德宏傣族景颇族自治州网站建设_网站建设公司_JSON_seo优化

Z-Image-ComfyUI API调用教程：Python脚本触发生成

你是否曾为重复性的图像生成任务感到疲惫？每次打开网页、加载模型、输入提示词、点击运行，看似简单，但日积月累却消耗大量时间。有没有一种方式，能像写自动化脚本一样，让AI图像生成“自动执行”？

答案是肯定的——通过Z-Image-ComfyUI 的 API 接口，我们可以用一段 Python 脚本远程触发图像生成，彻底摆脱手动操作。本文将手把手教你如何使用 Python 调用 ComfyUI 的 REST API，实现对阿里最新开源文生图大模型 Z-Image 的程序化控制。

这不仅是一次技术升级，更是一种工作范式的转变：从“人点按钮”到“代码驱动”，让 AI 真正成为可编程的内容引擎。

1. 准备工作：部署与环境确认

在开始编码前，确保你已完成以下基础准备：

• 已部署Z-Image-ComfyUI镜像（支持单卡推理）
• 进入 Jupyter 环境后，在/root目录下运行1键启动.sh
• 成功访问 ComfyUI Web 界面（默认端口8188）

1.1 检查API服务是否就绪

ComfyUI 内置了一个轻量级 Web 服务器，其 API 默认开放在本地8188端口。你可以通过以下命令测试服务是否正常：

curl http://127.0.0.1:8188/

如果返回 HTML 页面内容，说明服务已启动。接下来我们就可以通过 HTTP 请求与它交互了。

重要提示：
所有 API 请求都需以 JSON 格式提交完整的工作流（workflow），而不是简单的提示词。这意味着你需要先在 ComfyUI 网页中设计好节点流程，并导出其结构供脚本调用。

2. 理解核心机制：ComfyUI 的 API 是如何工作的？

ComfyUI 并非传统意义上的“一键生成”工具，而是一个基于节点（Node）的可视化工作流系统。每一个图像生成过程都被拆解成多个步骤：加载模型、编码文本、采样去噪、解码图像、保存结果等。

当你在网页上点击“生成”时，ComfyUI 实际上是将这些节点连接成一个有向无环图（DAG），然后按顺序执行。而它的 API 正是允许我们跳过前端界面，直接向后端提交这个“图”的定义。

2.1 关键API接口一览

其中最常用的是/prompt接口，用于提交完整的 JSON 工作流。

2.2 如何获取工作流JSON？

1. 在 ComfyUI 网页中构建你的生成流程（例如使用 Z-Image-Turbo 模型 + 中文提示词 + 图像保存）；
2. 点击右上角菜单 → “Save (API Format)”；
3. 保存为.json文件（如zimage_workflow.json）；

该文件就是你要在 Python 脚本中发送的核心数据。

3. 编写Python脚本：远程触发图像生成

现在进入正题——编写一个 Python 脚本，自动调用 ComfyUI API 完成图像生成。

3.1 基础调用框架

以下是最简版本的 API 调用脚本：

import requests import json # 设置服务器地址 server_address = "http://127.0.0.1:8188" # 加载预先保存的工作流JSON with open("/root/zimage_workflow.json", "r", encoding="utf-8") as f: workflow = json.load(f) def queue_prompt(prompt): """提交生成任务到ComfyUI队列""" data = {"prompt": prompt} headers = {'Content-Type': 'application/json'} response = requests.post(f"http://{server_address}/prompt", data=json.dumps(data), headers=headers) return response.json() # 执行提交 result = queue_prompt(workflow) print("任务提交结果：", result)

运行此脚本后，你会看到类似输出：

任务提交结果： {'prompt_id': 'abc123-def456', 'number': 1, 'prompt': {...}}

这表示任务已成功加入队列，ComfyUI 将立即开始处理。

3.2 动态修改提示词内容

上面的例子只是静态复用已有工作流。但在实际应用中，我们往往需要动态更改提示词（prompt）。比如每天生成不同主题的商品图。

假设你在工作流中有这样一个节点：

"6": { "inputs": { "text": "一位穿着唐装的老人在故宫前拍照，写实风格", "clip": ["3", 1] }, "class_type": "CLIPTextEncode" }

我们可以在 Python 中动态替换"text"字段：

# 自定义提示词 custom_prompt = "一只橘猫坐在秋天的枫树下看书，卡通风格，温暖阳光" # 修改工作流中的提示词 workflow["6"]["inputs"]["text"] = custom_prompt # 提交任务 result = queue_prompt(workflow) print("新提示词已提交：", custom_prompt)

这样，每次运行脚本都能生成不同内容的图像，而无需重新设计整个流程。

3.3 添加随机种子控制

为了保证每次生成结果的可复现性，建议显式设置随机种子（seed）：

import random # 生成随机种子（或固定值用于复现） seed = random.randint(1, 1000000000) workflow["10"]["inputs"]["seed"] = seed print(f"本次生成使用的种子：{seed}")

节点"10"通常是KSampler，负责控制采样过程，包含seed、steps、cfg等关键参数。

4. 实战案例：批量生成电商主图

让我们来做一个实用场景：为电商平台批量生成商品主图。

4.1 设计标准化工作流

在 ComfyUI 中预先配置好以下设定：

• 模型：z-image-turbo.safetensors
• 分辨率：1024×1024
• 采样器：euler
• 步数：8
• CFG值：7.0
• 输出前缀：Product_MainImage_

并将该工作流保存为product_workflow.json。

4.2 编写批量生成脚本

import requests import json import time import random server_address = "http://127.0.0.1:8188" # 加载模板工作流 with open("/root/product_workflow.json", "r", encoding="utf-8") as f: template_workflow = json.load(f) # 商品信息列表 products = [ {"name": "汉服套装", "scene": "古典庭院", "style": "写实"}, {"name": "智能手表", "scene": "都市街头", "style": "科技感"}, {"name": "陶瓷茶具", "scene": "竹林小屋", "style": "国风"}, {"name": "宠物猫窝", "scene": "阳光窗台", "style": "温馨"} ] def queue_prompt(prompt): data = {"prompt": prompt} headers = {'Content-Type': 'application/json'} response = requests.post(f"http://{server_address}/prompt", data=json.dumps(data), headers=headers) return response.json() for i, prod in enumerate(products): # 构造提示词 prompt_text = f"高质量电商主图：{prod['name']} 放置在 {prod['scene']} 中，整体呈 {prod['style']} 风格，明亮光线，专业摄影" # 复制模板并修改 workflow = json.loads(json.dumps(template_workflow)) # 深拷贝 workflow["6"]["inputs"]["text"] = prompt_text workflow["10"]["inputs"]["seed"] = random.randint(1, 1e9) workflow["11"]["inputs"]["filename_prefix"] = f"Product_{i+1}" # 提交任务 result = queue_prompt(workflow) print(f"[{i+1}/4] 已提交：{prompt_text[:30]}... -> 任务ID: {result.get('prompt_id')}") # 可选：间隔几秒再发下一个，避免资源竞争 time.sleep(2) print("所有任务已提交完毕！")

运行后，ComfyUI 将依次生成四张风格统一、符合品牌调性的商品主图，全部自动命名并保存。

5. 高级技巧与最佳实践

5.1 实时监控生成进度

你可以轮询/history接口来获取任务完成情况：

def get_history(prompt_id): response = requests.get(f"http://{server_address}/history/{prompt_id}") return response.json() # 示例：等待任务完成 prompt_id = result['prompt_id'] while True: history = get_history(prompt_id) if str(prompt_id) in history: print("生成完成！图像已保存。") break time.sleep(1)

返回结果中会包含图像文件名和存储路径，便于后续处理。

5.2 错误处理与重试机制

网络波动或模型加载失败可能导致请求失败，建议添加异常捕获：

import time def safe_queue_prompt(prompt, max_retries=3): for i in range(max_retries): try: return queue_prompt(prompt) except requests.exceptions.RequestException as e: print(f"请求失败（第{i+1}次）：{e}") time.sleep(2) raise Exception("多次重试失败，请检查ComfyUI服务状态")

5.3 使用环境变量管理配置

将服务器地址、模型路径等敏感信息提取到配置文件或环境变量中，提升安全性与可移植性：

import os server_address = os.getenv("COMFYUI_SERVER", "http://127.0.0.1:8188")

6. 总结

通过本文的学习，你应该已经掌握了如何使用 Python 脚本调用 Z-Image-ComfyUI 的 API 来实现自动化图像生成。我们从环境准备出发，深入理解了 ComfyUI 的工作流机制，编写了可动态修改提示词的 Python 脚本，并完成了电商主图批量生成的实战演练。

这套方法的核心价值在于：

• 解放人力：不再需要人工反复操作网页；
• 提高一致性：所有图像使用相同参数，风格统一；
• 易于集成：可嵌入到企业内部系统、CRM、CMS 或定时任务中；
• 支持扩展：结合数据库、API网关、消息队列，构建完整的AIGC流水线。

Z-Image 作为阿里推出的高效中文文生图模型，配合 ComfyUI 强大的节点式架构，正在重新定义内容生产的边界。而 API 调用能力，则是将其从“玩具”变为“工具”的关键一步。

下一步，你可以尝试将这套脚本接入定时任务（cron）、Web后台管理系统，甚至结合自然语言处理模型自动生成提示词，打造真正智能化的视觉内容工厂。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。