發佈日期：2026-04-23

莊子賢

理工學院

資訊工程學系

一、 技術實踐與工具掌握

在這次實習中，我深入探索了開源影音生成模型的領域，並實際操作了 ComfyUI 視覺化工作流 。

• 模型理解：我不僅僅是使用模型，更透過調整文字 Embedding、影音 Encoder 與 Decoder 等節點，深入了解影音生成的底層逻辑 。

• 量化技術：面對本地端硬體（RTX 4060 8GB）的限制，我學會了如何應用 GGUF 等量化技術來壓縮模型與 VAE，並在有限的內存下精確分配 CPU 與 GPU 的運算資源 。

• 跨平台開發：我掌握了將自動化程式從 Google Apps Script、Python 整合至雲端算力平台 RunPod 的完整流程 。

二、 雲端算力與環境部署的體悟

從本地端轉移到雲端算力的過程中，我深刻體會到「環境一致性」的重要性。

• 部署挑戰：即使在本地測試成功的 Workflow，部署到雲端時仍會因 CUDA、Library 版本差異或缺少 FFmpeg 等工具而產生大量 Bug 

• 文件化管理：這段經歷讓我明白，在進行機器轉移前，必須詳盡準備 Requirements、API 文件與 Error Report，以避免在重複的問題上浪費時間 。

三、 解決問題的思維轉化

實習中後期面臨的「黑箱節點」報錯與漫長的測試等待時間，是我成長最快的部分。

• 黑箱邏輯的拆解：當封裝好的 Node 報錯時，我學會直接翻閱底層 nodes.py 加入 Log 來追蹤問題，而非盲目嘗試 

• 開發效率的省思：面對 4090 顯卡仍需長達一小時的生成時間，我開始思考如何優化開發流程，例如將多個 Bug 修復後進行批次測試，而非零散地送出 Request，以克服類似「遠端維修機器人」的高昂溝通成本 

• 模組化與封裝：看到黑箱節點帶來的維護困境後，我反思未來在撰寫程式時，若要進行封裝，務必附上詳細說明與錯誤處理機制，否則「方便」反而會成為日後維修的障礙 。

   

四、 總結

這實習讓我從單純的 AI 工具使用者，轉變為能夠處理自動化 Workflow 整合與雲端部署的工程師 。雖然過程中充滿了版本不合與無底洞般的報錯，但在解決問題的過程中，我對於各個 AI 模組的串接邏輯已具備深厚信心，這是我在課堂之外獲得最寶貴的實務經驗 。