知仓学习社概念
这一类内容不随版本变化，所以不会过期。 先把原理弄清楚，遇到具体问题时判断会快很多。
一、ComfyUI 怎么工作
从一堆模型文件到一张图，中间到底发生了什么
节点与连线：执行顺序由什么决定
为什么挪动节点不影响结果，改一根连线才会。弄懂这条，报错时才知道该往哪看。
模型文件认路：checkpoints、loras 与 vae 各是什么
同样后缀的文件放进不同目录，作用完全不同。认清这几类主力文件，就不会再放错地方。
文本编码器：提示词是怎么变成条件的
模型看不懂文字。提示词先进编码器变成一串数字，再去参与每一步计算。
采样与步数：一次生成里到底在算几遍
步数不是「精细度滑块」。它决定算几遍，每遍怎么算则取决于采样方式与调度方式。
潜空间：模型其实不在像素上画
生成发生在压缩过的表示上，最后才解码成图。这解释了几件常见怪事。
可复现性：种子与随机性
想复现就固定输入，想探索就只放开一个变量。
种子与变化：怎么系统地找出好结果
固定参数只动种子，是唯一能判断「这个方向行不行」的做法。
LoRA 与适配器：不换主模型就改风格
主模型不动，挂一层很小的权重上去。这就是 LoRA 的全部意思。
二、出图与输入
尺寸、采样、结构控制、遮罩、放大，以及音频与视频这些非图像输出
分辨率与总像素：显存为什么涨得比边长快
真正决定显存与耗时的是宽乘高。看懂这一条，就不会再靠猜来定尺寸。
图生图与去噪强度：从「几乎没变」到「完全变了」
这一个值决定保留多少原图。它不是线性混合，所以会出现跳变。
局部重绘与遮罩：只改你想改的地方
在图上圈一块区域重画。理解遮罩与去噪强度的配合，才不会画完发现整张图都变了。
结构控制：让结果听原图的安排
用一张「提示图」约束构图、姿态或线条，而不是只靠文字描述。
放大流程：从小图到大图
直接生成大图又慢又容易崩。主流做法是先定构图、再放大补细节。
提示词的层次：同样几个词，为什么效果不同
提示词不是一串越写越好的词，而是有结构和先后的输入。
提示词增强与反推：让工具帮你写
一类工具把短句扩写成长提示词，另一类看图反推出提示词。两者能省事，也都会引入偏差。
视频生成：帧序列比单张图难在哪
多了一个时间维度：帧与帧之间要连贯，显存和时长都要按帧数算。
音频与音乐生成：另一类非图像输出
同样的工作流范式，换成声音：输入是文字或音频，输出是波形。
特征提取：深度、边缘、姿态与分割
这些是把「一张图」变成「结构提示」的中间产物。搞懂它们的输入输出，才拼得对。
三、环境与故障
装不上、跑不动、报错看不懂时，先弄明白这几件事
显存与性能：什么决定你能跑多大
占用由几样东西叠加而成，不是取最大值。弄清这点，调参才有方向。
内存与显存：两块东西各装什么
报错说 out of memory 时，先搞清楚是哪一块不够。处理办法完全不同。
批量与队列：花显存的做法与不花显存的做法
同样是一次跑多张，批量吃显存、队列不吃。混着用就得排查两遍。
模型精度：同一个模型的几个文件，差在哪
文件名后缀不同、体积差一倍，区别在数值精度，不在模型本身。
GGUF 与量化：省显存的那条路
把权重用更少的位数存起来。文件更小、占用更低，代价在细节。
启动与日志：报错先看哪一行
启动日志是排查的入口。会看它，能省掉大半试错。
依赖冲突：两个包都要同一个库
装完一个节点包，另一个坏了。这多半是依赖版本被互相覆盖了。
网络与镜像：装不上、下不动时怎么办
节点装不上、模型下不来，多数时候不是程序的问题，而是网络到不了那些站点。
缓存与重跑：为什么改了参数却没变化
程序会记住算过的结果。改了东西不重跑，看到的还是上一次的图。
自定义节点：装之前要知道的风险
自定义节点是 ComfyUI 最大的能力来源，也是最大的故障来源。
四、把工作流当资产
能跑一次不算资产，能反复跑、交给别人也能跑才算