【2026 最新】ComfyUI 工作流怎麼整理與分享？Zip Ties、Reroute 與缺模型排查六步教學

你把 ComfyUI 工作流的線拉整齊，截圖貼出去，朋友卻回你：「匯入後缺節點，模型選單也找不到檔案。」這很像把廚房收得漂亮，卻只把食譜照片交給對方；鍋具、食材和份量還沒交代，對方自然煮不出同一道菜。

這篇寫給已經能開啟 ComfyUI、想整理或分享現成工作流的新手。你不必先會寫程式，會用同一張流程練習 Reroute、Zip Ties 與小型 Subgraph，再整理模型和節點清單，最後用接收者的角度驗收。操作依據為 2026 年 11 月 2 日查閱的官方文件與專案原始碼；Zip Ties 圖片取自作者展示，以下不提供 AlphaLab 的生成效能或品質測試成績。

先說結論：可分享工作流＝看得懂＋配得齊＋驗得過

把「接線圖、零件清單、驗收單」一起交出去。Reroute 幫線路轉彎，Zip Ties 把多條線收成線束，Subgraph 把一段流程裝進可展開的模組。它們處理不同層次的閱讀問題；模型權重與自訂節點，仍要逐項盤點。

• 先留原版：保存能執行的工作流與基準輸出，再開始整理。
• 一次只改一層：先佈線，再封裝，避免同時換模型與改參數。
• 交付分三關：能匯入、能完成執行、輸出符合要求，各留一份紀錄。

ComfyUI 工作流的原理：沿著插頭找零件

工作流是一張資料流圖：節點像工作站，插槽像插頭，連線表示資料往哪裡走。模型權重則像真正做菜的師傅，存在磁碟上；畫布上的載入節點負責選它。官方 Workflow JSON 規格描述節點、連線、群組與版本等欄位。把圖存成 JSON，是保存配方的一步，下載模型則是另一項準備。

練習先選一張你已有、能跑完的基本文生圖：Load Checkpoint → CLIP Text Encode／KSampler → VAE Decode → Save Image。這是簡寫：模型輸出接採樣器，文字編碼輸出接正、負向條件，採樣後的潛在影像經 VAE 解碼才變成圖片。像備料、烹調、裝盤，外觀接近的插頭也各有用途。

若還沒有基準流程，先依官方第一次生成指南完成範例；也可從站內 Qwen-Image 2.1 ComfyUI 教學挑一張已配妥的流程。這次練習保留原模型，驗收目標是交付清楚，先不比較不同模型的畫質。

ComfyUI 工作流整理：新手照做六步

①「先留一道原味」：建立整理前的基準

怕整理完才發現畫面變了，卻找不到原因？先匯出，再改圖。用 Workflows → Export 保存 01-original.json，另留一份輸出圖片。把提示詞、寬高、種子、採樣器、排程器、步數、CFG 和模型檔名抄在私人筆記；有輸入圖片、遮罩或音訊，也一起記錄來源與檔名。

種子像抽籤的起點。做對照時，讓執行後的種子控制維持固定，並在每次執行前核對數值，避免隨機化或遞增。再記下 ComfyUI、前端、自訂節點版本，以及 GPU 和 PyTorch 環境。PyTorch 的重現性文件明確說明：跨版本、平台及 CPU／GPU，即使種子相同，也不保證完全一致。固定種子是控制變因，不是跨電腦逐像素相同的承諾。

②「替長線設路標」：先用 Reroute 追清來源

正、負向提示詞的線交叉，看不出接到哪裡？用 Reroute 做轉接點。在節點搜尋找到 Reroute，把來源接進它的輸入，再把它的輸出接到原來目的地；每次只整理一條線，沿線核對兩端插槽。本篇採用節點搜尋可加入的 Reroute；官方前端原始碼將它登記為前端虛擬節點，輸入與輸出用來轉接資料流。

把這一步想成電線上的路標：目標是從採樣器的正向條件插槽，能一路追回正向文字編碼。完成後另存 02-reroute.json。驗收時看接線來源和參數是否保持原意；若手動重接錯了，畫布整齊也不能算通過。

③「把電線綁成一束」：用 Zip Ties 收攏平行線

每條線都接對，畫布仍像一盤麵？Zip Ties 適合整理多條平行線。從 Zip Ties 作者倉儲核對來源，在 ComfyUI-Manager 搜尋 Zip Ties 安裝；重新啟動並刷新介面。已有 Comfy CLI 的讀者，也可使用作者提供的 comfy node install comfyui-zip-ties。安裝前先閱讀倉儲內容與版本，這是社群擴充。

按住 Z，拖一條線橫跨要綁的連線；再拖曳束帶調整走向。也可在空白畫布右鍵選 Tie wires。雙擊束帶可移除。先綁兩三條容易核對的線，滑鼠移到束帶時觀察整束高亮，逐條追回端點，再匯出 03-tied.json。

作者 README 記載測試環境為 ComfyUI 0.42.0、前端 1.57.1，這是作者的相容性範圍。其原始碼把束帶存於 extra.zipTies，未安裝擴充的接收端仍可載入工作流，線路按一般方式繪製；這個保證針對束帶顯示，不能延伸為整張圖的執行依賴都已備齊。

④「只裝一個小抽屜」：用 Subgraph 封裝重複段落

一段相同的文字處理到處複製，改起來很累？先封裝一個用途單純的小段。選取相關節點，點選取工具列的 Subgraph 圖示。進入後，把需要給接收者調整的輸入與輸出接到邊界插槽，名稱寫清楚用途，例如「正向提示詞」；模型選擇與關鍵參數要能找到，別只追求外層乾淨。

官方 Subgraph 文件載明需要前端 1.24.3 或以上，並說明可雙擊節點內空白處進入編輯，以導覽列或 Esc 返回上一層。第一次先做一層，保留展開版；接收者若找不到模型，便從載入節點逐層追查，而不是只看外層顯示的旋鈕。

⑤「分開找師傅與食材」：缺節點、缺模型各查一條線

匯入後一片警告，該先裝什麼？先讀錯誤名稱，再找對應依賴。出現找不到節點類型時，抄下完整類型名稱，對照分享者列的倉儲與版本。安裝後仍缺節點，檢查啟動日誌中的 import failed；依官方自訂節點安裝指南確認依賴裝在 ComfyUI 使用的 Python 環境。不要只因下載了資料夾就認定載入成功，也別把不明壓縮包的程式照單全裝。

若錯誤是 Value not in list，並指向 ckpt_name 等模型選項，先查檔案、路徑和選單值。官方模型排錯文件列出 models/checkpoints、models/vae、models/loras 等類別，也支援以 extra_model_paths.yaml 設定額外目錄。放好後刷新或重啟，重新在載入節點選取實際檔案。

檔名相似還要查模型家族、量化版本和搭配的編碼器、VAE。不要把另一個模型改名成缺少的檔名來消除警告：選單過關與模型配對正確，是不同檢查。遇到維度不合，沿模型、文字編碼器、VAE 的來源回查；需要練習可接著讀 FIBO 2.0 本機改圖排錯，理解同一流程裡不同載入器的分工。

⑥「附上驗收單」：匯出、重開，再交給接收者

對方一直追問「你到底用了哪一版」？給一份最小交付包。以一般工作流 JSON 保存可編輯圖，另附下列文字清單。官方第一張圖指南提供 Workflows → Export 與 Workflows → Open；先用這組匯出與開啟操作驗收，不要把只含畫布截圖的圖片當作工作流檔。

• 版本：ComfyUI、前端、自訂節點的版本或提交碼；Zip Ties 另列為佈線顯示擴充。
• 模型：每個載入器對應的完整檔名、類別目錄、官方下載頁、版本與檔案雜湊；下載前確認檔案授權。
• 材料：輸入圖、遮罩或音訊的相對檔名；只分享自己有權交付的素材。
• 參數：種子及執行後控制、寬高、批量、採樣器、排程器、步數、CFG；自訂節點還需自己的關鍵設定。
• 驗收：基準輸出、預期尺寸與內容、已驗證的執行環境，以及接收者要檢查的具體項目。

用文字編輯器搜尋 JSON 中的 token、api_key、本機使用者名稱與私人路徑，逐項檢查再分享；搜尋只是第一輪，還要閱讀自訂節點的設定值和提示詞。把私人素材替換成可公開的測試素材後，重新保存並驗收那一版，別把修改前的成果當作修改後的證據。

接收者如何驗收？把三張成績單分開

第一張是佈線：在新的工作流分頁打開交付 JSON，沿輸出端往前追，展開每個 Subgraph，核對插槽與檔名。若接收端沒有 Zip Ties，依作者說明會回到一般線路顯示；保留可追線的原生版本，能降低溝通成本。

第二張是執行：在獨立測試安裝或已備份的測試環境，僅準備清單中的必要節點與模型，按一次 Run，記錄完成或第一個失敗位置。新瀏覽器分頁只換了畫布，並未清空伺服器上的依賴；真正的接收者測試，要把環境也寫清楚。若原生基準正常、加擴充後介面異常，可按官方排錯流程隔離前端擴充；有必要執行節點的圖，別在停用它後直接判模型壞了。

第三張是輸出：先比尺寸、張數、檔案格式，再看主體、遮罩範圍與關鍵內容。整理版與原版若不同，依序核對種子控制、載入檔案、參數與連線，最後才查環境差異。工作流能跑完，只回答「執行成功」；創作是否合格，仍需自己的條件。做影音時可用 Kandinsky 6 的影音驗收方法補上片長與聲畫檢查。

常見問題：八個先講答案的判斷

1. Zip Ties 會替我補齊缺模型嗎？

它處理的是前端線路。作者原始碼的執行節點映射為空，束帶另存於工作流附加資料。缺模型時要回到載入器與模型清單排查。

2. 接收者一定要裝 Zip Ties 嗎？

束帶顯示可與執行依賴分開。作者說明未裝擴充時工作流仍可載入、一般繪線；其他自訂節點與模型的需求照清單確認。

3. Reroute、Zip Ties、Subgraph 該先選誰？

先選能解決眼前閱讀問題的一個。單條長線難追，先用 Reroute；平行線太多，再用 Zip Ties；同一段邏輯要重用，才考慮小型 Subgraph。

4. Subgraph 封得愈多愈好嗎？

先以接收者找得到參數為標準。能從外部找到模型與關鍵輸入，再逐步封裝；第一次練習保留一層與展開版，方便定位問題。

5. JSON 匯入成功，就算交付完成嗎？

還要驗執行與輸出。匯入只證明圖能讀進畫布；接著要確認節點載入、模型選取和輸出條件。

6. 固定種子就能讓每台電腦出一模一樣的圖嗎？

不保證。PyTorch 官方明列跨平台、版本及 CPU／GPU 的重現性限制。把環境和模型版本一起記下，並先定義要比逐像素還是創作要求。

7. 模型只是名字不同，改檔名就能用嗎？

先證明是同一份檔案。對照下載來源、版本與雜湊，再在載入器重新選取；換成不同模型，就要建立新的基準輸出。

8. 匯入後變慢，應該把束帶刪光嗎？

先分清畫布卡頓與生成等待。前者可隔離擴充檢查，後者記錄模型載入、排隊及執行環境。若一張 GPU 同時供多個工具使用，可讀 Berth 的 GPU 交接教學，再檢查是否有其他工作占用資源。

給新手的三個重點

• 可讀性：整理後要能沿線追到來源；封裝後也要找到關鍵參數。
• 可準備性：模型檔名、來源、節點倉儲與版本要對得起來，依賴清單越精確越有用。
• 可驗收性：能匯入、能執行、輸出合格分開記；一次只改一個變因。