用 Claude Code 改造 ComfyUI：封面节点与工作流三例

用 Claude Code 改造 ComfyUI：封面节点与工作流三例

让 AI 帮忙搭工作流，不等于把判断也交给 AI。T8 在这次演示中，把 ComfyUI 的学习重点从“记住每个节点怎么连”，转向三件事：看懂输入输出、说清需求、检查结果。文章围绕三个案例展开：生成一个封面节点、修改已有工作流，以及为新项目编写接入节点。

这些案例展示的是作者与编程助手协作的方法。本文没有下载代码或复现运行，也不把视频中的耗时、工具数量及效果评价当成普遍保证。

一、先分清：写节点与运行工作流是两件事

ComfyUI 的节点图把任务拆成可连接的步骤：输入图片或文字，经过模型、处理节点，再输出结果。作者认为，这种明确的输入输出关系既方便人检查，也便于 AI 助手修改。

在他的分工里，Claude Code 一类编程助手负责读代码、写新节点、修改流程；视频所介绍的 ComfyUI MCP 工具负责与运行环境交互、校验及执行工作流。 两者可以协作，但不能把“能调用工作流”理解成已经具备任意新项目的节点实现。

视频没有完整演示 Claude Code 与 MCP 的安装、连接和权限配置。以下从已有可运行环境开始，不补写未展示的安装命令、配置文件或接口地址。

二、案例一：把图片与标题做成封面节点

1. 用输入、输出和用途描述需求

作者给出的目标很明确：做一个 ComfyUI 节点，把生成图片和标题排成 B 站封面。这里已经包含三个条件：输入是图片与标题，输出是排好版的图片，用途是封面。

相较于只说“帮我做个好看的节点”，这样的需求更容易核对结果：有没有正确接收图片、标题有没有显示、输出能不能继续保存。

2. 先参考本地节点，再编写实现

画面展示，助手先查看本地已有节点的写法，然后生成封面节点代码。视频列出的功能包括智能裁切、自动取色和大字排版。作者重启 ComfyUI 后，在节点列表中找到新节点，再接入前面的图像流程。

所见节点名为 T8 Cover Studio（封面工坊），图像输入连接到节点，封面输出连接到保存图像节点。读者可以据此理解最小使用链路：

上游图片 → 封面工坊（填写标题等内容）→ 保存图片。

这不是完整源码教程；视频没有逐行解释实现。不要把画面中的示例代码位置或节点名称当成所有版本都会采用的固定安装路径。

3. 用具体问题迭代，而不是只说“不好看”

第一版封面的自动配色有些发灰。作者给出“颜色不够亮”的反馈，随后描述助手保留色相、提高饱和度的调整。这个例子的价值在于把问题说具体：需要改善的是颜色表现，而不是推翻整条出图流程。

作者称该节点生成代码约 150 行、单张封面排版不到一秒；这些仅是视频中的测试描述，不能推为所有图片尺寸、环境或节点版本的性能保证。更重要的验收对象是：裁切是否合适、标题是否清晰、颜色是否符合预期，以及图片能否正常保存。

三、案例二：先缩放，再生成两种尺寸的封面

第二个需求是在现有流程上修改：先把图片缩到 1080 宽，再做封面，最后保存两个尺寸。

作者展示的处理顺序是：

1. 把前置缩放要求交给助手，让它修改工作流，而不是重新手工搭建整张图。
2. 在图中插入缩放环节，调整相应参数与连接。
3. 提交执行前进行工作流校验。
4. 运行后检查两份输出，而不仅看工具是否返回“完成”。

结果页显示了 1920×1200 的横版和 1080×1440 的竖版封面。这里需要区分“输入图片预先缩到 1080 宽”和“最终输出的两种尺寸”：它们处于不同环节，不应当混成同一个尺寸参数。以上数值来自本次案例画面，不是 ComfyUI 的统一默认值，也不是平台封面的通用规范。

这个例子可以迁移到其他重复任务：先讲清步骤顺序，再说明每个输出的用途，最后逐个核对文件。视频没有完整展开所有节点参数，因此不据此补造缩放算法、第二输出分支的具体连接或其他默认值。

四、案例三：没有现成节点时，先读项目再接入

第三个案例不是修改已有节点，而是把一个新项目接进 ComfyUI。画面中的项目名为 Hi3D v1.0。

作者把项目 GitHub 地址交给助手后，画面展示了下面的过程：读取 README 与推理代码，编写自定义节点，列出需要安装的依赖，并停下来等待确认。作者称随后在自己的工作流中跑出了 3D 模型，整个接入过程约一小时。

这里值得保留的不是“一句话万能接入”，而是几个检查点：

- 先读项目说明。 要知道输入、输出以及运行条件，不能只凭项目名称生成一个空壳节点。
- 区分节点代码和依赖环境。 写出节点不代表依赖已经满足，更不代表应当不经检查直接安装。
- 安装前确认变更。 看清要装什么，再决定是否继续；演示中就出现了依赖确认提示。
- 用实际输出验收。 能生成节点文件与能跑出有效结果不是同一件事。

视频没有给出可完整抄录的 Hi3D 仓库地址、依赖版本与安装命令，本文不猜测补全。约一小时也只是作者本次案例耗时，不能作为陌生项目接入的交付承诺。

五、在追新模型之前，先做三项筛选

作者的方法可以概括为：找到来源、判断是否适合、再接进工作流。他提到从 Hugging Face、GitHub 趋势、ComfyUI 更新日志和模板库寻找信息，但热度只是线索，不是适用性的证明。

下载或接入前，先回答三个问题：

1. 自己的环境能否承担？ 查看项目对硬件、模型与依赖的说明，不要把模型文件大小直接等同于运行显存需求。
2. 许可是否符合用途？ 能取得源码或权重，不等于可以任意商用；应查看对应版本的授权条件。
3. 有没有可参考的工作流和实际结果？ 模板能减少摸索，但仍需要用自己的素材检查效果，不能把精选展示图当成稳定质量保证。

文章不采用视频中的星数、融资规模、用户数量或更新次数来证明技术优劣，也不据其叙述确认任何项目当前的许可和支持状态。

六、保留人的确认，别把节点当成无风险附件

视频提醒：节点本质上是会在环境中执行的代码。因此，AI 能生成或安装节点，并不能替代来源、依赖和权限检查。对于报错，可以把错误内容交给助手分析，但分享前应去除密钥、令牌及其他敏感信息。

作者也提到，小幅修改提示词和参数时自己动手可能更直接；并不是每一步都值得交给编程助手。更合理的分工是：把重复结构和复杂改动交给助手，把需求判断、安装确认和结果验收留给人。

视频中的安全事件与工具确认机制属于作者引用和演示背景，本文不据此保证某个工具会在所有版本、所有操作前自动阻止风险。

七、本地调通，再考虑云端批量执行

作者用 RunningHub 说明另一种分工：本地调整工作流，云端承担适合批量化的任务，再由脚本负责提交和整理结果。这是流程组织思路，不是本文已经验证的平台接口教程。

视频以多路并发作时间估算，但实际吞吐、队列等待、费用、失败重试和资源额度仍受平台及任务条件影响。不能把示例的理想并行计算当成固定用时承诺，也不应把“自动重试”理解成不受预算限制地重复提交。本文不提供未展示的接口参数、调用脚本或付费承诺。

小结：把高频任务变成可以检查的工作流

这三个案例共同的做法是：明确输入输出，让助手参考已有实现，再检查节点、连接与最终文件；遇到问题时给出具体反馈，而不是只要求“再优化一下”。

如果只是偶尔生成几张图片，未必需要建立复杂流程。对于反复制作封面、输出多个尺寸或持续接入模型的任务，可复用工作流更有价值。不过，保存了工作流文件并不保证它永远可运行：模型、节点、依赖与外部接口仍要随版本变化检查。

来源与资源

- 视频画面给出的封面节点仓库：https://github.com/T8mars/comfyui-test
- 作者简介及置顶评论提供的资料文档：https://my.feishu.cn/wiki/OzjKwzPySijCd7kH3DccLI77nMe

以上仅按来源引用，未打开仓库或文档验证代码、下载内容、许可证及可用性；不保证可免费使用或商用。文中保留必要工具名称，移除邀请推广链接、无限调用宣传及互动引导。

本文依据完整可用官方中文 AI 字幕和同一 BV 的关键画面整理，将画面能够确认的 ComfyUI、Claude Code、Hi3D v1.0 等术语作了校正；不是 ASR 或全语音逐字转录，字幕空白也不意味着没有语音。三个案例均为作者展示，不冒称本文作者已经复现。

原视频：https://www.bilibili.com/video/BV1VKxj6eEG6/


T8star-Aix