ComfyUI零基础到进阶：秋叶整合包安装、节点工作流搭建与报错排查全攻略

ComfyUI 这两年发展速度非常快，已经从「折腾党的玩具」变成了很多团队实际生产环境里的核心工具。但新手刚接触时，最容易遇到的困境是：下载了一个整合包，打开后面对一片空白的工作区，不知道从哪里下手；好不容易加载了别人分享的工作流，结果满屏红色报错，提示缺节点、缺模型、缺依赖。本文就是一套从零开始的 ComfyUI 入门到进阶实操笔记，围绕秋叶整合包展开，涵盖安装方式、核心概念、基础工作流搭建、常用节点解析、报错排查思路和工程化建议。文章会尽量把每个步骤背后的原理讲清楚，而不只是机械地告诉你「点哪里」。

适合以下几类读者：第一次接触 ComfyUI、想系统学习工作流搭建的零基础用户；已经会用 WebUI 但想迁移到 ComfyUI 的 Stable Diffusion 用户；需要在本地部署 AI 绘画工作流、做批量出图或二次开发的开发者。读完本文后，你应该能独立完成 ComfyUI 的安装部署，理解节点式工作流的核心逻辑，搭建一个可用的文生图工作流，并掌握最常见的节点缺失和运行报错排查方法。

1. ComfyUI 是什么，为什么要学它

1.1 ComfyUI 与 WebUI 的核心差异

ComfyUI 是一个基于节点图（Node Graph）方式的 Stable Diffusion 图形界面工具。它把 AI 绘画的过程拆分成一个个独立的节点，例如「加载模型」「输入提示词」「采样器」「VAE 解码」「保存图像」，然后用连线把这些节点按顺序连接起来，形成一条完整的流水线。

传统 WebUI 的思路是「表单填写」，用户在网页上填参数、选模型、点生成；ComfyUI 的思路是「流程编排」，用户自己决定数据从哪个节点流向哪个节点。这听起来好像更复杂，但也带来了几个关键优势：

• 显存占用更低。ComfyUI 的模型加载和计算过程更精细，可以在中低端显卡上运行较大的模型。
• 流程可复用性更强。工作流可以导出为 JSON 文件分享给他人，别人直接拖入即可运行。
• 组合自由度更高。可以同时加载多个模型、多条提示词分支，甚至串联 ControlNet、LoRA、局部重绘等复杂操作。

1.2 节点图工作流的基本逻辑

理解 ComfyUI，首先要理解「节点」和「连线」这两个概念。节点是一个功能单元，比如「Load Checkpoint」负责加载大模型，「CLIP Text Encode」负责把文本变成模型能理解的条件向量，「KSampler」负责执行采样过程。连线则是数据在节点之间的传递通道。

举个生活化的例子：可以把 ComfyUI 理解成一条咖啡生产线。烘好的咖啡豆（Checkpoint 模型）先进入研磨机（VAE 编码）变成咖啡粉，然后注水（CLIP 文本编码）浸泡，最后过滤（采样器）得到一杯咖啡。每个设备就是一个节点，设备之间的传送带就是连线。如果你想换一种咖啡豆，只需要换掉「加载模型」这个节点；如果你想加奶，就在过滤之后加一个「加奶」节点。整个流程一目了然。

1.3 应用场景与学习价值

ComfyUI 的常见使用场景包括：

• 本地 AI 绘画：文生图、图生图、局部重绘、扩图。
• 批量出图：通过 API 或脚本批量生成素材，适合电商设计、新媒体配图、游戏原画前期概念图。
• 工作流分享与二次开发：从社区下载别人分享的高质量工作流，在此基础上调整参数或替换模型。
• 配合 LoRA、ControlNet、AnimateDiff 等插件，实现风格迁移、姿态控制、视频生成等进阶功能。

如果你只是想随便生成几张图，WebUI 可能更省心；但如果你需要稳定复现效果、批量处理、或者做深度定制，ComfyUI 的学习曲线是值得投入的。从职业发展角度看，AI 绘画工作流的设计能力也逐渐成为设计、内容、算法岗位的一个加分项。

2. 环境准备与安装方式

2.1 硬件与系统要求

ComfyUI 的核心依赖是 PyTorch 和 CUDA，因此显卡性能直接决定出图速度和能加载的模型大小。实际部署时，建议关注以下最低配置：

如果你的显卡是 AMD 或 Intel 显卡，或者 Mac 电脑，ComfyUI 也有对应的支持方式，但配置步骤和依赖库不同，本文不做重点展开。下面以 Windows + NVIDIA 显卡 + 秋叶整合包为例讲解。

2.2 秋叶整合包与官方包怎么选

新手最关心的问题是：秋叶整合包和官方原版到底选哪个？

秋叶整合包是一键打包的发行版，内置了 Python 环境、PyTorch、ComfyUI 主体、常用自定义节点、模型管理器等。它的最大优点是省去了手动配置环境的步骤，下载解压即可使用，非常适合零基础用户。

官方原版则是从 GitHub 拉取的源码，需要自己创建 Python 虚拟环境、安装依赖、手动下载模型。优点是完全可控，方便二次开发和升级，但配置门槛高。

个人建议：新手先用秋叶整合包跑通全流程，理解工作流和节点概念，等有经验后再换用官方包做定制化部署。这不冲突，很多开发者都会同时保留两个环境，一个用于日常快速出图，一个用于开发测试。

秋叶整合包的使用方式很简单：下载整合包压缩包后，解压到不含中文和空格的路径中（例如D:\ComfyUI-aki），双击A绘世启动器.exe或对应的启动脚本即可。整合包通常自带模型目录和自定义节点目录，不需要自己做环境变量配置。

需要提醒的是，网络上的整合包版本非常多，发布时间也有差异。建议关注发布页面里的更新日志，选择较新且稳定的版本。具体版本号以你下载的包为准，本文的配置和操作逻辑在近几个版本中都是通用的。

2.3 官方源码安装方式（可选）

如果你后续想部署在 Linux 服务器上，或者需要二次开发，可以按以下步骤手动安装：

# 1. 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 2. 创建 Python 虚拟环境 python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate # 3. 安装 PyTorch（以 CUDA 11.8 为例，具体以 PyTorch 官网为准） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 4. 安装 ComfyUI 依赖 pip install -r requirements.txt # 5. 启动 python main.py

启动成功后，浏览器访问http://127.0.0.1:8188即可打开 ComfyUI 界面。手动安装时最容易出错的是 PyTorch 版本与 CUDA 版本不匹配，建议先通过nvidia-smi和python -c "import torch; print(torch.cuda.is_available())"验证环境。

2.4 模型放置目录

ComfyUI 的模型目录结构比较固定，不同类型的模型放在不同位置。整合包里的目录结构通常如下：

ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型，如 SD1.5、SDXL │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ ├── embeddings/ # Textual Inversion 嵌入 │ └── upscale_models/ # 放大模型，如 ESRGAN ├── custom_nodes/ # 自定义节点插件 ├── output/ # 默认输出图片目录 ├── input/ # 用于图生图等需要输入图片的操作 └── user/ # 工作流保存文件

新手常犯的一个错误是把 LoRA 放到了 checkpoints 目录，或者把 VAE 文件混放在大模型目录里。虽然 ComfyUI 有时也能自动搜索到，但为了清晰管理，最好按目录放置。秋叶整合包一般都内置了模型管理器，可以在界面中自动下载模型并放到对应目录，这是非常大的便利。

3. ComfyUI 核心节点原理解析

在开始搭建工作流之前，必须先把核心节点的作用搞清楚。一个最基础的文生图工作流通常由 6 个节点组成：加载模型、文本编码（正向）、文本编码（负向）、采样器、VAE 解码、保存图像。

3.1 Load Checkpoint：加载大模型

这个节点负责加载.safetensors或.ckpt格式的大模型文件。它有三个输出端口：

• MODEL：UNet 模型，用于执行扩散过程。
• CLIP：文本编码器，用于把文字提示词转换成条件向量。
• VAE：变分自编码器，用于把图像从潜空间转换回像素空间。

理解这三个输出非常重要。如果你只想做文生图，三个端口都要连；但如果做图生图，你只需要 MODEL 和 CLIP；如果你有单独的 VAE 文件，可以用Load VAE节点替代大模型自带的 VAE。这个节点的参数只有ckpt_name，也就是选择哪个模型文件。

3.2 CLIP Text Encode：文本编码节点

正向提示词和负向提示词各接一个 CLIP Text Encode 节点。它的核心参数是text文本框，输入的内容就是写给你的提示词。输出结果是CONDITIONING（条件向量），这个向量会被送入采样器，作为生成图像的引导条件。

为什么需要区分正负提示词？在 diffusion 模型里，生成过程是一个逐步去噪的过程。正向提示词告诉模型"图像里应该包含什么"，负向提示词告诉模型"图像里不应该出现什么"。例如生成一张女孩肖像，正向写a beautiful girl, detailed face, soft lighting，负向写blurry, bad anatomy, watermark, text。负向提示词不是必须的，但通常能明显提升出图质量。

3.3 KSampler：采样器节点

这是整个工作流中最核心、参数最多的节点：

• seed：随机种子。固定种子值时，同样参数下出图结果可复现；不同种子产生不同随机噪声，影响生成图像的构图和纹理。
• control_after_generate：种子变化方式，如randomize、fixed、increment。
• steps：采样步数。步数越多，理论上细节越丰富，但耗时也越长。SD1.5 常用 20-30 步，SDXL 常用 25-40 步。
• cfg：提示词引导系数。数值越大，图像越贴近提示词，但过大容易导致色彩过饱和或伪影，常用范围 5-10。
• sampler_name：采样器名称，如euler、euler_ancestral、dpmpp_2m、ddim等。不同采样器对细节和速度的表现不同。
• scheduler：调度器，常见的有normal、karras、simple。调度器影响每步噪声的衰减方式。
• denoise：去噪强度。文生图时通常为 1.0；图生图和重绘时，这个值控制在 0.3-0.6 之间能保留原图结构。

新手经常纠结"哪个采样器最好"，其实没有绝对答案。实践上的建议是：先用默认参数跑通流程，然后固定 seed，只改采样器和调度器对比结果，慢慢体会不同组合的差异。

3.4 VAE Decode：解码节点

扩散模型是在潜在空间（latent space）中操作的，生成的结果是一个低分辨率的潜在表示，必须通过 VAE 解码器把它还原成真实像素图像。VAE Decode 的输入是samples（来自采样器的输出），输出是IMAGE（可以被保存或作为图生图输入的图像数据）。

3.5 Save Image：保存图像节点

该节点接收IMAGE数据，把图像保存到output目录。它的filename_prefix参数决定输出文件名前缀。整合包里一般还会有Preview Image节点，可以在界面上直接预览图片而不落盘。

以上 5 个节点连起来，就是一条完整的文生图链路。理解了这条链路，后面的图生图、ControlNet、LoRA 工作流都是在这条主链上添加分支。

4. 实战：从零搭建一个文生图工作流

下面我们实际动手，在秋叶整合包里搭建一个最基础的文生图工作流。初次操作请全程跟着步骤走，不要着急加节点。

4.1 启动 ComfyUI 并打开默认工作流

双击启动器，等待黑窗口加载完成，浏览器会自动打开 ComfyUI 界面（如果没有，手动访问http://127.0.0.1:8188）。首次启动时，ComfyUI 会默认加载一个空白模板工作流，界面上可能已经存在部分节点，如果觉得乱，可以直接全选删除，然后右键选择新建节点重新搭建。

建议先点击菜单栏的「设置」，在界面语言里切换为中文（整合包通常已汉化），方便对照本文操作。

4.2 添加基础节点

在空白处双击鼠标左键（或右键呼出菜单），会弹出节点搜索框。依次搜索并添加以下 6 个节点：

1. Load Checkpoint
2. CLIP Text Encode（添加两次，分别用于正向提示词和负向提示词）
3. KSampler
4. VAE Decode
5. Save Image

添加节点后，它们默认分布在不同的位置。你可以拖拽节点标题栏移动布局，在节点右侧按住连线拖动到另一个节点左侧端口建立连接。

4.3 节点连线说明

最基础的工作流连线遵循严格的数据流方向。下面逐一说明每个节点之间的连接关系：

首先，Load Checkpoint节点有三个输出端口。把MODEL输出端口连接到KSampler的model输入端口；把CLIP输出端口同时连接到正向CLIP Text Encode节点和负向CLIP Text Encode节点的clip输入端口；把VAE输出端口连接到VAE Decode节点的vae输入端口。

两个CLIP Text Encode节点各有一个CONDITIONING输出端口。正向提示词节点的输出连接到KSampler的positive输入端口；负向提示词节点的输出连接到KSampler的negative输入端口。

KSampler节点的latent_image输入端口需要接一个Empty Latent Image节点的输出。这个节点用于指定生成图像的尺寸和批次大小，是文生图链路中必不可少的一环。在搜索框中找到Empty Latent Image节点并添加，它的参数包括width、height和batch_size。比如要生成 512x768 大小的图，就在width填 512,height填 768,batch_size填 1。

KSampler的输出端口LATENT连接到VAE Decode的samples输入端口。最后，VAE Decode的输出端口IMAGE连接到Save Image节点的images输入端口。

4.4 参数设置

连线完成后，还需要设置各个节点的参数。以 SD1.5 模型为例，建议初始参数如下：

Load Checkpoint节点选择你下载好的大模型文件，例如dreamshaper_8.safetensors。

正向提示词节点输入：

a beautiful girl, detailed face, soft lighting, masterpiece, best quality

负向提示词节点输入：

blurry, bad anatomy, watermark, text, low quality

KSampler节点参数：seed可以随意填一个数字（例如 12345）并保持control_after_generate为randomize；steps设为 20；cfg设为 7；sampler_name选择dpmpp_2m；scheduler选择karras；denoise保持默认 1.00。

Empty Latent Image节点参数：width512，height768，batch_size1。

这里特别注意：如果你使用的是 SDXL 模型，建议将width设为 1024，height设为 1024 或 1216，cfg可以适当降低到 5 左右。SD1.5 和 SDXL 的最优分辨率区间差异明显，使用错误分辨率容易导致构图崩坏或人物变形。

4.5 运行与验证

全部设置完成后，点击界面右侧的「执行」按钮（有些版本是「运行」或「Queue Prompt」），观察工作流执行过程。执行时，节点边框会变成绿色并依次高亮，表示正在执行中。如果一切正常，Save Image节点会输出一张图片，点击预览即可查看生成结果。

首次运行时你会注意到，加载模型需要数秒到数十秒不等，这取决于显卡性能。生成 20 步 512x768 的图像，在主流消费级显卡上通常只需要十几秒；在纯 CPU 环境下可能需要几分钟，建议尽量使用 NVIDIA 显卡运行。

如果看到红色报错节点，不要紧张，后面单独讲排查方法。现在的目标是跑通流程，理解数据流。

5. 进阶实战：图生图与局部重绘

5.1 图生图的核心区别

图生图和文生图的区别在于输入。文生图从随机噪声开始，图生图则从一张现有图片开始，通过denoise参数控制保留原图信息的程度。在图生图工作流中，原始图片先通过 VAE 编码（VAE Encode）转换到潜在空间，再输入采样器进行去噪。

5.2 搭建图生图工作流

在基础文生图工作流上做三处修改：

第一，添加Load Image节点，用来加载本地图片。把Load Image节点的IMAGE输出连接到VAE Encode节点的pixels输入端口。第二，添加VAE Encode节点，将图片编码到潜在空间。把Load Checkpoint的VAE输出连接到VAE Encode的vae输入端口。第三，将VAE Encode的LATENT输出连接到KSampler的latent_image输入端口，替换掉原来的Empty Latent Image节点。

此时KSampler节点里的denoise参数非常关键。填入 1.0 表示完全重绘，生成结果几乎不保留原图；填入 0.5 表示保留约一半原图信息；填入 0.3 以下时，相当于只对原图做轻微调整。实际场景中，img2img 的denoise通常在 0.4 到 0.7 之间最实用，太低则改动不明显，太高则容易造成原图语义丢失。

5.3 局部重绘工作流

局部重绘是在图生图基础上增加一个蒙版（mask）控制，让模型只重绘图片的特定区域，其他区域保持原样。这是电商修图、换装、修复手部等最常用的功能。

实现局部重绘的思路是：把原始图像复制一份到input文件夹，在Load Image节点中加载图片后，通过Load Mask或绘图蒙版节点标注出需要重绘的区域。ComfyUI 原生的VAE Encode (for Inpainting)节点会把原图、蒙版和潜在空间数据组合在一起，然后传入采样器。由于局部重绘涉及的蒙版工具在不同版本中差异较大，建议先使用整合包内置的蒙版示例工作流作为模板，再逐步理解其中的节点逻辑。

6. 常见报错与排查思路

新手加载工作流时，最常遇到的就是「节点在执行过程中发生错误」的红色提示。报错信息通常会提示具体是哪个节点出了问题，比如Load Checkpoint或KSampler。下面列出几个最高频的错误类型和排查方法。

6.1 缺失自定义节点或依赖包

这是一类非常典型的错误。当你从社区下载一个工作流 JSON 文件并拖入 ComfyUI 时，如果对方使用了你没安装过的自定义节点插件，界面会弹出一段黄字提示：

请安装缺失的包以使用此工作流。要安装缺失的节点，请先在你的 python 环境中运行...

出现这个提示的根本原因有几个：你没安装对应的 custom node；自定义节点已经安装，但是依赖的 Python 包缺失；或者工作流是在更高版本 ComfyUI 中创建的，你当前的版本不兼容。

解决思路如下：

1. 检查缺失提示中列出的节点名称，一般为ComfyUI-xxx格式。
2. 在custom_nodes目录下查看是否已存在该文件夹。
3. 如果不存在，进入该自定义节点的 GitHub 页面，按照 README 介绍的安装方式安装。秋叶整合包一般内置了「管理器（Manager）」，可以直接搜索并安装缺失节点。
4. 如果节点已存在但仍然报错，进入该节点目录执行pip install -r requirements.txt安装依赖。

在秋叶整合包中，管理器还提供了一键安装缺失节点的功能，打开管理器点击「安装缺失自定义节点」即可自动从 GitHub 拉取。需要注意网络状态的稳定性，如果多次拉取失败，可以手动到节点仓库下载压缩包解压到custom_nodes目录。

6.2 模型加载失败

报错形如ValueError: Cannot load checkpoint file或直接提示找不到文件。常见原因有两种：模型文件没有放在正确的目录下；模型文件本身损坏或不完整。排查时先确认models/checkpoints目录下存在你选择的模型文件，再确认文件大小与发布页标注一致。个别情况下，文件名包含中文或特殊字符也会导致读取异常，建议统一改为英文字母和数字组合。

6.3 显存不足（Out of Memory）

报错信息中通常包含torch.OutOfMemoryError或CUDA out of memory。处理方法按优先级排序：

1. 降低生成分辨率，例如从 1024x1024 降到 768x768。
2. 降低batch_size，每次只生成一张。
3. 在启动器中开启显存优化选项（如--lowvram或--medvram参数）。
4. 关闭占用显存的其他程序，尤其是浏览器中打开大量标签页。
5. 如果使用 SDXL 模型，考虑改用 SD1.5 模型，显存占用差距明显。

如果是秋叶整合包，在启动器界面里有显存优化设置，可以勾选「启用低显存模式」。调整后再尝试运行。

6.4 采样器参数错误

这类报错一般不多，但如果版本差异较大，某些采样器名称可能不一致。解决方法是把sampler_name切换为euler或dpmpp_2m，scheduler切换为normal，这两个组合兼容性最好，基本所有版本都能运行。

7. 最佳实践与工程化建议

7.1 保持工作流整洁

工作流本身也是代码，也需要可维护性。实际项目中，建议养成以下习惯：

• 节点重命名：双击节点标题，可以把CLIP Text Encode重命名为「正向提示词-封面风格」这类容易识别的名称。多人协作时，这能节省大量沟通成本。
• 用不同颜色分组：ComfyUI 支持节点颜色标记，把采样、加载模型、图像处理等不同模块用不同颜色区分，方便快速定位。
• 去除冗余节点：自己实验时经常会产生一些没接线的残留节点，保存前删除它们，避免工作流文件膨胀。
• 固定关键参数：对外分享或团队复用时，把 seed、步数等参数写清楚注释，别人拿到工作流后能复现结果。

7.2 模型管理规范

随着模型越下载越多，目录混乱会严重影响工作效率。这里分享一套经过验证的目录管理方式：

在models/checkpoints下按用途分子目录，如SD15、SDXL、写实、二次元。LoRA 文件命名建议带上版本号和风格标识，例如dreamshaperXL_v21_写实.safetensors。不常用的模型移动到外部备份盘，只在需要时拷贝回来，减少启动扫描时间。

换模型时注意：不同底模改造的 LoRA 不能随意混用。SD1.5 的 LoRA 不能直接用于 SDXL，否则会报 Shape mismatch 错误。加载 LoRA 时，确保底模类型匹配。

7.3 工作流版本控制与备份

对于常用工作流，建议把 JSON 文件保存到单独的目录（如D:\workflows），并按日期和用途命名，例如20260115_电商海报_文生图.json。养成「每次大改动后保存一个新版本」的习惯，不要一直覆盖同一个文件。万一参数调乱或节点删错了，可以随时回退到以前的版本。

如果工作流中使用了外部图片（如 ControlNet 参考图、局部重绘蒙版），这些图片默认保存在input目录下。分享工作流时，必须同时把用到的图片打包发给对方，否则对方加载工作流后会发现图片丢失。

7.4 安全与合规提醒

本地部署虽有便利性，但也要注意合规问题：

• 不要使用未经授权的模型和素材，注意模型许可证。
• 企业项目中使用 AI 生成内容时，确认训练数据的版权合规性。
• 涉及肖像、品牌、商标的内容生成，注意使用边界。
• 不要尝试生成违法违规内容。
• 生产环境批量出图时，建议通过 API 方式调用，这样便于鉴权和审计，不建议直接开放公网端口。

7.5 性能优化建议

批量出图时，性能优化直接影响效率。优先从这几个方面入手：

• 固定采样器为dpmpp_2m加karras调度器，在画质和速度之间比较均衡。
• 前几次实验用低步数（如 12-15 步）快速验证构图，确定满意后再用高步数出最终图。
• 生成大图时，先用小图生成再通过放大模型（Upscale）放大，通常比直接生成大图更能保证质量。
• ComfyUI 界面本身也会占用少量显存，批量任务跑完一批后，可以使用Empty Latent Image的batch_size参数一次生成多张，但要注意显存上限。
• 关注秋叶整合包的更新公告，新版通常会在性能上有优化，可以每隔一段时间更新一次。

8. 学习路线与下一步

如果你已经跟着本文跑通了第一个文生图工作流，那么下一步可以按这个顺序继续深入：

第一阶段，掌握基础节点。把本文的核心节点反复拖拽、连线、调整参数，尤其是 KSampler 的采样器、调度器、CFG、seed 的搭配效果，通过固定变量法逐个理解每个参数的意义。这是所有复杂工作流的基础。

第二阶段，学习 LoRA 节点。在文生图工作流中加入Load LoRA节点，理解它是如何与大模型叠加的。试着用同一底模搭配不同 LoRA，对比风格差异。

第三阶段，学习 ControlNet。ControlNet 可以控制姿态、线稿、深度、边缘等条件，是出图从「碰运气」到「可控」的关键工具。可以先从OpenPose姿态控制和Canny边缘检测入手。

第四阶段，学习 AnimateDiff 和视频生成。AnimateDiff 可以让静态工作流动起来，生成短视频序列。这一步涉及更长的执行时间，也更考验硬件。

第五阶段，学习 ComfyUI 的 API 模式。通过http://127.0.0.1:8188的 API 接口，你可以用 Python 或 Node.js 脚本调用工作流，实现批量出图和系统集成。这是把 ComfyUI 从「本地工具」升级为「工程模块」的关键一步。

秋叶整合包里的管理器本身也内置了很多示例工作流模板，强烈建议充分利用这个资源库。先「拆解」别人的工作流——把每个节点都点开看一遍，手动删除节点看会怎样，重新连线看报什么错，这种试错式的学习方法远比看教程印象更深。

安装遇到问题很正常，工作流报错也不可怕。关键是把报错信息完整地看一遍，大多数报错提示已经告诉了你原因和位置。希望这篇文章能帮你少走一些弯路，顺利进入 ComfyUI 的世界。如果本文对你有帮助，可以收藏备用，后续遇到问题也方便回来查阅。