企业官网建设流程全解析

AI短剧最近有多火，不用我多说。不少做内容团队的朋友可能都尝试过本地ComfyUI生成视频，但大多数人都卡在一个尴尬的阶段：单张图能出，单段视频也能出，可一旦要凑齐一部短剧的二三十个分镜，手动在ComfyUI里一个节点一个节点地点，人就直接麻了。我自己也是从这条路过来的，算了一笔时间账之后就决定必须做点什么——这才有了用WorkBuddy调度本机ComfyUI做批量视频生成流水线这件事。

这套方案跑通之后，我生成AI短剧的分镜片段基本不再占用整块的盯屏时间，把所有分镜按脚本排好队，一觉醒来就收素材。严格讲，它不是那种动辄上百万的影视生产线，而是“一部普通显卡的电脑 + 两个开源软件 + 一套调度思路”就能跑的实用流水线。这篇文章把我的完整做法、实测耗时数据和踩过的坑都写成文字，给想把手头机器变成“AI短剧出片车间”的人做个参考。

1. 项目概述与整体思路

1.1 AI短剧出片的真实痛点是什么

先别急着聊WorkBuddy和ComfyUI，先说我之前手动出片的状况。AI短剧的镜头和普通短视频不一样，它是按脚本走的：每个场景要出角色图，还要让角色动起来，经常还会补几个不同角度的画面，最后剪辑时再配音、配字幕。这里面的工作量远超“随手生成几条动态图”。

举个例子，一部常见的3分钟AI短剧，镜头数少说30个，多则五六十个。假设你手动在ComfyUI里跑图生视频，一条3-4秒的动态片段生成可能要等待2到5分钟不等。如果你在电脑前守着，哪怕只是傻等，半小时也就搞定10条，期间还不能分心去干别的。更耗时间的是中途调整环节——哪个环节卡模型了、哪个节点参数不对，都要处理，处理完继续等。一天下来，有效产出可能只有10多条可用的镜头，这种效率根本没法满足连载更新需求。

这就是整个项目的出发点：把人工干预的机会压到最低，让机器按清单干活，把“人在盯”变成“人等结果”。

1.2 为什么选择本机ComfyUI作为生成引擎

AI视频生成可以选择云端工具，也可以选择本机ComfyUI。我的选择是本机ComfyUI，原因很简单：安全、可控、低成本。

ComfyUI是一个节点式工作流工具，你可以把整个生成过程拆成可视化节点，文生图、图生视频、视频帧插值等操作都能在同一个工作流里串起来。它对硬件的容忍度也比很多人想象中高，8GB显存级别的显卡就能跑基础模型，16GB显存可以上比较新的视频生成模型。这意味着只要手里有一台游戏级显卡的电脑，基本就拥有了一个“免费的本地视频工作室”。

用云端服务当然省事，但AI短剧这种批量制作场景，云端成本算下来并不便宜。一条视频消耗的计算量比你想象的大，几十条镜头叠加起来，订阅额度可能撑不到三五天。本机ComfyUI虽然有“一次性购买硬件”的成本，但后续每出一张图、一条视频，边际成本几乎可以看作零——这正是“零成本批量流水线”里最核心的逻辑。

1.3 WorkBuddy在整条流水线里扮演什么角色

ComfyUI解决“生成”问题，那谁来负责“调度”？我选的是WorkBuddy。WorkBuddy本质上是一个AI智能体工作台，它能配置技能、定义自动化流程、按顺序调用本机的应用或脚本。你可以简单把它当成一个“管家”，给ComfyUI派活并检查结果。

我见过不少人在本地把ComfyUI玩得很熟，但自动化这一步始终没迈出去，总觉得批量调用要写复杂的Python程序、搭消息队列。其实门槛没那么高。WorkBuddy提供了比较直观的Skill配置方式，允许你定义任务脚本、传入参数、执行命令并获取结果。你不需要去改ComfyUI源码，只需要利用它自带的API，把工作流变成“可以被外部程序呼叫的接口”，剩下的排队、等待、重试、记录产出，全都可以交给WorkBuddy处理。

这样一来，整个流水线的架构图就清晰了：脚本编写剧本分镜清单 → WorkBuddy读取清单 → 逐个调用ComfyUI的API → ComfyUI完成生成并把视频写入指定目录 → WorkBuddy检查文件是否存在、大小是否正常 → 记录结果并继续下一个任务。人工只需要处理第一条任务的成功与否，确保链路是通的，剩余的就交给机器。

2. 环境准备：先把ComfyUI和WorkBuddy的地基打好

2.1 ComfyUI部署选型：官方版还是整合包

本地部署ComfyUI，第一件事是决定用官方源码还是整合包。我的建议是，如果你对Git和Python环境有基本了解，直接使用官方分支，目录结构清晰、插件更新也方便；如果只是想省事，用秋叶整合包这类一键包也完全可以，它在国内网络环境下解决了大量依赖下载问题。

官方部署的流程不复杂：环境中需要有Python 3.10以上版本，然后执行git clone拉取ComfyUI源码，在根目录通过requirements.txt安装依赖。装完之后运行python main.py，默认服务就会在8188端口启动。需要注意一点，首次启动后不要急着装大模型，先把ComfyUI-Manager装上。这个插件是管理后续一切节点的“应用商店”，后续要加什么新模型、新节点，大部分都能通过它一键安装。

整合包的逻辑就更直接了：解压即用，内置了Python运行环境和大部分常用插件。但整合包也有它的弊端——目录结构经过封装，如果以后你想改比较底层的东西，查找文件会比官方版麻烦一些。我的个人建议是，如果你只是做视频生成这件事，没有深度改造需求，秋叶整合包完全够用；如果以后想写自定义脚本，从官方版开始会让你对文件结构更有底。

2.2 为保证AI短剧质量，必须准备哪些插件和模型

ComfyUI装好只是空壳，要让AI短剧出片，还要补两块东西：生成角色和场景的图片模型，以及让图片动起来的视频模型。

图片模型优先选绘图效果好的写实大模型，在Civitai这类社区里能找到很多非常成熟的版本，比如各类写实SD1.5或SDXL风格的模型。我实测下来，SD1.5系写实模型在角色稳定性上依然很能打，而且它对显存的要求更低；SDXL系画质更好，但出图速度稍慢，对显卡要求也更高。你可以按自己的机器配置选，不必盲目追新，关键看角色一致性是否满足你的短剧脚本需求。

视频模型这一环，目前主流选择有SVD、LTX-Video、以及动捕能力更强的AnimateDiff路线。如果只是想快速产出动态镜头，LTX-Video这类新模型的生成速度和画质都很均衡，一次可以生成数秒连续内容；SVD则擅长小幅自然运动，比如角色眨眼、轻微转头的场景，很适合特写镜头。模型准备好后放到ComfyUI的models下对应目录里，之后再按需安装VideoHelperSuite、AnimateDiff等节点插件。

顺带一提，安装模型遇到“缺模型导致流程报错”是非常正常的现象。工作流里任何一个小节点用到某个模型，而你本地没有，执行就会中断。排查的思路是看控制台报错信息，它通常会明确告诉你缺的是哪个目录下的哪个文件，把对应模型下载放进去即可。

2.3 WorkBuddy安装与Skill配置要点

WorkBuddy同样需要安装到本机。不同版本或发行渠道的WorkBuddy菜单布局可能会有差异，但核心逻辑一致：先配置一个“工作区”，然后定义Skill技能来执行任务。你可以在工作区里维护自己的脚本、提示词模板和任务清单，在Skill里写清楚“输入什么参数、执行什么命令、产出的文件去哪里找”。

以我目前的配置为例，我建了一个名为comfy_task的Skill，它的核心脚本逻辑是这样的：

# 伪代码示意：读取任务清单，按行调用ComfyUI API for task in tasks: # 调用ComfyUI的 /prompt 接口提交工作流 response = curl -X POST http://127.0.0.1:8188/prompt -d task_payload # 轮询 /history 接口，等待生成完成 while not task_finished(response.task_id): sleep(5) # 检查输出目录里是否出现了符合规则的新文件 if new_file_exists(expected_path): record_success(task.id) else: record_failure(task.id)

当然，实际使用中你未必需要像我一样直接写脚本，WorkBuddy里如果提供了可视化流程编排界面，也可以用积木式节点完成类似流程。但有一条核心原则不会变：你必须确保ComfyUI的API能收到任务、能返回任务ID，并且WorkBuddy能通过这个ID查询到完成状态。这个链路打通了，自动化就成立了一半。

3. 从手动出片到批量流水线的实际搭建

3.1 先把ComfyUI里的单个视频片段跑通

很多人一开始就想着全自动，结果连手动工作流都还没验证过，批量调度一跑就各种报错。我的习惯是，第一步永远是在ComfyUI界面里手动跑通一个最简短的链路。

比如我先跑一个“文生图 → 图生视频”的典型短剧镜头：第一段，输入提示词生成一张角色半身图；第二段，把这张图输入到视频模型节点，生成一段人物轻微动态的视频。这一步的目的不是追求作品质量，而是确认节点的参数是合理可用的，模型没有报错，最终的视频能正常写入output目录。

跑通以后还有一个关键动作：把这个工作流保存下来，再导出成API格式。ComfyUI导出API格式后，你不需要再通过界面拖节点，而是可以把这个完整工作流当作一个JSON去请求。这一步很关键，它相当于把GUI里的画图操作，变成了一个“可编程接口”。

我建议在这个阶段把你最常用的镜头模板做出来，比如“角色半身动态特写模板”“人物走位中景模板”“物件场景动态模板”。每个模板对应一套稳定的节点连接方式和参数预设。未来短剧脚本里无论镜头怎么变，基本都能从一个模板里微调，而不必每次都从空白画布开始。

3.2 把工作流变成“可被呼叫的API”

手动跑通后的下一个动作，是验证API请求是否正常发出。

这里要提一下ComfyUI的设计逻辑：它默认启动时，除了界面本身，还会监听一个HTTP端口，允许外部程序提交任务。你在界面里按的那个“Queue Prompt”按钮，本质上也是向这个端口发送了一个请求。所以就算你没有深入读过它的源码，只需要按它的格式来构造请求体，就能做到“程序变法代替鼠标点击”。

实际操作中，常用的方法有三种：

1. 直接使用HTTP请求调用接口，提交上面导出的API格式JSON，然后用WebSocket或history接口来查询执行进度；
2. 在ComfyUI所在电脑上写一个小型的Python脚本，封装一个函数，传入工作流路径和参数修改项，返回任务ID；
3. 让WorkBuddy直接把这个脚本当作外部工具来执行，从而间接完成对ComfyUI的调度。

我最终采用的是第三种组合方式：用Python封装了一个comfy_api.py脚本，里面包含提交任务、等待完成、校验输出文件三个环节。WorkBuddy只需要调用Python脚本，传入不同的参数值，就可以让ComfyUI执行不同的生成任务。这样做的好处是，WorkBuddy不关心ComfyUI内部细节，只关心脚本返回的“成功/失败/文件路径”，解耦很干净。

3.3 在WorkBuddy里设计批量任务编排

调度能力真正发挥作用的地方，就是批量任务编排。

我通常会用结构化的方式维护一份任务清单，就像给剧组排通告单一样。例如一个大纲里会写明每个镜头的序号、所属场次、角色描述、画面内容提示词、动作参数、以及期望生成的文件名。这份清单可以直接是CSV、JSON，甚至Markdown表格，WorkBuddy的Skill会一列一列读取，然后逐条提交给ComfyUI。

编排有几个细节值得注意。第一个是“串行执行还是并行执行”。如果你的显卡显存不大，我建议串行。并行提交多个任务到同一张显卡上，显存很快就会被撑爆，WorkBuddy会看到一堆失败的任务，你还得手动清理ComfyUI队列。我自己一开始就吃过这个亏：贪快并行3个任务，显卡直接OOM，三个任务全军覆没，白白浪费半小时。后来我改成串行，虽然单条生成时间没变，但整体成功率和设备稳定性都大幅提升。

第二个细节是“失败重试”。批量任务跑起来后最怕的不只是失败，而是失败之后自动跳过。WorkBuddy配置重试逻辑后，一旦检测到任务超时或输出文件异常，会把任务重新放入队列再跑一次。这个设计很重要，因为长任务偶发失败很常见，重试一次往往就能正常通过。

第三个细节是“阶段隔离”。我会把生成任务分成两批：先批量出角色图，再批量图生视频。为什么不能一起跑？因为图和视频的模型切换在ComfyUI里会消耗资源，图生视频链路里其实也会重新调用图片模型，如果两批夹杂在一起跑，每次都要加载不同的模型文件，时间反而更长，而且加载模型时显存峰值很容易爆。先跑图，再跑视频，可以让每一阶段只加载这一阶段最需要的模型，效率和稳定性都更好。

3.4 输出命名与目录规范，决定了后期效率

最后说一个很多人容易忽视的细节：输出文件的命名和目录规范。别小看这件事，当你一次性生成几十个文件，而每个文件的默认名都是一串随机哈希的时候，拼接和整理素材会让你疯掉。

我用的命名规则是：镜号_场次_角色_动作_画面比例_序号.mp4。比如：

SHOT_002_SCENE_01_CHAR_LI_STAND_TALK_9x16_01.mp4 SHOT_003_SCENE_01_CHAR_LI_TURN_LOOK_9x16_02.mp4

ComfyUI工作流里可以通过修改保存节点的文件名前缀来实现这一点，WorkBuddy在调用每次任务时，也会把这个规则作为参数传给ComfyUI。这一步做完，后期剪辑时，我在素材管理器里按镜头号一排序，素材顺序一目了然，不需要手动改名。

目录方面，我会在ComfyUI的output目录下按“短剧名/集数/镜头类型”建好子目录，这样每次生成的内容自动归类，回看和替换版本也很方便。

4. 耗时实测与零成本逻辑

4.1 我的实测环境与基础数据参考

我不喜欢给那些“用自己的高端显卡跑出来的虚无数据”背书，所以直接说我自己的实测环境：RTX 4060 Ti 16GB显卡、64GB内存、Win11系统，ComfyUI采用官方源码部署。这个配置在目前玩AI视频的圈子里属于中低档偏家用，如果你显卡比我好，速度只会更快；比我差，参考价值也还能成立。

我用四类有代表性的任务做了多次采样，取稳定值记录如下：

先解释一下“帧数”和“时长”的关系。AI视频模型是逐帧生成的，97帧内容，如果以24帧/秒播放，大约就是4秒钟的画面。这个规格对短剧来说比较实用：太短的内容放出来观众还没看清就切了，四个多秒的镜头在剪辑里可以配合不同节奏使用。

从上表能看出来，文生图的耗时几乎可以忽略不计，大头全部在图生视频环节。一个4秒镜头基本要花4分钟左右，30个镜头全部串联，理想情况下是2小时出头。如果你有15秒长镜头需求，时间会成倍上涨。

4.2 手动模式 vs 流水线模式：时间都省在哪里

有人可能觉得，流水线只是“替你点了按钮”，生成时间又不能省，节省的时间有限。但实测下来的结果完全不是这样，核心原因是手动模式下的“隐形时间损耗”远比正常生成时间多。

先看手动模式的时间消耗。每次生成一条视频，你要在ComfyUI里确认节点参数、拖入刚生成的图片、点击队列等待生成，期间不能走开太远。视频模型生成期间，显卡占满，你也干不了其他吃显存的工作。生成完以后，还要打开输出文件夹，找到那个命名混乱的文件，确认效果，手动改名并移动到项目目录。这一整套动作下来，哪怕生成本身只用3分钟，人工操作和等待时间叠加，一条素材少说占掉你十分钟。

流水线模式下，我可以在任务启动前把30个镜头的参数全部配好，然后让WorkBuddy逐条跑。期间我完全不碰鼠标，去写脚本、处理配音、睡觉都可以。30条素材，包括偶尔的重试，大概2.5小时全部完成，并且文件名和目录都已经按规范放好。

换句话说，手动模式下30条镜头需要消耗我一整个下午，流水线模式下只占用了2个多小时的显卡算力，人工时间几乎等于零。对做内容的人来说，这种省下来的时间成本，远比所谓“电脑变快了”要有价值。

4.3 “零成本”到底怎么算才靠谱

标题里写的零成本，肯定有人质疑：你显卡不要钱？电费不是钱？所以我这里把“零成本”的边界说清楚：它指的是软件授权和生成费用的零成本，而不是“完全不花钱”。

ComfyUI是纯开源软件，模型基本全部来自公开社区，个人创作使用没有额外授权费用。WorkBuddy的基础调度能力也不需要额外买服务。也就是说，只要硬件设备已经在你手上了，每多生成一条视频的边际成本就是电费，几乎可以忽略不计。对照同样的量在云服务商的出图出视频费用，一套短剧三十个镜头，累计费用可能几百上千，本地流水线基本就是一块钱电费的事。

但这也是有前提的。第一，你必须有本地显卡，哪怕是最低配的人门卡；第二，你得愿意接受等待时长，不能要求秒出大师级长镜头;第三，“零成本”不代表零学习成本，前面那套环境搭建、任务编排、工作流调试都需要时间。你可以理解为：用一点时间成本，换来长期的制作成本归零。

5. 踩坑记录与排查心得

5.1 高频问题速查表

这套流水线跑起来后，遇到的高频坑我整理成了速查表，方便大家定位问题：

这些条目每一条背后都有一段比较长的排查过程，但解决办法基本都围绕着一个思路：先简化环境、再做局部替换。尤其是文件命名混乱和输出路径错误这类问题，很多人一开始根本意识不到，往往因为一个小疏忽，让自动脚本跑了半小时产出一堆不可用素材，前功尽弃。

5.2 我被最深的几个坑坑到怀疑人生

第一个坑是显存溢出后ComfyUI的“僵尸任务”。有一次我批量跑了十几条任务，中间某个任务因为分辨率设置不当把显存撑爆了。结果ComfyUI并没有把出问题的任务自动踢出去，队列里一直停着一个“跑不完”的任务，导致后面所有任务全部卡住。我后来在脚本里增加了一个硬性超时逻辑：如果任务超过预设时间阈值仍未完成，就自动调用ComfyUI的打断接口把任务清掉，然后重新启动下一个任务。这一步之后，流水线的稳定性才算真正及格。

第二个坑是模型切换导致的隐性耗时。一开始我把图任务和视频任务全放在一个大队列里，结果每次切换模型时，ComfyUI都要重新加载大文件模型，单个任务之间凭空多出半分钟到一分钟的空转。批量跑30个任务，就多了将近20分钟的无效等待。解决办法前面说过，就是“阶段隔离”——图和视频分开跑两批，避免反复加载不同模型。

第三个坑更隐蔽：WorkBuddy脚本里我使用了相对路径来检查输出文件，而ComfyUI的工作目录和脚本工作目录不一致，导致脚本永远找不到生成文件。这种问题一般不报错，看起来像是“任务还在跑”，实际上是脚本的路径判断直接失效了。从那以后我所有涉及的路径全部使用绝对路径，并要求ComfyUI输出目录也通过配置文件统一维护，再没出现过这个问题。

5.3 排查思路和方法论小结

踩过这些坑之后，我沉淀出几个通用的排查习惯。

第一个习惯是把问题范围缩小。批量任务失败时，我通常会先挑其中一个任务手动拿到ComfyUI里跑一遍，如果手动执行成功，那么问题基本出在调度侧，比如参数格式、脚本逻辑；如果手动执行也失败，问题基本出在工作流或模型侧，跟WorkBuddy无关。这一步能快速切分责任范围，避免在错误的地方浪费大量时间。

第二个习惯是保留完整日志。WorkBuddy执行任务时，我会让它把每次请求的完整响应、任务ID、消耗时间、输出路径全部追加写入日志文件。排查问题时，日志比记忆靠谱得多。尤其是任务列表很长的时候，没有日志你会迷失在“到底跑到了哪一条”的混乱里。

第三个习惯是“小批量验证”。每次改动脚本或工作流后，我不会立刻跑完整30条，而是先挑两条验证，确认路径、时长、文件命名都正常，再放开跑大任务。这个小习惯帮我省下过至少两次通宵重跑的成本，各位一定不要跳过。

6. 一些个人体会

整套系统跑通以后，我最大的感受是：AI短剧的批量生产，拼的已经不再是“谁能用好模型”，而是“谁能让工具稳定地连续工作”。WorkBuddy调度ComfyUI这个组合真正解决的问题，是把“生成能力”和“流程控制”粘合在一起，让创作者把精力放到剧本和分镜创意上，而不是守在显卡旁边当操作工。

如果你也想复现这套流水线，我的核心建议是先不要追求一步到位。先跑通一条完整的视频生成链路，确认出片效果；再手动调用一次API，确认程序能与ComfyUI对话;最后才让WorkBuddy接管批量任务。每一步都验证过再往下走，你会发现整个过程虽然慢，但几乎没有返工。

最后再分享一个实用小技巧：把常用短剧镜头模板固定下来后，记得给模板里的关键参数留出“可替换变量”，比如角色描述、画面比例、动作标签。WorkBuddy每次调用同一个脚本，只替换这些变量的值，就能源源不断产出风格统一但内容各异的短剧素材。这套做法的扩展空间很大，接下来我正打算把音频对白和字幕生成也接入同一个调度体系，让AI短剧的后期环节同样走进流水线。