DJZ-Workflows
超过 1000 套经过实战验证的 ComfyUI 工作流，覆盖 Flux/SDXL 文生图、混元/CogVideo 视频生成、TripoSR 3D 建模等前沿 AI 任务
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
超过 1000 套经过实战验证的 ComfyUI 工作流，覆盖 Flux/SDXL 文生图、混元/CogVideo 视频生成、TripoSR 3D 建模等前沿 AI 任务
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
在 AI 图像生成圈子里，有一个经久不衰的经典问题：「这张图是怎么做出来的？」 提问者面对一张细节惊艳的光影照片或一段流畅的 AI 生成视频，往往无从下手。传统的解决方式是翻遍 Reddit、Twitter、YouTube 评论区，找到作者留下的零散提示词，再自己摸索节点配置——这个过程往往比生成本身还要漫长。
DJZ-Workflows 正是为解决这一痛点而生。这个由社区达人 @driftjohnson 和 @fivebelowfiveuk 维护的 GitHub 仓库，汇集了超过 1000 套经过实战验证的 ComfyUI 工作流，涵盖文生图、文生视频、3D 建模、图像修复、人脸替换等几乎所有主流 AI 生成任务。每一套工作流都附带完整的节点连接图和详细注释，用户只需在本地 ComfyUI 中打开对应的 JSON 文件，即可一键复现——省去了数小时乃至数天的调试时间。
Flux Kontext Pro 图像重绘工作流节点图，展示了完整的 ControlNet + IP Adapter + LoRA 串联链路
ComfyUI 之所以在专业 AI 生成领域地位独特，源于其基于节点的可视化工作流设计——用户可以像搭积木一样自由组合不同的模型、放大器、ControlNet 控制器，创造出比 Midjourney 或 DALL-E 更精细可控的生成效果。然而，ComfyUI 的学习曲线极为陡峭：一个完整的图像生成流水线可能涉及十几个节点的串联，每一步的模型版本、参数设置、连接顺序都需要精确配置。
@driftjohnson（Drift Johnson）是最早一批深耕 ComfyUI 的社区创作者之一，他在 YouTube 频道持续发布工作流教程；@fivebelowfiveuk 则是英国的内容创作者，专注于将复杂技术翻译成普通用户也能理解的操作指南。两人的频道互补——Johnson 提供专业深度，Five 提供上手友好度。DJZ-Workflows 作为两人的「官方工作流库」，既是教程的配套资源，也是独立的作品合集。该项目自上线以来已获得 112 颗 Stars、Fork 18 次、累计 583 次提交，保持着活跃的更新节奏。
从技术生态角度看，DJZ-Workflows 的流行折射出一个更大的趋势：AI 生成工具正从「单一模型调用」向「工作流编排」演进。随着 Flux、HunyuanVideo、CogVideo 等新一代模型不断涌现，单一提示词已无法满足精细化创作需求，而经过验证的节点组合方案正在成为社区最重要的知识资产。
Flux Pro Ultra 端到端图像生成工作流，包含噪声注入、条件控制与多尺度增强节点
DJZ-Workflows 的内容组织极为系统，按功能域划分为多个工作流包，每个包针对一类生成任务进行了深度封装：
Foda_Flux 是整个仓库中最核心的模块之一，提供了 13 套以上基于 Flux 架构的工作流。Flux 是 Black Forest Labs 推出的新一代图像生成模型，在提示词遵循度和画面美学上较传统 SDXL 有显著提升。Foda_Flux 的工作流覆盖了 Flux 原生生成、LoRA 微调风格注入、ControlNet 空间控制、IP Adapter 图像参考融合、局部重绘（Inpainting）、超分辨率放大等全链路场景。其中 Flux + ControlNet + IP Adapter 串联工作流 尤其值得关注——它允许用户同时使用草图控制结构、用参考图控制风格、用提示词控制内容，是目前社区公认的最强组合之一。
CHROMA 包则聚焦于 SDXL 生态，提供了基于 Chroma 主题风格的工作流集合，适用于需要在统一视觉语言下批量生成图像的品牌设计或概念艺术场景。
视频生成是 2024-2025 年 AI 领域最热门的方向之一，DJZ-Workflows 紧跟前沿，提供了两套主流方案：
Hoda-Hunyuan-Video 集成了腾讯混元视频大模型，该模型在长镜头连贯性和物理世界模拟上表现突出。包内工作流覆盖文生视频（t2v）和视频生视频（i2v）两种模式，支持循环动画、静帧驱动等进阶用法。
CogVideo 包则是对国产 CogVideo 模型的深度适配，包含基础生成、时间线拼接、帧间插值（Rife49）等多套工作流。其中 CogVideo + Rife49 组合 可以将低帧率视频实时上采样至 60fps，是制作丝滑 AI 动画的关键技巧。
CODA-Cosmos-Pack 引入了阿里巴巴通义实验室的 CODA-Video 和 Florence2 视觉模型，支持基于 Florence2 的零样本视频生成和 looped motion 控制，是前沿模型的快速实验场。
DJZ-3D 包是仓库中最具前沿性的模块之一，汇集了三种主流 3D 生成方案：
这三套工作流各有侧重：TripoSR 精度最高但对输入角度要求严格，SV3Du 擅长处理动态场景，Zero123 则胜在稳定性和兼容性。
API-native 是仓库中最具技术深度的目录，包含 35 套经过标准化封装的工作流，每套都包含配套的预览截图（PNG），可直接通过 ComfyUI API 或第三方编排平台（如 Banana、Replicate）进行程序化调用。这使得 DJZ-Workflows 不仅面向 GUI 用户，也能服务自动化管线场景。其中覆盖了 Flux Kontext Pro（图像局部重绘）、Flux Pro Ultra（高质量图像生成）、Tripo3D（3D 生成）、Veo2（视频生成）、Recraft（SVG 矢量图生成）等多个商业 API 的工作流模板。
Tripo3D 多图像转 3D 网格工作流，展示从多角度图像输入到 Mesh 输出的完整管线
Google Veo2 视频生成工作流，展示了文本驱动视频合成的节点编排方式
使用门槛对于有 ComfyUI 基础的用户来说几乎为零。项目 README 明确给出了安装步骤：
# 1. 安装 ComfyUI（支持 Windows/macOS/Linux，GPU 推荐 NVIDIA 16GB+ VRAM）
# 2. 进入工作流目录
cd ComfyUI/user/default/workflows/
# 3. 克隆仓库
git clone https://github.com/MushroomFleet/DJZ-Workflows
# 4. 在 ComfyUI 界面中打开对应的 .json 工作流文件
# 5. 按需安装缺失的自定义节点（ComfyUI-Manager 可自动处理）
每套工作流都内嵌了节点链接指向和注释说明，用户可以在 ComfyUI 界面中直观看到每个节点的功能。对于没有自定义节点的情况，ComfyUI-Manager 会提示安装。整个过程不需要写任何代码，也不需要手动配置模型路径。
需要注意的是，这些工作流需要对应的模型文件（如 Flux 的 .safetensors 权重、ControlNet 的 .pth 文件等），模型需要自行从 HuggingFace 或 Civitai 下载并放置在 ComfyUI/models/ 目录下。初次上手的用户可能需要花费 30-60 分钟配置模型库。
API-native 目录中的工作流已经过标准化封装，每个 JSON 文件都包含了完整的节点 ID、连接关系和参数默认值，开发者可以直接用 Python 读取这些 JSON，通过 ComfyUI 的 REST API 触发执行：
import requests
import json
# 加载工作流
with open("API-FluxKontextPro-img2img-simple-v10.json") as f:
workflow = json.load(f)
# 提交到 ComfyUI API
resp = requests.post(
"http://localhost:8188/prompt",
json={"prompt": workflow}
)
这使得 DJZ-Workflows 可以无缝嵌入自动化 CI/CD 管线或批量生成脚本。
AI 生成模型的迭代速度极快，Flux 从 dev 到 schnell 版本、Hunyuan 从 v1 到 v2、CogVideo 持续更新——每一次模型更新都可能导致原有工作流中的节点配置失效。DJZ-Workflows 虽然更新频繁（583 次提交），但仍面临「工作流与最新模型不同步」的问题。部分用户反映某些工作流在新版 ComfyUI 或新模型上运行时报错，需要手动调整节点版本。
高质量的工作流依赖大量第三方自定义节点（如 ComfyUI-Manager 中的 rgthree、pysssss 等），这些节点并非 ComfyUI 官方维护，更新不及时或版本冲突会导致工作流无法加载。项目 README 提示用户使用 ComfyUI-Manager 来自动化处理节点安装，但 Manager 本身也面临节点版本仓库滞后的问题。
项目 README 未明确标注开源 License（作者仅在文档中提供了学术引用格式 bibtex），这意味着社区在使用和分发这些工作流时缺乏明确的法律指引。尽管工作流本身是对标准 API 和模型的调用封装，但在商业场景中的使用边界仍不清晰。
作为超过 1000 套工作流的集合，DJZ-Workflows 目前没有任何自动化测试覆盖。这意味着每次 ComfyUI 核心或节点版本更新后，都需要人工逐一验证每套工作流是否正常工作。仓库的维护质量高度依赖维护者的主动测试和社区反馈。
DJZ-Workflows 的流行折射出一个正在形成的新范式——「工作流经济」。随着 AI 生成模型越来越多、越来越专业化，单纯的模型调用能力已经不再是门槛，真正的差异化在于如何编排这些模型以完成复杂任务。
在工作流经济中，像 DJZ-Workflows 这样的工作流库扮演着「工具箱」的角色：它们降低了高级 AI 生成技术的使用门槛，让不具备深度技术背景的创作者也能用上最前沿的模型组合。同时，它们也是技术交流的载体——每套工作流都是一次节点组合实验的结晶，通过开源分享加速整个社区的技术迭代。
从增长曲线看，ComfyUI 相关工作流仓库的数量和质量在过去两年呈爆发式增长，DJZ-Workflows 作为其中最系统化的代表之一，已成为该领域事实上的参考标准。随着 AI 视频、3D 生成等方向持续升温，这类工作流库的价值将进一步凸显。
项目信息