蛋蛋记忆同步：LTX/Wan/Z-Image 经验 + 提示词方法论 + 反馈偏好实时入库

memory/eed/MEMORY.md

@@ -0,0 +1,11 @@
+- [user_setup](user_setup.md) — 双线AI生产系统配置：ComfyUI/SDXL/ControlNet/IP-Adapter/Wan2.2/LivePortrait
+- [strategy_libtv_vs_local](strategy_libtv_vs_local.md) — 苍耳管线 vs LibTV 对比后，5项短板+7项优化已全面完成
+- [feedback_memory_push](feedback_memory_push.md) — 爸爸要求实时保存经验和记忆到本地，避免下次对话遗忘
+- [storyboard_自动化](storyboard_自动化.md) — 剧本→分镜自动化已完成，pipeline.py统一入口就绪
+- [feedback_image_quality](feedback_image_quality.md) — 爸爸对出图质量要求高，拉跨就承认+分析+问方向再跑
+- [feedback_search_first](feedback_search_first.md) — 爸爸要求不确定的事先搜索查证，不瞎猜不偷懒
+- [ltx_test_hardware](ltx_test_hardware.md) — LTX-2.3 Q4+Gemma12B 已在7900XTX 24G显存/32G内存跑通：动态显存参数+embeddings_connectors组件
+- [ltx_prompt_methodology](ltx_prompt_methodology.md) — LTX 提示词是出片主战场：四段式+时间流+环境运动+镜头+节奏+明确结束帧（已验证）
+- [wan22_test_hardware](wan22_test_hardware.md) — Wan2.2 I2V 14B双专家Q4已在24G显存跑通：动态内存参数+768×512×49帧
+- [z_image_turbo_setup](z_image_turbo_setup.md) — Z-Image-Turbo 已替换SDXL当生图引擎（Qwen3-4B编码器，官方8步链路），与LTX组合跑通小猫后空翻
+- [reference_push_setup](reference_push_setup.md) — cang-ying 推送配置：令牌在本地凭据文件，不在仓库内

memory/eed/README.md

@@ -0,0 +1,19 @@
+# memory/eed · 耳耳蛋本地经验记忆同步区
+
+> 本目录是耳耳蛋（ICE-GL-耳耳蛋）的本地经验记忆同步镜像。
+> 源目录：`/home/ls/.codebuddy/projects/home-ls/memory/`
+> 同步策略：学到有用的经验，实时复制到本目录并推送（爸爸授权）。
+
+## 文件说明
+- `MEMORY.md` —— 记忆索引（各主题入口）
+- `ltx_prompt_methodology.md` —— LTX 提示词方法论（四段式+时间流+环境运动+镜头+节奏+结束帧）
+- `ltx_test_hardware.md` —— LTX 硬件测试记录（动态内存参数 + embconn 枚举坑）
+- `wan22_test_hardware.md` —— Wan2.2 测试记录（动态内存方案跑通）
+- `z_image_turbo_setup.md` —— Z-Image-Turbo 生图引擎配置
+- `feedback_*.md` —— 爸爸的反馈偏好（实时保存、先搜索查证、出图质量要求等）
+- `reference_push_setup.md` —— 推送配置（令牌在本地凭据文件，不在仓库内）
+- `user_setup.md` / `strategy_*.md` / `storyboard_自动化.md` —— 环境与项目配置
+
+## 注意事项
+- 令牌/密钥**永不写入本仓库**（在 `~/.git-credentials`，600 权限）
+- 仓库 `.gitignore` 已排除视频/图片/密钥等敏感文件

memory/eed/feedback_image_quality.md

@@ -0,0 +1,21 @@
+---
+name: feedback_image_quality
+description: 爸爸对出图质量要求高，不能随便跑个图就说"可以"
+type: feedback
+---
+
+**爸爸对漫剧出图质量有明确标准，测试图必须认真对待，不能敷衍**
+
+**Why:** 第一次测试跑了两张图，爸爸看了说"拉跨"。原因是：
+- prompt写得太通用（"国风仙侠""竹林少年"），模型按西方奇幻/写实CG理解
+- 没加负面prompt锁住"3D, CGI, realistic, mask, helmet, armor"等
+- 没加风格LoRA，RealVisXL基底偏写实，出图自然偏向CG游戏感
+- 没角色锚点（IP-Adapter/参考图），每张图角色都不一样
+- 没理解爸爸要的是能直接用的漫剧素材，不是"好看但没用的意境图"
+
+**How to apply:**
+1. 爸爸说"拉跨"时不要狡辩——立刻承认、分析根因、问清楚方向再重跑
+2. 出图前先问爸爸：风格？参考图？有没有之前满意的例子？
+3. 测试分两类：①纯链路验证（用现成prompt快速跑）②质量验证（必须调prompt+LoRA+负面prompt）
+4. 漫剧出图必须锁住：角色一致性 + 风格一致性 + 场景清晰
+5. 如果生成的是"意境图没人"或"角色完全跑偏"，直接承认不行，不要硬夸

memory/eed/feedback_memory_push.md

@@ -0,0 +1,14 @@
+---
+name: feedback_memory_push
+description: 爸爸要求实时把经验记忆存到本地，避免遗忘
+type: feedback
+---
+
+**实时保存经验和记忆到本地文件系统，确保下次对话能回忆起上下文**
+
+**Why:** 爸爸发现如果不保存，下次对话我会不记得之前的对话内容。这是爸爸多次提醒的关键点。
+
+**How to apply:** 
+1. 每次爸爸做出重要决策或讨论完关键策略后，立即写入memory系统
+2. 代码仓库里的配置/脚本改动也在对话中说明
+3. 不要等爸爸提醒才保存，主动存

memory/eed/feedback_search_first.md

@@ -0,0 +1,15 @@
+---
+name: feedback_search_first
+description: 爸爸要求不确定的事先搜索查证，不瞎猜不偷懒
+type: feedback
+---
+
+先搜再干，不瞎猜不偷懒。
+
+**Why:** 之前视频模型配置的问题，爸爸指出我一直在瞎猜参数、瞎改配置、瞎下结论，没去搜社区的正确方案。浪费了大半夜时间也没跑通。
+
+**How to apply:** 
+- 遇到不确定的技术问题（模型兼容性、硬件配置、参数设置），先WebSearch搜社区方案
+- 不凭印象下结论（比如"PyTorch只支持到ROCm 6.2"就是错的，AMD官方仓库有7.x版）
+- 找到别人验证过的成功方案再动手
+- 特别关注同一硬件配置（7900 XTX + ROCm）的方案

memory/eed/ltx_prompt_methodology.md

@@ -0,0 +1,60 @@
+---
+name: LTX-2.3 提示词方法论（教科书级）
+description: LTX 出片效果的主战场是 prompt 写法——四段式结构+时间流+环境运动+镜头+节奏+明确结束帧，已验证效果显著
+type: project
+---
+
+# LTX-2.3 提示词方法论（2026-07-31 验证）
+
+## 核心结论（爸爸的判断：prompt 是主战场 ✅）
+LTX-2.3 对 prompt 极其敏感。爸爸质疑之前"效果差"甩锅给输入图——**结论：prompt 至少占一半责任**，不是纯输入图/轨迹的锅。
+验证实验：v2（动作清单 prompt）vs 本次（教科书 prompt），**唯一变量是 prompt+seed**，其他配置（起始图/轨迹/IC-LoRA强度/帧数）完全一致。结果：教科书版动作连贯、空中翻转清晰、结尾"坐着眨眼"精准对上"ends on sitting upright"——v2 完全做不到。
+
+## 官方/社区共识方法论（4 条核心 + 1 条铁律）
+1. **四段式结构**：`[主体描述] + [核心动作] + [场景/氛围] + [镜头语言]`，顺序固定（主体→动作→镜头→氛围）
+2. **I2V 铁律**：输入图已定义"画面是什么"，prompt **只写"接下来怎么动"**——官方原话："Describe the **transition from stillness to motion**"
+3. **三种运动都要写**：主体运动 + 镜头运动 + **环境运动**（风、草、树叶、光的变化）——环境运动是让画面"活着"的锚点，**最容易漏**
+4. **节奏与结束帧**：用现在时动词（walking/spinning/tumbling，不用 dynamic/cinematic 等风格词）+ slow/fluid/seamless 控速度 + **明确告诉模型"怎么收尾"**（防止画面乱收尾）
+5. **长度要够**：短 prompt = 模型乱填。4~8 个完整句子打底
+
+## 反例 vs 正例（小猫后空翻）
+
+### ❌ 旧 prompt（动作清单）——v2 用的
+"a small cute fluffy orange kitten does a backflip, jumps up high into the air, somersaults backwards, spins and tumbles mid-air, lands on its feet, dynamic athletic motion..."
+- 干巴巴动词清单
+- 没有环境运动
+- 没有镜头语言
+- 没有节奏控制
+- 没有结束帧
+- 效果：猫动了但动作不连贯
+
+### ✅ 教科书 prompt（已验证）
+"Opening on a small fluffy orange kitten crouching low in a sunlit grass field, facing right, tail twitching as it gathers itself. The kitten springs upward off its hind legs, launching into the air, body stretching into a graceful backflip, spinning 360 degrees backwards mid-air with paws tucked, fur and grass blades drifting in the wind as it tumbles. It lands softly on all four feet in the grass, a tiny puff of dust rising, tail curling up. Static camera, shallow depth of field, warm golden-hour light, gentle breeze moving the grass throughout. Slow, fluid, seamless motion. High fidelity, detailed fur texture, stable movement. Ends on the kitten sitting upright, blinking calmly."
+
+关键结构：
+- 起始帧描述（Opening on...crouching low...tail twitching）→ "静止→运动"的过渡
+- 主体动作时间流（springs→launching→spinning→tumbles）→ 叙事式不是清单
+- 收尾动作（lands on all four feet...tail curling up）
+- 镜头（Static camera, shallow depth of field）
+- 环境运动（fur and grass blades drifting in the wind, gentle breeze moving the grass throughout）⭐ 最容易漏
+- 节奏（Slow, fluid, seamless motion）
+- **明确结束帧**（Ends on the kitten sitting upright, blinking calmly）⭐ 关键
+
+## 负面词模板（同步要写好）
+"static, no movement, flickering, jittery motion, morphing, blurry, low resolution, choppy, deformed, extra limbs, watermark, text"
+
+## 实测运动数据对比
+| 指标 | v2（旧prompt） | 教科书 prompt |
+|---|---|---|
+| 相邻帧差 | 14~49（乱波动） | **0.7~23.7，分段健康**（中段13.9最强，两头收7.8/8.2） |
+| 首尾差异 | 61 | 52.6（同样显著动） |
+| 关键帧验证 | 翻得不连贯 | **f_060 倒穿过画面=空中翻转**，**f_096 坐着眨眼=精准收尾** |
+
+## 数据来源
+- LTX 官方博客（ltx.io blog）
+- ltxworkflow.com 官方指南
+- promptcraft LTX 专页
+- 验证样本：`/home/ls/comfy/ComfyUI/output/ltx23_cat_prompttest_00001_.mp4`（97帧/4.04秒/574KB）
+
+**Why:** 爸爸质疑"之前效果差难道跟提示词没关系吗"——查证后确认 prompt 至少占一半责任。我之前甩锅给输入图/轨迹是不专业的。
+**How to apply:** 写 LTX prompt 时严格按四段式+时间流+环境运动+镜头+节奏+明确结束帧，不要写动作清单式 prompt。I2V 任务尤其要写清"接下来怎么动"+"怎么收尾"。

memory/eed/ltx_test_hardware.md

@@ -0,0 +1,31 @@
+---
+name: LTX-2.3 GGUF 跑通配置（7900XTX 24GB）
+description: LTX-2.3 22B Q4 GGUF + Gemma12B 在 7900XTX 24GB显存/32GB内存跑通的关键配置
+type: project
+---
+
+# LTX-2.3 GGUF 跑通配置（2026-07-31）
+
+## 机器
+- RX 7900 XTX 24GB VRAM + 32GB RAM，ROCm 7.2.4，ComfyUI 0.29.0
+
+## ✅ 跑通的完整方案（49帧768x512蒸馏9步，178秒出片，无OOM）
+1. **ComfyUI 启动参数（关键=动态内存）**：
+   `python main.py --listen 127.0.0.1 --port 8188 --disable-pinned-memory --enable-dynamic-vram --fast-disk --vram-headroom 3 --async-offload`
+   - `--enable-dynamic-vram`：动态显存管理（权重按需加载，不再估算整块塞）
+   - `--fast-disk`：用 NVME 磁盘做卸载介质，不占 RAM（LTX 从占 14GB RAM 降到 ~0）
+   - 注意：`--lowvram` 在 dynamic vram 开启时无效，可去掉
+2. **LTX 主模型**：`UnetLoaderGGUF` 加载 ltx-2.3-22b-distilled-1.1-Q4_K_M.gguf（GGMLOps 保持量化+mmap，实际只加载 13.8GB）
+3. **文本编码器**：`LTXAVTextEncoderLoader`：
+   - text_encoder = gemma_3_12B_it.safetensors（device=cpu）
+   - **ckpt_name 必须指向 embeddings_connectors 文件**（软链 checkpoints/ltx-2.3-22b-embconn.safetensors → unsloth/LTX-2.3-GGUF 的 text_encoders/ltx-2.3-22b-distilled_embeddings_connectors.safetensors，1.7GB）
+4. **VAE**：LTXVTiledVAEDecode（horizontal_tiles=2, vertical_tiles=2, working_device=cpu）
+
+## 关键坑
+- **维度错误 3840 vs 4096**：GGUF/transformer_only 缺 text_embedding_projection（video/audio_aggregate_embed），gemma12B(3840) 进 embeddings_connector(4096) 报 RuntimeError。解法 = LTXAVTextEncoderLoader 的 ckpt_name 指向 embeddings_connectors.safetensors
+- **ckpt_name 是枚举下拉（枚举 checkpoints 目录）⚠️ 别瞎改名字**：`LTXAVTextEncoderLoader.ckpt_name` 只认 ComfyUI 启动时扫到的列表（软链名 `ltx-2.3-22b-embconn.safetensors`）。把它改成 text_encoders 里的真文件名（`ltx-2.3-22b-distilled_embeddings_connectors.safetensors`）→ 不在枚举列表 → **校验失败 → 输出节点被忽略 → "假成功"（1.45秒无输出文件）**。改回软链名 → 260 秒真出片。写脚本时枚举参数照列表里有的名字写，别自作聪明"修正"
+- 下载 LTX GGUF 时必须同时下 unsloth 仓库配套的 `*_embeddings_connectors.safetensors`
+- 之前的坑：无 --enable-dynamic-vram/--fast-disk 时 LTX 双份占用（显存13.6G+RAM14G）+ Gemma12B → RAM 爆
+
+**Why:** 爸爸说"他们用动态内存跑成功了"，查证=ComfyUI 的 DynamicVRAM(--enable-dynamic-vram)+--fast-disk 方案 + GGUF 配套组件。
+**How to apply:** 跑 LTX-2.3 直接复用这套参数和文件组合；官方还推荐 gemma_3_12B_it_fp4_mixed.safetensors（FP4，~4-5GB）可进一步省 RAM。

memory/eed/reference_push_setup.md

@@ -0,0 +1,17 @@
+---
+name: reference_push_setup
+description: cang-ying 仓库推送配置：远端地址、令牌存放位置（本地凭据文件，不在仓库内）
+type: reference
+---
+
+cang-ying 仓库推送配置：
+- 本地仓库：/home/ls/cang-ying
+- 远端：https://guanghubingshuo.com/code/bingshuo/cang-ying.git（Gitea）
+- 分支：main
+- 认证方式：令牌存于本地凭据文件 ~/.git-credentials（chmod 600，不在仓库内，config 中 pushurl 为干净 URL 无令牌）
+- 全局已设 credential.helper=store
+- 仓库内有 experience/、memory/、feedback/ 目录（.hdlp 格式的经验记忆）
+- 验证过：git ls-remote 认证连通正常
+- 注意：.gitignore 排除了视频/图片/密钥等，推代码和 .hdlp 经验文件安全
+
+更新记录：2026-07-31 令牌已更新至 ~/.git-credentials（权限600），git ls-remote 验证连通正常（HEAD e6637a92），仓库 .git/config 确认无令牌。

memory/eed/storyboard_自动化.md

@@ -0,0 +1,19 @@
+---
+name: 剧本→分镜自动化已完成
+description: run_storyboard.py已通用化，pipeline.py统一入口，整条链路就绪
+type: project
+---
+
+# 剧本→分镜自动化 — 已完成
+
+**工具状态：**
+- `tools/run_storyboard.py` ✅ 通用化（支持任意剧本路径、集号、Pro/Lite模型切换）
+- `tools/storyboard_to_workflow.py` ✅ 分镜JSON→ComfyUI批量出图桥接（自动生成workflow+shell脚本）
+- `tools/route_shots.py` ✅ BC-006逐镜路由分配（用豆包AI自动分配STILL_HOLD/AI_I2V等）
+- `pipeline.py` ✅ 统一生产入口（`python pipeline.py go <剧本> -e 1` 全自动）
+
+**成本：** 豆包API拆一集剧本出分镜 ≈ ¥0.01（之前已实测验证）
+**之前已跑通过：**《深海迷航》EP01，Pro版26镜、Lite版24镜，效果良好
+
+**Why:** 爸爸要求补短板+全面优化，让管线从剧本到成片全自动
+**How to apply:** `python pipeline.py go <剧本> -e <集号>` 一条命令跑完整链路

memory/eed/strategy_libtv_vs_local.md

@@ -0,0 +1,37 @@
+---
+name: 苍耳管线补短板策略已全面完成
+description: 所有短板补齐 + 7项优化全部实现，管线已完整
+type: project
+---
+
+# 苍耳管线补短板 + 全面优化 —— 已完成 (2026-07-30)
+
+## 短板补齐（5项全部完成）
+| # | 短板 | 状态 | 成果 |
+|:-:|:----|:---:|:-----|
+| ① | StoryDiffusion 分镜一致性 | ✅ 完成 | 节点已装`custom_nodes/ComfyUI_StoryDiffusion` |
+| ② | 剧本→分镜自动化 | ✅ 完成 | `tools/run_storyboard.py`通用化，¥0.01/集 |
+| ③ | 高清放大 | ✅ 完成 | 模型`4x-UltraSharp.pth`已下载，ComfyUI蓝图可用 |
+| ④ | 自动剪辑拼接 | ✅ 完成 | `tools/video_composer.py`多视频拼接+字幕+片头片尾 |
+| ⑤ | AI配乐/音效 | ✅ 完成 | `stable_audio_3_medium_base.safetensors`已下，蓝图就绪 |
+
+## 7项优化（全部实现）
+| # | 优化 | 成果 |
+|:-:|:----|:-----|
+| ① | 分镜JSON→ComfyUI出图桥接 | `tools/storyboard_to_workflow.py` |
+| ② | BC-006逐镜路由自动化 | `tools/route_shots.py`（调豆包AI分配STILL_HOLD/AI_I2V等） |
+| ③ | 统一Python入口 | `pipeline.py`一条命令管理所有生产步骤 |
+| ④ | 资产库标准化 | `assets/characters/`, `assets/envs/`, `assets/props/`目录已建 |
+| ⑤ | StoryDiffusion工作流 | 节点已装，重启ComfyUI后可用 |
+| ⑥ | 放大嵌入管线 | 模型已下，蓝图已就绪 |
+| ⑦ | 资产本地生成替代线上API | `tools/generate_assets_local.py`（¥0替代¥0.15-1/张） |
+
+## 完整生产链路
+```
+剧本 → pipeline.py go → 豆包分镜(¥0.01) → 路由分配 → 
+逐镜出图(ComfyUI) → 高清放大(4x-UltraSharp) → 
+视频拼接(video_composer.py) → 配乐(Stable Audio 3) → 成片
+```
+
+**Why:** 爸爸要求补齐所有短板 + 所有优化点，不追LibTV云端质量天花板，发挥本地零边际成本优势。
+**How to apply:** 下次爸爸说"跑管线"时，直接用 `python pipeline.py go <剧本> -e <集号>` 一条命令启动。

memory/eed/user_setup.md

@@ -0,0 +1,22 @@
+---
+name: 苍耳爸爸系统与工作流配置
+description: 双线AI生产系统：ComfyUI+SDXL+ControlNet+IP-Adapter+Wan2.2+LivePortrait，用于3D漫剧和海外仿真人
+type: user
+---
+
+苍耳爸爸（用户）使用 AMD RX 7900 XTX（24GB VRAM）运行全本地 AI 生产管线。主要做两件事：
+- 🌍 海外仿真人剧：写真定妆照 → LivePortrait 口型同步 → 出片
+- 🎭 国内3D漫剧：SDXL+ControlNet+IP-Adapter → 角色一致生图 → Wan2.2 图生视频
+
+**为什么：** 全本地、全开源协议（商用友好），零API成本，数据不外传。
+
+**当前配置：**
+- ComfyUI v0.29.0（ROCm 6.2），系统服务开机自启（http://127.0.0.1:8188）
+- 生图引擎：RealVisXL V5.0 FP16（主力写实）+ Juggernaut XL v8（备选）
+- 精确控制：ControlNet-Union-SDXL（Canny/OpenPose等） + IP-Adapter（角色一致性）
+- 视频引擎：Wan2.2 I2V 14B GGUF Q4_K_M（双模型）+ LTX-2.3 22B FP8（已有）
+- 仿真人：LivePortraitKJ（MediaPipe模式，商用友好）
+- E2BIG补丁：libe2big_patch.so 已部署，防 Argument list too long
+
+**如何使用：** 可以通过 run_pipeline.py 脚本一键操作，或打开 Web UI 拖工作流。
+**通话偏好：** 爸爸喜欢直接、高效的沟通，需要看到实际效果再决定下一步。

memory/eed/wan22_test_hardware.md

@@ -0,0 +1,28 @@
+---
+name: Wan2.2 I2V 14B 双专家 Q4 GGUF 跑通配置
+description: Wan2.2 小猫后空翻在 7900XTX 24G显存/32G内存跑通的关键配置（动态内存参数+官方480P档+4x放大）
+type: project
+---
+# Wan2.2 I2V 14B 双专家 Q4 GGUF 跑通（2026-07-31）
+
+## 机器
+RX 7900 XTX 24GB VRAM + 32GB RAM，ROCm 7.2.4，ComfyUI 带动态内存参数运行中。
+
+## ✅ 高清版方案（1664×960×98帧，30步，24分18秒出片，无OOM）——解决"马赛克"问题
+1. **ComfyUI 启动参数**（和 LTX 同一套）：
+   `--enable-dynamic-vram --fast-disk --vram-headroom 3 --async-offload --disable-pinned-memory`
+2. **提交脚本**：`/tmp/wan22_cat_backflip_hd.py`（API prompt 格式，官方 Wan 原生节点 + 尾部放大）：
+   - 分辨率用**官方 480P 档 832×480**（非标 768×512 会出网格伪影=马赛克感；官方只有 480P=832×480 和 720P=1280×720 两档）
+   - 起始图先裁成 16:9 再喂（`cat_start_169.png`，1024×1024 正方形直接塞会压扁丢细节）
+   - 采样参数用**社区验证档：steps=30, cfg=3.5, shift=8.0**（上次 shift5/cfg5 偏糊）
+   - WanVideoDecode 后接 **UpscaleModelLoader(4x-UltraSharp.pth) → ImageUpscaleWithModel → ImageScale(lanczos, 1664×960) → VHS_VideoCombine**
+   - 其余同旧版：high_noise(main_device)+low_noise(offload_device)+T5 bf16(offload_device)+Wan2.1_VAE+瓦片解码(272×272)
+3. **出片**：`wan22_cat_backflip_hd_00001.mp4`（1664×960、98帧6.1秒、7.8MB、h264）
+
+## 之前失败/糊的原因（7/30-7/31）
+- 704×704 太大 + 没开动态内存 → 采样中途内存爆（第一次）
+- 768×512 非官方档位 + 正方形起始图硬塞 + shift5/cfg5 → 出片"一坨马赛克"（第二次）
+- T5-XXL bf16 11.3G 是内存大头，必须 offload_device
+
+**Why:** 爸爸问"不能跑Wan2.2是内存不够还是显存不够"→硬件都够（24G显存+32G内存绰绰有余），缺的是动态内存配置+官方分辨率档位。
+**How to apply:** 跑 Wan2.2 I2V 复用 /tmp/wan22_cat_backflip_hd.py；分辨率必须用官方档（832×480/1280×720）；模糊就接 4x-UltraSharp 放大；T5 别放 main_device。

memory/eed/z_image_turbo_setup.md

@@ -0,0 +1,24 @@
+---
+name: z_image_turbo_setup
+description: Z-Image-Turbo 生图引擎配置（2026-07-31 换掉SDXL）+ 与LTX的组合链路
+type: project
+---
+
+Z-Image-Turbo（阿里通义"造相"）已替换 SDXL 成为生图引擎（爸爸 2026-07-31 拍板：社区都用它了）。
+
+**文件（ComfyUI 0.29.0 原生支持，无需插件）：**
+- `diffusion_models/z_image_turbo_bf16.safetensors`（11.5GB，HF: Comfy-Org/z_image_turbo split_files/diffusion_models/，走 127.0.0.1:7897 代理 wget 直连，~600MB/s）
+- `text_encoders/qwen_3_4b.safetensors`（7.5GB，文本编码器是 Qwen3-4B，中文理解强；同仓库 split_files/text_encoders/）
+- `vae/ae.safetensors`（335,304,388 字节，本地已有——这个文件就是 Z-Image 的 VAE，别误删/别当成 Flux 的）
+
+**官方节点链（blueprint: Text to Image (Z-Image-Turbo).json）：**
+UNETLoader(z_image_turbo_bf16, weight_dtype=default) → ModelSamplingAuraFlow(shift=3.0)
+CLIPLoader(qwen_3_4b, type=lumina2, device=default) → CLIPTextEncode(prompt)
+VAELoader(ae.safetensors)
+ConditioningZeroOut(prompt) 作 negative（蒸馏版 cfg=1 不需要真负向）
+EmptySD3LatentImage(1024×1024) → KSampler(steps=8, cfg=1.0, sampler=res_multistep, scheduler=simple, denoise=1.0)
+VAEDecode → SaveImage
+
+**Why:** 出图质量远超 SDXL（毛发/散景/动作姿态真实），8 步蒸馏亚秒级，迭代成本极低，中文 prompt 理解强。
+
+**How to apply:** 苍耳管线"出起始图"一步用 Z-Image-Turbo；SDXL 工作流已废弃。全链路已验证：Z-Image 猫图(1024²) → 中心裁剪768×512 → LTX I2V 后空翻出片成功（97帧 4s，帧差均值27.7/首尾54.7，动作健康）。