ComfyUI 作为 Stable Diffusion 的节点式工作流工具正成为 AI 图像生成领域的重要选择。与传统的 WebUI 相比ComfyUI 通过可视化节点编辑提供了更灵活的流程控制和更低的显存占用但学习曲线也相对陡峭。本文将通过实际工作流搭建带你快速掌握 ComfyUI 的核心操作逻辑。最值得关注的是 ComfyUI 的硬件友好性4GB 显存即可运行基础文生图6GB 显存能处理多数常用工作流8GB 以上显存可以流畅运行复杂流程。支持从 10 系到 50 系的全系列 NVIDIA 显卡AMD 显卡通过 DirectML 也能正常运行。无论是本地测试还是批量生产ComfyUI 都能提供稳定的性能表现。本文将重点演示ComfyUI 环境部署、基础文生图工作流搭建、图生图与局部重绘流程、常用插件安装、工作流导入导出、API 接口调用以及性能优化技巧。适合有一定 Stable Diffusion 基础希望提升工作流控制能力和生产效率的用户。1. 核心能力速览能力项说明显存需求基础工作流 4GB复杂工作流 6-8GB支持 CPU 回退启动方式一键启动脚本、命令行启动、Docker 部署主要功能文生图、图生图、局部重绘、ControlNet、LoRA 加载、批量处理工作流管理可视化节点编辑、工作流导入导出、自定义节点支持接口能力原生 API 支持、WebSocket 实时通信、批量任务队列适合场景本地 AI 图像生成、工作流实验、批量内容生产、API 集成2. 适用场景与使用边界ComfyUI 特别适合需要精细控制生成流程的用户。比如商业项目中需要保持角色一致性、控制特定画面元素、批量生成系列图片等场景。与 WebUI 的固定流程相比ComfyUI 可以自定义每个处理环节实现更精准的输出控制。但需要注意的是ComfyUI 不适合完全的新手用户。如果只是偶尔需要生成几张图片WebUI 的简单操作可能更合适。ComfyUI 的学习成本主要体现在节点连接逻辑和工作流理解上需要用户对 Stable Diffusion 的工作原理有基本了解。在版权和合规方面ComfyUI 本身是开源工具但使用时需要注意训练模型的权利归属、生成内容的商业使用授权、人物肖像的合法使用。特别是涉及真人面孔的生成和编辑必须确保有合法授权。3. 环境准备与前置条件3.1 硬件要求显卡NVIDIA GPU推荐 6GB 显存AMD GPU 需使用 DirectML 版本内存16GB RAM处理高分辨率图像时建议 32GB存储至少 10GB 可用空间模型文件较大3.2 软件环境操作系统Windows 10/11、Linux、 macOSPython3.8-3.10 版本3.11 以上可能兼容性问题CUDA11.8 或 12.x根据显卡驱动选择Git用于代码拉取和更新3.3 模型文件准备基础模型文件需要提前下载到指定目录Stable Diffusion 模型.safetensors 或 .ckptVAE 模型可选提升色彩效果常用 LoRA 模型按需下载ControlNet 模型如需使用控制网络4. 安装部署与启动方式4.1 一键安装包部署推荐新手秋叶大佬的整合包是最简单的入门方式下载 ComfyUI 秋叶整合包最新版本解压到英文路径避免中文目录双击启动器.exe或run.bat文件启动器界面配置模型路径和启动参数点击一键启动等待服务启动# 启动后控制台显示类似信息 # Running on local URL: http://127.0.0.1:8188 # 表示服务启动成功4.2 源码安装方式适合开发者# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境可选但推荐 python -m venv venv venv\Scripts\activate # Windows # source venv/bin/activate # Linux/Mac # 安装依赖 pip install -r requirements.txt # 启动服务 python main.py --port 81884.3 Docker 部署方式# 拉取官方镜像 docker pull comfyanonymous/comfyui # 运行容器映射端口和模型目录 docker run -p 8188:8188 -v /path/to/models:/models comfyanonymous/comfyui5. 基础工作流搭建实战5.1 第一个文生图工作流启动 ComfyUI 后默认是空白画布。我们从头搭建最基础的文生图流程右键画布 → Add Node → sampling → KSampler添加采样器Add Node → loaders → CheckpointLoader添加模型加载器Add Node → conditioning → CLIPTextEncode添加提示词编码器需要两个分别用于正向和负向提示词Add Node → latent → EmptyLatentImage添加空白潜空间图像Add Node → VAE → VAEDecode添加 VAE 解码器Add Node → SaveImage添加图像保存节点连接逻辑CheckpointLoader 连接 CLIP 和 VAECLIPTextEncode 连接 KSamplerEmptyLatentImage 连接 KSamplerKSampler 连接 VAEDecodeVAEDecode 连接 SaveImage5.2 关键参数设置// KSampler 典型配置 { steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1.0 } // EmptyLatentImage 配置 { width: 512, height: 512, batch_size: 1 }5.3 测试生成在正向提示词输入框输入masterpiece, best quality, 1girl, beautiful face 在负向提示词输入框输入low quality, worst quality, bad anatomy点击Queue Prompt开始生成首次运行会下载需要的模型文件后续生成速度会显著提升。6. 图生图与高级工作流6.1 图生图工作流改造在文生图基础上进行改造将 EmptyLatentImage 替换为LoadImage节点添加VAEEncode节点将图像编码为潜空间在 KSampler 中设置 denoise 参数0.5-0.8控制重绘强度连接方式LoadImage → VAEEncode → KSampler latent_image 输入6.2 局部重绘工作流实现局部重绘需要添加遮罩控制添加LoadImage节点加载原图添加LoadImageMask节点加载遮罩添加VAEEncode节点编码原图添加ImageCompositeMasked节点处理遮罩区域KSampler 的 denoise 设置为 0.75 左右6.3 ControlNet 集成为工作流添加姿势控制添加ControlNetLoader加载 ControlNet 模型添加ControlNetApply应用控制网络添加LoadImage加载控制图如骨骼图将 ControlNetApply 连接到正向提示词后7. 插件管理与工作流分享7.1 必备插件安装ComfyUI 的强大功能依赖丰富的插件生态ComfyUI Manager插件管理器# 安装命令 cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git常用功能插件ComfyUI-Impact-Pack工具集插件ComfyUI-Advanced-ControlNet高级控制网络ComfyUI-Inspire-Pack提示词工具ComfyUI-Allor动画生成支持7.2 工作流导入导出导出工作流点击工作流画布右上角Save按钮保存为 .json 文件导入工作流拖拽 .json 文件到画布或点击Load按钮选择文件// 工作流文件示例结构 { last_node_id: 10, last_link_id: 15, nodes: [...], links: [...], groups: [], config: {}, extra: {}, version: 0.4 }7.3 工作流分享平台Civitai大量社区分享的工作流OpenArt艺术家工作流分享GitHub技术向工作流仓库8. 接口 API 与批量任务8.1 Web API 调用ComfyUI 原生支持 HTTP API适合集成到其他应用import requests import json def comfyui_api(prompt, output_dir./output): # 构建请求数据 workflow { prompt: prompt, client_id: your_client_id } # 提交生成任务 response requests.post( http://127.0.0.1:8188/prompt, jsonworkflow ) return response.json() # 使用示例 prompt_data { 3: { inputs: { seed: 12345, steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1, model: [4, 0], positive: [6, 0], negative: [7, 0], latent_image: [5, 0] }, class_type: KSampler } # ... 其他节点定义 } result comfyui_api(prompt_data)8.2 批量任务处理通过 API 实现批量图片生成import os import asyncio class ComfyUIBatchProcessor: def __init__(self, base_workflow): self.base_workflow base_workflow self.output_dir ./batch_output os.makedirs(self.output_dir, exist_okTrue) async def process_batch(self, prompts, batch_size4): 批量处理提示词列表 results [] for i in range(0, len(prompts), batch_size): batch prompts[i:ibatch_size] tasks [self.generate_single(prompt) for prompt in batch] batch_results await asyncio.gather(*tasks) results.extend(batch_results) # 避免频繁请求添加延迟 await asyncio.sleep(1) return results async def generate_single(self, prompt): 单次生成任务 workflow self.modify_prompt(self.base_workflow, prompt) # API 调用逻辑... return await self.submit_to_comfyui(workflow)8.3 WebSocket 实时通信对于需要实时进度反馈的场景import websockets import asyncio async def monitor_progress(): uri ws://127.0.0.1:8188/ws async with websockets.connect(uri) as websocket: while True: message await websocket.recv() data json.loads(message) if data[type] executing: node_id data[data][node] if node_id is None: print(生成完成!) break else: print(f正在执行节点: {node_id})9. 性能优化与资源管理9.1 显存优化策略模型卸载配置// extra_model_paths.yaml 配置 { base_path: ./models, checkpoints: ./models/checkpoints, configs: ./models/configs, loras: ./models/loras, vae: ./models/vae, controlnet: ./models/controlnet, upscale_models: ./models/upscale_models }命令行优化参数# 低显存模式4GB以下 python main.py --lowvram # 中等显存优化4-8GB python main.py --normalvram # CPU 卸载模式极低显存 python main.py --cpu9.2 工作流优化技巧节点复用相同模型加载使用同一个节点缓存利用启用模型缓存减少加载时间分辨率分级先小图生成再放大优化批量生成合理设置 batch_size 提升效率9.3 硬件监控方法Windows 任务管理器查看 GPU 使用情况nvidia-smi 命令Linux 下监控显存# 实时监控 GPU 状态 nvidia-smi -l 110. 常见问题排查指南10.1 启动问题端口冲突错误Address already in use 解决更换端口 --port 8189模型加载失败错误Model load error 解决检查模型文件路径确认文件完整性10.2 生成问题黑色或绿色图片检查 VAE 设置是否正确确认模型文件没有损坏验证分辨率设置是否合理显存不足错误CUDA out of memory 解决降低分辨率、启用 --lowvram、减少 batch_size10.3 插件问题节点缺失或报错通过 ComfyUI Manager 更新插件检查插件兼容性版本匹配查看控制台错误日志定位问题工作流加载失败确认所需插件已安装检查模型文件是否齐全验证节点版本兼容性11. 最佳实践与工作流设计11.1 工作流模块化设计将复杂工作流拆分为功能模块输入模块模型加载、提示词输入处理模块采样控制、条件调节输出模块图像保存、后期处理每个模块保持独立通过标准接口连接便于维护和复用。11.2 版本控制与备份# 工作流版本管理目录结构 workflows/ ├── v1.0-base/ │ ├── workflow.json │ └── readme.md ├── v1.1-controlnet/ │ ├── workflow.json │ └── config.yaml └── templates/ ├── txt2img.json └── img2img.json11.3 生产环境部署安全考虑API 服务限制访问 IP设置合理的超时时间日志记录和监控告警性能优化使用模型缓存加速加载配置合适的批处理大小定期清理临时文件12. 进阶技巧与创意应用12.1 动态工作流生成通过代码动态构建工作流实现参数化设计def build_dynamic_workflow(base_config, variations): 根据变体参数动态生成工作流 workflow copy.deepcopy(base_config) for variation in variations: node_id variation[node_id] param_name variation[parameter] value variation[value] # 动态修改节点参数 workflow[nodes][node_id][inputs][param_name] value return workflow12.2 工作流模板系统创建可配置的工作流模板快速适应不同需求# workflow_template.yaml template_name: character_design description: 角色设计工作流 parameters: - name: character_style type: string options: [anime, realistic, painting] - name: resolution type: tuple default: [512, 768] nodes: checkpoint_loader: class_type: CheckpointLoader inputs: ckpt_name: {{ model_for_style(character_style) }}12.3 与其他工具集成与 WebUI 共存使用相同模型目录避免重复下载与自动化工具结合通过 API 接入 n8n、Apache Airflow 等工作流引擎云部署方案Docker 容器化部署弹性扩缩容ComfyUI 工作流的真正价值在于其灵活性和可扩展性。掌握了基础搭建方法后可以逐步尝试更复杂的流程设计如多条件控制、迭代优化、批量生产等高级应用。建议从简单工作流开始逐步添加复杂度同时建立自己的节点库和模板体系这样才能在长期使用中真正提升效率。
ComfyUI节点式工作流：从基础搭建到API集成的AI图像生成实战
ComfyUI 作为 Stable Diffusion 的节点式工作流工具正成为 AI 图像生成领域的重要选择。与传统的 WebUI 相比ComfyUI 通过可视化节点编辑提供了更灵活的流程控制和更低的显存占用但学习曲线也相对陡峭。本文将通过实际工作流搭建带你快速掌握 ComfyUI 的核心操作逻辑。最值得关注的是 ComfyUI 的硬件友好性4GB 显存即可运行基础文生图6GB 显存能处理多数常用工作流8GB 以上显存可以流畅运行复杂流程。支持从 10 系到 50 系的全系列 NVIDIA 显卡AMD 显卡通过 DirectML 也能正常运行。无论是本地测试还是批量生产ComfyUI 都能提供稳定的性能表现。本文将重点演示ComfyUI 环境部署、基础文生图工作流搭建、图生图与局部重绘流程、常用插件安装、工作流导入导出、API 接口调用以及性能优化技巧。适合有一定 Stable Diffusion 基础希望提升工作流控制能力和生产效率的用户。1. 核心能力速览能力项说明显存需求基础工作流 4GB复杂工作流 6-8GB支持 CPU 回退启动方式一键启动脚本、命令行启动、Docker 部署主要功能文生图、图生图、局部重绘、ControlNet、LoRA 加载、批量处理工作流管理可视化节点编辑、工作流导入导出、自定义节点支持接口能力原生 API 支持、WebSocket 实时通信、批量任务队列适合场景本地 AI 图像生成、工作流实验、批量内容生产、API 集成2. 适用场景与使用边界ComfyUI 特别适合需要精细控制生成流程的用户。比如商业项目中需要保持角色一致性、控制特定画面元素、批量生成系列图片等场景。与 WebUI 的固定流程相比ComfyUI 可以自定义每个处理环节实现更精准的输出控制。但需要注意的是ComfyUI 不适合完全的新手用户。如果只是偶尔需要生成几张图片WebUI 的简单操作可能更合适。ComfyUI 的学习成本主要体现在节点连接逻辑和工作流理解上需要用户对 Stable Diffusion 的工作原理有基本了解。在版权和合规方面ComfyUI 本身是开源工具但使用时需要注意训练模型的权利归属、生成内容的商业使用授权、人物肖像的合法使用。特别是涉及真人面孔的生成和编辑必须确保有合法授权。3. 环境准备与前置条件3.1 硬件要求显卡NVIDIA GPU推荐 6GB 显存AMD GPU 需使用 DirectML 版本内存16GB RAM处理高分辨率图像时建议 32GB存储至少 10GB 可用空间模型文件较大3.2 软件环境操作系统Windows 10/11、Linux、 macOSPython3.8-3.10 版本3.11 以上可能兼容性问题CUDA11.8 或 12.x根据显卡驱动选择Git用于代码拉取和更新3.3 模型文件准备基础模型文件需要提前下载到指定目录Stable Diffusion 模型.safetensors 或 .ckptVAE 模型可选提升色彩效果常用 LoRA 模型按需下载ControlNet 模型如需使用控制网络4. 安装部署与启动方式4.1 一键安装包部署推荐新手秋叶大佬的整合包是最简单的入门方式下载 ComfyUI 秋叶整合包最新版本解压到英文路径避免中文目录双击启动器.exe或run.bat文件启动器界面配置模型路径和启动参数点击一键启动等待服务启动# 启动后控制台显示类似信息 # Running on local URL: http://127.0.0.1:8188 # 表示服务启动成功4.2 源码安装方式适合开发者# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境可选但推荐 python -m venv venv venv\Scripts\activate # Windows # source venv/bin/activate # Linux/Mac # 安装依赖 pip install -r requirements.txt # 启动服务 python main.py --port 81884.3 Docker 部署方式# 拉取官方镜像 docker pull comfyanonymous/comfyui # 运行容器映射端口和模型目录 docker run -p 8188:8188 -v /path/to/models:/models comfyanonymous/comfyui5. 基础工作流搭建实战5.1 第一个文生图工作流启动 ComfyUI 后默认是空白画布。我们从头搭建最基础的文生图流程右键画布 → Add Node → sampling → KSampler添加采样器Add Node → loaders → CheckpointLoader添加模型加载器Add Node → conditioning → CLIPTextEncode添加提示词编码器需要两个分别用于正向和负向提示词Add Node → latent → EmptyLatentImage添加空白潜空间图像Add Node → VAE → VAEDecode添加 VAE 解码器Add Node → SaveImage添加图像保存节点连接逻辑CheckpointLoader 连接 CLIP 和 VAECLIPTextEncode 连接 KSamplerEmptyLatentImage 连接 KSamplerKSampler 连接 VAEDecodeVAEDecode 连接 SaveImage5.2 关键参数设置// KSampler 典型配置 { steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1.0 } // EmptyLatentImage 配置 { width: 512, height: 512, batch_size: 1 }5.3 测试生成在正向提示词输入框输入masterpiece, best quality, 1girl, beautiful face 在负向提示词输入框输入low quality, worst quality, bad anatomy点击Queue Prompt开始生成首次运行会下载需要的模型文件后续生成速度会显著提升。6. 图生图与高级工作流6.1 图生图工作流改造在文生图基础上进行改造将 EmptyLatentImage 替换为LoadImage节点添加VAEEncode节点将图像编码为潜空间在 KSampler 中设置 denoise 参数0.5-0.8控制重绘强度连接方式LoadImage → VAEEncode → KSampler latent_image 输入6.2 局部重绘工作流实现局部重绘需要添加遮罩控制添加LoadImage节点加载原图添加LoadImageMask节点加载遮罩添加VAEEncode节点编码原图添加ImageCompositeMasked节点处理遮罩区域KSampler 的 denoise 设置为 0.75 左右6.3 ControlNet 集成为工作流添加姿势控制添加ControlNetLoader加载 ControlNet 模型添加ControlNetApply应用控制网络添加LoadImage加载控制图如骨骼图将 ControlNetApply 连接到正向提示词后7. 插件管理与工作流分享7.1 必备插件安装ComfyUI 的强大功能依赖丰富的插件生态ComfyUI Manager插件管理器# 安装命令 cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git常用功能插件ComfyUI-Impact-Pack工具集插件ComfyUI-Advanced-ControlNet高级控制网络ComfyUI-Inspire-Pack提示词工具ComfyUI-Allor动画生成支持7.2 工作流导入导出导出工作流点击工作流画布右上角Save按钮保存为 .json 文件导入工作流拖拽 .json 文件到画布或点击Load按钮选择文件// 工作流文件示例结构 { last_node_id: 10, last_link_id: 15, nodes: [...], links: [...], groups: [], config: {}, extra: {}, version: 0.4 }7.3 工作流分享平台Civitai大量社区分享的工作流OpenArt艺术家工作流分享GitHub技术向工作流仓库8. 接口 API 与批量任务8.1 Web API 调用ComfyUI 原生支持 HTTP API适合集成到其他应用import requests import json def comfyui_api(prompt, output_dir./output): # 构建请求数据 workflow { prompt: prompt, client_id: your_client_id } # 提交生成任务 response requests.post( http://127.0.0.1:8188/prompt, jsonworkflow ) return response.json() # 使用示例 prompt_data { 3: { inputs: { seed: 12345, steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1, model: [4, 0], positive: [6, 0], negative: [7, 0], latent_image: [5, 0] }, class_type: KSampler } # ... 其他节点定义 } result comfyui_api(prompt_data)8.2 批量任务处理通过 API 实现批量图片生成import os import asyncio class ComfyUIBatchProcessor: def __init__(self, base_workflow): self.base_workflow base_workflow self.output_dir ./batch_output os.makedirs(self.output_dir, exist_okTrue) async def process_batch(self, prompts, batch_size4): 批量处理提示词列表 results [] for i in range(0, len(prompts), batch_size): batch prompts[i:ibatch_size] tasks [self.generate_single(prompt) for prompt in batch] batch_results await asyncio.gather(*tasks) results.extend(batch_results) # 避免频繁请求添加延迟 await asyncio.sleep(1) return results async def generate_single(self, prompt): 单次生成任务 workflow self.modify_prompt(self.base_workflow, prompt) # API 调用逻辑... return await self.submit_to_comfyui(workflow)8.3 WebSocket 实时通信对于需要实时进度反馈的场景import websockets import asyncio async def monitor_progress(): uri ws://127.0.0.1:8188/ws async with websockets.connect(uri) as websocket: while True: message await websocket.recv() data json.loads(message) if data[type] executing: node_id data[data][node] if node_id is None: print(生成完成!) break else: print(f正在执行节点: {node_id})9. 性能优化与资源管理9.1 显存优化策略模型卸载配置// extra_model_paths.yaml 配置 { base_path: ./models, checkpoints: ./models/checkpoints, configs: ./models/configs, loras: ./models/loras, vae: ./models/vae, controlnet: ./models/controlnet, upscale_models: ./models/upscale_models }命令行优化参数# 低显存模式4GB以下 python main.py --lowvram # 中等显存优化4-8GB python main.py --normalvram # CPU 卸载模式极低显存 python main.py --cpu9.2 工作流优化技巧节点复用相同模型加载使用同一个节点缓存利用启用模型缓存减少加载时间分辨率分级先小图生成再放大优化批量生成合理设置 batch_size 提升效率9.3 硬件监控方法Windows 任务管理器查看 GPU 使用情况nvidia-smi 命令Linux 下监控显存# 实时监控 GPU 状态 nvidia-smi -l 110. 常见问题排查指南10.1 启动问题端口冲突错误Address already in use 解决更换端口 --port 8189模型加载失败错误Model load error 解决检查模型文件路径确认文件完整性10.2 生成问题黑色或绿色图片检查 VAE 设置是否正确确认模型文件没有损坏验证分辨率设置是否合理显存不足错误CUDA out of memory 解决降低分辨率、启用 --lowvram、减少 batch_size10.3 插件问题节点缺失或报错通过 ComfyUI Manager 更新插件检查插件兼容性版本匹配查看控制台错误日志定位问题工作流加载失败确认所需插件已安装检查模型文件是否齐全验证节点版本兼容性11. 最佳实践与工作流设计11.1 工作流模块化设计将复杂工作流拆分为功能模块输入模块模型加载、提示词输入处理模块采样控制、条件调节输出模块图像保存、后期处理每个模块保持独立通过标准接口连接便于维护和复用。11.2 版本控制与备份# 工作流版本管理目录结构 workflows/ ├── v1.0-base/ │ ├── workflow.json │ └── readme.md ├── v1.1-controlnet/ │ ├── workflow.json │ └── config.yaml └── templates/ ├── txt2img.json └── img2img.json11.3 生产环境部署安全考虑API 服务限制访问 IP设置合理的超时时间日志记录和监控告警性能优化使用模型缓存加速加载配置合适的批处理大小定期清理临时文件12. 进阶技巧与创意应用12.1 动态工作流生成通过代码动态构建工作流实现参数化设计def build_dynamic_workflow(base_config, variations): 根据变体参数动态生成工作流 workflow copy.deepcopy(base_config) for variation in variations: node_id variation[node_id] param_name variation[parameter] value variation[value] # 动态修改节点参数 workflow[nodes][node_id][inputs][param_name] value return workflow12.2 工作流模板系统创建可配置的工作流模板快速适应不同需求# workflow_template.yaml template_name: character_design description: 角色设计工作流 parameters: - name: character_style type: string options: [anime, realistic, painting] - name: resolution type: tuple default: [512, 768] nodes: checkpoint_loader: class_type: CheckpointLoader inputs: ckpt_name: {{ model_for_style(character_style) }}12.3 与其他工具集成与 WebUI 共存使用相同模型目录避免重复下载与自动化工具结合通过 API 接入 n8n、Apache Airflow 等工作流引擎云部署方案Docker 容器化部署弹性扩缩容ComfyUI 工作流的真正价值在于其灵活性和可扩展性。掌握了基础搭建方法后可以逐步尝试更复杂的流程设计如多条件控制、迭代优化、批量生产等高级应用。建议从简单工作流开始逐步添加复杂度同时建立自己的节点库和模板体系这样才能在长期使用中真正提升效率。
