用智能体一键生成ComfyUI工作流并配置局域网访问指南

weixin_30617695

431人浏览 · 2026-08-24 15:22:18

weixin_30617695 · 2026-08-24 15:22:18 发布

做 ComfyUI 应用的同学，应该都遇到过这类场景：本地手工拖节点能跑通一套工作流，但换个机器、换个模型路径，整个 JSON 就乱掉；想让团队其他成员通过局域网访问出图服务，又发现别人根本打不开页面。更麻烦的是，每次调整一道复杂的图生图或视频生成流程，都要在节点面板里反复找节点、连线、填参数，非常费时间。

现在智能体工具越来越多，像 Workbuddy、Codex 这类“AI 智能体”完全可以用一句话替我们生成 ComfyUI 工作流，再由我们做人工校验。本文就围绕这条主线，完整拆解如何用智能体生成 ComfyUI 工作流 JSON，以及如何配置 ComfyUI 局域网访问，让团队内网可以共用出图能力。

文章会从概念讲起，再给环境准备、核心配置、代码示例、常见排错，适合刚接触 ComfyUI 的入门读者，也适合想把 ComfyUI 接入内部工具链的开发者。

1. 背景与核心概念

1.1 什么是 ComfyUI 工作流

ComfyUI 是一款基于节点图（Node Graph）的 Stable Diffusion 图形化工具。它的核心特点是：每一个“生成图片”的操作，本质上都是一张图上的节点连接关系。

例如一个最简单的文生图流程，至少包含以下节点：

加载模型：CheckpointLoaderSimple
正面提示词：CLIPTextEncode
负面提示词：CLIPTextEncode
潜空间图像生成：EmptyLatentImage
采样器：KSampler
解码：VAEDecode
保存图片：SaveImage

在界面上，我们靠拖拽节点完成连线；在文件层面，ComfyUI 把这张“节点连接图”保存为 JSON 文件，里面包含每个节点的坐标、类型、参数，以及节点之间的连线数据。

这就是“一句话生成 ComfyUI 工作流”的基础：既然工作流就是结构化 JSON，那么智能体只要理解 ComfyUI 的节点规范，就能帮我们生成或修改 JSON。

1.2 什么是 Workbuddy

Workbuddy 是近段时间热度较高的智能体工具。它更像一个“智能体操作台”，通过 Skill 和自定义指令，让 AI 能执行一些相对固定的任务，例如读取本地文件、调用外部 API、写代码、整理数据等。

很多人在搜索“workbuddy 使用教程”“workbuddy skill”“workbuddy 自定义指令应如何写”，核心就是希望让 Workbuddy 按自己的私有流程工作。

在本文场景里，可以把 Workbuddy 当作一个“入口”：

用户说一句话：帮我把 512x768、采样器 Euler、步数 20 的文生图工作流生成出来。
Workbuddy 内部调用 Codex 或后端模型，根据指令生成 ComfyUI 工作流 JSON。
再把 JSON 写入 ComfyUI 指定目录，刷新页面后就可以直接加载使用。

由于 Workbuddy 版本迭代比较快，不同版本的安装方式和界面入口可能有差异，因此本文不会写死某个下载地址，而是重点讲思路和配置逻辑，你在使用时按实际产品界面调整即可。

1.3 什么是 Codex

Codex 是 OpenAI 推出的命令行编码智能体，可以在终端里用自然语言完成编程任务。它的工作方式类似“一个会写代码的 AI 助手”：你给它一个任务描述，它会读取当前项目文件、修改代码、执行命令、逐步验证结果。

在 ComfyUI 工作流场景中，Codex 的价值在于：

自动生成工作流 JSON 模板。
批量修改工作流中的参数，例如把所有节点的“步数”统一改成 30。
根据需求写出提交 ComfyUI 任务节点的 Python 脚本。
校验 JSON 结构是否合法。

要注意的是，Codex 本身是编码智能体，而不是 ComfyUI 专用插件，所以它并不直接理解 ComfyUI 的内部 UI 状态。我们需要给它提供足够明确的模板和上下文，它才能生成“可用”的工作流文件。

1.4 为什么要把它们组合起来

直接手工拖节点其实不难，难的是维护和批量生成工作流。

如果你只有 1 套工作流，手工拖没问题；但如果有 10 套、20 套，并且要求统一参数风格、统一输出目录，再手工去一个个改就非常痛苦。

“Workbuddy + Codex + ComfyUI”的组合可以做到：

用自然语言描述需求，智能体生成工作流 JSON。
用模板批量生成同一系列的工作流。
通过局域网把工作流和出图服务共享给团队，其他人不接触节点图也能使用。

这种模式很适合团队内部做 AI 出图平台、自动化测试、批量素材生成等场景。

2. 环境准备与版本说明

先说明一下，ComfyUI、Codex、Workbuddy 的版本更新速度都比较快，本文不写死具体版本号。你应当按照自己的系统环境和依赖版本进行调整。

2.1 安装 ComfyUI

ComfyUI 官方仓库提供了多种安装方式。最传统的方式是：

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

接着创建虚拟环境并安装依赖：

python -m venv venv
source venv/bin/activate  # Windows 下使用 venv\Scripts\activate
pip install -r requirements.txt

Windows 用户也可以直接使用一键整合包，这类整合包通常已经包含 Python 环境和常用插件，解压后运行 run_nvidia_gpu.bat 即可。

启动 ComfyUI 的默认命令是：

python main.py

默认访问地址为 http://127.0.0.1:8188 。

2.2 安装 Codex CLI

Codex CLI 的安装方式建议以官方 README 为准。比较常见的安装方式是通过 npm 安装：

npm install -g @openai/codex

如果你的环境还没有 Node.js，需要先安装 Node.js 18 以上的版本。

安装完成后，还需要登录授权：

codex login

登录成功后，Codex 才能调用模型接口。如果登录接口访问不稳定，通常会提示网络或服务不可用，这时需要检查设备网络、登录状态和模型服务可用性。如果公司网络有限制，应联系管理员配置合规访问方式，不要私自修改系统网络配置。

2.3 准备 Workbuddy

Workbuddy 一般是桌面端或网页端应用。建议先安装官方最新版，然后重点完成两件事：

配置 Skill：把“ComfyUI 工作流生成”作为一个 Skill，定义它可以访问的模板目录和输出目录。
配置自定义指令：告诉 Workbuddy，生成工作流时使用 ComfyUI API 格式，而不是前端 UI 格式。

自定义指令示例，这里只做示意：

你是一个 ComfyUI 工作流工程师。
当你收到用户的画图需求时，先提取以下关键信息：
- 基础模型：如 SD1.5、SDXL
- 正面关键词、负面关键词
- 采样器、步数、CFG
- 图片宽高
- 输出格式：API JSON

然后参考模板文件中的节点结构，生成 ComfyUI API 格式的 JSON 文件。
不要把前端坐标字段写到 API 格式里。

实际编写时，要根据你使用的 Workbuddy 版本调整指令字段，因为“自定义指令”通常只是系统提示词，并不直接影响文件写入，真正写入文件还需要配置 Skill 或动作脚本。

2.4 项目目录结构

为了方便后续管理，建议统一项目结构：

comfyui-agent-demo/
├── workflows/
│   ├── template_api.json
│   └── minimal_txt2img.json
├── scripts/
│   ├── generate_workflow.py
│   └── submit_prompt.py
├── output/
└── README.md

workflows 存放工作流 JSON。
scripts 存放辅助脚本。
output 存放生成图片。

3. 理解 ComfyUI 工作流：一张图就是一份 JSON

3.1 API 格式与前端格式的区别

ComfyUI 工作流 JSON 有两种常见形式：

前端完整格式 ：包含 nodes 、 links 、 groups 、 version 等字段，里面记录了节点在画布上的坐标和视觉信息。这种格式适合“重新加载到画布里继续拖拽编辑”。
API 格式 ：更精简，直接映射到 /prompt 接口的 prompt 结构。每个节点以 ID 为 key，包含 class_type 和 inputs 。这种格式适合程序调用，以及智能体生成。

在让 AI 生成工作流时，默认要输出 API 格式，因为：

结构简单，AI 不易出错。
可以直接通过 HTTP 接口提交任务。
便于版本对比和参数批量替换。

3.2 最小文生图工作流 JSON 拆解

下面是一个最小文生图的 API 格式示例，为了便于理解，我在注释中说明每个节点的作用。

{
  "1": {
    "class_type": "CheckpointLoaderSimple",
    "inputs": {
      "ckpt_name": "v1-5-pruned-emaonly.safetensors"
    }
  },
  "2": {
    "class_type": "CLIPTextEncode",
    "inputs": {
      "text": "a cute cat, masterpiece",
      "clip": ["1", 1]
    }
  },
  "3": {
    "class_type": "CLIPTextEncode",
    "inputs": {
      "text": "blurry, low quality",
      "clip": ["1", 1]
    }
  },
  "4": {
    "class_type": "EmptyLatentImage",
    "inputs": {
      "width": 512,
      "height": 768,
      "batch_size": 1
    }
  },
  "5": {
    "class_type": "KSampler",
    "inputs": {
      "seed": 42,
      "steps": 20,
      "cfg": 7,
      "sampler_name": "euler",
      "scheduler": "normal",
      "denoise": 1,
      "model": ["1", 0],
      "positive": ["2", 0],
      "negative": ["3", 0],
      "latent_image": ["4", 0]
    }
  },
  "6": {
    "class_type": "VAEDecode",
    "inputs": {
      "samples": ["5", 0],
      "vae": ["1", 2]
    }
  },
  "7": {
    "class_type": "SaveImage",
    "inputs": {
      "filename_prefix": "agent_output",
      "images": ["6", 0]
    }
  }
}

这里有几个容易理解错的地方：

数组 ["1", 1] 表示连接节点的输出。第一个数字是节点 ID，第二个数字是输出索引。
CheckpointLoaderSimple 有三个输出：model 是输出 0，CLIP 是输出 1，VAE 是输出 2。
KSampler 中的 positive 和 negative 接收的是 CLIP 文本编码结果，而不是直接接文本字符串。

智能体如果不知道这些规则，生成的 JSON 很可能“看起来像工作流，但跑不通”。

3.3 工作流文件放到哪里

ComfyUI 默认会扫描 user/default/workflows 目录下的工作流 JSON 文件，在页面左侧的“Workflow”菜单里可以加载。

也就是说，智能体生成 JSON 后，只要把它复制到该目录，刷新页面，就能在 ComfyUI 界面里看到这份工作流。

如果你只想通过程序提交任务，不希望在界面上展示，也可以直接把 JSON 通过 /prompt 接口提交。

4. 一句话生成 ComfyUI 工作流

4.1 给智能体输入什么

智能体不能凭空气生成可用工作流，它至少需要以下信息：

目标模型名称，例如 v1-5-pruned-emaonly.safetensors 。
正面/负面提示词。
采样器与步数。
图片尺寸。
输出格式：API JSON。
模板：最好给一个最小可跑通的模板，让 AI 在此基础上改参数。

例如一句话需求：

帮我生成一个 txt2img 的 ComfyUI API 格式工作流。
模型：SD1.5
正面：a cute cat, masterpiece, best quality
负面：blurry, low quality, bad anatomy
采样器：euler
步数：25
CFG：7
尺寸：512x768
输出：保存为 workflows/txt2img_cat.json

4.2 用 Codex 生成工作流 JSON

在项目目录下执行：

codex

然后在 Codex 交互面板中输入同样的一段需求。Codex 会读取当前目录下已有的 template_api.json ，理解节点结构，然后生成新的工作流文件。

需要提醒的是：Codex 生成 JSON 属于“辅助编码”，节点之间的连接关系仍需人工确认。因为 ComfyUI 节点版本、自定义节点不同，同一个 class_type 在不同环境中的输入输出可能不同。

如果 Codex 提示模型不支持，例如：

The 'gpt-5.6-sol' model is not supported when using Codex with a...

这类报错通常是配置文件中填写的模型名称不对，或者当前账号/网关不支持该模型。排查思路：

检查 Codex 配置中的模型名是否正确。
检查是否使用了官方支持模型列表内的名称。
如果接入了第三方兼容接口，要确认接口支持该模型。

4.3 用 Python 脚本校验生成结果

生成 JSON 后，最简单的校验是写一个 Python 脚本，检查 JSON 语法合法性，并输出节点信息。

# 文件路径：scripts/validate_workflow.py
import json
import sys


def validate(path):
    with open(path, "r", encoding="utf-8") as f:
        data = json.load(f)

    print(f"工作流文件: {path}")
    print(f"节点数量: {len(data)}")

    for node_id, node in data.items():
        print(f"节点 {node_id}: {node.get('class_type')}")

    # 检查关键节点
    required = ["CheckpointLoaderSimple", "KSampler", "CLIPTextEncode"]
    class_types = {node.get("class_type") for node in data.values()}
    for cls in required:
        if cls in class_types:
            print(f"[OK] 包含 {cls}")
        else:
            print(f"[WARN] 缺少 {cls}")


if __name__ == "__main__":
    validate(sys.argv[1])

运行：

python scripts/validate_workflow.py workflows/txt2img_cat.json

如果输出节点数量正常，并且包含关键节点，说明基本结构没问题。但这并不代表能直接出图，最终要在 ComfyUI 里实际跑一次。

4.4 在 Workbuddy 里配置自定义指令

Workbuddy 的作用是把这一系列操作包装成“一句话任务”。自定义指令可以写成：

当收到“生成 ComfyUI 工作流”的口令时，执行以下步骤：
1. 解析用户描述中的模型、提示词、采样器、尺寸。
2. 读取 workflows/template_api.json 作为基准。
3. 按需求修改节点参数。
4. 将结果保存到 workflows/ 目录。
5. 运行 python scripts/validate_workflow.py 校验文件。
6. 输出文件路径和使用说明。

这样，团队成员不需要会写 JSON，也不需要懂节点连线，只要告诉 Workbuddy“生成一个 512x768 的猫图工作流”，就能得到一份可加载的 JSON 文件。

要注意的是，Workbuddy 具体如何执行外部脚本，取决于它是否配置了命令行执行权限和文件系统访问权限。在初始配置时，建议先手动跑通一遍，再交给智能体自动执行。

5. 通过 ComfyUI 接口提交工作流

智能体生成 JSON 后，最终目标是让 ComfyUI 执行这份工作流并出图。有两种方式：

将 JSON 放进 user/default/workflows ，在界面上手动加载运行。
直接把 API 格式 JSON 提交到 ComfyUI 的 /prompt 接口。

第二种更适合自动化。

5.1 获取 API 格式工作流

如果你在 ComfyUI 界面里手工搭好了工作流，想把它转成 API 格式，可以用界面里的“Save (API Format)”功能，保存下来的 JSON 就是程序可调用的结构。

拿到 API 格式 JSON 后，保存到项目 workflows 目录即可。

5.2 使用 Python 提交任务

下面是一个提交 prompt 的完整示例：

# 文件路径：scripts/submit_prompt.py
import json
import urllib.request


def queue_prompt(prompt, client_id="local-client"):
    payload = json.dumps({
        "prompt": prompt,
        "client_id": client_id
    }).encode("utf-8")

    req = urllib.request.Request(
        "http://127.0.0.1:8188/prompt",
        data=payload,
        headers={"Content-Type": "application/json"}
    )

    with urllib.request.urlopen(req, timeout=30) as resp:
        result = json.loads(resp.read())
        print("提交成功，prompt_id:", result.get("prompt_id"))
        return result


if __name__ == "__main__":
    with open("workflows/txt2img_cat.json", "r", encoding="utf-8") as f:
        workflow = json.load(f)

    queue_prompt(workflow)

运行前确保 ComfyUI 已经在本地启动，并且工作流 JSON 里的模型名称真实存在。运行后，ComfyUI 会在后台排队执行任务，最终在前端界面或输出目录中看到图片。

5.3 自动生成到指定文件

为了把“一句话生成工作流”和“提交任务”串联起来，可以写一个总控脚本：

# 文件路径：scripts/run_pipeline.py
import json
import subprocess
import sys

# 1. 读取用户需求（这里简化为命令行参数）
prompt_text = sys.argv[1]

# 2. 调用 Codex 或智能体生成工作流（示意）
# 真实场景中可以调用 codex 命令行，或调用 Workbuddy 的接口
subprocess.run([
    "codex", "exec",
    f"根据需求生成 ComfyUI 工作流 JSON：{prompt_text}"
])

# 3. 提交到 ComfyUI 接口
with open("workflows/generated.json", "r", encoding="utf-8") as f:
    workflow = json.load(f)

# 这里省略 queue_prompt 的重复代码
print("工作流已生成，请检查后提交")

注意， codex exec 只是示意，不同版本 Codex 的自动化参数不同。如果你使用的是 Workbuddy，应该调用它提供的自动化接口或按键模拟功能。这里重点展示流程，不是写死某一个具体命令。

6. ComfyUI 局域网连接配置

很多场景下，我们不想只在自己电脑上使用 ComfyUI，而是希望局域网内其他人也能打开页面提交任务。这时就需要配置局域网访问。

6.1 为什么局域网无法访问

ComfyUI 默认只监听本机回环地址 127.0.0.1 ，意味着只有同一台电脑上的浏览器可以访问。局域网内其他设备即使知道你的 IP，也无法打开页面。

出现“电脑能够连接互联网但是连不了局域网”类问题时，不要急着改 ComfyUI 配置，先确认：

本机能否 ping 通网关？
其他设备与本机是否在同一网段？
路由器是否开启了 AP 隔离？

如果本机连网关都 ping 不通，说明网络链路本身有问题，和 ComfyUI 无关。

6.2 修改监听地址

要让局域网访问，启动 ComfyUI 时加上 --listen 参数：

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

0.0.0.0 表示监听本机所有网卡 IP，启动后本机依然可以通过 http://127.0.0.1:8188 访问，其他设备则通过 http://本机局域网IP:8188 访问。

查看本机局域网 IP：

Windows： ipconfig
Linux： hostname -I 或 ip addr
macOS： ifconfig | grep inet

假设你的 IP 是 192.168.1.100 ，启动成功后，同一局域网内的设备访问：

http://192.168.1.100:8188

就能看到 ComfyUI 界面。

6.3 防火墙与端口检查

即使监听地址改成了 0.0.0.0 ，系统防火墙也可能拦截局域网访问。

Windows 系统：

打开“Windows Defender 防火墙”。
选择“高级设置”。
添加入站规则，允许 TCP 端口 8188。

Linux 系统如果使用 ufw：

sudo ufw allow 8188/tcp

如果使用 firewalld：

sudo firewall-cmd --permanent --add-port=8188/tcp
sudo firewall-cmd --reload

注意，放行端口要注意安全边界：只在内网环境使用，避免将 8188 端口直接暴露到公网。

6.4 局域网访问的验证流程

建议按以下步骤验证：

本机执行 python main.py --listen 0.0.0.0 --port 8188 。
在本机浏览器访问 http://127.0.0.1:8188 ，确认服务正常。
查看本机局域网 IP。
用另一台局域网设备访问 http://IP:8188 。
如果无法访问，在 ComfyUI 所在机器上执行端口监听检查。

Linux 下检查端口监听：

ss -lntp | grep 8188

预期输出中会包含 0.0.0.0:8188 或 *:8188 ，如果只有 127.0.0.1:8188 ，说明启动参数没有生效。

6.5 局域网连接常见故障排查

在局域网连接过程中，常见的故障点包括 IP 配置、ARP 解析、防火墙、路由器隔离等。

问题现象	常见原因	解决思路
本机能上网，但 ping 不通局域网其他设备	网段不一致、AP 隔离、IP 冲突	检查 IP 和掩码，确认同一网段
能 ping 通 IP，但打不开 8188 页面	防火墙拦截端口、ComfyUI 未监听 0.0.0.0	检查监听地址和防火墙入站规则
手机能连 Wi-Fi，但访问不了电脑	路由器开启 AP/客户端隔离	登录路由器关闭隔离
访问时提示连接超时	服务未启动、端口被占用	查看 8188 端口占用情况
局域网 TCP 连接不稳定	ARP 缓存异常或目的 MAC 不对	执行 `arp -a` 检查目标 IP 的 MAC 地址

这里特别说一句“目的 MAC 地址”的问题。局域网内两台设备通信时，TCP 连接虽然以 IP 为依据建立，但实际链路层靠 MAC 地址转发。如果 ARP 缓存错误，比如目标 IP 对应了错误的 MAC，TCP 连接就可能失败。遇到这种情况，可以在两端设备上刷新 ARP 缓存：

Windows： arp -d *
Linux： sudo ip neigh flush all

刷新后重新 ping 测试。

7. 实战：完整串联案例

下面把前面的内容串成一个完整案例。

7.1 需求描述

团队需要一套“文生图 + 局域网访问”的临时服务，要求：

输入一句话就能生成工作流。
工作流里使用 SD1.5 模型。
默认尺寸 512x768。
局域网内其他同事可以通过浏览器访问 ComfyUI。

7.2 操作步骤

第一步，准备模板文件 workflows/template_api.json ，使用前面第 3 节的最小结构。

第二步，启动 ComfyUI：

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

第三步，在 Codex 中输入：

读取 workflows/template_api.json，把正面提示词改成 a cute cat, masterpiece，
负面提示词改成 blurry, low quality，
采样器改为 euler，步数改为 25，尺寸保持 512x768。
保存到 workflows/txt2img_cat.json。

第四步，校验生成文件：

python scripts/validate_workflow.py workflows/txt2img_cat.json

第五步，提交任务：

python scripts/submit_prompt.py

第六步，在输出目录或 ComfyUI 界面中查看图片。

第七步，其他同事访问：

http://192.168.1.100:8188

在这里， 192.168.1.100 要替换成运行 ComfyUI 的机器 IP。

8. 常见问题与排查思路

8.1 Codex 生成的工作流跑不通

这是最高频的问题。智能体生成 JSON 时，如果模板不清晰，很容易出现：

节点 ID 重复。
class_type 名称拼写错误。
输入输出索引对错。
自定义节点类型不存在。

解决思路：先提供一份本机能跑通的模板，再让智能体基于模板修改。不要从零生成一个全新建模。

8.2 Workbuddy 没有按指令输出 JSON

自定义指令只是提示词，不代表 Workbuddy 一定会执行文件写入操作。你需要确认：

Workbuddy 是否具备文件系统写入权限。
是否配置了对应的 Skill。
输出内容是不是被界面截断。

建议先在 Workbuddy 里测试一次“读取文件 + 输出 JSON”的最小任务，再逐步增加复杂度。

8.3 ComfyUI 局域网能打开页面，但提交任务报错

能打开页面说明端口通了，报错可能是：

模型名称不存在。
输出目录权限不足。
插件没有安装。

排查方式是先在本机本地模式跑同一份工作流，确认能成功出图后再通过局域网访问。

8.4 Codex 调用模型接口失败

这类问题通常表现为：

Codex endpoint /responses request failed

可能原因很多，包括网络状态、登录态过期、模型服务不可用等。处理顺序：

检查网络是否正常。
检查登录状态，必要时重新登录。
检查模型配置是否被修改。
如果是第三方兼容接口，查看接口服务状态。

不要一遇到网络失败就盲目改系统代理或改 hosts，容易引入更多问题。

9. 最佳实践与工程建议

9.1 工作流 JSON 尽量走 Git 管理

API 格式 JSON 比较干净，适合放进 Git。每次修改都记录变更，方便回滚。前端完整格式因为包含画布坐标，多人协作容易产生大量 diff，不建议作为唯一版本管理对象。

9.2 模板先行，智能体后改

不要直接让 AI 凭空生成一个完整工作流。应该先准备一份经过验证的最小模板，再让 Codex 或 Workbuddy 做参数替换和节点增删。这样可以大幅降低生成错误。

9.3 模型路径与环境隔离

工作流 JSON 中的 ckpt_name 是模型文件名。不同机器上的模型目录可能不同，建议团队统一目录结构，或在脚本中做动态替换，而不是把绝对路径写死在 JSON 里。

9.4 局域网访问要控制暴露范围

--listen 0.0.0.0 只适合可信内网环境。如果需要跨网段访问，建议通过带认证的反向代理方式，并遵循最小权限原则，不要让未授权人员直接访问管理界面。

9.5 自定义指令模板化

把常用的正向词、负面词、采样器、尺寸写成一个模板，放在项目里。这样每次让 Workbuddy 或 Codex 生成工作流时，只需要传“模板 ID”和少量个性化参数，输出更稳定。

9.6 生成后必须做人工验证

智能体可以提高效率，但不能完全代替人工验证。每次生成工作流后，至少做一次“节点数量检查 + 关键节点检查 + 实际运行”。涉及生产环境变更时，更要在测试环境验证完毕后再上线。

10. 总结与后续学习建议

到这里，我们已经把“用 Workbuddy、Codex 智能体一句话生成 ComfyUI 工作流”和“ComfyUI 局域网连接配置”两条主线讲完了。

核心要点可以归纳为：

ComfyUI 工作流本质上是一份结构化 JSON，API 格式最适合智能体生成和程序调用。
Workbuddy 通过 Skill 和自定义指令，可以把“生成工作流”变成一句话任务。
Codex 擅长读取模板、修改参数、写出提交脚本，适合做工作流自动生成。
局域网访问的关键是 --listen 0.0.0.0 ，同时要注意防火墙、ARP、路由器隔离等问题。

下一步你可以继续研究：

ComfyUI 自定义节点开发，把团队内部接口封装成节点。
Workbuddy 的 Skill 深入配置，让它可以读取数据库、调用内部平台。
在局域网内搭建简单的任务队列，避免多人同时提交导致资源冲突。
研究 ComfyUI 的 WebSocket 事件，实现“任务完成后自动通知”的效果。

如果本文对你有帮助，可以收藏备用。实际动手时，建议先准备好最小可运行模板，再逐步把智能体接入流程，每一步都做校验，这样能少踩很多坑。

码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

AI 已经能直接改设计稿了:Windows部署Penpot，接入Codex MCP实测

码道开发者社区

【AI大模型】-DeepSeek Harness 深度解析

码道开发者社区

【AI 业务流架构师】AI 业务流架构师方法论：Agentic AI 范式转移与业务编排思维

2026 年，Anthropic CEO Dario Amodei 在 Code with Claude 大会上的一个判断广为流传：一个人运营一家十亿美元级公司的概率是 70%–80%。这句话听起来像科幻小说的设定，但它背后是一个正在发生的结构性变化——AI 把"执行"的成本压到了历史低点，同时把"编排"的价值推到了前台。这意味着我们需要一套新的思考框架，来回答两个问题：一个人如何拥有一个公司的产

码道开发者社区

所有评论(0)

查看更多评论

weixin_30617695

@weixin_30617695

已为社区贡献221条内容

用智能体一键生成ComfyUI工作流并配置局域网访问指南

weixin_30617695

1. 背景与核心概念

1.1 什么是 ComfyUI 工作流

1.2 什么是 Workbuddy

1.3 什么是 Codex

1.4 为什么要把它们组合起来

2. 环境准备与版本说明

2.1 安装 ComfyUI

2.2 安装 Codex CLI

2.3 准备 Workbuddy

2.4 项目目录结构

3. 理解 ComfyUI 工作流：一张图就是一份 JSON

3.1 API 格式与前端格式的区别

3.2 最小文生图工作流 JSON 拆解

3.3 工作流文件放到哪里

4. 一句话生成 ComfyUI 工作流

4.1 给智能体输入什么

4.2 用 Codex 生成工作流 JSON

4.3 用 Python 脚本校验生成结果

4.4 在 Workbuddy 里配置自定义指令

5. 通过 ComfyUI 接口提交工作流

5.1 获取 API 格式工作流

5.2 使用 Python 提交任务

5.3 自动生成到指定文件

6. ComfyUI 局域网连接配置

6.1 为什么局域网无法访问

6.2 修改监听地址

6.3 防火墙与端口检查

6.4 局域网访问的验证流程

6.5 局域网连接常见故障排查

7. 实战：完整串联案例

7.1 需求描述

7.2 操作步骤

8. 常见问题与排查思路

8.1 Codex 生成的工作流跑不通

8.2 Workbuddy 没有按指令输出 JSON

8.3 ComfyUI 局域网能打开页面，但提交任务报错

8.4 Codex 调用模型接口失败

9. 最佳实践与工程建议

9.1 工作流 JSON 尽量走 Git 管理

9.2 模板先行，智能体后改

9.3 模型路径与环境隔离

9.4 局域网访问要控制暴露范围

9.5 自定义指令模板化

9.6 生成后必须做人工验证

10. 总结与后续学习建议

所有评论(0)

温馨提示：您尚未绑定手机号

weixin_30617695