AI短剧系列 | 第 11 天：ComfyUI 高级技巧——自定义节点、批处理与性能优化

经过前几天的学习，你已经能用 ComfyUI 搭建文生图、图生图、ControlNet、AnimateDiff 等工作流了。但真正要把它变成一条高效的 AI 短剧生产线，光会”拖节点”还不够。今天我们把 ComfyUI 往前再推一步，讲透三个决定生产力的高级技巧：自定义节点、批处理、性能优化。这三个方向一个解决”功能不够用”，一个解决”产量上不去”，一个解决”跑得慢、显存爆”，正是从”会用工具”跨向”量产短剧”的关键。

一、为什么需要自定义节点

ComfyUI 的内置节点覆盖了采样、模型加载、图像处理等基础能力，但短剧创作里很多高频需求它并没有内置：比如”批量读取一段剧本并拆成分镜提示词””自动调用 LLM 写提示词””对接 MiniMax H3 或 LTX 2.3 的视频接口””一键导出带时间轴的序列帧”。这些都需要靠社区开发的自定义节点（Custom Nodes）来补齐。

自定义节点本质上是 Python 写的插件，安装后就能像内置节点一样在画布上调用。绝大多数自定义节点都托管在 GitHub 上，官方推荐通过 ComfyUI Manager（管理器） 统一安装和管理，不必手动复制文件。

安装 ComfyUI Manager

ComfyUI Manager 是社区事实标准的插件管理器，能搜索、安装、更新、卸载自定义节点，还能一键修复依赖。安装它只需要在 ComfyUI 的 custom_nodes 目录下执行一次 git clone：

cd /path/to/ComfyUI/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git
# 重启 ComfyUI 后，界面右上角会出现 Manager 按钮

重启后点右上角的 Manager，进入 Install Custom Nodes 就能按名称搜索并安装插件，无需手动改代码。对新手来说这是最安全、最省心的方式。

二、手动安装自定义节点的标准流程

如果你需要安装某个尚未被 Manager 收录、或需要固定某个历史版本的节点，可以手动操作。标准流程是”克隆 → 装依赖 → 重启 → 验证”四步：

# 1. 进入自定义节点目录
cd /path/to/ComfyUI/custom_nodes

# 2. 克隆目标仓库（以示例仓库为例）
git clone https://github.com/example/example-nodes.git

# 3. 安装 Python 依赖（若仓库内有 requirements.txt）
cd example-nodes
pip install -r requirements.txt

# 4. 重启 ComfyUI，在节点列表里确认新节点已加载

手动安装时有一个高频坑：不同节点的依赖版本可能互相冲突（比如某个节点锁死旧版 torch）。遇到这种情况，建议用 Python 虚拟环境隔离，或优先从 Manager 安装，让 Manager 帮你处理依赖解析。

三、工作流也能导出成 JSON

ComfyUI 的工作流本质是一份 JSON 文件，记录所有节点、连线和参数。这个特性非常关键——它意味着你的工作流可以版本化、复用，也能被脚本批量调用。导出的 JSON 长这样：

{
  "last_node_id": 42,
  "nodes": [
    {
      "id": 1,
      "type": "CheckpointLoaderSimple",
      "widgets_values": ["sd_xl_base_1.0.safetensors"]
    }
  ],
  "links": [[1, 1, 2, 1, "MODEL"]]
}

把工作流存成 JSON 后，你可以把它放进 Git 仓库做版本管理，和团队成员共享，也可以作为后续批处理脚本的”模板”。

四、批处理：让 ComfyUI 变成流水线

短剧需要的是”量大、一致、稳定”，靠手动一张张点肯定不行。ComfyUI 提供了两种批处理方式：界面内 Batch 和 API 编程调用。

界面内最简单：在 Empty Latent Image 或采样器里把 batch_size 调大，就能一次生成多张图。但要想批量换提示词、批量跑不同分镜，更专业的方式是走 ComfyUI 的 HTTP API。下面是一段用 Python 批量提交任务的示例：

import json, requests, time

SERVER = "http://127.0.0.1:8188"
with open("workflow.json", "r", encoding="utf-8") as f:
    workflow = json.load(f)

prompts = ["男主角站在天台眺望城市", "女主角转身回眸特写", "雨夜街头追逐"]
for i, p in enumerate(prompts):
    # 把提示词写入对应节点（此处以节点 6 为 CLIPTextEncode 为例）
    workflow["6"]["inputs"]["text"] = p
    r = requests.post(f"{SERVER}/prompt", json={"prompt": workflow})
    print(i, r.status_code, r.json().get("prompt_id"))
    time.sleep(1)

配合前面导出的 JSON 模板，这个脚本就能把一份工作流、几十条分镜提示词自动跑完，产出大量候选镜头素材，供后续剪辑挑选。

五、性能优化：更快、更省显存

性能优化的核心就一句话：用对精度、控好显存、别做无用功。下面几条是实战中最立竿见影的。

1. 启动参数优化

ComfyUI 的启动参数直接决定显存调度策略。低显存或想并行跑多任务时，可以这样启动：

python main.py --highvram        # 显存充足（>=12G）时，模型常驻显存，速度最快
python main.py --normalvram      # 默认均衡策略，兼容性最好
python main.py --lowvram         # 显存紧张时开启，牺牲速度换稳定性
python main.py --cpu             # 仅 CPU 推理，仅用于验证流程、几乎不用于生产

短剧量产通常用 --normalvram 起步，跑大批量时观察显存占用再决定是否切 --highvram。

2. 模型精度与缓存

使用 FP16 版本的模型和 VAE，显存占用几乎减半，画面质量损失很小。
把常用模型放进 models 目录后避免反复重载；合理使用 Checkpoint 缓存能明显降低切模型的开销。
批处理时优先用 batch_size 而非循环单张，能减少采样器初始化次数。

3. 分批生成与自动保存

长时间批量生成时，务必开启”自动保存 + 唯一文件名”，避免一个意外导致整个批次作废。下面是一份保存目录配置示例：

# ComfyUI 输出配置示例（示意）
output_dir: /data/duanju/day11/
save_metadata: true
filename_pattern: "shot_{prompt_id}_{seed}.png"

把输出目录指向专门的分镜素材盘，配合规范的命名，后面的剪辑、配音环节就能直接按文件名批量取用。

六、常见问题（FAQ）

Q1：装了自定义节点后 ComfyUI 启动报错怎么办？
多数是依赖冲突或节点与主版本不兼容。先看启动日志报错的具体节点，用 Manager 的 “Fix” 功能尝试修复；修不好就临时把该节点目录改名移出 custom_nodes，恢复启动后再处理。

Q2：API 批量调用时提示 “prompt_id” 却迟迟不返回结果？
ComfyUI 的 /prompt 是异步的，返回 prompt_id 只代表任务已入队。要用 /history/{prompt_id} 轮询结果，或配合 WebSocket 监听完成事件。

Q3：为什么我改了启动参数但没生效？
确认改的是真正生效的那条启动命令。若用了一键包或 Docker，启动脚本可能覆盖了参数，检查对应启动脚本或容器配置。

Q4：批处理时显存越跑越高最后崩溃？
多半是采样过程中模型/VAE 没有及时释放。切到 --normalvram 或 --lowvram，并确保自定义节点没有在循环里持续加载模型。

七、总结

今天我们把 ComfyUI 从”手工作坊”升级到了”半自动化产线”：用 ComfyUI Manager 和手动安装补齐自定义节点，用 JSON 工作流 + HTTP API 实现批处理，用 启动参数、精度与缓存 优化性能。这三板斧掌握之后，你已经有能力让 ComfyUI 稳定、批量地为你产出短剧镜头素材了。

明天是这一阶段的收官之战，我们会把这些技能串起来，真正用 ComfyUI 完整制作一个短剧片段——从分镜到成片，走一遍完整流程。

下期预告：AI短剧系列 | 第 12 天：ComfyUI 实战——用 ComfyUI 制作一个短剧片段

文章版权归作者所有，未经允许请勿转载。

THE END