ComfyUI新手入门：从零搭建Stable Diffusion节点式工作流

在实际使用 Stable Diffusion 系列模型时，很多人一开始接触的是 WebUI 这类图形界面。界面非常友好，但遇到复杂需求，比如给人物换背景、固定角色特征、批量出图、高清放大后再修细节，就会发现在 WebUI 里来回切换选项卡、反复调整参数非常繁琐。ComfyUI 之所以被越来越多人拿来当主力工具，是因为它把 AI 绘画的每一步都变成了可视化节点：加载模型、写提示词、采样、解码、保存图片，全部以节点和连线的方式呈现在画布上。所谓工作流搭建，就是把这一整套流程从无到有地组织起来，并让它能够被保存、复现和分享。

这篇教程面向完全没有接触过 ComfyUI 的新手，默认读者会安装软件、能看懂英文节点名称，但不要求有 Stable Diffusion 理论基础。文章按一条完整主线推进：先解释 ComfyUI 的核心机制，再完成本地部署，然后从零手搭一个文生图工作流，接着说明采样步数、CFG、种子等参数的含义，再扩展到图生图、LoRA 和高清放大，最后给出常见报错的排查链路和插件使用方法。学完之后，你可以自己搭建工作流、看懂别人分享的工作流，出现报错时也知道从哪里查起。

注意：本文讨论的 ComfyUI 工作流，指的是面向 Stable Diffusion 系列模型的节点式工作流。搜索时经常看到的 Dify 工作流、智能体图形化工作流，属于应用编排类工具，目标和运行方式完全不同，不要混为一谈。

1. ComfyUI 是什么：核心机制与适用场景

1.1 节点式工作流的本质

ComfyUI 是一个基于节点的 Stable Diffusion 图形化界面。与 WebUI 那种"填写表单、点击生成"的交互不同，ComfyUI 把整个出图过程拆成很多个独立节点，例如加载模型、文本编码、采样、解码、保存图片。每个节点有输入和输出，用户把节点串联起来，数据沿着连线从一个节点流向另一个节点，最终得到图片。

用一句通俗的话说：WebUI 是把流程写死在一个界面里，用户只能改参数；ComfyUI 把流程本身交还给了用户，用户可以自己决定先做什么、后做什么、把哪个结果送给哪个节点。这种设计带来的直接好处是可重复、可分享。搭建好一个工作流之后，保存成文件，别人加载后就能复现同样的流程。需要修改时，也不需要从头设置，只需要替换模型节点、修改提示词或者插入一个新节点。

1.2 与 WebUI 的差异和选型建议

ComfyUI 和 WebUI 是当前中文社区里最常见的两套绘图像界面，经常被放在一起对比：

如果是第一次接触 AI 绘画，先玩 WebUI 没有问题；一旦需要组合多个功能、批量出图、复现别人的效果，ComfyUI 的优势就会明显起来。这篇教程的定位就是让新手跳过"只会点按钮"的阶段，直接把工作流搭建的思路学会。

1.3 ComfyUI 的核心概念速览

开始部署之前，先记住四个词，后面都会反复用到：

• 节点（Node）：完成一件具体事情的单元，比如加载模型、编码文本、采样。
• 连线（Link）：节点之间传递数据的通道，连接时必须类型匹配。
• 工作流（Workflow）：一组节点和连线的整体，保存为 JSON 或嵌入 PNG 文件。
• 执行与预览：在画布上点击执行后，ComfyUI 会按照节点依赖关系逐级运行，每一步的中间结果都可以预览。

这一节不需要立刻全部理解，关键是建立印象：ComfyUI 里的每一张图，都是由一条数据链路生成出来的。后面所有操作，都是围绕这条链路展开。

2. 本地部署：手动安装与整合包安装

2.1 部署前先确认硬件和系统环境

ComfyUI 是本地运行的程序，出图依赖 Stable Diffusion 模型，对硬件有一定要求。新手部署前先确认环境，避免装完跑不起来。

基础建议：

• 操作系统：Windows 10/11 用户最多，macOS 和 Linux 也可以运行，但配置方法略有差异。
• 显卡：NVIDIA 显卡体验最好，需要安装匹配的显卡驱动；A 卡和核显也能跑，但需要额外配置和加速插件。
• 显存：8GB 以上显存可以比较舒服地出图；6GB 能跑但步数、分辨率、放大流程需要克制；没有独立显卡只能靠 CPU，出图速度会很慢。
• 内存：建议 16GB 以上。显存不够时会有一部分数据落到内存，内存太小会直接报错。
• 硬盘：模型文件通常有几个 GB 到十几个 GB，建议预留 50GB 以上空间，尽量安装在 SSD。

Linux 用户（比如 Ubuntu）在安装时会遇到依赖冲突、缺少 CUDA 运行库等情况，处理思路和其他 Python 项目一致：使用虚拟环境、确认 PyTorch 版本与 CUDA 版本匹配、按日志逐个解决依赖。

2.2 手动安装 ComfyUI 的完整步骤

ComfyUI 本质上是一个 Python 项目，安装步骤就是：下载源码、创建虚拟环境、安装依赖、启动。以 Windows 为例，核心命令如下：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv venv\Scripts\activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

说明几点：

• 这里的 PyTorch 安装命令指定了 CUDA 12.1 版本，具体要看你显卡驱动的 CUDA 版本。驱动版本高于 12.1 通常可以兼容，驱动较低时要选择匹配的 cu118 或更早版本。
• 如果网络下载慢，可以把 pip 源切到国内镜像：pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple。
• git 和 Python 都是前置依赖。Python 版本建议使用 3.10 或 3.11，太新的 Python 可能遇到个别依赖没有对应轮子的问题。

安装完成后，启动命令是：

venv\Scripts\activate python main.py

看到类似Starting server、To see the GUI go to: http://127.0.0.1:8188的输出，说明服务启动成功。浏览器打开http://127.0.0.1:8188就能进入 ComfyUI 画布界面。

macOS 或 Linux 上，激活虚拟环境的命令会变成source venv/bin/activate，其他步骤类似。Linux 上如果使用 NVIDIA 显卡，还要额外确认驱动和 CUDA 工具链是否正常，可以用nvidia-smi检查。

2.3 用整合包快速起步

手动安装适合想了解底层结构的用户。如果只是想快速把 ComfyUI 用起来，中文社区广泛使用的"秋叶一键整合包"是更省事的方案。这类整合包把 Python、PyTorch、ComfyUI 主体、常用模型目录和启动器都打包好了，解压后点启动器即可运行。

以这类整合包为例，使用流程通常是：

1. 下载整合包压缩包，解压到硬盘。
2. 打开启动器，选择需要启动的程序（ComfyUI 或 WebUI）。
3. 启动器会自动检查环境、选择显卡设备、启动服务。
4. 浏览器打开http://127.0.0.1:8188进入界面。

使用整合包时有几个注意点：

• 不要重复安装 Python 环境。整合包内置的 Python 和依赖已经配对，自己额外装版本容易导致环境混乱。
• 整合包更新方式通常是整体覆盖或使用启动器自带的更新入口，不建议手动改内部文件。
• 如果下载的是旧版本整合包，里面的 ComfyUI 核心版本可能偏旧，使用新版工作流文件时可能提示缺少节点或节点版本升级，这是正常现象，优先更新整合包或用官方源手动更新。

注意：无论手动安装还是整合包，ComfyUI 版本、PyTorch 版本、显卡驱动版本三者必须匹配。很多人遇到的"节点执行错误"其实不是节点代码问题，而是底层环境版本不匹配。

2.4 模型文件放哪里

图片能不能生成，最终取决于 Stable Diffusion 模型文件是否放在正确目录。ComfyUI 的目录结构如下：

ComfyUI/ ├─ models/ │ ├─ checkpoints/ # 主模型，例如 SD1.5、SDXL 系列 │ ├─ loras/ # LoRA 模型 │ ├─ vae/ # VAE 模型 │ ├─ controlnet/ # ControlNet 模型 │ └─ upscale_models # 放大模型 ├─ custom_nodes/ # 插件目录 ├─ output/ # 出图输出目录 └─ input/ # 图生图等场景的输入目录

常见模型目录和用途如下：

模型下载后要注意：把主模型放进 checkpoints，LoRA 放进 loras，不要放错目录，否则节点里找不到模型。下载时优先选择.safetensors格式，不要使用.ckpt这类旧格式，安全性和加载速度都差一些。

3. 从零搭建一个文生图工作流

3.1 工作流文件的保存方式

ComfyUI 的工作流有两种保存方式：单独保存为 JSON 文件，或者在生成图片时把工作流信息嵌入 PNG。从 PNG 加载回 ComfyUI 的入口在界面右侧，把图片拖到画布上也能恢复工作流。

这个特性对新手特别有用：网上分享的图片，只要拖进 ComfyUI 就能看到对方的流程；如果只想看成品图，使用不带工作流的普通图片查看器即可。看懂一张分享图的完整链路，往往比看十篇文字教程更有效。

3.2 在画布上添加第一个节点

打开 ComfyUI 界面后，通常会看到一个默认的示例工作流。建议先清空画布，从零添加节点，这样能理解每个节点从哪里来。

右键空白处弹出菜单，可以搜索节点。搭建一个最小文生图工作流，需要以下节点：

初学者最容易忽略的一点是：节点名只在搜索时使用，画布上真正决定数据流向的是节点的输入输出接口。例如Load Checkpoint会输出MODEL、CLIP、VAE三个接口，分别代表模型、文本编码器和 VAE，三条数据流要各接各的，接错位置会直接报错。

3.3 最小文生图链路详解

一个标准的最小文生图链路如下：

Load Checkpoint ├─ MODEL -> KSampler.model ├─ CLIP -> CLIP Text Encode.clip（正向） ├─ CLIP -> CLIP Text Encode.clip（负向） └─ VAE -> VAE Decode.vae CLIP Text Encode（正向） -> KSampler.positive CLIP Text Encode（负向） -> KSampler.negative Empty Latent Image -> KSampler.latent_image KSampler -> VAE Decode.samples VAE Decode -> Save Image.images

逐段理解：

• Load Checkpoint：加载主模型，输出三个关键通道。MODEL 负责采样计算，CLIP 负责把文字变成向量，VAE 负责把潜空间数据解码成图片。
• CLIP Text Encode：把提示词转换成模型理解的向量。正向提示词描述想要的内容，负向提示词描述不想要的内容。
• Empty Latent Image：定义生成图片的宽、高和 batch 数量。生成是先生成潜空间数据，再解码为图片，所以先有这个节点。
• KSampler：整个链路的核心。采样步数、CFG、采样器和种子这些影响出图质量的关键参数都在这个节点上。
• VAE Decode：把采样得到的潜空间数组翻译成像素图片。
• Save Image：保存图片到output目录，并在界面显示预览。

搭建完成后，正向提示词先随便写一个测试内容，比如：

a beautiful girl, detailed face, soft lighting, masterpiece

负向提示词可以先用固定模板：

lowres, bad anatomy, bad hands, extra fingers, blurry

点击执行按钮后，如果一切正常，会在几秒到几十秒内看到生成结果。第一次跑通这个最小链路，比记忆任何参数都重要。

3.4 常见坑：连线类型不匹配与节点缺失

新手搭建工作流最常见的两个报错：

第一，连线类型不匹配。每个节点的接口都有类型标识，例如MODEL、CLIP、LATENT。不能把CLIP接到需要MODEL的输入上。连接时留意接口颜色和类型名称，颜色不同通常意味着不能连接。

第二，加载别人分享的工作流后提示缺少节点。原因可能是对方用了自定义插件，而你没有安装对应插件，界面上缺失节点会显示为"节点类型不存在"等字样。解决方式是安装对应插件后再加载；如果只是少了不太重要的节点，也可以在保持链路完整的前提下手动替换成内置节点，但风险是参数丢失。

4. 采样参数详解：steps、sampler、CFG、seed

4.1 采样器和调度器是什么

采样器决定模型每一步如何从噪声中恢复图像。KSampler 节点里包含sampler_name和scheduler两个下拉选项。

• sampler_name表示采样算法，例如 Euler、DPM++ 2M、UniPC 等。不同采样器在细节、速度和稳定性上表现不同。
• scheduler表示调度方式，例如 normal、karras、exponential。调度器影响每一步的步长分配策略。

新手不需要把所有采样器都试一遍。以 SD1.5 为例，比较稳妥的入门选择是DPM++ 2M搭配karras，出图质量和速度比较均衡。SDXL 场景中Euler或DPM++ 2M同样常见。

调整采样器时留意：同一个种子、同一个模型，选择不同采样器得到的结果会明显不同，这不是 bug，而是算法的默认行为。

4.2 采样步数与 CFG 的含义

采样步数（steps）：表示从纯噪声到最终图像之间迭代的次数。步数越少，采样越粗糙；步数越多，细节越充分，但也不是越多越好。步数过高时，图像基本收敛，继续增加只会增加耗时，还可能引入噪点。

CFG（Classifier-Free Guidance）：提示词对结果的引导强度。CFG 数值越大，图像越贴合提示词，但过高会导致色彩过饱和、边缘发硬、画面过锐；CFG 数值过小，图像会偏离提示词，画面显得松散。

常见取值范围如下：

新手建议先固定一个组合：steps=25、CFG=7、分辨率按模型能力设置。先跑通一组图，再单独调整一个变量，观察变化。一次只改一个变量，是调参的基本方法。

4.3 种子值的作用

种子（seed）是采样的随机初始化值。同一个模型、同一个提示词、同样的参数和 seed，生成结果可以基本复现。seed 的作用有两个：

• 固定 seed，方便做对照实验。想验证 CFG 或 steps 的影响时，保持 seed 不变，才能看出是参数导致的差异。
• 随机 seed，用于不断尝试新画面。想生成完全不同的构图，就把 seed 改成随机。

KSampler 节点里的control_after_generate选项，可以选择固定、随机或递增。新手容易忽略这个选项：如果你发现连续几次生成结果一模一样，很可能是因为 seed 被固定了；如果想每次都不一样，需要把它设为随机。

4.4 参数与模型的关系

不同底座模型对参数的敏感度不同。SD1.5 模型用 CFG=7 比较常见，而 SDXL 模型常常把 CFG 设置在 5 到 7 左右，步数也可以降低到 25 以内。新下载的模型，作者一般在模型页面给出推荐参数，优先按推荐参数测试，再根据自己的画面需求微调。

记不住参数没有关系，关键是理解三个原则：

1. 步数和分辨率影响显存与耗时。
2. CFG 影响提示词与画面的贴合程度。
3. seed 影响复现和对照实验。

5. 进阶工作流：图生图、LoRA 与高清放大

5.1 图生图工作流

图生图的意思是把一张已有图片作为输入，在保持整体构图的前提下重新生成。

核心做法是在文生图链路上增加一个Load Image节点，并在采样前加入VAE Encode：

Load Image -> VAE Encode -> KSampler.latent_image Load Checkpoint.VAE -> VAE Encode.vae

关键参数是denoise。它表示重绘强度，取值范围 0 到 1：

• denoise 接近 0：几乎保留原图，只做细微润色。
• denoise 接近 1：基本抛弃原图内容，只参考构图，相当于重新生成。
• 常见用法：固定场景重绘用 0.4 到 0.6，风格转换用 0.6 到 0.8。

需要注意，图生图的输入图片尺寸和 Empty Latent Image 的尺寸最好一致，否则会出现拉伸、裁切或构图错乱的问题。

5.2 添加 LoRA 模型

LoRA 是一种轻量微调模型，用来给基础模型附加特定风格或角色特征。使用 LoRA 的通常做法：

1. 在链路上加载Load LoRA节点。
2. 把Load Checkpoint的MODEL输出接到Load LoRA的model输入。
3. 把Load Checkpoint的CLIP输出接到Load LoRA的clip输入。
4. Load LoRA再输出MODEL和CLIP，接到后续的 KSampler 和文本编码节点。

LoRA 节点里有strength_model和strength_clip两个权重参数，通常都设成 0.7 到 1.0。权重太高会导致脸部崩坏或风格过度，太低则效果不明显。不同 LoRA 的最优权重差别很大，下载页有说明就按说明来，没有说明从 0.8 开始测试。

一个容易犯的错误是：加载了 LoRA，却在提示词里完全不写对应触发词。部分 LoRA 需要特定的触发词才会激活效果，需要查看模型页面说明。

5.3 高清放大工作流

基础分辨率生成的图往往细节不足，需要放大。ComfyUI 常见的高清放大思路是：先按小分辨率生成，再用放大模型放大，最后对放大的图做一次低强度重绘。

一个朴素的实现方式：

1. 文生图链路生成一张 512x512 或 768x768 的图。
2. 使用Upscale Image节点把图片放大到目标尺寸。
3. 把放大后的图通过VAE Encode重新编码进潜空间。
4. 再经过一次 KSampler，denoise 设为 0.4 到 0.5，补充细节，同时避免构图漂移。

这种"先小图生成、再放大重绘"的方式能有效减少显存压力。生产环境中还可以使用专门的放大模型和脚本，但这套流程是理解高清放大的基础。

5.4 使用和复用别人分享的工作流

学习阶段最有效的方法是找一份公开工作流，加载后逐节点拆解。加载别人工作流时建议：

1. 先备份自己的默认工作流文件。
2. 把工作流文件拖入浏览器窗口，确认提示缺少哪些节点。
3. 逐个补齐缺少的模型文件、插件和 LoRA。
4. 对照每个节点理解输入输出，试着修改提示词、种子和参数，观察变化。

看到报错不要急着删除节点，可以先保存一份"原始未修改版"，再开始裁剪。这样既能随时回到正确版本，也不会把对方流程中隐藏的重要设置弄丢。

6. 常见报错与排查链路

6.1 "节点在执行过程中发生错误"怎么查

这是新手最常见的错误提示。界面会弹出红字，并附有一段 error report。错误本身并不复杂，关键是不要只看"发生错误"四个字，而要往下看具体异常类型和节点名称。

处理顺序：

1. 看 error report 顶部，找到出错节点名称，确认是哪一个节点。
2. 看异常类型，例如CUDA out of memory、FileNotFoundError、AttributeError。
3. 打开控制台日志，找到第一条红字报错，而不是最后一行。
4. 根据异常类型走对应排查路径。

常见错误对照表：

6.2 显存不足与虚拟内存

显存不足的表现通常是运行到一半报CUDA out of memory，或者界面卡顿、直接闪退。处理方向：

1. 降低分辨率，例如从 1024x1024 降到 768x768。
2. 减少 batch size，一次只生成一张。
3. 关闭浏览器其他标签页和后台占用显存的程序。
4. 更新显卡驱动和 PyTorch 版本，新版本的显存管理通常更好。

如果显存很小，还可以调整虚拟内存大小。Windows 上可以通过"系统属性-高级-性能设置-高级-虚拟内存"提高页面文件容量。这里要正确理解虚拟内存的作用：它不能替代显存，只是让显存不足时不至于立即崩溃，速度会明显下降，属于兜底方案。

6.3 模型加载失败和节点不显示

模型加载失败常见原因：

• 模型文件没有放到models/checkpoints目录。
• 模型文件后缀名不被识别，例如.gguf、.pt等特殊格式需要对应插件。
• 文件名包含特殊字符导致解析异常，建议改成简单英文名。

节点不显示通常是插件问题。安装插件后，需要重启 ComfyUI 才能生效。如果重启后仍然看不到，检查插件目录是否在custom_nodes下，以及插件依赖是否完整安装。插件安装失败的常见表现是启动日志里出现该插件路径下的红色报错。

6.4 日志关键字与排查顺序

ComfyUI 的控制台会输出大量日志。排查时不要无脑翻日志，按优先级顺序检查：

1. 输入检查：提示词是否为空、图片路径是否存在、模型是否在目录里。
2. 路径与命名：安装路径是否为纯英文，模型文件名是否有空格或中文。
3. 依赖版本：PyTorch、ComfyUI 版本是否与节点要求匹配；插件与 ComfyUI 主版本是否兼容。
4. 配置生效：模型首次启动后需要重新加载，修改配置后必须重启。
5. 资源限制：显存、内存、虚拟内存是否够用。
6. 日志异常：找到第一条异常栈，查看是哪个模块抛出的。
7. 版本限制：有些模型或插件依赖特定 ComfyUI 版本，需要升级主程序或回退版本。

注意：不要只在图形界面上看报错。大部分有效线索在命令行终端里。启动 ComfyUI 的窗口不要最小化到看不到，报错发生时先到终端里复制完整堆栈。

7. 插件生态与下一步学习方向

7.1 常用插件类型与安装方式

ComfyUI 的插件扩展了节点能力。目前社区里常见插件按用途分为几类：

安装插件最省事的方式是安装管理器插件，然后在管理器里搜索、安装、更新节点。手动安装的方式是把插件仓库放到custom_nodes目录，然后在 ComfyUI 根目录执行：

pip install -r custom_nodes/插件目录/requirements.txt

安装完成后重启 ComfyUI，在节点搜索框里输入插件提供的节点名，确认是否生效。

7.2 插件冲突的预防

插件装多了会带来几个麻烦：

• 插件依赖的库版本互相冲突，启动时某个插件报错。
• 插件更新后与旧工作流不兼容，提示节点类型改变。
• 插件占用资源过高，拖慢出图速度。

预防措施：

1. 只装实际需要的插件，不提前囤一堆。
2. 记录每个插件的安装时间和版本，出问题时方便回退。
3. 插件更新前先看更新说明，确认兼容性。
4. 重要工作流导出前，附带记录所用插件列表。

新手阶段可以把插件控制在两三个以内，先熟练使用核心节点的连接逻辑，再逐步引入扩展。插件不是越多越好，工作流能否稳定复现，比界面看起来是否"满屏节点"更重要。

7.3 学习环境与稳定生产的区别

学习环境可以随意尝试，但打算把 ComfyUI 用于日常稳定出图或团队协作时，处理方式要有明显区别：

• 学习环境：模型随便下载、插件随意安装、工作流随时改，出现问题直接重装环境。
• 生产环境：固定 ComfyUI 和 PyTorch 版本，记录每个模型和插件的版本清单，重要工作流做备份，出图输出按日期和用途归档。
• 每次复现成功时，把 ComfyUI 版本、PyTorch 版本、模型文件名、插件列表和关键参数一起记录下来。AI 绘画相关组件更新非常快，今天能跑的工作流，三个月后可能因为插件升级而失效。

对新手来说，最好的练习不是照抄一份完整工作流，而是从最小文生图链路开始，手动添加一个节点、理解一个接口的作用，再逐步增加 LoRA、放大、ControlNet。把每个节点的输入输出都弄明白，再复杂的开源工作流在你眼里也会变成一条清晰的数据管道。

下一步可以朝这些方向继续深入：ControlNet 姿态和线稿控制、批量出图与队列自动化、视频生成流程、以及把常用流程整理成团队模板。工作流搭建不是把节点堆出来就行，真正有价值的是知道每个节点为什么存在、每条连线为什么这样接，以及出问题时从哪里下手。