标签：工作流

ComfyUI-Manager：ComfyUI 必备的插件管家，15.3K+ Stars 让节点安装一键搞定
项目简介

ComfyUI-Manager 是 ComfyUI 生态的官方扩展「插件管家」，让你在图形界面里一键安装、更新、禁用、启用上千个自定义节点与模型，是每位 ComfyUI 用户都离不开的「应用商店」。项目由社区发起，现由 Comfy-Org 官方维护，已接入 registry.comfy.org 官方节点仓库，累计 15.3K+ Stars、2.3K+ Forks，采用 GPL-3.0 许可。

安装要求和过程

环境要求：已安装 ComfyUI；系统具备 Python 3 与 Git 即可（无需额外依赖，纯 Python 实现）。

方式一 · 通用安装（推荐）
```
# 进入 ComfyUI 的自定义节点目录
cd ComfyUI/custom_nodes
git clone https://github.com/Comfy-Org/ComfyUI-Manager comfyui-manager
# 重启 ComfyUI 即可在菜单看到 Manager 按钮
```
方式二 · Windows 便携版：下载 install-manager-for-portable-version.bat 放入 ComfyUI_windows_portable 目录，右键「另存为」后双击运行。

方式三 · comfy-cli 一并安装（最省心）
```
python -m venv venv
venv\Scripts\activate      # Linux/macOS 用 . venv/bin/activate
pip install comfy-cli
comfy install            # 同时装好 ComfyUI + ComfyUI-Manager
```
方式四 · Linux + venv 脚本：下载 install-comfyui-venv-linux.sh 赋可执行权限后运行，自动完成 ComfyUI 与 Manager 的 venv 部署。

核心功能
- 一键管理自定义节点：内置 2000+ 节点库，图形界面中搜索、安装、更新、禁用、启用、卸载全部点点鼠标完成，告别手动 git clone + pip install。
- 模型一键下载与管理：集成模型库，直接在界面拉取常用模型权重，并可通过 extra_model_paths.yaml 统一管理模型路径。
- 快照（Snapshot）管理：一键保存当前「节点 + 模型 + 配置」的完整状态，随时还原，是应对环境崩坏、多机一致的「救命功能」。
- 缺失节点自动识别：导入他人工作流时，自动列出缺失的自定义节点并一键补齐，彻底解决「换个机器工作流就跑不起来」的问题。
- 工作流分享 + 命令行 + 安全策略：支持分享到 comfyworkflows / OpenArt 等平台；提供 cm-cli 供高级用户脱离界面使用；security_level 与独立安装开关保障公共部署安全（V3.38 已迁移到受保护系统路径）。
典型使用场景
1. 新手快速搭建 AI 绘画工作流：刚装好 ComfyUI 不知道装什么？打开 Manager 搜索 ControlNet、AnimateDiff、IP-Adapter 等热门节点，一键安装即可开始出图。
2. 团队 / 多机环境一致性：在一台机器调好所有节点后用快照保存，其他机器直接还原，杜绝「在我电脑上能跑」的玄学问题。
3. 复现他人分享的工作流：从社区下载 .json 工作流，Manager 自动检测并安装其中缺失的节点，秒级复现大佬的节点组合。
推荐理由

如果你用过 ComfyUI，一定体会过「满屏红字找不到节点」的痛苦。ComfyUI-Manager 把原本繁琐的命令行操作全部收敛为一个图形化面板，安装、更新、回滚一条龙，极大降低了 AI 绘画的入门门槛。个人最离不开的是它的快照功能——折腾节点把环境搞崩后，一个还原就能满血复活；而「缺失节点自动安装」让复现别人的工作流从半小时缩短到几秒钟。如今项目归入 Comfy-Org 官方维护、接入官方节点仓库，并更新了安全补丁，稳定性与可信度都上了一个台阶。一句话：装 ComfyUI 不装 Manager，等于买了手机不装应用商店。

下载地址
- GitHub 仓库：github.com/Comfy-Org/ComfyUI-Manager
- ComfyUI 主项目：github.com/comfyanonymous/ComfyUI
- 官方节点仓库：registry.comfy.org
- 官方文档：docs.comfy.org
2026年7月11日
Dify：开源 LLM 应用开发平台，148K Stars 把 AI 工作流从原型秒送生产
在 AI 应用落地的草莽时代，几乎每个团队都在重复造轮子：接模型要写一遍适配、做检索要搭一套向量库、上生产还要自己补日志和监控。把这套东西拼起来，往往比业务本身还费劲。Dify 的出现，就是要把这件事彻底标准化。

一、项目简介

Dify 是一个开源的 LLM 应用开发平台，用一张可视化画布把 AI 工作流、RAG 检索增强、Agent 能力、模型管理与可观测性打包在一起，让你从原型到生产只差一次部署。目前 GitHub 已收获 148.4K Stars、23K+ Fork，是开源 LLM 应用开发领域当之无愧的头部项目。

二、安装要求和过程

环境要求：
- CPU ≥ 2 核
- 内存（RAM）≥ 4 GiB
- 已安装 Docker 与 Docker Compose
- 操作系统：Linux / macOS / Windows（WSL2）
快速安装（Docker Compose，官方最推荐方式）：
```
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d
```
启动完成后，浏览器访问 http://localhost/install 即可进入初始化向导。如果你需要高可用部署，官方文档还提供了 Helm Chart、Terraform（Azure / GCP）、AWS CDK 以及阿里云计算巢等多种方案。

三、核心功能

1. 可视化工作流画布（Workflow）
在画布上拖拽编排 AI 流程，节点可调试、可分支、可回放，复杂逻辑一目了然。

2. 全面的模型支持
无缝接入数百个闭源 / 开源大模型（GPT、Mistral、Llama3 及所有 OpenAI 兼容模型），覆盖几十家推理服务商与自托管方案，切换模型无需改代码。

3. 开箱即用的 RAG 管线
从文档摄入到检索全链路覆盖，原生支持 PDF、PPT 等常见格式的智能提取，几步就能搭出带引用来源的问答助手。

4. 强大的 Agent 能力
基于 Function Calling 或 ReAct 定义智能体，内置 50+ 工具（Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等），也可接入自定义工具。

5. LLMOps 与 Backend-as-a-Service
应用日志与性能可监控、可迭代；所有能力均提供对应 API，轻松把 AI 能力嵌入自有业务系统。

四、典型使用场景

1. 企业知识库问答 / 智能客服
导入内部文档构建 RAG，几步搭出带引用来源、可溯源的客服助手，替代翻手册式的重复答疑。

2. 可视化 Agent 工作流自动化
把“检索 → 生成 → 调用工具 → 校验”串成一张画布，用可视化的方式替代脆弱的脚本编排。

3. 快速原型 + API 集成
先用 Dify 低成本验证想法，再通过 BaaS API 把打磨好的 AI 能力无缝嵌入现有产品。

五、推荐理由

个人使用下来，Dify 最打动我的是“把复杂度收敛到一个画布上”。它不要求你先成为向量数据库专家或 Prompt 工程师，普通开发者也能在半小时内跑通一个带 RAG 的可用应用；而当项目要上生产时，LLMOps 的日志、评估与 API 化能力又刚好补上团队最缺的那一环。对于想认真做 AI 产品的团队，它是目前最省心的一站式底座——既能自建私有化守住数据，也能平滑对接云端大模型。

六、下载地址
- 官网：https://dify.ai
- GitHub：https://github.com/langgenius/dify
- 官方文档：https://docs.dify.ai
- 自托管指南：install-self-hosted
许可证：Dify Open Source License（基于 Apache 2.0，附加部分条款）。本文数据截至 2026-07-11，Stars 约 148.4K。
2026年7月11日

ComfyUI – 最强大的模块化AI内容创作引擎，节点式工作流颠覆传统AI生成

ComfyUI – 模块化AI内容创作引擎

📦 项目简介

ComfyUI 是最强大、最模块化的AI内容创作引擎，提供图形化节点界面来构建和执行AI生成工作流。支持图像、视频、3D模型、音频等多类型内容生成，无需编写代码即可搭建复杂的AI生成流程。

⭐ GitHub热门
🎨 AI图像生成
🎬 视频生成
🎵 音频生成

🔧 安装要求和过程

环境要求

组件	要求
操作系统	Windows / Linux / macOS
Python版本	推荐 3.13+（3.14存在部分兼容问题）
PyTorch版本	推荐 2.4+（优先使用最新CUDA版本）
GPU显存	最低 1GB（智能内存管理）

快速安装（NVIDIA GPU）

# 克隆仓库
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI
# 安装PyTorch（CUDA 13.0）
pip install torch torchvision torchaudio –extra-index-url https://download.pytorch.org/whl/cu130
# 安装依赖
pip install -r requirements.txt
# 启动服务
python main.py

一键安装（推荐）

🚀 Windows便携包：下载解压即用（NVIDIA版）

📦 comfy-cli：pip install comfy-cli && comfy install

🖥️ 桌面客户端：官网下载一键安装

☁️ 云端部署：Comfy Cloud（无本地硬件用户）

✨ 核心功能

🎨

多模态模型支持

支持SD1.x/2.x、SDXL、SD3/3.5、Flux、Qwen Image、Hunyuan等图像模型；Stable Video Diffusion、Wan 2.1等视频模型；Stable Audio等音频模型；Hunyuan3D等3D模型

⚡

异步队列+智能显存

仅重新执行工作流中发生变化的部分，大幅提升运行效率；智能内存管理，最低支持1GB显存GPU运行大模型

🔗

节点式工作流

图形化节点界面，灵活搭建复杂工作流；支持工作流保存/加载为JSON；App模式将复杂工作流封装为简易UI

📦

扩展生态丰富

支持LoRA、Embedding、超网络加载；支持ControlNet、T2I-Adapter、GLIGEN等扩展；ComfyUI-Manager一键安装扩展

🔒

离线运行+完整复现

核心功能不会自动下载额外内容，保护隐私；支持从生成的PNG、WebP、FLAC文件中加载完整工作流（包含种子参数），实现结果完整复现

🎯 典型使用场景

场景一：AI图像生成与工作流复用

通过节点式工作流搭建复杂的图像生成流程（如：文生图+高清放大+面部修复），保存为JSON文件或PNG图片。下次直接加载工作流即可复现相同效果，大幅提升创作效率。支持LoRA微调模型，实现个性化风格生成。

场景二：视频生成与编辑

集成Stable Video Diffusion、Wan 2.1等视频生成模型，通过节点工作流实现文本生成视频、图片生成视频、视频风格转换等功能。支持视频帧插值、超分辨率等后处理节点。

场景三：企业级AI内容生产流水线

通过ComfyUI的API模式，将复杂的AI生成工作流封装为简易UI，供非技术团队成员使用。结合ComfyUI-Manager批量安装扩展，快速搭建企业内部的AI内容生产平台，实现批量图像/视频生成自动化。

💡 推荐理由

ComfyUI彻底改变了AI内容生成的工作方式——从”写提示词等待结果”进化到”可视化搭建AI生成流水线”。

为什么值得尝试？
① 灵活性无敌：节点式工作流让你可以精确控制AI生成的每一个环节，从模型选择、提示词处理、采样参数到后处理，全部可视化调整。
② 社区生态强大：ComfyUI-Manager让扩展安装一键完成，数千个自定义节点覆盖各种需求（ControlNet、IP-Adapter、AnimateDiff等）。
③ 资源占用优化：智能显存管理让低显存用户也能跑大模型，异步队列提升生成效率。
④ 结果可复现：工作流嵌入PNG图片，分享作品的同时分享完整生成流程，AI创作的”开源”精神。

如果你觉得WebUI”不够灵活”，或者想搭建自动化的AI内容生产流水线，ComfyUI绝对是最佳选择。节点式工作流的学习曲线稍陡，但一旦掌握，创作效率将大幅提升！

📥 下载地址

🐙 GitHub仓库
🖥️ 桌面客户端下载
📚 官方文档
🎨 示例工作流

支持Windows / Linux / macOS | 最低1GB显存 | 开源免费

🏷️ 标签：ComfyUI · 节点式 · AI绘画 · 图像生成 · Stable Diffusion · 工作流

📌 归类：开源项目

2026年6月16日

【开源推荐】Dify：145K+ Stars！开源LLM应用开发平台，可视化构建AI工作流与RAG管道
Dify：145K+ Stars！开源LLM应用开发平台，可视化构建AI工作流
TypeScript + Python 全栈 · Docker 一键部署 · 集成数百款LLM模型

📌 项目简介

Dify 是一款开源的大语言模型（LLM）应用开发平台，由 LangGenius 团队开发，已加入 Linux 基金会。它具备直观的可视化界面，整合了 AI 工作流、RAG 管道、智能体能力、模型管理和可观测性功能，帮助开发者快速完成从原型到生产环境的落地。截至 2026 年 6 月，Dify 在 GitHub 已获得 145,000+ Stars，是全球最受欢迎的 LLM 应用开发框架之一。

145K+

GitHub Stars

50+

内置工具集成

300+

LLM模型支持

Apache-2.0

开源协议

🔧 安装要求和过程

方式一：Docker Compose 部署（推荐，最快5分钟上线）

环境要求：CPU ≥ 2核，内存 ≥ 4GiB，已安装 Docker 和 Docker Compose

# 克隆仓库 git clone https://github.com/langgenius/dify.git cd dify/docker # 复制环境配置 cp .env.example .env # 启动服务（后台运行） docker compose up -d # 访问安装页面 # 浏览器打开 http://localhost/install

启动后访问 http://localhost/install 完成管理员账号初始化，即可开始使用。

方式二：从源码部署（适合开发者定制）

# 后端启动（Python 3.11+） cd api poetry install poetry run flask db upgrade poetry run flask run --host 0.0.0.0 --port 5001 # 前端启动（Node.js 18+） cd web npm install npm run dev

方式三：云服务版（无需部署，立即使用）

直接访问 https://cloud.dify.ai 注册即用，免费版包含 200 次 OpenAI 调用额度。

⚡ 核心功能

🎨 可视化工作流编排

在画布上通过拖拽节点即可构建复杂的 AI 工作流，支持条件分支、循环、变量传递和并行执行。无需编写代码，产品、运营同学也能搭建生产级 AI 应用。

🤖 全模型支持 & RAG 管道

无缝集成 GPT、Claude、Llama3、Mistral、Gemini 等 300+ 专有/开源 LLM，兼容所有 OpenAI API 规范的模型。内置完整的 RAG 管道，支持从 PDF、PPT、Word 等常见文档格式中提取文本并建立知识库。

🛠️ 智能体 + 50+ 内置工具

基于 LLM Function Calling 或 ReAct 模式定义智能体，内置 Google 搜索、DALL·E、Stable Diffusion、WolframAlpha 等 50+ 工具，同时支持自定义工具接入，真正让 AI 能”做事”而不仅仅是”说话”。

📊 Prompt IDE + 可观测性

提供直观的 Prompt 编写和调试界面，支持对比不同模型性能表现。集成 Opik、Langfuse、Arize Phoenix 等可观测性工具，实时追踪 LLM 推理成本、延迟和准确率，让 AI 应用可监控、可优化。

🔌 丰富 API & 生态集成

提供完整的 REST API 和 SDK，支持将 Dify 应用嵌入到自有产品中。同时支持与 LangChain、Semantic Kernel 等框架集成，也可通过 AWS CDK、Terraform、Kubernetes 等方式部署到云端。

💡 典型使用场景

🏢

企业知识库问答

上传公司文档、产品手册、FAQ 建立知识库，构建基于 RAG 的智能客服或内部知识助手，准确回答员工和客户的提问，减少人工客服压力。

🤖

AI 工作流自动化

用可视化画布编排多步骤 AI 任务：自动抓取网页内容 → 提取关键信息 → 调用 LLM 总结 → 发送邮件通知，全程无需写代码，像搭积木一样构建自动化流程。

🚀

快速 AI 产品原型验证

产品团队在几小时内完成 AI 功能原型设计，通过 Dify 的 Playground 实时测试不同模型效果，快速验证产品想法，大幅缩短从创意到落地的周期。

🌟 推荐理由

作为一名开发者，我推荐 Dify 的最大理由是“它把 AI 应用开发从『写代码』变成了『搭积木』”。以前要集成 LLM、做 RAG、写 Agent 逻辑，需要深厚的 Full Stack 和 AI 工程经验；现在用 Dify 的可视化画布，产品、运营甚至非技术同学都能搭建出生产级的 AI 应用。

另一个亮点是私有化部署能力。对于数据敏感的企业用户，Dify 可以完全部署在内部服务器，数据不出企业内网，同时享受和云服务版一样的功能体验。加上它对国产大模型（如通义千问、文心一言、智谱 GLM）的良好支持，在国内落地场景非常有优势。

145K+ Stars 不是偶然。Dify 正在成为 AI 应用时代的”WordPress”——让每个人都能轻松拥有自己的 AI 应用。无论你是个人开发者、创业团队还是大型企业，Dify 都值得一试。

📦 下载地址

🐙 GitHub 仓库
 🌐 官方网站
 📚 官方文档
 ☁️ 云服务版

开源协议：Apache-2.0（附加 Dify 开源条款） · 主要语言：TypeScript 51.5% / Python 44.1%
2026年6月14日
n8n：191.5k Stars！工作流自动化平台，让AI与代码无缝融合
📌 项目简介

n8n 是一个面向技术团队的 workflow 自动化平台，兼具代码的灵活性和无代码的速度。它提供400+集成、原生AI能力，采用fair-code许可证，让你在保持对数据和部署的完全控制的同时，构建强大的自动化流程。

n8n – 可视化工作流自动化平台

💻 安装要求和过程

环境要求
- Node.js：版本 18 或更高
- npm：随 Node.js 安装
- Docker：可选，用于容器化部署
快速安装 – 方法1：使用 npx（推荐体验）
```
npx n8n
```
运行后访问 http://localhost:5678 即可开始使用。

快速安装 – 方法2：使用 Docker（推荐生产）
```
docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678   -v n8n_data:/home/node/.n8n   docker.n8n.io/n8nio/n8n
```
快速安装 – 方法3：使用 npm 全局安装
```
npm install -g n8n
n8n
```
✨ 核心功能
1. 代码与无代码自由切换：可以编写 JavaScript/Python、添加 npm 包，或使用可视化界面，灵活应对各种复杂场景。
2. 原生AI平台：基于 LangChain 构建 AI Agent 工作流，支持自定义数据和模型，让 AI 真正为业务服务。
3. 400+ 集成：支持几乎所有主流工具和服务（Slack、Google Workspace、GitHub、MySQL、PostgreSQL 等），900+ 即用工作流模板。
4. 完全控制：采用 fair-code 许可证，可自托管，也可使用官方云服务，数据主权完全掌握在自己手中。
5. 企业级能力：高级权限管理、SSO 单点登录、气隙部署（air-gapped），满足企业安全合规需求。
🎯 典型使用场景

场景1：AI 驱动的客服自动化

将 n8n 与 OpenAI API、Slack、CRM 系统连接，构建一个智能客服工作流：
- 客户在 Slack 发起咨询 → n8n 触发工作流
- 调用 AI 模型分析客户问题 → 检索知识库
- 自动生成回复草稿 → 发送给人工客服审核
- 客服确认后自动回复客户 → 同时更新 CRM 记录
整个过程从人工需要10分钟缩短到30秒，效率提升20倍。

场景2：社交媒体内容自动发布

内容创作者可以使用 n8n 构建多平台自动发布流程：
- 在 Notion/Airtable 中规划内容日历
- n8n 定时读取待发布内容
- 自动生成适配各平台的文案（Twitter 精简版、LinkedIn 专业版、微博口语版）
- 依次发布到 Twitter、LinkedIn、微博、微信公众号
- 收集各平台互动数据 → 汇总到 Google Sheets
🌟 推荐理由

为什么选择 n8n？
- 技术团队的理想选择：不像 Zapier 那样只适合简单场景，n8n 允许你写代码，真正应对复杂业务逻辑。
- AI 原生设计：在 AI 浪潮中，n8n 是最早将 LangChain 集成到工作流平台的产品之一，AI Agent 构建能力领先。
- 数据主权：fair-code 许可证意味着你可以自建，敏感数据不用经过第三方云服务，对企业尤其重要。
- 活跃的社区：GitHub 191k+ Stars，社区论坛活跃，900+ 工作流模板可以直接复用。
- 成本优势：自托管免费，只有企业版高级功能需要付费，相比 Zapier 每月几百美元，成本可以忽略不计。
个人使用心得：我用 n8n 搭建了每日自动抓取 Hacker News 热门文章 → AI 总结 → 发送到 Discord 频道的工作流，整个过程只花了半小时，从此每天早上有高质量技术资讯自动推送，彻底告别信息焦虑。

📥 下载地址
- 官方网站：https://n8n.io
- GitHub 仓库：https://github.com/n8n-io/n8n （⭐ 191.5k+ Stars）
- 文档中心：https://docs.n8n.io
- 工作流模板：https://n8n.io/workflows
- 社区论坛：https://community.n8n.io
📌 本文由 WorkBuddy AI 自动整理发布 | 数据来源：GitHub
2026年6月8日
ComfyUI：109K Stars！最强节点式AI绘画工具，工作流可视化让创作更自由
ComfyUI 节点式工作流界面

📘 项目简介

ComfyUI 是一款功能最强大的开源生成式AI节点式应用程序，也是用于生成式AI的节点式界面和推理引擎。由 comfyanonymous 及众多贡献者开发，完全开源，支持在本地Windows、Linux、macOS设备上运行。用户可以通过节点组合各类AI模型和操作，实现高度可定制、可控的内容生成。

核心特点：
- GitHub Stars：109K+
- 开发语言：Python + JavaScript
- 开源协议：GPL-3.0
- 官网：https://www.comfy.org/
- GitHub：https://github.com/Comfy-Org/ComfyUI
💻 安装要求和过程

环境要求
硬件要求

显卡：NVIDIA GPU (推荐) 或 AMD GPU，至少 4GB 显存

内存：建议 16GB 以上

存储：至少 10GB 可用空间（用于模型文件）
软件要求

Python：3.9 – 3.12

Git：用于克隆仓库

CUDA：12.4+ (NVIDIA GPU)
快速安装步骤

# 方法一：使用官方桌面应用（推荐）
# 访问 https://comfy.org/download 下载安装

# 方法二：从源码安装
# 1. 克隆仓库
git clone https://github.com/Comfy-Org/ComfyUI.git
cd ComfyUI

# 2. 创建虚拟环境（推荐）
python -m venv venv
# Windows:
venv\Scriptsctivate
# Linux/Mac:
source venv/bin/activate

# 3. 安装依赖
pip install -r requirements.txt

# 4. 启动 ComfyUI
python main.py

# 5. 访问浏览器
# 打开 http://127.0.0.1:8188

便携版（Windows）：

如果不想配置环境，可以下载官方提供的独立便携包，解压即可使用，无需安装Python和依赖。

⚙️ 核心功能

1. 节点式工作流搭建

通过可视化节点连接的方式组合AI模型、业务逻辑，灵活定制生成流程。每个节点代表一个功能模块（加载模型、输入提示词、采样、保存图像等），通过连线定义数据流。

2. 多模态内容生成

支持图像、视频、音频、3D等多种类型的内容生成，覆盖生成式AI主流应用场景。原生支持最新的开源SOTA模型。

3. 自定义扩展能力

支持自定义节点开发和发布，可对接第三方模型、工具，拓展功能边界。拥有丰富的社区插件生态，可以通过 ComfyUI Manager 一键安装扩展。

4. 工作流管理与复用

支持工作流模板复用、子图拆分、部分执行等特性。完成的工作流可以保存为JSON文件，方便分享和复用。内置 Comfy Hub 功能，可探索全球顶尖创作者的公开工作流。

5. API 与自动化对接

支持通过 MCP 协议连接AI智能体，实现生成任务的自动化调用。提供完整的 REST API，可以无缝集成到现有工作流中。

🎯 典型使用场景

场景一：AI 艺术创作者

需求：创作者需要精细控制AI绘画的每一个环节，尝试不同的模型组合和参数调整。

方案：使用 ComfyUI 搭建个性化的图像生成工作流，通过节点连接 ControlNet、LoRA、Embedding 等模型，实现高度可控的图像生成。可以保存多个工作流模板（如写实风格、动漫风格、概念设计等），一键切换。

优势：相比 WebUI，ComfyUI 的工作流方式让创作者能更清晰地理解生成过程，便于调试和优化。

场景二：AI 应用开发者

需求：开发者需要将AI图像生成功能集成到自己的应用或服务中，要求高并发、低延迟。

方案：利用 ComfyUI 的 API 模式，将工作流保存为JSON，通过 API 调用实现自动化图像生成。可以部署在服务器上，提供 HTTP 接口供其他应用调用。

优势：工作流可视化编辑，调试完成后一键部署，大幅降低开发门槛。

场景三：AI 研究与学习

需求：研究人员和学生需要深入理解扩散模型的各个组件和工作原理。

方案：ComfyUI 的节点式设计天然适合教学和研究。每个节点对应一个操作（如CLIP编码、VAE解码、KSampler采样等），可以清晰地看到数据流动和处理的全过程。

优势：模块化设计让实验和对比变得简单，方便快速验证新想法。

🌟 推荐理由

为什么推荐 ComfyUI？

1. 更专业的工作方式
相比 Stable Diffusion WebUI 的参数调整方式，ComfyUI 的节点式工作流更符合专业创作者的需求。它可以保存完整的工作流，方便复现和分享。

2. 更高的资源效率
ComfyUI 支持智能缓存，相同节点的计算结果会被复用，大幅减少重复计算。对显存的要求也相对更低。

3. 强大的社区生态
拥有超过 1000+ 自定义节点插件，覆盖各种功能需求。ComfyUI Manager 让插件安装变得极其简单。

4. 活跃的开发团队
由 comfyanonymous 主导开发，社区活跃度极高，Issues 和 PR 响应迅速，版本更新频繁。

5. 面向未来的设计
不仅支持图像生成，还在积极扩展视频、3D、音频等多模态生成能力，是真正的”生成式AI操作系统”。

使用心得：

我第一次使用 ComfyUI 时确实被满满的节点吓到了，感觉比 WebUI 复杂很多。但坚持使用后，我发现节点式工作流其实是更直观的方式——它让你看清AI绘画的每一个步骤。现在我已经积累了几十个工作流模板，从简单文生图到复杂的 ControlNet 组合，切换起来非常方便。如果你是想深入理解Stable Diffusion原理，或者需要高度定制化的生成流程，ComfyUI 绝对值得投入时间学习。

📥 下载地址
官方资源：

GitHub 仓库
 官方官网
 官方文档
 ComfyUI Manager

相关资源：

官方桌面应用：https://comfy.org/download (推荐新手使用)

Comfy Hub：https://www.comfy.org/hub (工作流分享社区)

模型下载：Hugging Face 或 Civitai

中文教程：B站搜索 “ComfyUI教程”
🎬 结语

ComfyUI 代表了AI创作工具的一个新方向——从”黑盒”转向”白盒”，从”简单参数调整”转向”可视化编程”。虽然学习曲线比 WebUI 陡峭，但一旦掌握，它将赋予你前所未有的控制力和创造力。

如果你满足以下条件，强烈建议尝试 ComfyUI：
- 对AI绘画的工作原理感兴趣，想深入理解每个环节
- 需要高度定制化的生成流程，WebUI 无法满足需求
- 希望通过工作流的方式管理和复用你的创作流程
- 准备将AI图像生成集成到自己的应用或服务中
温馨提示：ComfyUI 的节点式界面可能一开始会让人不知所措，但不用担心，社区有大量的教程和工作流可以参考。从简单的文生图工作流开始，逐步添加功能，你会发现这种方式的强大之处。

本文由 AI 辅助创作，开源项目信息来自 GitHub 官方仓库及社区贡献。
如果你觉得这个项目不错，欢迎到 GitHub 上给它一个 Star！
2026年6月8日
Anthropic加速迭代：Opus 4.8发布，动态工作流让AI自己管自己
Anthropic本周扔出一枚小炸弹——Opus 4.8正式上线，距离上一代4.7发布只隔了41天。这个节奏快得不太正常，因为按照Anthropic过去的习惯，Sonnet和Haiku的更新周期分别是3个月和7个月。41天就推新版本，摆明了是对4.7市场反响不佳的直接回应——用户觉得4.7表现令人失望，那好，赶紧修。

更大的压力来自竞争对手。就在这41天里，OpenAI的Codex和谷歌的Gemini Flash都发布了重大更新，Anthropic如果被甩开，故事就不好讲了。所以4.8不仅是一次技术迭代，更是一次”我们不能掉队”的公开表态。

Anthropic持续加速Claude模型迭代节奏（图源：TechCrunch）

不只是跑分更好看了

Opus 4.8在基准测试上继续保持同类模型顶尖水平，但这次Anthropic重点强调的方向是”可靠性”——模型会更主动地标注自己拿不准的地方，减少那些看起来很自信但实际没依据的表述。

桥水联合公司（Bridgewater Associates）在测试中发现：Opus 4.8会主动标注分析输入和输出中的问题，这是其他模型经常遗漏、只能由用户自己发现的能力。

这个方向其实挺聪明的。大模型最让人头疼的地方不是”不够聪明”，而是”太自信地胡说”。如果Opus 4.8真的能在这个维度上有实质性进步，对企业和开发者用户来说，价值远不止是跑分高了几分。

动态工作流，让AI管理AI

这次发布最值得关注的是一个叫动态工作流（Dynamic Workflows）的新功能，目前处于研究预览阶段。简单说，它让Opus这类大模型能够管理跨数百个并行子代理的复杂任务。

Anthropic在公告里举了一个很具体的例子：搭配Opus 4.8的Claude Code现在可以完成数十万行代码的代码库级迁移，从启动到合并全流程无需人工过多干预，以现有测试套件作为验证标准。
- 代码库级任务自动化——不再需要人类一行行盯着
- 数百个子代理并行调度——AI自己分配任务、自己管理进度
- 以测试套件为验证标准——输出质量有底线保障
这个方向透露出的信号是：Anthropic正在把Claude从”对话助手”往”自主任务执行引擎”的方向推。动态工作流如果成熟，意味着AI可以在人类只给一个高层目标的情况下，自己拆解任务、分配子任务、汇总结果、验证质量，形成真正的端到端自动化。

Mythos模型快要解禁了

还有一个值得关注的信号：Anthropic在发布内容中暗示，代号为Mythos的顶级模型可能很快结束预览期。4月时Mythos曾做过小规模预览，但因为网络安全方面的担忧，一直处在限制开放状态。

Anthropic表示安全防护的开发进展很快，预计在未来几周内就能让所有用户用上Mythos级别的模型。如果这个时间表兑现，Anthropic将在前沿模型竞赛中同时拥有Opus（主打可靠性和可操作性）和Mythos（顶级性能）两条产品线，对OpenAI和谷歌的压力会进一步增大。

📎 原文来源：Anthropic releases Opus 4.8 with new dynamic workflow tool — TechCrunch
2026年6月3日
Flowise：42.4k Stars！可视化LLM应用搭建工具，让AI工作流像搭积木一样简单

## 📝 项目简介

**Flowise**（flowiseai.com）是一个 **Low-code 的 LLM 应用构建平台**，让你通过可视化拖拽的方式快速搭建基于大语言模型的 AI 应用。它的定位类似于 Langflow，但更轻量、更易上手，专注于让开发者和非开发者都能快速把 LLM 能力落地到实际产品中。

## 🔧 安装要求和过程

### 环境要求
– **Node.js** 18+ （必须）
– **npm** 或 **yarn**
– 支持 Windows / macOS / Linux

### 快速安装（3步搞定）

**方法一：NPX 直接运行（推荐体验）**
“`bash
npx flowise start
“`

**方法二：全局安装**
“`bash
npm install -g flowise
npx flowise start
“`

**方法三：本地开发**
“`bash
git clone https://github.com/FlowiseAI/Flowise.git
cd Flowise
pnpm install
pnpm build
pnpm start
“`

安装完成后访问 `http://localhost:3000` 即可进入可视化界面。

## ⚡ 核心功能

**1. 可视化 LLM 流程编排**
通过拖拽组件的方式连接 Prompt、LLM、Memory、Tools 等节点，无需写代码就能构建复杂的 AI 工作流。

**2. 丰富的组件库**
内置支持 OpenAI、Anthropic、Hugging Face、Ollama 等主流 LLM 提供商，以及 Vector Store、Document Loader、Chain 等常用组件。

**3. 对话记忆管理**
支持多种 Memory 类型（Buffer Memory、Window Memory 等），让 AI 应用具备上下文记忆能力。

**4. API 一键部署**
流程构建完成后，一键生成可调用的 API 接口，直接集成到你的应用或网站中。

**5. 向量数据库集成**
原生支持 Pinecone、Milvus、PostgreSQL(pgvector) 等主流向量数据库，轻松构建 RAG 应用。

## 🚀 典型使用场景

**场景1：构建企业知识库问答机器人**
上传公司文档 → 接入向量数据库 → 搭建 RAG 流程 → 生成 API → 嵌入企业微信/官网。全程可视化，非技术人员也能操作。

**场景2：快速原型验证 AI 创意**
想验证一个 AI 产品的想法？用 Flowise 拖拽出原型，生成 API 直接测试，比写代码快10倍。很多团队用它做 AI 产品的 MVP 验证。

**场景3：为现有应用添加 AI 能力**
已有 Web/移动应用？用 Flowise 构建 AI 流程，生成 API，3行代码就能把智能对话、文档分析、内容生成能力接入你的产品。

## 💡 推荐理由

为什么推荐 Flowise？

① 比 Langflow 更轻量 — 安装包更小，启动更快，界面更简洁。
② 真正能用在生产环境 — 不少同类工具只是 demo 级别，Flowise 的 API 可以直接承载生产流量。
③ 社区活跃，文档完善 — 42k+ Stars，持续迭代，中文资料也逐渐丰富。
④ 对非开发者友好 — 产品经理、运营同学也能用它搭建 AI 流程，不用等开发排期。
⑤ 与 Langflow 互补 — 如果你在用 Langflow，Flowise 值得对比试用，两者各有优势。

## 📥 下载地址

**🌐 官方网站**
https://flowiseai.com

**🐙 GitHub 仓库**
https://github.com/FlowiseAI/Flowise
（42.4k+ Stars，持续更新中）

**📚 官方文档**
https://docs.flowiseai.com

**💬 Discord 社区**
https://discord.com/invite/jBaHxxxadB

本文由 WorkBuddy AI 自动采集撰写，内容来源于 GitHub 公开信息及官方文档。

2026年5月25日
Langflow：148.6k Stars！可视化AI工作流构建平台，让Agent开发像搭积木一样简单
🚀 项目简介

Langflow 是一个强大的AI智能体和AI工作流可视化构建平台。它让开发者可以通过拖拽式界面快速搭建LLM应用，同时也支持直接修改Python源码进行深度定制。内置API和MCP服务器，可以把每一个工作流变成可被任何框架调用的工具。

Langflow — 可视化AI工作流构建平台
⚙️ 安装要求和过程

环境要求

Python 3.10 – 3.13

推荐包管理器：uv（更快更现代）

可选：Docker（容器化部署）

快速安装（推荐方式）

# 安装 Langflow uv pip install langflow -U # 启动 Langflow uv run langflow run

启动后访问 http://127.0.0.1:7860 即可使用可视化界面。

Docker 方式

docker run -p 7860:7860 langflowai/langflow:latest

桌面版（最简单）

Langflow Desktop 是入门首选，包含所有依赖，无需手动管理Python环境。支持 Windows 和 macOS，可从 langflow.org/desktop 下载。
✨ 核心功能

🎨 可视化构建界面

通过拖拽组件即可快速搭建AI工作流，所见即所得，迭代速度极快。不需要写大量样板代码，新手也能快速上手。

🐍 源码级定制能力

每一个组件都支持直接查看和修改Python源码。你可以轻松添加自定义逻辑、接入私有API，而不被平台限制住手脚。

🤖 多智能体编排

内置对话管理和检索能力，支持构建多智能体系统。可以轻松实现Agent之间的协作、记忆共享和任务分工。

🚀 一键部署为 API / MCP 服务器

任何工作流都可以一键部署为REST API，也可以作为MCP服务器运行，让你的AI工作流变成其他应用可以调用的工具。真正实现了”构建一次，随处使用”。

📊 可观测性集成

支持 LangSmith、LangFuse 等可观测性工具集成，方便调试和监控生产环境中的AI工作流表现。

💡 典型使用场景

📄

RAG文档问答系统

连接向量数据库和LLM，构建基于私有知识的问答系统。可视化配置文档加载、分块、检索和生成的完整流程。

🤝

多Agent协作任务

构建多个专业Agent协作完成复杂任务，比如一个Agent负责搜索、一个负责总结、一个负责写作，通过可视化流程串联起来。

🔌

AI能力API化

把精心设计的AI工作流一键部署为API或MCP工具，供前端应用、企业系统或其他AI Agent调用，实现AI能力的模块化复用。

🧪

Prompt工程实验

快速搭建不同的Prompt链路进行对比测试，找到效果最好的提示词组合。交互式Playground支持单步调试，每个环节的输入输出都清晰可见。

🌟 推荐理由

如果你在寻找一个既适合快速原型验证、又能支撑生产部署的AI工作流工具，Langflow值得认真考虑。

它和Dify的定位有些类似，但Langflow更偏向开发者的使用习惯——你可以直接在界面里改Python代码，组件库开放且易扩展，不会被”低代码”的边界限制住。

我个人最喜欢的功能是部署为MCP服务器。现在AI Agent生态里MCP是重要协议，Langflow让你可以把任何工作流变成MCP工具，被Claude、Cursor等AI助手直接调用，这个设计非常前瞻。

另外，Langflow Desktop版本对Windows用户非常友好，一键安装，开箱即用，不需要折腾Python环境，这点必须点赞 👍
🔗 下载地址

官网：langflow.org（可下载Desktop版）

GitHub：github.com/langflow-ai/langflow（148.6k ⭐）

文档：docs.langflow.org

PyPI安装：uv pip install langflow -U
📌 本文由 WorkBuddy AI 自动采集撰写，开源项目信息来自 GitHub 官方仓库。
2026年5月21日

标签： 工作流

项目简介

安装要求和过程

核心功能

典型使用场景

推荐理由

下载地址

一、项目简介

二、安装要求和过程

三、核心功能

四、典型使用场景

五、推荐理由

六、下载地址

📦 项目简介

🔧 安装要求和过程

环境要求

快速安装（NVIDIA GPU）

一键安装（推荐）

✨ 核心功能

多模态模型支持

异步队列+智能显存

节点式工作流

扩展生态丰富

离线运行+完整复现

🎯 典型使用场景

场景一：AI图像生成与工作流复用

场景二：视频生成与编辑

场景三：企业级AI内容生产流水线

💡 推荐理由

📥 下载地址

📌 项目简介

🔧 安装要求和过程

方式一：Docker Compose 部署（推荐，最快5分钟上线）

方式二：从源码部署（适合开发者定制）

方式三：云服务版（无需部署，立即使用）

⚡ 核心功能

🎨 可视化工作流编排

🤖 全模型支持 & RAG 管道

🛠️ 智能体 + 50+ 内置工具

📊 Prompt IDE + 可观测性

🔌 丰富 API & 生态集成

💡 典型使用场景

企业知识库问答

AI 工作流自动化

快速 AI 产品原型验证

🌟 推荐理由

📦 下载地址

📌 项目简介

💻 安装要求和过程

环境要求

快速安装 – 方法1：使用 npx（推荐体验）

快速安装 – 方法2：使用 Docker（推荐生产）

快速安装 – 方法3：使用 npm 全局安装

✨ 核心功能

🎯 典型使用场景

场景1：AI 驱动的客服自动化

场景2：社交媒体内容自动发布

🌟 推荐理由

📥 下载地址

📘 项目简介

💻 安装要求和过程

环境要求

硬件要求

软件要求

快速安装步骤

⚙️ 核心功能

1. 节点式工作流搭建

2. 多模态内容生成

3. 自定义扩展能力

4. 工作流管理与复用

5. API 与自动化对接

🎯 典型使用场景

场景一：AI 艺术创作者

场景二：AI 应用开发者

场景三：AI 研究与学习

🌟 推荐理由

为什么推荐 ComfyUI？

📥 下载地址

🎬 结语

不只是跑分更好看了

标签：工作流