尧图网页设计 
简介面向 ComfyUI 与 QwenImageEdit 用户的多角度剧情分镜图生图工作流适合需要批量生成连贯剧情分镜画面的创作者、AIGC 爱好者及 ComfyUI 进阶学习者。资源包内共 1 个文件为可直接导入的 JSON 工作流文件约 12KB通过节点化配置将 QwenImageEdit 的图像编辑能力与多角度分镜需求结合省去手动搭建复杂节点流程的繁琐步骤。目前已有 595 人学习浏览。导入后即可查看完整节点连接与参数设置可在此基础上调整镜头角度、角色一致性及画幅构图快速产出多角度剧情分镜图同时可结合描述中提供的 CSDN 配套教程与开源项目文档理解底层 TauriDjango 调用逻辑便于二次开发或迁移到自己的 ComfyUI 环境中对提升图生图流程效率与分镜创作质量有明显帮助。1. ComfyUI 里做多角度剧情分镜这份 QwenImageEdit 工作流文件能干什么画完主视图再拿 ControlNet 重绘换机位角色变形、背景穿帮是常态。如果你在 ComfyUI 里做剧情分镜也卡在这一步这份 QwenImageEdit 多角度剧情分镜图生图工作流c0144.json值得往下看它走指令式编辑路线输入「侧面平视」「低角度仰拍」这类自然语言模型直接在原图上重绘出新机位角色身份和画面风格保持住不用手动抠线稿、描深度图。资源本体是一个可直接导入 ComfyUI 的 JSON 工作流运行依赖 QwenImageEdit 插件与模型权重解决的是分镜里最耗时的「换机位不换角色」。适合漫画分镜作者、短剧脚本可视化、独立游戏概念设计以及需要批量出分镜的插画团队。新手能照下文跑通第一组分镜熟手能改模板和采样参数接进批处理。后文的环境准备与避坑排查是我跑这类工作流踩过之后的整理。2. 为什么要用 QwenImageEdit 做分镜模型选型与 ComfyUI 环境准备2.1 指令式编辑和 ControlNet 重绘的本质区别先讲传统路线的边界。ControlNet 加 img2img 是结构控制用 depth、lineart、pose 这类条件图锁住构图prompt 只负责风格和内容。这套组合做局部重绘、换风格非常稳但一旦要换机位就露馅——机位变了意味着构图信息全变了你得先为每一个新视角重新生成一张符合透视关系的条件图。放到分镜流程里这一步基本等于重画省下的时间全搭回条件图制作上。所以传统 ComfyUI 换机位工作流的痛点不在采样在「新角度的条件图谁来做」。QwenImageEdit 换了一个范式。它本质是基于 Qwen 图像基座的指令式编辑模型输入是「原图 编辑指令」输出是编辑后的新图。模型自己判断指令里的“谁要动、哪里动、怎么动”不需要你提供任何结构条件图。代价是结构可控性变弱它不像 ControlNet 逐像素锁构图存在自由发挥的空间。但“语义控制”恰好是分镜业务需要的抽象——分镜脚本本身就是语言“镜头切到主角左侧 45 度过肩拍背影”。把这句话直接塞给模型比手动为每个机位重做 condition 图快一个数量级。这个取舍想清楚了后面调参才不会跑偏。2.2 环境准备ComfyUI 本体、插件与模型权重环境搭建上新手最快路径是装秋叶一键整合包ComfyUI 本体、Python 环境和常用节点都打包好了老手习惯 git clone 官方仓库自己建 venv。两条路都能走关键在后面两步装 QwenImageEdit 节点插件、放模型权重。插件可以在 ComfyUI Manager 里搜关键词「Qwen Image Edit」安装也可以直接克隆到 custom_nodes 目录后重启。# 已有 Git 环境的做法克隆插件并安装依赖 cd ComfyUI/custom_nodes git clone QwenImageEdit插件仓库地址以 ComfyUI Manager 搜索结果为准 cd 插件目录 pip install -r requirements.txt # 模型权重放到 models 下对应目录具体路径以插件 README 为准 mkdir -p ../models/checkpoints # 将 qwen-image-edit.safetensors 手动放入该目录这里有个细节插件仓库地址各家镜像比较多我不写死在 Manager 里搜最稳。模型权重体积不小手动下载放置比依赖 ComfyUI 自动下载靠谱后者的下载通道经常卡在半路第 5 章有对应排查。文件名最好和工作流 JSON 里引用的一致不一致就改加载节点 widget 里的 model_name 字段别去改 JSON 里的连接关系。2.3 显存VRAM评估与运行预期跑这类指令编辑模型1024 分辨率下 BF16 加载加推理大约要 14 到 18G 显存。16G 显卡是舒适区12G 用 --lowvram 也能动但速度和体验会打折。显存紧张时优先降输入分辨率到 768或者把步数压到 20不要一上来就开批量四张那是在给翻车创造条件。# 显存吃紧时的启动参数 python main.py --lowvram --maximum-vram-use 4.0注意力优化不是刚需但值得试。常见的是装 SageAttention对长序列注意力有加速和降显存的效果。安装命令各家文档不太一样装不上不影响出图可以先跳过。我一般先把工作流跑通之后再回头优化速度顺序搞反了容易陷入“环境没配好就怀疑模型有问题”的死循环。出图速度方面1024 分辨率 30 步40 系显卡一张大概 1 到 3 分钟这个量级对分镜批产是可接受的。3. 把 c0144.json 工作流跑起来节点结构与出图流程拆解3.1 导入工作流解压、拖拽与红节点诊断先解压 c0144.rar 取出 c0144.json。这个资源包对应作者博客《ComfyUI 使用教程、开发指导、资源下载》里的 c0144 条目下载回来解压即得。导入 ComfyUI 有两种方式把 JSON 文件直接拖到画布或者点 Workflow → Open 选择文件。导入后如果出现红色节点块说明对应自定义节点没装先别怀疑文件坏看第 5 章第一条。# 解压资源包Windows 和 Linux 通用 unrar x c0144.rar # 没装 unrar 的话用 7z 也可以 7z x c0144.rar导入前可以先校验 JSON 格式避免文件损坏导致 ComfyUI 直接无响应。用 Python 的 json 模块做一次解析顺便把节点清单打出来一眼就能看出这个工作流由哪些节点组成和你装的插件是否匹配。import json with open(c0144.json, r, encodingutf-8) as f: data json.load(f) # UI 导出的工作流是 {nodes: [...]}API 格式是 {node_id: {...}} nodes data.get(nodes, []) if isinstance(data, dict) else data for n in nodes: print(f{n.get(type, ?):36s} | {n.get(title, )})这段脚本把每个节点的类型和标题列出来。重点看两类一类是 QwenImageEdit 相关的加载节点和文本节点插件提供另一类是 KSampler、VAEDecode、SaveImage 这些内建节点。如果工作流引用了环境里不存在的节点类型ComfyUI 导入后就会在这类地方弹红块输出清单里也会直接暴露缺失项。3.2 核心节点链输入图、指令文本、采样器与解码输出典型的 QwenImageEdit 图生图链路是LoadImage 输入原图 → 加载节点读入模型和文本编码器 → 指令文本节点编码编辑要求 → 采样器在隐空间扩散 → VAEDecode 解码 → SaveImage 落盘。c0144.json 里这些连接已经接好需要动的参数不多按优先级排如下。节点作用需要动的参数LoadImage载入原画或参考帧切换新分镜原图QwenImageEdit 加载节点载入模型权重与文本编码器model_name 选择权重文件指令文本节点承载编辑指令每次换机位就改它KSampler隐空间扩散采样steps、cfg、denoise、seedVAEDecode SaveImage解码并输出图片输出文件名前缀采样参数决定了出图上限。我一般先把 denoise 放 0.65 附近跑通再往 0.7 到 0.8 调。denoise 越高模型自由发挥越大机位变化更明显但角色越容易漂太低则变化不明显等于原地微调。steps 用 30 够用cfg 在 5 到 7 区间seed 固定方便对比。这些参数 c0144.json 应该都带初值先跑通再动别一上来就追求“最佳参数”。3.3 指令文本的结构把相机语言翻译成编辑指令这个工作流的核心操作只有一个把机位描述写成编辑指令。Qwen 系模型对中文理解不错但镜头术语有歧义。我的建议是“中文描述方向、英文标术语”比如保持角色面貌、服装、场景光照不变将镜头改为 over-the-shoulder 视角从角色左后方 45 度拍摄中景背景轻微虚化。中文负责语义锚定英文负责术语精确实测命中率更高。提示一个指令只做一件事。先写「保持…不变」做锚定再写「将镜头改为…」做变化不要在同一条指令里同时要求换机位、换服装、加滤镜。指令叠加越多模型越容易顾此失彼。为什么不写负面提示词指令编辑模型通常不按 negative prompt 那一套工作它只按正面指令理解任务。与其在负面里堆“不要变形、不要多手指”不如把正面指令写清楚。这是它和常规 txt2img 工作流差别最大的地方也是新手最容易拿旧习惯套的地方。4. 多角度剧情分镜实战从单张原画到五视角分镜4.1 输入图准备分辨率、构图与一致性边界输入图质量直接决定分镜下限。这类编辑模型对低清、模糊、噪点多的原图容忍度差常见翻车是原图本身糊模型自作主张“补”出一堆错误细节。我的习惯是输入图分辨率控制在 1024 以内但不低于 768主体放在画面偏中位置背景先别堆复杂纹理用干净场景测机位再上复杂场景。这样能把变量控制在“机位变化”这一个维度上。角色一致性还有一个容易被忽略的点单张原图提供的信息量有限尤其从正面转到背面这种大角度变化模型没见过角色背面长什么样只能猜。常见补强做法是给模型附加第二张参考图——前一个镜头里同角色的其他角度。插件支持多图输入的话把参考图接进加载节点的附加输入指令里加一句“以参考图中的角色特征为准”能明显减少“换个角度换个脸”的尴尬。4.2 五视角指令模板景别、机位、镜头运动下面五个是剧情分镜最常用的视角直接抄。前缀锚定句都一样「保持角色的五官、发型、服装、场景光照和整体画风完全不变」后面接各视角的机位描述。剧情用途相机描述完整指令示例建立镜头全景正面平视保持…完全不变镜头拉远到全景正面平视交代角色与场景的空间关系对话镜头中景过肩视角保持…完全不变镜头改为 over-the-shoulder从角色A左后方 45 度拍摄前景带角色A肩部焦点在角色B情绪特写特写机位微仰保持…完全不变镜头切到角色面部特写机位微微仰起背景大虚化突出眼神压迫感低角度仰拍保持…完全不变镜头改为低角度仰拍角色位于画面上方强化透视与压迫感场面调度高角度俯拍保持…完全不变镜头升高改为俯拍全景呈现角色A与角色B的相对站位和桌面布局模板里的“镜头拉远”“镜头升高”这类运动描述对编辑模型来说不是真的镜头运动而是要求它改变透视关系。效果近似但别期望有视频级运镜。分镜用途下完全够用真要运镜得走图生视频管线那是另一套工作流的事。先把这五个角度跑顺再按剧情需要扩展机位。4.3 批量生成与种子控制让剧情在同一角色上连续五个视角不是逐个手动改指令而是批量做。固定 seed 能让基础采样噪声保持一致换指令时角色特征漂移幅度会小一些。反过来如果某个角度总出崩坏图换 seed 再试也是排查手段——这属于典型的“玄学”多试几个种子挑能用的固定下来。同一批分镜务必用同一颗种子否则角色一致性没法聊。批量做法是复制 JSON 改指令。下面这个脚本遍历分镜指令列表生成 N 份独立的工作流文件之后逐个导入 ComfyUI 排队出图。注意只改指令文本节点里的字符串 widget不要动节点之间的连接关系。import copy import json shots [ 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头拉远到全景正面平视, 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头改为 over-the-shoulder左后方 45 度中景, 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头切到面部特写机位微仰, ] with open(c0144.json, r, encodingutf-8) as f: base json.load(f) for i, shot in enumerate(shots): wf copy.deepcopy(base) for n in wf[nodes]: t n.get(type, ).lower() # 只处理 QwenImageEdit 类节点或非 CLIP 的文本节点 if qwenimageedit not in t and (text not in t or clip in t): continue vals n.get(widgets_values, []) for idx, v in enumerate(vals): if isinstance(v, str) and len(v) 10: vals[idx] shot with open(fshot_{i1:02d}.json, w, encodingutf-8) as f: json.dump(wf, f, ensure_asciiFalse, indent2) print(已生成 3 个分镜工作流文件)脚本逻辑不复杂deepcopy 出原始工作流逐个替换长度大于 10 的字符串 widget——这类值通常就是指令文本因为模型名、文件名、种子这些字段要么是短串要么是数字。但要注意替换完打开生成的文件确认一下被替换的确实是指令节点而不是别的长文本字段。这种“复制工作流改字段”的做法比在界面上手改更可复现每个分镜对应一份 JSON出图结果能归档改版时回到对应镜号重新提交就行。成组校验是最后一步。生成的分镜图要查三项角色身份是否连续五官、发色、服装细节、光照方向是否与原图一致、相邻镜头之间的空间关系是否说得通。三项里角色一致性优先光照方向不对可以后期调角色变了整个分镜就作废。我每次批量出完图会把五个视角拼成一张 contact sheet 再逐项打勾比单张看效率高一倍。5. 避坑排查QwenImageEdit 工作流最常见的五个翻车现场5.1 红块节点 Load Failed插件缺失或版本错位现象拖入 c0144.json 后画布上一片红色节点提示 cannot find node type。原因环境里没装 QwenImageEdit 节点插件或者插件版本太老、太新节点类名对不上工作流里的引用。解决先在 ComfyUI Manager 里搜缺失节点并安装装完重启。还红就点红块看报错里的节点类型全名去插件仓库查这个类型是否改过名回退或升级插件版本对齐。工作流 JSON 里的节点类型名是写死的插件一改名旧工作流就红这是 ComfyUI 生态的普遍现象不是文件本身坏了。dump 节点清单那招第 3.1 节在这里能直接定位缺的是哪个。5.2 角色变成另一个人指令没锁住身份现象机位变了脸也换了出来的角色不是原图那个人。原因指令里只写了机位没写“保持角色身份”。模型拿到一条只描述构图的指令会把重绘当成重新创作。解决把锚定句放到指令最前面明确写“保持五官、发型、服装、光照、画风完全不变”。角色特征最好细化到“黑色长发、红色围巾、深色外套”这个粒度越具体越不容易漂。另一个有效手段是给模型附加同角色其他角度的参考图双保险。这个坑在批量生成时最容易出现因为脚本复制的锚定句一旦写得含糊五张图一起翻车。5.3 CUDA out of memory显存爆掉现象采样跑到一半控制台报 CUDA out of memoryComfyUI 队列卡死。原因1024 输入加 BF16 精度连续多个任务排队显存峰值超了。解决启动参数加 --lowvram第 2.3 节输入图降到 768批量任务拆成单个排队。如果频繁 OOM检查是不是开了多个 ComfyUI 实例互相抢显存。还有一个容易被忽略的点ComfyUI 界面上 Cancel 全部任务后已加载进显存的模型才会释放别只看队列空了就继续加任务。5.4 叠影、多手指、结构崩坏指令矛盾或 denoise 过高现象侧面机位出现正面视角才有的五官或者手指数量不对、身体结构断裂。原因指令里同时带了多个视角描述模型不知道听谁的或者 denoise 开到 0.85 以上自由发挥过头。解决一个指令只做一个机位变化去掉“顺便换个角度又来一个特写”这类叠加描述。denoise 从 0.65 起步单次上调不超过 0.05。必要时换 seed——结构崩坏很多时候是采样噪声和模型的偶然碰撞换颗种子就正常了。这个坑没有通用解本质是编辑模型的结构控制上限遇到就降需求、降 denoise、换种子三连试。5.5 模型下载卡住或找不到权重现象第一次运行提示找不到 qwen-image-edit.safetensors或 ComfyUI 自动下载进度卡在 0%。原因ComfyUI 内置下载走的通道不稳定工作流 JSON 里引用的文件名和你本地文件不一致。解决手动下载模型文件放到 models/checkpoints或插件 README 指定的目录文件名改成和加载节点 model_name 一致不想改文件名就改工作流里加载节点的权重路径。下载源优先用国内镜像站如 hf-mirror 这类站点下载完先核对文件大小再放进去——半截文件会导致加载报错但不是缺文件提示这种“假存在”比直接缺失更坑排查时很容易绕远路。6. 进阶把分镜工作流接进自动化与团队协作分镜需求永远是批量且反复的一集短剧改三版脚本、每版二十个镜头是常态。手动在 ComfyUI 界面切图、改指令、点 Queue治标不治本。进阶做法是把 c0144.json 转成 API 格式用代码提交任务。ComfyUI 自带这套接口菜单里 Workflow → ExportAPI会导出一份可直接 POST 的 JSON配合 --listen 启动局域网内任何机器都能提交任务。# 开启 API 模式局域网可访问 python main.py --listen 0.0.0.0 --port 8188import json import urllib.request def queue_prompt(server: str, api_json_path: str): with open(api_json_path, r, encodingutf-8) as f: prompt json.load(f) payload {prompt: prompt, client_id: storyboard} req urllib.request.Request( fhttp://{server}/prompt, datajson.dumps(payload).encode(), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode()) print(queue_prompt(127.0.0.1:8188, c0144_api.json)[prompt_id])这段代码把工作流提交到 ComfyUI 队列返回的 prompt_id 可以轮询 /history 接口查状态。对团队来说把“镜号、景别、机位、指令文本”维护成一张表脚本按行生成 API 工作流、统一命名落盘比在界面上人肉操作可追溯得多。如果你用的是作者那套 TauriDjango 开源 AI 工具箱博客里《我的AI工具箱TauriDjango开源git项目介绍和使用》那篇这类工作流 JSON 可以作为任务模板接进它的任务管理前端填镜头脚本后端调 /prompt 接口局域网内多台机器排队出分镜。我实际跑下来最大的收益不在出图速度而在“每个镜头都能追溯是哪份 JSON、哪颗种子、哪版指令出的”这是手工操作给不了的后悔药。从那以后我每次拿到外部工作流 JSON 都强制走一遍流程先 dump 节点清单、再核对模型路径、最后用一张低分辨率测试图跑通才会上高清批处理。这套流程帮我挡掉了至少一半的无效翻车希望帮到你。本文还有配套的精品资源点击获取 ComfyUI 多角度剧情分镜工作流：QwenImageEdit 指令式图生图实践
简介面向 ComfyUI 与 QwenImageEdit 用户的多角度剧情分镜图生图工作流适合需要批量生成连贯剧情分镜画面的创作者、AIGC 爱好者及 ComfyUI 进阶学习者。资源包内共 1 个文件为可直接导入的 JSON 工作流文件约 12KB通过节点化配置将 QwenImageEdit 的图像编辑能力与多角度分镜需求结合省去手动搭建复杂节点流程的繁琐步骤。目前已有 595 人学习浏览。导入后即可查看完整节点连接与参数设置可在此基础上调整镜头角度、角色一致性及画幅构图快速产出多角度剧情分镜图同时可结合描述中提供的 CSDN 配套教程与开源项目文档理解底层 TauriDjango 调用逻辑便于二次开发或迁移到自己的 ComfyUI 环境中对提升图生图流程效率与分镜创作质量有明显帮助。1. ComfyUI 里做多角度剧情分镜这份 QwenImageEdit 工作流文件能干什么画完主视图再拿 ControlNet 重绘换机位角色变形、背景穿帮是常态。如果你在 ComfyUI 里做剧情分镜也卡在这一步这份 QwenImageEdit 多角度剧情分镜图生图工作流c0144.json值得往下看它走指令式编辑路线输入「侧面平视」「低角度仰拍」这类自然语言模型直接在原图上重绘出新机位角色身份和画面风格保持住不用手动抠线稿、描深度图。资源本体是一个可直接导入 ComfyUI 的 JSON 工作流运行依赖 QwenImageEdit 插件与模型权重解决的是分镜里最耗时的「换机位不换角色」。适合漫画分镜作者、短剧脚本可视化、独立游戏概念设计以及需要批量出分镜的插画团队。新手能照下文跑通第一组分镜熟手能改模板和采样参数接进批处理。后文的环境准备与避坑排查是我跑这类工作流踩过之后的整理。2. 为什么要用 QwenImageEdit 做分镜模型选型与 ComfyUI 环境准备2.1 指令式编辑和 ControlNet 重绘的本质区别先讲传统路线的边界。ControlNet 加 img2img 是结构控制用 depth、lineart、pose 这类条件图锁住构图prompt 只负责风格和内容。这套组合做局部重绘、换风格非常稳但一旦要换机位就露馅——机位变了意味着构图信息全变了你得先为每一个新视角重新生成一张符合透视关系的条件图。放到分镜流程里这一步基本等于重画省下的时间全搭回条件图制作上。所以传统 ComfyUI 换机位工作流的痛点不在采样在「新角度的条件图谁来做」。QwenImageEdit 换了一个范式。它本质是基于 Qwen 图像基座的指令式编辑模型输入是「原图 编辑指令」输出是编辑后的新图。模型自己判断指令里的“谁要动、哪里动、怎么动”不需要你提供任何结构条件图。代价是结构可控性变弱它不像 ControlNet 逐像素锁构图存在自由发挥的空间。但“语义控制”恰好是分镜业务需要的抽象——分镜脚本本身就是语言“镜头切到主角左侧 45 度过肩拍背影”。把这句话直接塞给模型比手动为每个机位重做 condition 图快一个数量级。这个取舍想清楚了后面调参才不会跑偏。2.2 环境准备ComfyUI 本体、插件与模型权重环境搭建上新手最快路径是装秋叶一键整合包ComfyUI 本体、Python 环境和常用节点都打包好了老手习惯 git clone 官方仓库自己建 venv。两条路都能走关键在后面两步装 QwenImageEdit 节点插件、放模型权重。插件可以在 ComfyUI Manager 里搜关键词「Qwen Image Edit」安装也可以直接克隆到 custom_nodes 目录后重启。# 已有 Git 环境的做法克隆插件并安装依赖 cd ComfyUI/custom_nodes git clone QwenImageEdit插件仓库地址以 ComfyUI Manager 搜索结果为准 cd 插件目录 pip install -r requirements.txt # 模型权重放到 models 下对应目录具体路径以插件 README 为准 mkdir -p ../models/checkpoints # 将 qwen-image-edit.safetensors 手动放入该目录这里有个细节插件仓库地址各家镜像比较多我不写死在 Manager 里搜最稳。模型权重体积不小手动下载放置比依赖 ComfyUI 自动下载靠谱后者的下载通道经常卡在半路第 5 章有对应排查。文件名最好和工作流 JSON 里引用的一致不一致就改加载节点 widget 里的 model_name 字段别去改 JSON 里的连接关系。2.3 显存VRAM评估与运行预期跑这类指令编辑模型1024 分辨率下 BF16 加载加推理大约要 14 到 18G 显存。16G 显卡是舒适区12G 用 --lowvram 也能动但速度和体验会打折。显存紧张时优先降输入分辨率到 768或者把步数压到 20不要一上来就开批量四张那是在给翻车创造条件。# 显存吃紧时的启动参数 python main.py --lowvram --maximum-vram-use 4.0注意力优化不是刚需但值得试。常见的是装 SageAttention对长序列注意力有加速和降显存的效果。安装命令各家文档不太一样装不上不影响出图可以先跳过。我一般先把工作流跑通之后再回头优化速度顺序搞反了容易陷入“环境没配好就怀疑模型有问题”的死循环。出图速度方面1024 分辨率 30 步40 系显卡一张大概 1 到 3 分钟这个量级对分镜批产是可接受的。3. 把 c0144.json 工作流跑起来节点结构与出图流程拆解3.1 导入工作流解压、拖拽与红节点诊断先解压 c0144.rar 取出 c0144.json。这个资源包对应作者博客《ComfyUI 使用教程、开发指导、资源下载》里的 c0144 条目下载回来解压即得。导入 ComfyUI 有两种方式把 JSON 文件直接拖到画布或者点 Workflow → Open 选择文件。导入后如果出现红色节点块说明对应自定义节点没装先别怀疑文件坏看第 5 章第一条。# 解压资源包Windows 和 Linux 通用 unrar x c0144.rar # 没装 unrar 的话用 7z 也可以 7z x c0144.rar导入前可以先校验 JSON 格式避免文件损坏导致 ComfyUI 直接无响应。用 Python 的 json 模块做一次解析顺便把节点清单打出来一眼就能看出这个工作流由哪些节点组成和你装的插件是否匹配。import json with open(c0144.json, r, encodingutf-8) as f: data json.load(f) # UI 导出的工作流是 {nodes: [...]}API 格式是 {node_id: {...}} nodes data.get(nodes, []) if isinstance(data, dict) else data for n in nodes: print(f{n.get(type, ?):36s} | {n.get(title, )})这段脚本把每个节点的类型和标题列出来。重点看两类一类是 QwenImageEdit 相关的加载节点和文本节点插件提供另一类是 KSampler、VAEDecode、SaveImage 这些内建节点。如果工作流引用了环境里不存在的节点类型ComfyUI 导入后就会在这类地方弹红块输出清单里也会直接暴露缺失项。3.2 核心节点链输入图、指令文本、采样器与解码输出典型的 QwenImageEdit 图生图链路是LoadImage 输入原图 → 加载节点读入模型和文本编码器 → 指令文本节点编码编辑要求 → 采样器在隐空间扩散 → VAEDecode 解码 → SaveImage 落盘。c0144.json 里这些连接已经接好需要动的参数不多按优先级排如下。节点作用需要动的参数LoadImage载入原画或参考帧切换新分镜原图QwenImageEdit 加载节点载入模型权重与文本编码器model_name 选择权重文件指令文本节点承载编辑指令每次换机位就改它KSampler隐空间扩散采样steps、cfg、denoise、seedVAEDecode SaveImage解码并输出图片输出文件名前缀采样参数决定了出图上限。我一般先把 denoise 放 0.65 附近跑通再往 0.7 到 0.8 调。denoise 越高模型自由发挥越大机位变化更明显但角色越容易漂太低则变化不明显等于原地微调。steps 用 30 够用cfg 在 5 到 7 区间seed 固定方便对比。这些参数 c0144.json 应该都带初值先跑通再动别一上来就追求“最佳参数”。3.3 指令文本的结构把相机语言翻译成编辑指令这个工作流的核心操作只有一个把机位描述写成编辑指令。Qwen 系模型对中文理解不错但镜头术语有歧义。我的建议是“中文描述方向、英文标术语”比如保持角色面貌、服装、场景光照不变将镜头改为 over-the-shoulder 视角从角色左后方 45 度拍摄中景背景轻微虚化。中文负责语义锚定英文负责术语精确实测命中率更高。提示一个指令只做一件事。先写「保持…不变」做锚定再写「将镜头改为…」做变化不要在同一条指令里同时要求换机位、换服装、加滤镜。指令叠加越多模型越容易顾此失彼。为什么不写负面提示词指令编辑模型通常不按 negative prompt 那一套工作它只按正面指令理解任务。与其在负面里堆“不要变形、不要多手指”不如把正面指令写清楚。这是它和常规 txt2img 工作流差别最大的地方也是新手最容易拿旧习惯套的地方。4. 多角度剧情分镜实战从单张原画到五视角分镜4.1 输入图准备分辨率、构图与一致性边界输入图质量直接决定分镜下限。这类编辑模型对低清、模糊、噪点多的原图容忍度差常见翻车是原图本身糊模型自作主张“补”出一堆错误细节。我的习惯是输入图分辨率控制在 1024 以内但不低于 768主体放在画面偏中位置背景先别堆复杂纹理用干净场景测机位再上复杂场景。这样能把变量控制在“机位变化”这一个维度上。角色一致性还有一个容易被忽略的点单张原图提供的信息量有限尤其从正面转到背面这种大角度变化模型没见过角色背面长什么样只能猜。常见补强做法是给模型附加第二张参考图——前一个镜头里同角色的其他角度。插件支持多图输入的话把参考图接进加载节点的附加输入指令里加一句“以参考图中的角色特征为准”能明显减少“换个角度换个脸”的尴尬。4.2 五视角指令模板景别、机位、镜头运动下面五个是剧情分镜最常用的视角直接抄。前缀锚定句都一样「保持角色的五官、发型、服装、场景光照和整体画风完全不变」后面接各视角的机位描述。剧情用途相机描述完整指令示例建立镜头全景正面平视保持…完全不变镜头拉远到全景正面平视交代角色与场景的空间关系对话镜头中景过肩视角保持…完全不变镜头改为 over-the-shoulder从角色A左后方 45 度拍摄前景带角色A肩部焦点在角色B情绪特写特写机位微仰保持…完全不变镜头切到角色面部特写机位微微仰起背景大虚化突出眼神压迫感低角度仰拍保持…完全不变镜头改为低角度仰拍角色位于画面上方强化透视与压迫感场面调度高角度俯拍保持…完全不变镜头升高改为俯拍全景呈现角色A与角色B的相对站位和桌面布局模板里的“镜头拉远”“镜头升高”这类运动描述对编辑模型来说不是真的镜头运动而是要求它改变透视关系。效果近似但别期望有视频级运镜。分镜用途下完全够用真要运镜得走图生视频管线那是另一套工作流的事。先把这五个角度跑顺再按剧情需要扩展机位。4.3 批量生成与种子控制让剧情在同一角色上连续五个视角不是逐个手动改指令而是批量做。固定 seed 能让基础采样噪声保持一致换指令时角色特征漂移幅度会小一些。反过来如果某个角度总出崩坏图换 seed 再试也是排查手段——这属于典型的“玄学”多试几个种子挑能用的固定下来。同一批分镜务必用同一颗种子否则角色一致性没法聊。批量做法是复制 JSON 改指令。下面这个脚本遍历分镜指令列表生成 N 份独立的工作流文件之后逐个导入 ComfyUI 排队出图。注意只改指令文本节点里的字符串 widget不要动节点之间的连接关系。import copy import json shots [ 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头拉远到全景正面平视, 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头改为 over-the-shoulder左后方 45 度中景, 保持角色的五官、发型、服装、场景光照和整体画风完全不变镜头切到面部特写机位微仰, ] with open(c0144.json, r, encodingutf-8) as f: base json.load(f) for i, shot in enumerate(shots): wf copy.deepcopy(base) for n in wf[nodes]: t n.get(type, ).lower() # 只处理 QwenImageEdit 类节点或非 CLIP 的文本节点 if qwenimageedit not in t and (text not in t or clip in t): continue vals n.get(widgets_values, []) for idx, v in enumerate(vals): if isinstance(v, str) and len(v) 10: vals[idx] shot with open(fshot_{i1:02d}.json, w, encodingutf-8) as f: json.dump(wf, f, ensure_asciiFalse, indent2) print(已生成 3 个分镜工作流文件)脚本逻辑不复杂deepcopy 出原始工作流逐个替换长度大于 10 的字符串 widget——这类值通常就是指令文本因为模型名、文件名、种子这些字段要么是短串要么是数字。但要注意替换完打开生成的文件确认一下被替换的确实是指令节点而不是别的长文本字段。这种“复制工作流改字段”的做法比在界面上手改更可复现每个分镜对应一份 JSON出图结果能归档改版时回到对应镜号重新提交就行。成组校验是最后一步。生成的分镜图要查三项角色身份是否连续五官、发色、服装细节、光照方向是否与原图一致、相邻镜头之间的空间关系是否说得通。三项里角色一致性优先光照方向不对可以后期调角色变了整个分镜就作废。我每次批量出完图会把五个视角拼成一张 contact sheet 再逐项打勾比单张看效率高一倍。5. 避坑排查QwenImageEdit 工作流最常见的五个翻车现场5.1 红块节点 Load Failed插件缺失或版本错位现象拖入 c0144.json 后画布上一片红色节点提示 cannot find node type。原因环境里没装 QwenImageEdit 节点插件或者插件版本太老、太新节点类名对不上工作流里的引用。解决先在 ComfyUI Manager 里搜缺失节点并安装装完重启。还红就点红块看报错里的节点类型全名去插件仓库查这个类型是否改过名回退或升级插件版本对齐。工作流 JSON 里的节点类型名是写死的插件一改名旧工作流就红这是 ComfyUI 生态的普遍现象不是文件本身坏了。dump 节点清单那招第 3.1 节在这里能直接定位缺的是哪个。5.2 角色变成另一个人指令没锁住身份现象机位变了脸也换了出来的角色不是原图那个人。原因指令里只写了机位没写“保持角色身份”。模型拿到一条只描述构图的指令会把重绘当成重新创作。解决把锚定句放到指令最前面明确写“保持五官、发型、服装、光照、画风完全不变”。角色特征最好细化到“黑色长发、红色围巾、深色外套”这个粒度越具体越不容易漂。另一个有效手段是给模型附加同角色其他角度的参考图双保险。这个坑在批量生成时最容易出现因为脚本复制的锚定句一旦写得含糊五张图一起翻车。5.3 CUDA out of memory显存爆掉现象采样跑到一半控制台报 CUDA out of memoryComfyUI 队列卡死。原因1024 输入加 BF16 精度连续多个任务排队显存峰值超了。解决启动参数加 --lowvram第 2.3 节输入图降到 768批量任务拆成单个排队。如果频繁 OOM检查是不是开了多个 ComfyUI 实例互相抢显存。还有一个容易被忽略的点ComfyUI 界面上 Cancel 全部任务后已加载进显存的模型才会释放别只看队列空了就继续加任务。5.4 叠影、多手指、结构崩坏指令矛盾或 denoise 过高现象侧面机位出现正面视角才有的五官或者手指数量不对、身体结构断裂。原因指令里同时带了多个视角描述模型不知道听谁的或者 denoise 开到 0.85 以上自由发挥过头。解决一个指令只做一个机位变化去掉“顺便换个角度又来一个特写”这类叠加描述。denoise 从 0.65 起步单次上调不超过 0.05。必要时换 seed——结构崩坏很多时候是采样噪声和模型的偶然碰撞换颗种子就正常了。这个坑没有通用解本质是编辑模型的结构控制上限遇到就降需求、降 denoise、换种子三连试。5.5 模型下载卡住或找不到权重现象第一次运行提示找不到 qwen-image-edit.safetensors或 ComfyUI 自动下载进度卡在 0%。原因ComfyUI 内置下载走的通道不稳定工作流 JSON 里引用的文件名和你本地文件不一致。解决手动下载模型文件放到 models/checkpoints或插件 README 指定的目录文件名改成和加载节点 model_name 一致不想改文件名就改工作流里加载节点的权重路径。下载源优先用国内镜像站如 hf-mirror 这类站点下载完先核对文件大小再放进去——半截文件会导致加载报错但不是缺文件提示这种“假存在”比直接缺失更坑排查时很容易绕远路。6. 进阶把分镜工作流接进自动化与团队协作分镜需求永远是批量且反复的一集短剧改三版脚本、每版二十个镜头是常态。手动在 ComfyUI 界面切图、改指令、点 Queue治标不治本。进阶做法是把 c0144.json 转成 API 格式用代码提交任务。ComfyUI 自带这套接口菜单里 Workflow → ExportAPI会导出一份可直接 POST 的 JSON配合 --listen 启动局域网内任何机器都能提交任务。# 开启 API 模式局域网可访问 python main.py --listen 0.0.0.0 --port 8188import json import urllib.request def queue_prompt(server: str, api_json_path: str): with open(api_json_path, r, encodingutf-8) as f: prompt json.load(f) payload {prompt: prompt, client_id: storyboard} req urllib.request.Request( fhttp://{server}/prompt, datajson.dumps(payload).encode(), headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode()) print(queue_prompt(127.0.0.1:8188, c0144_api.json)[prompt_id])这段代码把工作流提交到 ComfyUI 队列返回的 prompt_id 可以轮询 /history 接口查状态。对团队来说把“镜号、景别、机位、指令文本”维护成一张表脚本按行生成 API 工作流、统一命名落盘比在界面上人肉操作可追溯得多。如果你用的是作者那套 TauriDjango 开源 AI 工具箱博客里《我的AI工具箱TauriDjango开源git项目介绍和使用》那篇这类工作流 JSON 可以作为任务模板接进它的任务管理前端填镜头脚本后端调 /prompt 接口局域网内多台机器排队出分镜。我实际跑下来最大的收益不在出图速度而在“每个镜头都能追溯是哪份 JSON、哪颗种子、哪版指令出的”这是手工操作给不了的后悔药。从那以后我每次拿到外部工作流 JSON 都强制走一遍流程先 dump 节点清单、再核对模型路径、最后用一张低分辨率测试图跑通才会上高清批处理。这套流程帮我挡掉了至少一半的无效翻车希望帮到你。本文还有配套的精品资源点击获取