企业官网建设流程全解析

1. 背景与核心概念

1.1 为什么要打造本地 AI 设计工作流

做设计素材、电商主图、海报预研或者内容配图时，每天都会产生大量重复劳动：先想描述、再写提示词、然后找在线工具生成、最后还要下载归档。这个流程如果都用云端 AI 服务，会遇到几个很现实的麻烦。

第一是费用问题。很多在线 AI 绘图工具按生成次数收费，一张图零点几元到几元不等，批量试错成本会迅速拉高。第二是数据隐私问题。设计需求、品牌素材、未公开的产品概念图一旦上传到云端，就等于把创意资产交给了第三方，很多公司和工作室很难接受。第三是流程割裂。提示词在 A 平台写，图像在 B 平台生成，后处理在 C 软件里手动完成，中间根本没有一条能自动跑通的链路。

本地运行的 AI 工作流刚好解决这三个问题。软件层面全部采用开源免费方案，模型文件下载后本地推理，不调用任何付费接口，图像生成和提示词优化都在自己的电脑上完成。更重要的是，整个流程可以被脚本、可视化工具串起来，形成一条从“需求输入”到“文件输出”的自动化流水线。这篇文章就来拆解一套可以落地的最小闭环，重点覆盖 Ollama、ComfyUI、Dify、N8N 四个开源组件的组合方式。

1.2 什么是 AI 设计工作流

“工作流”这个词在不同领域含义不同，这里特指：把一次完整的 AI 设计任务拆成多个节点，节点之间按顺序或条件自动流转。一个典型的设计任务可以拆成下面几个阶段：

1. 需求接收：用户输入一句话，例如“一张科技感人工智能主题的海报”。
2. 提示词优化：由本地大模型把口语化描述改写成 AI 绘图模型能理解的英文提示词。
3. 图像生成：把提示词交给本地图像生成引擎，执行文生图。
4. 结果归档：生成完成后，自动把图片保存到指定目录，并按日期或项目命名。
5. 可选的后处理：例如接入通知、生成对比图、记录日志等。

只做其中某一个环节很简单，难的是把它们串成一个整体。ComfyUI 适合做图像生成节点，Ollama 提供本地大模型能力，Dify 擅长编排复杂的 LLM 应用，N8N 则能把不同系统通过 Webhook 和条件分支串起来。本地工作流的本质就是选择合适的工具放到合适的位置，再用代码或配置让它们协作。

1.3 技术选型与各自职责

整套工作流涉及四个开源组件，它们的定位完全不同。

之所以这样选型，是因为每个工具都满足两个条件：开源免费、可以完全本地部署。ComfyUI 负责需要显卡的重活，Ollama 负责需要理解语义的文本处理，Dify 和 N8N 负责可视化编排。如果只是想快速跑通，只用 Ollama 加 ComfyUI 加 Python 就够；如果想做到可视化管理和复杂任务编排，再把 Dify、N8N 加进来。

2. 环境准备与版本说明

2.1 硬件建议

本地运行 AI 设计工作流，硬件瓶颈主要在两个方面：显存和内存。ComfyUI 文生图需要把模型加载到显卡中，显存越大能跑的模型越大、出图分辨率越高。以 SDXL 模型为例，建议显卡显存不低于 8GB，能达到 12GB 以上体验更好；如果使用 FP8 或量化版本，显存需求会低一些。Ollama 运行 7B 级别模型时，建议内存不低于 16GB。

需要说明的是，版本迭代很快，具体依赖以你的环境为准。如果你的显卡显存较小，可以使用 SD 1.5 系列的轻量模型，或者选择 ComfyUI 官方的桌面版。起步阶段不要追求把所有模型都装齐，先让最小的链路跑通，再逐步升级。

2.2 安装 Ollama 并拉取模型

Ollama 的安装方式很简单，官方提供了 Windows、macOS、Linux 三个平台的安装包。Linux 服务端可以用官方脚本安装，Windows 和 macOS 直接下载安装文件即可。

# Linux / macOS 安装方式之一 curl -fsSL https://ollama.com/install.sh | sh

安装完成后，在终端执行：

# 启动服务（Windows 和 macOS 安装后一般已自动启动） ollama serve # 拉取一个适合提示词改写的中文模型 ollama pull qwen2.5:7b # 验证模型是否可用 ollama run qwen2.5:7b "你好"

拉取完成后，Ollama 默认监听127.0.0.1:11434，后续 Python 脚本直接通过 HTTP 请求调用即可。需要注意，如果你更换了模型，例如使用 llama3.2 或 Qwen2.5 的更大参数版本，脚本里的模型名称要同步修改。

2.3 安装 ComfyUI

ComfyUI 可以直接从官方 GitHub 仓库克隆到本地，然后安装 Python 依赖：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt

启动 ComfyUI：

python main.py --listen 127.0.0.1 --port 8188

启动成功后，浏览器访问http://127.0.0.1:8188，能看到 ComfyUI 的节点式界面。这里的--listen 127.0.0.1表示只允许本机访问，如果你的工作流脚本也运行在同一台机器上，这个配置安全且够用。

2.4 准备模型文件

ComfyUI 本身不包含模型，需要手动下载。模型文件一般放在ComfyUI/models/checkpoints/目录下。常用的开源模型包括：

• SDXL 系列模型：文生图质量较高，对中文提示词友好度取决于训练数据。
• FLUX.1-schnell：开源且推理速度较快的模型，对硬件要求相对较高。
• SD 1.5 系列模型：显存占用小，适合入门和低配置机器。

需要提醒的是，不同模型的授权协议不同，下载前务必阅读模型卡片中的 License 说明，确认可以用于你的使用场景。把模型文件放到 checkpoints 目录后，重启 ComfyUI 才能在节点里看到新模型。如果你通过软链接把模型目录映射到其他位置，也要确保路径正确。

2.5 项目目录结构规划

一个清晰的目录结构能减少很多维护成本。我建议单独建一个项目目录，不要把脚本散落在根目录：

ai-design-workflow/ ├── comfyui/ # ComfyUI 源码 ├── scripts/ │ ├── prompt_optimizer.py # 提示词优化模块 │ ├── comfy_client.py # ComfyUI API 客户端 │ ├── workflow_builder.py # 工作流 JSON 构建 │ └── run_workflow.py # 主流程入口 ├── outputs/ # 生成的图片输出目录 ├── templates/ # 提示词模板 └── config.yaml # 配置文件

后续所有代码均基于这个目录结构编写。如果你把脚本放在其他位置，注意修改相对路径。

3. 核心原理与关键配置

3.1 ComfyUI 的节点式构图原理

ComfyUI 和传统绘图软件不同，它把 Stable Diffusion 的推理过程拆成了多个节点。每个节点完成一个明确定义的任务，例如加载模型、编码正向提示词、编码负向提示词、创建空白画布、采样、解码图像、保存图像。节点之间的连线表示数据传递：模型节点输出的模型对象传给采样器，文本节点输出的条件向量传给采样器，采样器输出的潜空间数据再传给解码器，最后经过保存节点落盘。

理解这种数据流关系，对调用 ComfyUI API 至关重要。因为 API 格式本质上就是节点图的 JSON 表达，不像传统函数调用那样有一个统一的“生成图片”入口。你需要在 ComfyUI 图形界面里把节点画好，或者直接使用 API 格式的 JSON 结构提交任务。

3.2 API 模式的核心数据结构

ComfyUI 提供了 HTTP API。在 Web 界面点击右上角的 “Save (API Format)” 可以导出当前节点图的 API JSON，这个 JSON 可以直接提交到/prompt接口。下面是一个简化但结构完整的 API 格式示例，它包含加载模型、文本编码、创建潜空间图像、采样、解码、保存六个节点：

{ "prompt": { "1": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "sd_xl_base_1.0.safetensors" } }, "2": { "class_type": "CLIPTextEncode", "inputs": { "text": "a beautiful technology poster, futuristic AI concept", "clip": ["1", 1] } }, "3": { "class_type": "CLIPTextEncode", "inputs": { "text": "blurry, low quality, watermark", "clip": ["1", 1] } }, "4": { "class_type": "EmptyLatentImage", "inputs": { "width": 1024, "height": 1024, "batch_size": 1 } }, "5": { "class_type": "KSampler", "inputs": { "seed": 123456, "steps": 25, "cfg": 7.0, "sampler_name": "euler", "scheduler": "normal", "denoise": 1.0, "model": ["1", 0], "positive": ["2", 0], "negative": ["3", 0], "latent_image": ["4", 0] } }, "6": { "class_type": "VAEDecode", "inputs": { "samples": ["5", 0], "vae": ["1", 2] } }, "7": { "class_type": "SaveImage", "inputs": { "filename_prefix": "ai_design_workflow", "images": ["6", 0] } } } }

理解这个 JSON 的关键是["1", 1]这种写法，它表示“节点 1 输出的第 1 个插槽数据”。CheckpointLoaderSimple节点输出三个插槽，通常下标 0 对应 MODEL，1 对应 CLIP，2 对应 VAE。KSampler的输入中model从节点 1 取 MODEL，positive和negative从节点 2、3 取 CLIP 编码结果，latent_image从节点 4 取空白潜空间数据。这种依赖关系是节点图能否正确运行的关键，写错一个引用都会导致任务失败。

3.3 Ollama 的本地模型接口

Ollama 提供了兼容 HTTP 的接口，默认端口 11434。最常用的是POST /api/chat，入参包含模型名、消息列表和是否流式输出：

import requests def optimize_prompt(user_request: str, base_url: str = "http://127.0.0.1:11434", model: str = "qwen2.5:7b") -> str: system_prompt = "你是一名资深平面设计师，请把用户的设计需求改写成适合AI绘图模型的英文提示词。要求包含主体、场景、风格、光影、构图、画质关键词，只输出改写后的提示词，不要解释。" resp = requests.post(f"{base_url}/api/chat", json={ "model": model, "messages": [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_request} ], "stream": False }) resp.raise_for_status() return resp.json()["message"]["content"].strip()

这里的关键是 System Prompt。如果不限定输出格式，模型可能答非所问，把“技术解析”也写进提示词。通过 System Prompt 明确角色和输出约束，能显著提升提示词质量。

3.4 关键采样参数的影响

ComfyUI 的 KSampler 节点有几个决定出图效果的核心参数，理解它们才能调出好图。

seed是最值得利用的参数。批量出图时，固定一套 prompt 并循环修改 seed，可以快速生成多个构图再人工挑选。cfg调得过高会导致图像过饱和、元素堆砌，调得过低则提示词约束力不足。

4. 完整实战案例：一句话生成 AI 海报

4.1 场景定义

为了让流程可验证，这里设计一个最简单又完整的场景：在终端输入一句话“生成一张科技感人工智能主题海报”，脚本自动把它优化成英文提示词，然后调用 ComfyUI 生成一张 1024x1024 的图片，最后保存到本地 outputs 目录。这个最小闭环虽然简单，但已经具备真实项目的结构，后续扩展任何能力都可以在对应的模块上增加代码。

4.2 创建配置文件

在项目根目录创建config.yaml，把可变参数集中管理：

ollama: base_url: http://127.0.0.1:11434 model: qwen2.5:7b comfy: server: 127.0.0.1 port: 8188 checkpoint: sd_xl_base_1.0.safetensors default_negative: "blurry, low quality, watermark, text, logo" width: 1024 height: 1024 seed: 42 steps: 25 cfg: 7.0 sampler_name: euler scheduler: normal output_dir: ./outputs

配置文件的好处是脚本不用改代码就能调整模型名、出图尺寸、采样参数。尤其当你在不同模型间切换时，只改配置文件会方便很多。

4.3 编写提示词优化模块

文件路径：scripts/prompt_optimizer.py

import requests def optimize_prompt(user_request: str, base_url: str = "http://127.0.0.1:11434", model: str = "qwen2.5:7b") -> str: system_prompt = ( "你是一名资深平面设计师。请把用户的中文设计需求改写成适合AI绘图模型的英文提示词。" "要求包含：主体、场景、风格、光影、构图、画质关键词。" "只输出提示词本身，不要解释，不要代码块。" ) resp = requests.post( f"{base_url}/api/chat", json={ "model": model, "messages": [ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_request}, ], "stream": False, }, timeout=120, ) resp.raise_for_status() return resp.json()["message"]["content"].strip()

这段代码的逻辑很直接：构造系统提示词约束模型行为，把用户输入拼进用户消息，关闭流式输出以便一次性拿到完整结果。超时设置 120 秒是因为本地模型在低配置机器上推理较慢。

4.4 编写 ComfyUI API 客户端

文件路径：scripts/comfy_client.py

import time import requests class ComfyClient: def __init__(self, server: str = "127.0.0.1", port: int = 8188): self.base = f"http://{server}:{port}" def queue_prompt(self, workflow: dict) -> str: resp = requests.post(f"{self.base}/prompt", json={"prompt": workflow}, timeout=60) resp.raise_for_status() return resp.json()["prompt_id"] def get_history(self, prompt_id: str) -> dict: resp = requests.get(f"{self.base}/history/{prompt_id}", timeout=30) resp.raise_for_status() return resp.json() def wait_for_completion(self, prompt_id: str, timeout: int = 300, interval: int = 2) -> dict: start = time.time() while time.time() - start < timeout: history = self.get_history(prompt_id) if prompt_id in history: return history[prompt_id] time.sleep(interval) raise TimeoutError(f"任务 {prompt_id} 执行超时") @staticmethod def extract_images(history_item: dict) -> list: images = [] for node_id, node_output in history_item.get("outputs", {}).items(): for img in node_output.get("images", []): images.append({ "filename": img["filename"], "subfolder": img.get("subfolder", ""), "type": img.get("type", "output"), }) return images

queue_prompt负责提交任务，得到任务 ID；wait_for_completion轮询历史记录，直到任务完成；extract_images从执行结果中提取图片元数据。这里的轮询策略比较保守，适合本地单机环境，不需要引入消息队列。

4.5 构建工作流 JSON

文件路径：scripts/workflow_builder.py

def build_workflow( positive_prompt: str, checkpoint: str, negative_prompt: str = "blurry, low quality, watermark, text, logo", seed: int = 42, steps: int = 25, cfg: float = 7.0, width: int = 1024, height: int = 1024, sampler_name: str = "euler", scheduler: str = "normal", ) -> dict: workflow = { "1": { "class_type": "CheckpointLoaderSimple", "inputs": {"ckpt_name": checkpoint}, }, "2": { "class_type": "CLIPTextEncode", "inputs": {"text": positive_prompt, "clip": ["1", 1]}, }, "3": { "class_type": "CLIPTextEncode", "inputs": {"text": negative_prompt, "clip": ["1", 1]}, }, "4": { "class_type": "EmptyLatentImage", "inputs": {"width": width, "height": height, "batch_size": 1}, }, "5": { "class_type": "KSampler", "inputs": { "seed": seed, "steps": steps, "cfg": cfg, "sampler_name": sampler_name, "scheduler": scheduler, "denoise": 1.0, "model": ["1", 0], "positive": ["2", 0], "negative": ["3", 0], "latent_image": ["4", 0], }, }, "6": { "class_type": "VAEDecode", "inputs": {"samples": ["5", 0], "vae": ["1", 2]}, }, "7": { "class_type": "SaveImage", "inputs": {"filename_prefix": "ai_design_workflow", "images": ["6", 0]}, }, } return {"prompt": workflow}

这里返回的结构包含了最外层的prompt键，所以调用方可以直接传给客户端。如果你在 ComfyUI 界面调整出了新的节点组合，建议用官方的 “Save (API Format)” 导出模板，再替换其中的文本内容，比自己手写更稳妥。

4.6 组装主流程

文件路径：scripts/run_workflow.py

import os import yaml from prompt_optimizer import optimize_prompt from comfy_client import ComfyClient from workflow_builder import build_workflow def main(): with open("../config.yaml", "r", encoding="utf-8") as f: config = yaml.safe_load(f) user_input = input("请输入你的设计需求：") print(f"需求：{user_input}") ollama_cfg = config["ollama"] positive_prompt = optimize_prompt(user_input, ollama_cfg["base_url"], ollama_cfg["model"]) print(f"优化后的提示词：{positive_prompt}") comfy_cfg = config["comfy"] workflow = build_workflow( positive_prompt=positive_prompt, checkpoint=comfy_cfg["checkpoint"], negative_prompt=comfy_cfg["default_negative"], seed=comfy_cfg["seed"], steps=comfy_cfg["steps"], cfg=comfy_cfg["cfg"], width=comfy_cfg["width"], height=comfy_cfg["height"], sampler_name=comfy_cfg["sampler_name"], scheduler=comfy_cfg["scheduler"], ) client = ComfyClient(comfy_cfg["server"], comfy_cfg["port"]) prompt_id = client.queue_prompt(workflow) print(f"任务已提交：{prompt_id}") history_item = client.wait_for_completion(prompt_id) images = client.extract_images(history_item) output_dir = config.get("output_dir", "./outputs") os.makedirs(output_dir, exist_ok=True) for img in images: # 在 demo 场景中，图片已通过 SaveImage 保存到 ComfyUI 的 output 目录 # 这里先打印图片信息，实际生产可以把它复制到指定目录 print(f"生成图片：{img['filename']} subfolder={img['subfolder']} type={img['type']}") print("工作流执行完成") if __name__ == "__main__": main()

脚本运行前要确保 ComfyUI 和 Ollama 都在运行。SaveImage节点默认会把图片保存到 ComfyUI 的output目录，因此在脚本里只需要打印图片元数据。如果你希望把文件统一复制到项目outputs目录，可以通过http://127.0.0.1:8188/view?filename=xxx&subfolder=xxx&type=output接口下载图片文件。

4.7 运行与验证

按顺序启动服务：

# 终端 1：启动 Ollama ollama serve # 终端 2：启动 ComfyUI cd ComfyUI python main.py --listen 127.0.0.1 --port 8188 # 终端 3：运行工作流 cd scripts python run_workflow.py

输入需求后，预期看到类似输出：

需求：生成一张科技感人工智能主题海报 优化后的提示词：futuristic AI poster, glowing circuit board, digital brain, dark blue background, cinematic lighting, high detail, 8k 任务已提交：a1b2c3d4-xxxx-xxxx-xxxx-xxxxxxxxxxxx 生成图片：ai_design_workflow_00001_.png subfolder= type=output 工作流执行完成

如果看到以上输出，说明最小闭环已经跑通。这个闭环虽然功能不多，但把“自然语言需求”成功转换成了“本地生成的图片文件”，整套工作流的地基已经搭好了。

5. 进阶：接入 Dify 与 N8N

5.1 Dify 承担复杂 LLM 编排

当业务变得复杂，比如需要建立设计需求知识库、给不同角色设置提示词模板、或者让 AI 在接到需求前先做一轮信息收集，直接写 Python 脚本就变得不够直观。这时可以引入 Dify。

Dify 是一个开源的 LLMOps 平台，支持本地部署，启动方式通常是：

git clone https://github.com/langgenius/dify.git cd dify/docker cp .env.example .env docker compose up -d

部署完成后，在 Dify 中创建一个“工作流”类型的应用，把 Ollama 作为模型供应商接入。Dify 的优势在于可视化编排：你可以添加“开始”节点接收用户输入，添加“LLM”节点配置角色和提示词，添加“HTTP 请求”节点调用 ComfyUI 的/prompt接口，最后添加“结束”节点返回生成结果。整个过程比维护 Python 代码更直观，也方便非开发人员修改提示词。

在实际项目中，Dify 适合承载提示词版本管理。每改一版提示词，Dify 都会生成新的记录，可以随时回滚，这对团队协作非常有用。

5.2 N8N 做任务调度与通知

N8N 是开源的工作流自动化工具，本质上是一个可视化编排平台。可以用它创建定时触发器，例如每天早上自动读取待办需求列表，逐条调用 Dify 或 ComfyUI 生成设计稿，然后通过邮件或企业微信机器人通知设计师验收。

N8N 本地启动也很简单：

npx n8n

在 N8N 界面中，可以创建一个包含 Webhook 触发器、HTTP Request 节点和 IF 条件节点的流程。Webhook 接收外部系统传入的设计需求，HTTP Request 节点把需求转发给 Dify 或直接调用 ComfyUI API，IF 节点根据返回值判断是否生成成功，成功则通知，失败则记录日志。

5.3 三套体系的职责边界

引入 Dify 和 N8N 后，整个架构分为三层：

1. 执行层：ComfyUI 负责图像生成，Ollama 负责文本推理，它们是真正干活的组件。
2. 业务层：Dify 负责提示词模板、知识库、Agent 等业务逻辑。
3. 调度层：N8N 负责事件触发、任务分发、通知和错误重试。

这三层并不是必须同时存在。个人使用阶段，Python 脚本完全够用；一旦进入团队协作、多任务定时触发、异常通知等场景，Dify 和 N8N 的价值就会体现出来。建议不要一开始就把所有工具全部接入，否则排查问题时会非常痛苦。

6. 常见问题与排查思路

6.1 问题速查表

6.2 ComfyUI 任务提交成功但不出图

如果/prompt接口返回了prompt_id，但轮询历史记录一直为空，最可能的原因是任务已经失败。此时 ComfyUI 的终端输出会打印 Python 异常堆栈，先看终端日志。常见原因是节点参数引用错误，例如工作流 JSON 中某个节点引用了不存在的输出插槽。排查方法是在 ComfyUI 图形界面手动加载同一个工作流并运行，界面会直接给出错误提示。

6.3 Ollama 模型首次调用特别慢

Ollama 首次运行某个模型时需要把模型加载到内存，这个过程可能持续几十秒甚至更久，之后再次调用就会变快。如果频繁出现冷启动慢，可以通过调整 Ollama 的OLLAMA_KEEP_ALIVE环境变量延长模型驻留时间。脚本层面则要把 HTTP 超时设置得足够长，避免因为超时反复重试导致资源堆积。

6.4 生成结果风格不稳定

同一套提示词，不同seed会得到不同构图，这是正常现象。如果希望风格相对稳定，可以固定seed，或者在图生图模式下通过一张参考图约束构图。本地工作流做批量出图时，建议每次生成 4 到 8 张候选图，再人工挑选，效率远高于精调一次参数。

7. 最佳实践与工程建议

7.1 配置与命名规范

所有可变参数尽量抽到配置文件中，不要硬编码在代码里。模型文件名、采样参数、端口地址都应有默认值。输出图片的命名建议包含时间戳、任务 ID、seed 三个信息，例如poster_20250120_1830_seed42_00001.png，这样后续溯源和挑选都很方便。

7.2 资源控制与异常处理

本地工作流最大的风险是资源耗尽。批量生成时不要一次性把所有任务塞进 ComfyUI，建议在脚本层做并发控制，例如同时只允许一个生成任务。ComfyUI 本身没有任务队列的概念，如果你并发提交多个/prompt请求，显存很容易被撑爆。稳妥的做法是在 Python 脚本中维护一个简单的互斥锁，或使用单线程串行提交。

7.3 提示词工程的沉淀

提示词模板应该持续沉淀。建议建一个文案模板仓库，把适合不同风格的提示词分门别类保存。例如“科技感海报”的通用结构是：主体关键词 + 场景关键词 + 风格关键词 + 光影关键词 + 画质关键词。把模板变成配置文件，可以显著降低每次创作的不确定性。

7.4 安全与合规注意事项

本地运行并不等于可以无限制生成违规内容。使用开源模型时，除了遵守模型 License，还要遵守相关法律法规和平台规范。不要在团队生产环境中随意使用来源不明的模型文件，避免引入恶意代码或不合规内容。涉及品牌设计素材时，注意版权边界。生成内容用于商业发布前，建议做人工审核，不要直接依赖 AI 输出结果。

7.5 如何迁移到更复杂的业务

当前这套工作流还有很大的扩展空间。你可以尝试把 Dify 接入企业知识库，让 AI 根据品牌手册自动生成符合规范的图片提示词；可以用 N8N 监听数据库或表单提交事件，实现设计需求的自动派单；可以在 ComfyUI 中引入 ControlNet 节点，用线稿或骨架图约束生成结果。每新增一个能力，建议遵循“先手动跑通，再自动化”的原则。

8. 总结与下一步

这套本地 AI 设计工作流的核心价值不是某一个工具，而是一种组合思路：用 Ollama 处理文本理解，用 ComfyUI 处理图像生成，用 Python 或 Dify、N8N 把节点串成流程。它完全免费、完全本地运行，没有按张计费的成本压力，也没有设计资产上传云端的数据风险。

如果你第一次接触这套体系，不用急着装齐所有组件。先按照第 4 章的步骤，把 Ollama 加 ComfyUI 加 Python 的最小闭环跑通，体验一下“输入一句话，本地生成一张图”的完整流程。再根据实际工作需求，决定是否引入 Dify 做复杂编排，或者引入 N8N 做定时任务和通知。

你的第一步很简单：下载 Ollama，克隆 ComfyUI，拉一个开源模型，然后运行一次python run_workflow.py。跑通了，你就拥有了一个完全可以自己掌控的本地 AI 设计工作流。