畫布基礎
CodefyUI 側邊欄、畫布、型別安全連線、註記、節點卡片、工具列、設定面板、結果面板與通知的概覽。
你的第一個圖
建構並執行一個最小的管線，並了解為什麼每個圖都需要一個 Start 節點來驅動執行。
執行圖
執行如何運作 — WebSocket 串流、結果面板、即時 loss 圖表，以及部分重新執行。
執行佇列
依裝置排隊並在背景執行圖形 — 通道、FIFO 順序、並行上限、取消排隊中的 run，以及 cdui run 指令。
實驗研究（Studies）
在 Studies 面板追蹤持久化的 study、閱讀含平手標示的排名，並設定由伺服器強制執行的預算，讓 study 在超出額度前暫停。
多 GPU 執行
在多 GPU 的機器上使用 CodefyUI——何時排入佇列而不是按 Run、在同一台機器上啟動 worker agent、選擇裝置或裝置集合、用多張卡訓練同一個模型、slot 與上限、Workers 面板、畫布的行為、峰值記憶體，以及目前的限制。
遠端 Worker
在另一台機器上執行圖——從 Workers 面板把 GPU 伺服器加入為 worker agent，透過直連、TLS proxy 或 SSH 連到控制面，共用或傳送檔案，保持版本與節點同步，信任，以及 agent 的 systemd 範例。
儲存與載入模型
ModelSaver 寫出什麼、ModelLoader 又願意讀回什麼 —— state_dict 與 full_model 的差別，以及為什麼載入模型檔是一個信任決定。
資料與資料增強
用節點組出前處理流程、對訓練資料做增強、載入自己的影像，並把指標送到 TensorBoard。
重現標準結果
研究等級的完整說明 — 使用 GUI 節點、固定 seed 與執行佇列，從頭到尾重現標準 ResNet-18 / CIFAR-10 結果。
建立自己的評估流程
用 eval 外掛在自己的資料上評估 Hugging Face 模型：含 id 與雜湊的評估集、鎖定版本的模型、預測表、指標，以及依項目對齊的 A/B 比較。
教學檢視器
記錄每個節點的輸出、檢視 input→output tensor 差異、比較子圖段落、擷取梯度，並檢視步驟追蹤。
分頁與持久化
多分頁工作區、瀏覽器自動儲存、把 graph 匯入／匯出為 JSON，以及把所有開啟的分頁帶到另一個瀏覽器。
快捷鍵
CodefyUI 編輯器的鍵盤與滑鼠快捷鍵。
CLI 圖形執行器
使用 run_graph.py 直接從命令列執行已儲存的 graph.json — 不需要伺服器。
把 graph 當成函式呼叫
透過 HTTP 以具名函式呼叫任何已儲存的 graph，不需操作圖形介面 — 傳入宣告的輸入，取得宣告的輸出。
發佈（把 graph 變成應用程式）
把已儲存的 graph 固定為有版本的應用程式，透過穩定且受 API key 保護的 invoke 端點提供服務，並把每次執行記錄到 SQLite。
放在反向代理後面
給 CodefyUI 一個自己的網域名稱、只綁定回送位址，再用 nginx 在前面處理 TLS 與單一登入 -- 附上實際測試過的 systemd 單元與 nginx 設定。
共用的伺服器
一台 CodefyUI 伺服器會讓所有連得上的人共用什麼 -- 環境層級的憑證、帳單算在誰頭上，以及每張圖各自存了什麼。
版本控管你的 graphs
把圖表 JSON 放進自己的 git 服務儲存庫，用 run_graph.py 在 CI 驗證每一張圖，再從有版本紀錄的來源發佈。
版本控制
在編輯器的「版本控制」分頁裡提交、開分支、儲藏、推送與檢視變更，差異檢視還會直接說出圖表改了什麼。
專案目錄
用 cdui project 把服務變成獨立完整的 git 儲存庫：logic/layout 分離、專案內 assets 與機密、可上 CI 的驗證，以及發佈時記錄 git 溯源。
範例專案
官方提供、可以直接 clone 的範例服務 -- 每一個都是獨立完整的 CodefyUI 專案儲存庫，可以執行、發佈與 fork。
節點參考
所有內建節點 — 158 個節點涵蓋 16 大類別，從 CNN 與 Transformer 層到 RL、LLM、Diffusion 與傳統機器學習。
選用套件包
安裝特定 LLM 節點與 GPU 後端所需的選用 Python 套件和模型檔。
外掛中心
直接在編輯器裡安裝教學節點套件包與 GitHub 上的外掛，並在裝進去之前看清楚每個外掛要求什麼。
範例集
預建的範例工作流程 — 模型架構、端到端訓練，以及可載入並執行的 LLM 範例。