liblibai与本地comfyui存在四大差异：运行环境（云端标准化vs本地自配）、模型调用（http云端库vs本地文件系统）、节点功能（白名单精简版vs全量可扩展）、工作流格式（硬编码id vs 路径无关json）。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想把LiblibAI上的ComfyUI工作流直接搬到本地跑，却发现节点报错、模型加载失败、参数位置对不上——这不是你配置错了，而是平台底层逻辑根本不同。
运行环境与部署方式
LiblibAI ComfyUI是托管在云端的标准化实例，由平台统一维护Python版本、CUDA驱动、PyTorch编译链和节点插件白名单；本地ComfyUI则完全依赖你本机的环境栈，从Python 3.10.12到CUDA 12.4再到xformers是否启用，每一步都可能成为红节点的导火索。
LiblibAI客户端安装包（如LibLibAI_Client_1.0.0.4_Setup.exe）本质是封装好的ComfyUI轻量发行版，它跳过了手动拉取仓库、安装依赖、校验节点兼容性的全部环节，但代价是【所有自定义节点必须经过LiblibAI白名单审核才能启用】，未收录的Custom Node（比如最新版Impact Pack或LayerDiffuse）在LiblibAI界面中直接不可见。
本地ComfyUI可自由git clone任意分支，甚至回退到2023年v0.1.0旧版以适配特定LoRA加载逻辑；LiblibAI后台固定使用其私有fork的ComfyUI主干，版本更新节奏由运营团队控制，用户无法主动切换。
模型调用机制
方法一：LiblibAI自动映射路径
当你在LiblibAI ComfyUI中点击“加载大模型”节点，下拉列表显示的ckpt文件全部来自平台模型库，实际调用的是云端HTTP接口，不占用本地磁盘空间。该机制屏蔽了路径错误风险，但也【无法加载本地models/checkpoints/目录下未上传至LiblibAI的私有模型】。
方法二：本地ComfyUI直读文件系统
通过修改extra_model_paths.yaml，可将D:\MyModels\checkpoints、E:\Loras\等任意路径注入模型搜索队列，支持符号链接、网络共享盘、NAS挂载点——只要Windows能识别，ComfyUI就能加载。
方法三：混合复用（需手动配置）
LiblibAI客户端允许你指定本地models目录作为默认路径，此时它的ComfyUI子进程会优先扫描该路径；但若你同时在LiblibAI网页端运行工作流，网页端仍走云端模型库，二者互不影响。
节点功能与参数可见性
第一步：打开KSampler节点对比参数面板
LiblibAI版本隐藏了“sampler_type”下拉框，仅保留“采样器”文字输入框，且预设值锁定为dpmpp_2m_sde_gpu；本地ComfyUI完整暴露所有采样器选项，包括experimental类采样器如sgm_uniform。
第二步：检查ControlNet预处理器节点
LiblibAI移除了“soft edge”“tile_resample”等计算密集型预处理器，仅保留canny、depth、openpose三种基础类型；本地ComfyUI可通过安装ControlNet Preprocessors插件启用全部27种预处理模式。
第三步：查看LoRA加载器节点
LiblibAI的CLIP-L LoRA加载器强制绑定文本编码器，不提供“strength_clip”独立调节滑块；本地ComfyUI中同一节点可分别设置model_strength和clip_strength，实现模型权重与文本理解权重的解耦控制。
工作流导入导出行为
LiblibAI导出的.json工作流文件内部包含硬编码的云端资源ID（如"model": "liblib://789456/realisticVisionV60B1.safetensors"），该格式无法被本地ComfyUI直接识别；必须先用文本编辑器全局替换liblib://为./models/checkpoints/，再手动修正节点ID引用关系。
本地ComfyUI保存的工作流是纯路径无关的JSON，所有模型引用均以filename字段表示（如"filename": "realisticVisionV60B1.safetensors"），只要目标机器的models目录结构一致，即可跨设备无缝迁移。
注意：LiblibAI网页端点击“保存工作流”后生成的文件，实际存储在平台账户空间内，不会自动同步到你本地硬盘的ComfyUI/custom_nodes目录中。
