconfig或者 Linux 下ip addr找到局域网网卡的 IP比如192.168.1.100。然后在局域网内的另一台设备访问http://192.168.1.100:8188如果页面能打开说明监听配置已经生效。6.3 放行防火墙端口如果本机能访问但局域网内其他设备无法访问最常见的原因是系统防火墙拦截了 8188 端口。Windows 上可以执行netsh advfirewall firewall add rule nameComfyUI 8188 dirin actionallow protocolTCP localport8188Linux 上如果使用 ufw可以执行sudo ufw allow 8188/tcp放行端口后重新测试。如果还是不通检查两台设备是否在同一个网段是否连接了同一个路由器或交换机。6.4 安全边界提醒必须强调一点--listen 0.0.0.0意味着局域网内所有设备都能访问你的 ComfyUI 服务而且 ComfyUI 默认没有复杂的身份认证机制。在可控局域网内使用问题不大但不要轻易把这个端口映射到公网。如果确实需要在更广泛的网络中使用建议在前面加一层带认证的反向代理或者在防火墙层面做来源 IP 白名单。另外如果你开启了虚拟机和容器也要注意端口映射问题。ComfyUI 运行在宿主机时虚拟机里的环境不一定能直接访问宿主机的0.0.0.0监听需要确认网络模式是否允许。7. 常见问题与排查思路下面是这个链路里最容易遇到的几个问题整理成表格方便排查。问题现象可能原因排查方式解决方案Codex 调用时报local proxy failed while handling codex endpoint /responsesCodex 客户端到模型服务的链路异常常见是接口地址、凭据或本地网络代理配置不对检查 Codex 配置文件中的 base_url 和 API Key确认模型服务是否能访问重启 Codex 客户端修正配置换成可达的服务地址重新发起对话导入工作流后提示“请安装缺失的包以使用此工作流”工作流依赖了未安装的自定义节点查看提示中给出的缺失节点名称和安装命令在 ComfyUI 对应的 Python 环境中安装缺失包或使用 ComfyUI Manager 安装然后重启服务本机能访问 ComfyUI但局域网其他设备打不开防火墙拦截端口或服务只监听了 127.0.0.1检查启动参数是否包含--listen 0.0.0.0检查防火墙 8188 端口是否放行按第 6 节配置监听地址和防火墙规则提示 GPU 显存不足当前显存不足以加载整个模型或显存被其他程序占用查看任务管理器或nvidia-smi确认显存占用使用--lowvram参数启动降低图片尺寸和 batch_size关闭其他占用显存的程序更换轻量模型提交 API 时报错界面导入却正常工作流是 UI 格式不是 API 格式用校验脚本检查 JSON 结构让 Codex 重新生成 API 格式 JSON或手动将 workflow 转换为 API 格式电脑能访问互联网但访问不了局域网其他设备连接了访客网络或开启了 AP 隔离或手动 IP 配置有误检查网络类型和 IP 配置确认两台设备在同一网段切换到主网络关闭 AP 隔离恢复 DHCP 自动获取 IP7.1 进阶排查为什么 IP 能通但访问不了服务很多时候局域网访问不了并不是 ComfyUI 本身的问题而是二层网络隔离。如果你连接的是 Wi-Fi并且路由器开启了“AP 隔离”或“访客网络隔离”无线客户端之间无法直接通信。表现就是本机能上网却无法访问同一局域网内其他设备的服务。检查方法是在目标机器上执行arp -a查看目标 IP 对应的 MAC 地址。如果显示的是网关的 MAC而不是目标主机的 MAC说明二层通信没有到达目标主机。这种时候要回到路由器配置确认是否开启了隔离模式。如果 IP 和 MAC 都正常那问题大概率出在防火墙或监听地址上按第 6 节的顺序继续排查即可。8. 工作流工程化与最佳实践把 Codex 生成工作流、ComfyUI API 提交、局域网访问这三条链路组合起来已经具备一个小型 AI 图像服务的基本形态。但要稳定地用在真实项目里还需要考虑工程化问题。8.1 把工作流当代码管理工作流 JSON 应该纳入版本管理和代码一起提交。目录结构可以参考comfyui-workflows/ ├── workflows/ │ ├── txt2img.api.json │ ├── txt2img.ui.json │ └── img2img.api.json ├── scripts/ │ ├── check_workflow.py │ └── submit_workflow.py ├── README.md └── requirements.txt每次修改工作流保留一份可读的说明记录改了哪些节点、为什么改。这样过一段时间回头看仍然能理解。缺点是 JSON 文件里的节点 ID 不直观可以在 README 里画一个文字版的节点流转图。8.2 记录节点依赖ComfyUI 工作流越复杂依赖的自定义节点越多。建议把工作流用到的所有自定义节点和依赖包记录在requirements.txt或 README 里。这样换一台机器恢复环境时不需要从报错里一个个猜。需要注意ComfyUI 整合包通常自带 Python 环境使用pip安装包时一定要对准整合包的 Python而不是系统 Python。如果在终端直接执行pip install很可能装到了错误的环境里。8.3 参数化与批处理当你希望批量生成图片时不要直接修改workflow.json而是把经常变化的参数抽出来。比如种子、提示词、图片尺寸、模型名称都可以放在一个 Python 脚本的配置区生成参数后动态写入工作流 JSON再提交。这也正是 Codex 的用武之地。你可以让 Codex 生成一个封装脚本读取一组 CSV 或 JSON 配置自动替换工作流里的参数然后批量提交。这样的好处是任务可重复结果可追溯。8.4 安全与最小权限原则ComfyUI 本身不包含完善的多用户认证体系所以对外提供访问时一定要控制边界。在局域网内使用只放行必要端口并限定来源 IP。在更大的网络中使用建议放在内网服务后面由统一入口做身份认证和访问控制。Codex 生成的代码也一样。执行前先看一遍它要运行的命令尤其涉及文件删除、密钥读取、网络请求时不要盲目信任。大模型生成的脚本可以作为起点但不能替代人做安全审查。8.5 验证链路要完整在实际项目里不要只验证“工作流在界面能跑”。完整验证链路应该包括生成的工作流 JSON 是否能通过格式校验。API 提交是否能返回prompt_id。任务执行后是否真的生成了图片文件。局域网内其他设备是否能访问服务。模型文件名变更后工作流是否仍然可用。跑通这五步才算真正把智能体生成工作流的流程落地。9. 总结与下一步实践Workbuddy Codex 智能体生成 ComfyUI 工作流本质上是把传统的“手工连线”变成“自然语言描述 结构化生成”。ComfyUI 工作流作为一张有向无环图天然适合大模型去理解和生成。而局域网连接配置则是把 ComfyUI 从单机演示推向多人可用服务的关键一步。如果你今天只做一件事我建议不要急着搭建复杂工作流。先让 Codex 生成一个最简的文生图工作流存成 API 格式用脚本提交一次再配置局域网访问。这个“一句话生成 一次 API 调用 一次局域网访问”的链路跑通后后面无论接入更多模型、批量出图还是把工作流接到业务系统里思路都是同一套把工作流当代码把 ComfyUI 当服务。