
de comfygen15
Exécutez des workflows ComfyUI sur des GPU serverless RunPod : gérez les endpoints, résolvez et téléchargez des modèles, soumettez des workflows et récupérez les résultats via le CLI comfy-gen.
ComfyGen fournit un CLI agentique pour exécuter des workflows d'images et de vidéos ComfyUI sur des GPU serverless RunPod. Il analyse les fichiers JSON de workflow ComfyUI pour résoudre les modèles requis (HuggingFace/CivitAI), télécharge les modèles vers un volume réseau partagé, gère les endpoints serverless, soumet des jobs, surveille le statut et renvoie les URL de sortie et les métadonnées.
Utilisez ce skill lorsqu'un utilisateur souhaite exécuter des workflows ComfyUI à distance, a besoin d'aide pour trouver ou télécharger des modèles manquants, souhaite créer ou configurer un endpoint/volume RunPod, ou doit gérer ou annuler des jobs de génération. Déclenchez sur des phrases comme "générer une image", "exécuter ce workflow", "ComfyUI", "RunPod", "télécharger un modèle", ou "soumettre un workflow".
Idéal pour les agents disposant d'un accès shell/CLI et de gestion de fichiers (Copilot/assistants de code, agents capables de CLI). Le skill nécessite l'exécution programmatique du CLI comfy-gen et la capacité de lire/écrire sur des volumes réseau.
ComfyGen est une compétence d'exécution de flux de travail ComfyUI pour les GPU serverless de RunPod. Le SKILL.md est complet avec une analyse détaillée du flux de travail, la résolution de modèles depuis HuggingFace/CivitAI et une documentation claire des commandes CLI. Aucun script joint à tester. Légère préoccupation de sécurité concernant le passage de secrets via des drapeaux CLI qui pourraient fuiter dans l'historique du shell, mais la compétence avertit explicitement de ne pas afficher les clés API. Bien structurée et réellement utile pour la niche ComfyUI sur RunPod.
Compétence de documentation uniquement sans scripts. Le flux de résolution de modèles est une fonctionnalité remarquable — la recherche proactive de modèles sur HuggingFace et la présentation des résultats avant le téléchargement sont bien au-dessus de la moyenne pour la conception de compétences. L'architecture pourrait être améliorée en divisant la longue section d'analyse du flux de travail dans un répertoire references caramelized.