AgentFlaw工作流编排,最新进展
-
分享个 github 连接？
-
如何实现 在 一个工作流 中 ,调用 不同的 模型? 比如 A流程 需要 本地模型 读取本地文件 , B流程 , 需要在线模型B 来 整理 提示词, 因为价格便宜 C流程 , 需要在线模型C, 最终来 进行干活. 因为C模型理解能力强,但是token的费用太贵.
以下是思路:
给「每个技能节点」独立绑定「模型配置」
全局 Agent：只做人设、规则，不绑定固定模型
每个 Flow 节点：可以单独选择：
本地模型 (LM Studio)
在线模型 B (廉价整理)
在线模型 C (高质量生成)
工作流运行时：节点走到哪，就调用该节点绑定的模型
前端负责编排选择，后端负责按配置执行调用
这就是你要的：A 用本地、B 用廉价模型、C 用强模型 -
ComfyUI 工作流：实现原理与核心机制全解析
一、核心本质：数据流驱动的有向无环图 (DAG) 执行引擎
ComfyUI 的工作流本质是可视化的计算图编排系统，专为 AI 模型推理（尤其 Stable Diffusion）设计。它将复杂的生成流程拆分为独立的节点模块，通过数据流编程范式实现灵活的工作流定制。
核心设计哲学
一切皆节点：每个操作（模型加载、文本编码、图像采样、VAE 解码等）都是独立节点
数据驱动执行：节点仅在所有必填输入就绪时才执行，结果自动流向下游节点
无状态与可复用：工作流可保存为 JSON 文件，支持一键加载与共享，保证结果可复现前端 (客户端)：可视化编辑器
技术栈：原生 JavaScript + HTML5 Canvas（非 React），追求极致性能
核心功能：
节点拖拽、连线、参数配置
工作流 JSON 序列化 / 反序列化
通过 WebSocket 与后端实时通信
执行状态、进度、中间结果预览
2. 后端 (服务端)：Python 推理引擎
技术栈：Python + FastAPI + PyTorch + 异步任务队列
核心组件：
节点注册表 (Node Registry)：管理所有可用节点的元数据
图执行器 (Graph Executor)：解析 DAG 并调度节点执行
模型管理器 (Model Manager)：加载 / 卸载 / 缓存 AI 模型
任务队列 (Task Queue)：处理并发推理请求我不想了, 就照着 ComfyUI 来吧.
-
ComfyUI 工作流：实现原理与核心机制全解析
一、核心本质：数据流驱动的有向无环图 (DAG) 执行引擎
ComfyUI 的工作流本质是可视化的计算图编排系统，专为 AI 模型推理（尤其 Stable Diffusion）设计。它将复杂的生成流程拆分为独立的节点模块，通过数据流编程范式实现灵活的工作流定制。
核心设计哲学
一切皆节点：每个操作（模型加载、文本编码、图像采样、VAE 解码等）都是独立节点
数据驱动执行：节点仅在所有必填输入就绪时才执行，结果自动流向下游节点
无状态与可复用：工作流可保存为 JSON 文件，支持一键加载与共享，保证结果可复现前端 (客户端)：可视化编辑器
技术栈：原生 JavaScript + HTML5 Canvas（非 React），追求极致性能
核心功能：
节点拖拽、连线、参数配置
工作流 JSON 序列化 / 反序列化
通过 WebSocket 与后端实时通信
执行状态、进度、中间结果预览
2. 后端 (服务端)：Python 推理引擎
技术栈：Python + FastAPI + PyTorch + 异步任务队列
核心组件：
节点注册表 (Node Registry)：管理所有可用节点的元数据
图执行器 (Graph Executor)：解析 DAG 并调度节点执行
模型管理器 (Model Manager)：加载 / 卸载 / 缓存 AI 模型
任务队列 (Task Queue)：处理并发推理请求我不想了, 就照着 ComfyUI 来吧.
-
我的一点儿浅见, 我觉得你可以抽象出两个节点:
1, Router, 它的输入是用户对流程的期望, 以及workflow 的json. 它负责推理出如何调度不同的资源和参数. 输出给Hub switch.
2, Hub, 它负责switch不同的参数给 load checkpoint, load prompt, load output setting等.
@Tony-Wang 谢谢 回复. 我尝试了下 comfyui, 功能太强大了. 视频界的天花板了. 目前来说.
我这个工作流编排,还是聚焦 编程,还有办公场景吧.
-
ComfyUI 工作流：实现原理与核心机制全解析
一、核心本质：数据流驱动的有向无环图 (DAG) 执行引擎
ComfyUI 的工作流本质是可视化的计算图编排系统，专为 AI 模型推理（尤其 Stable Diffusion）设计。它将复杂的生成流程拆分为独立的节点模块，通过数据流编程范式实现灵活的工作流定制。
核心设计哲学
一切皆节点：每个操作（模型加载、文本编码、图像采样、VAE 解码等）都是独立节点
数据驱动执行：节点仅在所有必填输入就绪时才执行，结果自动流向下游节点
无状态与可复用：工作流可保存为 JSON 文件，支持一键加载与共享，保证结果可复现前端 (客户端)：可视化编辑器
技术栈：原生 JavaScript + HTML5 Canvas（非 React），追求极致性能
核心功能：
节点拖拽、连线、参数配置
工作流 JSON 序列化 / 反序列化
通过 WebSocket 与后端实时通信
执行状态、进度、中间结果预览
2. 后端 (服务端)：Python 推理引擎
技术栈：Python + FastAPI + PyTorch + 异步任务队列
核心组件：
节点注册表 (Node Registry)：管理所有可用节点的元数据
图执行器 (Graph Executor)：解析 DAG 并调度节点执行
模型管理器 (Model Manager)：加载 / 卸载 / 缓存 AI 模型
任务队列 (Task Queue)：处理并发推理请求我不想了, 就照着 ComfyUI 来吧.
-
T terry 固定了该主题
