闲的蛋疼，更新下上篇故事的前述-一张 12GB 显卡上的 47 小时：一次手术课件项目里被漏掉的那一段

abaalei

这篇是给《零代码接单一个月后，我为什么选择止损：一次手术课件 Vibe Coding 项目复盘》补的一段记录。

那篇复盘是Codex侧（GPT5.6SOL）写的，我在开头留了一句话："此文由 GPT5.6SOL 撰写，它缺少了一开始我使用本地 Agent 迭代时候的上下文"。

缺的正是最重要的那一段——项目最开始，把甲方给的云端方案往一张 12GB 显卡上落的那 47 小时。那一段的代码、交付包、视频产物、文件时间戳和会话账目都还在机器上，所以下面不是回忆，是可核对的记录。

一、那两天到底要解决什么

甲方给的是一个已经在云端跑通的方案。落到本地只有两个硬约束：

一张 3080Ti，12GB 显存（不是 24G，不是 A100），要跑 LTX-2.3 22B 图生视频模型；
交付物很具体：一个能在 ComfyUI 里跑通的纯官方节点工作流 JSON，加一段手机录制的一键生产过程视频。

没有设计文档，没有验收清单，没有"效果达到什么程度算过"。

最后这一条，是整件事真正的病根，后面还会回来要账。

二、47 小时里发生了什么

工作窗口是 7/15 13:10 → 7/17 12:34，10 个会话。其中出交付包、出成片的密集迭代，是 7/15 22:58 → 7/16 14:18 那 15.5 小时。

07-15 13:10 起 — 拆解甲方那份带私有节点依赖的工作流，确定它在 12GB 卡上的可行边界。
07-15 22:58 — 第一版可跑通的 JSON（27KB）。
07-15 23:04 — 试了那个"最优雅"的方案：用 ComfyUI 的 List 隐式循环，一条工作流跑完 6 个场景再合并。当天就被实测否掉了（原因见第四节第一条）。
07-15 23:27 — V2：改架构。 放弃"在画布内部做统一管线"，改成「外部 Python 调度器 + 单场景模板」。
07-16 00:23 / 00:51 — V3（显存优化）、V4（首次完整无 OOM 跑通），三个交付包（v2/v3/v4）在 90 分钟内连发。
07-16 02:44 — V3 实测。这一次会话跑了 916 条消息、455 次工具调用。
07-16 10:00–11:13 — V4 实测：首次产出完整合成片（1.05MB / 36.5 秒）。
07-16 12:05–14:18 — V5：加"四级裁图链"，出移交文档，成片 1.16MB。
07-17 00:25 — 补超分链（384×288 → 高清）。
07-17 12:34 — 甲方真正在意的那个要求第一次露头："识别缝线范围"。

交出的是：一份能跑的产线 + 一段合成好的课件动画。

三、那几天换了多少模型？账目在这里

复盘里记得"换了好几个模型"。会话库把这件事记成了数字。

整个 7 月到 8 月，本地 Agent 侧真实调用过的模型共 13 条记录（跨 provider，9 个模型族）：gemini-pro-agent、gemini-3-flash-agent、gemini-3.6-flash(-high)、claude-sonnet-4-6、deepseek-v4-pro、deepseek-v4-flash、glm-5.2（两个 provider）、grok-4.3、grok-3-mini-fast。

而这一支（7/15–7/17，10 个会话）实际落在 3 个模型上：

gemini-pro-agent — 1,178 次调用 / 938.8 万 token
gemini-3-flash-agent — 429 次调用 / 472.8 万 token
deepseek-v4-pro — 49 次调用 / 9.8 万 token

合计：2,684 条消息，1,656 次 API 调用，1,421 万 token，记录的现金成本 0 元。

这段账目最有价值的地方，不是数字，是它证明了一件事：

换了这么多模型，没有换掉任何一条失败原因。

第四节那 7 条坑，逐条追溯，没有一条跟"模型不够聪明"有关：

List 隐式循环失效，是 ComfyUI 的节点语义问题；
6 张图被拍扁成一个 batch，是工作流的拓扑问题；
VLM 返回坐标格式漂移，用云端模型还是本地模型都一样，缺的是容错代码；
384×288 / 12fps，是 12GB 显存算出来的上限；
验收标准没定义，那是流程，不是模型。

换模型是当时最容易做、也最没用的一件事。 那 47 小时里真正起作用的那次动作（V2 改架构），跟模型毫无关系。

四、技术上有用的部分

1. ComfyUI 的 List 隐式循环，在定制节点上会失效。

理论上往下游塞一个 List 会触发隐式循环，但工作流里的缩放/视频节点内部把 List 拍扁成了 batch=6。表现是耗时 167 秒（正好等于一次生成的时间），而且 6 张图被强行杂糅——模型开始脑补：第一次生出一个戴着白色眼罩的女人，把医学线稿图像海盗眼罩一样糊在眼睛上；改掉提示词重跑，它又脑补出一个穿白 T 恤的男人。

模型看到的不是"六张图"，是"一帧"。 要把一张线稿动起来，就得一张一张喂——"批量"这个动作必须由画布外面的调度器来做。

这也是 V2 那次架构掉头的直接原因，而这次掉头是那 47 小时里唯一被后续验证为正确的判断：画布上永远只有一个场景的模板，复杂度全部关在 Python 里。结果是 6 个场景在 12GB 卡上连续跑完、零 OOM。

2. VLM 给的坐标不可信，但可用。

实际跑通的是"VLM 出坐标 + 程序做后处理"：VLM 会把 1 写成 "Scene 1"，bbox 字段名会漂（ymin / top），偶尔还嵌套数组；加了 8% 边距扩展之后又出现负值越界，导致 OpenCV 保存空图直接崩。

把它当"不稳定的专家建议"，不要当结构化 API。

3. 裁图最终是四级兜底链：CV 自适应（5 档阈值 + NMS 合并）→ VLM 统一检测 + 场景映射 → VLM 传统裁图 → 硬编码坐标。低对比度扫描件上 CV 会整体失效，所以必须能一键降级到人工坐标。

4. 甲方的工作流带私有节点依赖（329:xxx 形式的引用、XB 系列、ROCm 补丁、sageattention）。最后决定全剔除，只留官方节点 + GGUF 加载器——牺牲一点画质，换"能在任何一台干净机器上装起来"。

5. wait_for_completion 只检查 gifs/ 目录，而视频产物落在 videos/ 里，脚本永远等不到结果。

6. 帧数没有注入 EmptyLTXVLatentVideo，出来的视频长度和场景对不上。

7. 高频重试会让 /free 返回 500，显存疑似没完全释放——12GB 跑 22B 时的常态，只能靠控制并发躲开。

五、结束时留下的硬数据

代码：6 个 Python 文件 / 1,186 行（编排 131 + 裁图 311 + VLM 检测 473 + 提交 136 + 解析 118 + 合并 17）
工作流模板：19 个节点，纯官方节点 + GGUF 加载器
渲染参数：配置 384×256（实际输出 384×288，LTX 按 32 对齐）/ 20 steps / 12 fps / VAE 分块 128 / UNet 换出 96 块 / NAG 8.0
最终成片：384×288 / 12fps / 36.5 秒 / 438 帧 / h264
交付包：4 个（最小的 5.6KB）；工作区总占用 约 7.5MB

对照原文里的后期数据（工作区 62GB / 269 个文件 / 115,875 行 / 101 个审计目录 / V17 约 50GB）：

阶段零用 1,186 行、7.5MB 工作区，把片子做出来了；后期用 115,875 行、62GB 工作区，过不了验收。

这不是模型变笨了，是流程变了。

六、没解决的四个问题（照实列）

裁图坐标仍偏紧（8% 边距不够，应提到 12–15%）；
CV 投影法兜底没实现，当时只存在于讨论里；
VLM 会把页脚误检成第 6 个子图；
384×288 / 12fps 是这张卡的上限——不是审美选择，是显存算出来的。要 1920×1080 / 30fps，只能换卡或多卡。

七、这段记录唯一的新增结论

那 47 小时交出去的东西是**"能跑通"**：产线跑得动、片子出得来、工作流能在别人的机器上装起来。

交不出去的东西，是甲方真正要的**"手术逻辑正确性"——它在 7/17 才第一次以"识别缝线范围"的形式出现，而且从头到尾没有被写成一条可判定的验收条件**。当时的对话里，没有一句话是"什么样的画面算通过"。

开工前我没有把验收条件钉死，这是我的责任。后果就是复盘里那一段：需求只能以"我觉得不对"的形式反复出现；而它每出现一次，当下唯一能做的事就是——再加一道检查。检查越来越严，产出越来越远。

如果这个项目重来一次，先写下这五行，再动第一行代码：

验收条件（化整为零，逐条可判）：
1. 输入：一张扫描件 + 一份 Markdown → 输出 6 段场景视频 + 1 段合成片
2. 尺寸 / 帧率：___（阶段零实测：384×288 / 12fps 是 12GB 卡的上限）
3. 每帧必须与对应子图"同构"：无新增解剖结构、无新增文字、无人物出现
4. 关键步骤顺序：与 Markdown 的 6 个场景一一对应（顺序错 = 不通过）
5. 修改轮次：___ 轮以内；超出即重新评估范围或终止

第 3 条就是"手术逻辑正确性"的可判定版本——它不需要人去"感觉对不对"，只要拿原图逐帧点一遍。如果第一天就有这五条，"感觉不对"最多只能推翻一次。

顺带一句：那套后来一路加到 v4 的质检门，不是被设计进来的。7/17 的对话里它已经被明确拒绝过一次——"我们不需要 qa 系统，只需要把视觉模型提供接口出来给外部调用就行"。它是在没人写下验收条件的情况下，被"每次觉得不对就加一道检查"的惯性，一次一道，慢慢长出来的。

结语

那 47 小时里，我在做的事情是"把东西跑通"，那是该做的部分。

真正让这个项目亏钱的，不是模型（换了 13 个都没用）、不是 12GB 显存、也不是谁写的提示词，而是从头到尾没有一个人把"通过"这个词定义成一句可以判定的话。

所以，补上那段被漏掉的记录之后，我想说的其实只有一句：

动手写第一行代码之前，先写下"什么叫做完"。那是最便宜的保险。

本文是《零代码接单一个月后，我为什么选择止损》的补记。所有数字来自本地产物时间戳、ffprobe 实测与会话账目。

imbiplaza ASUS

我好像有折腾过。。。。https://github.com/karuvanan/LTX-2.3-i2v-Enhanced_Prompt-webui-comfyui-connector

抡锤者