# ComfyUI工作流导入教程

把官方基础 UI 工作流完整导入本地画布，逐一核对节点数量、连线与模型下拉选项。

本地结构与素材核验，未执行 ComfyUI 前端导入或扩散/ESRGAN 推理。图像与原 JSON 来源见 provenance.json。所有工作流为 UI 格式 0.4，与 prompt-api.json 分开。权重不打包。

## 使用

1. python check.py
2. 查看 models.csv，按模型出处准备文件。
3. 用本地 ComfyUI 打开 workflow.json，重新选择 Loader 下拉和输入。
4. 自己完成真实小样，填写 acceptance.csv。

## 1. 保存原始下载文件

下载 workflow.json 与 provenance.json，先在编辑器里查看顶层 nodes、links、version。UI 格式具有画布坐标；不要把只有 class_type 和 inputs 的 API 文件拿来替代。保留一份未修改文件便于恢复。

## 2. 检查工作流的来源

读取 provenance.json 的官方源地址与 SHA-256，确认下载的是 JSON 或包含 workflow 元数据的 PNG，而非网页另存得到的 HTML。用 python check.py 验证链接端点，记录 node-count，不因为能解析 JSON 就认定可运行。

## 3. 在画布打开 UI 文件

在本地 ComfyUI 的 Workflows → Open 选择 workflow.json，也可拖到空白画布。对照材料中的节点表：Load Checkpoint、正负提示词、Empty Latent、KSampler、VAE Decode、Save Image 应形成完整链路。

## 4. 处理模型下拉选项

在 Load Checkpoint 选择本机实际存在且与工作流匹配的模型。下载包不包含权重；若下拉列表为空，先停止排队，按照模型文件定位教程检查 models/checkpoints 与启动日志。不要用任意同名文件伪装模型。

## 5. 固定最小练习参数

本次练习先用 512×512、batch_size=1，保留文件里原始 seed 与 sampler；只改正向提示词为自己的小场景。保存为 import-practice.json，不覆盖官方样例。

## 6. 执行后核对实际产物

在硬件与模型均就绪后点击 Queue；读取真实错误或保存的 PNG。检查 Save Image 前的 IMAGE 连接、图片尺寸与文件名，将模型文件、ComfyUI 版本和最终工作流一并留档。本站只验证结构，没有执行扩散推理。

## 7. 用断链文件练习排错

下载 negative-broken-link.json，运行 python check.py negative-broken-link.json；它含真实不存在的链接端点，应被校验器拒绝。恢复 workflow.json 再导入，避免拿失败教材覆盖工作文件。


queue_client.py 默认只查询；--submit 明确触发本地真实推理。batch_manifest.py 仅生成计划，未提交。故障日志、history 响应和空验收栏是教材，不是本站成功实测。

## 官方来源

- https://docs.comfy.org/tutorials/basic/text-to-image
- https://github.com/Comfy-Org/ComfyUI
- https://www.douyin.com/video/7691594447310244330