10分钟上手ComfyUI中文工作流：从入门到精通的AI绘画实战指南

Ne0inhk

22 Mar 2026 — 4 min read

10分钟上手ComfyUI中文工作流：从入门到精通的AI绘画实战指南

【免费下载链接】ComfyUI-Workflows-ZHO 项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-Workflows-ZHO

ComfyUI-Workflows-ZHO是一个专为中文用户打造的ComfyUI工作流集合，包含20+类50+项实用工作流，覆盖FLUX.1、SD3、Stable Cascade等主流AI绘画模型，让新手也能轻松实现专业级AI创作。

为什么选择ComfyUI中文工作流？

ComfyUI作为节点式AI绘画工具，以其灵活性和可定制性深受专业用户喜爱，但复杂的节点配置常常让新手望而却步。ComfyUI-Workflows-ZHO通过预设的中文工作流，将原本需要数小时的配置工作简化为"导入即用"，让你专注于创意而非技术细节。

✨ 核心优势

全中文界面：所有节点参数和说明均已本地化，告别语言障碍
即开即用：无需复杂配置，导入即可生成高质量图像
持续更新：紧跟AI绘画技术前沿，已支持FLUX.1、SD3等最新模型
丰富场景：从基础文生图到3D建模、视频生成全覆盖

快速开始：3步上手AI绘画

1️⃣ 准备工作

首先确保已安装ComfyUI，然后克隆本项目：

git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-Workflows-ZHO

将下载的JSON文件复制到ComfyUI的workflows目录下，启动ComfyUI即可在界面中看到所有中文工作流。

2️⃣ 选择合适的工作流

项目提供多种场景的工作流，新手推荐从以下几个开始：

FLUX.1 SCHNELL 1.0【Zho】.json：最快的文生图工作流，10秒出图
SD3 BASE 1.0【Zho】.json：Stable Diffusion 3基础工作流，平衡速度与质量
Stable Cascade Img2Img【Zho】.json：图片风格转换专用

3️⃣ 调整参数生成图像

以FLUX.1工作流为例，只需修改3个核心参数：

提示词（如："一只可爱的柯基犬，在草地上奔跑，阳光明媚"）
图像尺寸（推荐1024×1024）
迭代步数（20-30步即可获得良好效果）

点击"Queue Prompt"按钮，等待几秒即可生成你的AI绘画作品！

进阶技巧：提升创作质量

💡 提示词优化

中文提示词建议格式：

主体描述，环境描述，风格描述，质量描述 例如："一位穿着汉服的少女，站在古风庭院中，中国风插画风格，8K分辨率，细节精致"

🔧 参数调整指南

采样步数：风景类30-40步，人像类25-35步
CFG Scale：推荐7-9，数值越高越接近提示词但可能失真
种子值：固定种子可保持构图一致性，随机种子带来更多变化

常见问题解决

❓ 工作流导入后节点显示红色怎么办？

这通常是缺少必要插件导致，检查控制台错误信息，安装对应插件即可。推荐使用ComfyUI Manager一键安装缺失节点。

❓ 生成图像模糊如何解决？

确保使用足够的分辨率（至少768×768）
尝试增加迭代步数至30+
使用APISR相关工作流进行图像放大

持续学习资源

项目更新日志：定期新增工作流和功能优化
配套视频教程：B站搜索"ComfyUI中文工作流"
QQ交流群：839821928，获取实时技术支持

无论你是AI绘画新手还是有经验的创作者，ComfyUI-Workflows-ZHO都能帮助你更高效地实现创意。立即开始你的AI绘画之旅，探索无限可能！

【免费下载链接】ComfyUI-Workflows-ZHO 项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-Workflows-ZHO

openclaw使用llama.cpp 本地大模型部署教程

openclaw使用llama.cpp 本地大模型部署教程本教程基于实际操作整理，适用于 Windows WSL2 环境全程使用 openclaw 帮我搭建大模型一、环境准备 1. 硬件要求显卡推荐模型显存占用GTX 1050 Ti (4GB)Qwen2.5-3B Q4~2.5GBRTX 4060 (8GB)Qwen2.5-7B Q4~5GBRTX 4090 (24GB)Qwen2.5-32B Q4~20GB 2. 安装编译工具（WSL Ubuntu） sudoapt update sudoaptinstall -y cmake build-essential 二、下载和编译 llama.cpp

大模型基于llama.cpp量化详解

概述 llama.cpp 是一个高性能的 LLM 推理库，支持在各种硬件（包括 CPU 和 GPU）上运行量化后的大语言模型。本文档详细介绍如何使用 llama.cpp 将 HuggingFace 格式的模型转换为 GGUF 格式，并进行不同程度的量化。 GGUF 格式：GGUF（Georgi Gerganov Universal Format）是 llama.cpp 专门设计的模型文件格式，针对快速加载和保存模型进行了优化，支持单文件部署，包含加载模型所需的所有信息，无需依赖外部文件。 1.安装cmake CMake 是跨平台的构建工具，用于编译 llama.cpp 项目。下载地址：https://cmake.org/download/ 安装建议：

本地部署 Kimi K2 全指南（llama.cpp、vLLM、Docker 三法）

Kimi K2 是 Moonshot AI 于2025年7月11日发布的高性能多专家语言模型（MoE），支持最大 128K 上下文，激活参数规模为 32B，具备极强的推理、代码生成与多轮对话能力。自从其权重以多种格式开源以来，许多开发者希望将其部署在本地，以获得更高的私密性和灵活性。本文将详细介绍三种主流本地部署路径，并提供完整的配置步骤和使用建议。 📦 准备工作（通用部分）在进行部署前，请准备如下环境与资源： ✅ 最低硬件配置建议：项目要求存储空间≥ 250 GB（用于量化模型，若使用 FP8 请预留 1 TB）内存≥ 128 GB RAM（越大越流畅）GPU≥ 24 GB 显存，推荐多卡（如 2×A100、H100）操作系统Linux（Ubuntu 推荐）

软件使用教程（二）：VS Code的Copilot、Git设置与使用

文章目录 * 前言 * 一、Copilot设置 * 1. Copilot的作用 * 2. Copilot设置步骤 * 二、Git集成设置 * 1. 初始设置 * 2. 核心功能与日常使用 * 总结前言在追求效率的编程世界里，两款强大的工具正在改变我们的开发方式：Git 让我们能从容管理代码的每一次变化，而 GitHub Copilot 则以其AI智能为我们提供编码建议，甚至自动补全整段代码。但对于许多开发者，尤其是初学者来说，如何正确配置和高效使用它们，仍是一个挑战。本文将聚焦于 Visual Studio Code，手把手带你完成从Git环境配置到Commit、Push的完整工作流，以及从安装登录到实战应用Copilot的全过程。无论你是想告别命令行焦虑，还是希望拥有一个AI编程伙伴，这篇教程都将为你提供清晰的指引，让你的开发效率获得立竿见影的提升。一、Copilot设置 1. Copilot的作用 VS Code 中的 Copilot 是一个由 GitHub

10分钟上手ComfyUI中文工作流：从入门到精通的AI绘画实战指南

Ne0inhk