零基础入门ComfyUI：从节点到工作流，掌握AI出图全流程

很多零基础同学第一次打开 ComfyUI 时，面对满屏的节点和连线，第一反应往往是“我是不是打开了一个编程工具”。这个第一印象并不算错——ComfyUI 本质上就是一个面向 AI 图像生成的可视化编程工具，只不过它不写代码，而是通过拖拽节点、连接线路、调整参数来搭建一套完整的出图流水线。

如果你之前用过 Stable Diffusion WebUI，刚转到 ComfyUI 时可能会有点不适应。文章会围绕 ComfyUI 的使用场景、整合包与手动部署的取舍、节点概念拆解、第一套文生图工作流搭建、图生图与局部重绘进阶思路、常见报错排查，以及工程化的使用习惯展开。零基础的同学可以按顺序读，已经有 WebUI 基础的同学可以直接跳到核心概念和实战部分。

1. ComfyUI 是什么？先理解“工作流”

1.1 从一次出图流程说起

在讲 ComfyUI 之前，不妨先回想一下：用 Stable Diffusion 生成一张图，背后到底发生了什么？

通常要经过这几步：加载一个主模型（Checkpoint），把提示词转化为模型能理解的语义，生成一张初始的噪声图像，然后由采样器逐步降噪还原出清晰图片，最后把潜空间数据解码成正常的图片文件。

WebUI 把这套流程封装成了一个固定界面，你只需要填提示词、选模型、点生成。而 ComfyUI 把整个链条拆开了，每个环节都是一个独立节点，你可以像拼积木一样自由组合整个流程，也可以把中间结果暴露出来做更精细的控制。

1.2 ComfyUI 和 WebUI 的定位差异

很多新手会纠结：我该学 WebUI 还是 ComfyUI？

从实际体验来看，WebUI 的上手门槛更低，所有操作都在表单和按钮之间完成，适合快速体验。但如果你想做复杂的工作流、批量处理、把生成的图片接入自己的自动化流程，或者复现别人的高阶玩法，ComfyUI 的灵活度会高很多。

核心差异可以从几个维度看：

有一点值得注意：ComfyUI 并不比 WebUI“更高级”，它们只是面向不同需求。文章后面也会多次强调，ComfyUI 的每个节点都对应一个明确功能，理解了节点，就等于理解了整个模型的生成链路。

1.3 工作流到底是什么

ComfyUI 里的“工作流”不是一个抽象概念，而是一个实实在在的文件。你每拖一个节点、连一根线、改一个参数，ComfyUI 都会把整张画布上的关系和配置记录到一个 JSON 文件里。

这个 JSON 文件就是你的工作流。你可以把它保存下来，随时重新打开；也可以分享给别人，让其他人一键复现同样的流程。这也是 ComfyUI 社区里大量“工作流分享”“工作流模板”在传播的原因。

当你看到一张很精美的 AI 图片时，如果能同时找到作者的工作流文件，基本上就等于拿到了完整的“配方”。后续你只需要补齐对应的模型和插件，就能复现出接近的效果。

2. 环境准备：整合包和手动部署怎么选

2.1 硬件要求

ComfyUI 本身对硬件的要求并不算夸张，但 AI 绘图最终还是依赖显卡算力。

从常见配置来看，NVIDIA 显卡体验最好，因为 CUDA 生态最成熟；AMD 显卡也能用，但配置过程会更折腾；纯 CPU 运行虽然能启动，但出图速度会很慢，只适合测试流程，不适合日常使用。显存方面，4GB 显存可以勉强跑一些小模型和低分辨率出图，8GB 以上会更从容，12GB 以上基本上主流模型都能覆盖。

对于零基础用户，建议不要一开始就追求最高配置。先用现有的电脑跑通一个小流程，理解节点和参数的含义，再考虑升级硬件。

2.2 社区整合包：新手快速上手的选择

很多新手第一次接触 ComfyUI，都是通过整合包。所谓整合包，就是社区开发者把 Python、PyTorch、ComfyUI 本体、常用插件和启动脚本提前打包好的压缩包。解压后双击启动脚本，就能进入 Web 界面，省去了手动安装依赖的流程。

网上流传较广的“秋叶整合包”就属于这类产物。它确实降低了入门的门槛，尤其对不熟悉 Python 环境的用户非常友好。不过要提醒一点：整合包不是官方产品，里面集成的组件版本可能滞后，而且来源渠道复杂。下载时尽量选择可信来源，不要随意点击来路不明的网盘链接，避免下载到捆绑或篡改过的版本。

如果你的目标是快速体验 ComfyUI，或者电脑上有多个 Python 环境担心冲突，整合包是很合适的方案。等熟悉了目录结构，再逐步增加自定义节点和模型即可。

2.3 手动部署：更彻底的掌控方式

手动部署的优点是路径清晰、版本可控、方便后续升级。缺点是需要自己处理 Python 环境、CUDA 驱动和依赖安装。

大致流程如下，这里给出的是一个通用思路：

# 1. 创建独立的 Python 虚拟环境 conda create -n comfyui python=3.11 -y conda activate comfyui # 2. 安装 PyTorch 相关依赖 # 具体命令请以 PyTorch 官网为准，这里不指定 CUDA 版本 pip install torch torchvision torchaudio # 3. 克隆 ComfyUI 项目 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 4. 安装项目依赖 pip install -r requirements.txt # 5. 启动服务 python main.py

启动后，浏览器访问http://127.0.0.1:8188就能看到 ComfyUI 的操作界面。

如果你使用整合包，上面的步骤已经被打包脚本替代了，只要找到启动脚本双击即可。Windows 下常见的启动文件名是run_nvidia_gpu.bat，点击后会在命令行窗口中输出日志，并自动打开浏览器。

2.4 了解模型目录结构

不管使用整合包还是手动部署，你都需要知道模型该放哪里。ComfyUI 默认会在主目录下创建一个models文件夹，里面按用途划分了多个子目录：

models/ ├── checkpoints/ # 主模型，通常是 .safetensors 文件 ├── loras/ # LoRA 模型 ├── vae/ # 独立 VAE 文件 ├── controlnet/ # ControlNet 模型 ├── clip/ # CLIP 文本编码相关文件 └── upscale_models/ # 放大模型

很多新手报错“加载模型失败”，原因往往就是把文件放错了目录。在 ComfyUI 中，选择模型的节点会去对应目录寻找文件，所以文件位置必须与节点预期一致。

3. ComfyUI 核心概念拆解：节点、连线、数据类型

3.1 节点：最小功能单元

ComfyUI 中每一个方块都是一个节点。节点负责一件事，比如加载模型、编码文本、执行采样、保存图片。

你可以把节点想象成工厂车间里的一台机器。这台机器有一个或者多个输入口，也有一个或者多个输出口。原料从输入口进入，经过加工，从输出口流出，然后通过连线进入下一台机器。

一个最简单的文生图流程，至少由这些节点组成：

• 加载主模型节点：读取 Checkpoint 文件，输出模型、CLIP、VAE 三个关键模块。
• 文本编码节点：把正面提示词和负面提示词转换成模型能理解的语义向量。
• 空白图像节点：生成一张指定尺寸的初始噪声图。
• 采样器节点：按照提示词和参数进行逐步降噪。
• 解码节点：把潜空间图像解码成普通图片。
• 保存图片节点：将最终结果保存到输出目录。

这些节点单独拿出来都不复杂，但连在一起就是一套完整的 Stable Diffusion 生成链路。

3.2 连线与数据类型

ComfyUI 的节点之间有不同颜色的接口，不同颜色代表不同类型的数据。

比如 MODEL 类型的接口通常对应模型数据，CLIP 对应文本编码器，VAE 对应变分自编码器，LATENT 对应潜空间图像，IMAGE 对应普通图像。你在画布上连线时，只有相同类型或者能互相转换的数据才能连接，这在一定程度上避免了很多参数错误。

对于新手来说，理解颜色的意义比记住每个类型更重要。当你看到一条线连不上，先检查是不是把不同类型的输出接到了不匹配的输入上。

3.3 保存与加载工作流

ComfyUI 界面右上角通常有保存工作流的功能，点击后会把当前画布保存为 JSON 文件。加载时，直接拖入 JSON 文件或通过菜单导入就能恢复。

建议你在完成一套有效流程后，马上保存一份初始工作流。后续调试时，即使把节点改乱了，也可以随时回到可用版本。

4. 第一套文生图工作流搭建

4.1 从空白画布开始

打开 ComfyUI 后，默认界面上可能已经加载了一套示例流程。你可以先把它清空，从零开始搭建，这样对每个节点的作用会更清晰。

ComfyUI 的界面结构比较直观：左侧是节点列表或工具栏，中间是可以自由拖动画布的大区域，底部是执行队列区域。右键空白区域可以在弹出的菜单中查找和添加节点。

为了便于理解，下面用箭头表示节点间的连接关系：

Load Checkpoint → KSampler → VAE Decode → Save Image CLIP Text Encode → KSampler Empty Latent Image → KSampler

这个图看起来很抽象，把它展开成完整的节点配置，就是一套标准文生图流程。

4.2 添加并连接核心节点

第一步，添加“Load Checkpoint”节点。这个节点会读取你放在models/checkpoints目录下的模型文件。点击节点上的模型名称下拉框，选择一个已经下载好的主模型。

第二步，添加“CLIP Text Encode (Prompt)”节点。每个节点上有一个文本输入框，正面提示词节点填写你希望生成的内容，负面提示词节点填写你不希望出现的内容。

第三步，添加“Empty Latent Image”节点。这里设置生成图片的宽高和批量数。对于零基础用户，建议先用 512×512 或 768×512 这类常见尺寸测试，不要一开始就拉满 1024×1024，否则显存会吃紧。

第四步，添加“KSampler”节点。这是整个流程的核心。把所有关键输入都连到这里：模型、正面条件、负面条件、潜空间图像。KSampler 的输出就是降噪完成后的潜空间图像。

第五步，添加“VAE Decode”节点。由于采样器输出的是潜空间数据，不能直接保存成图片，需要通过 VAE 解码成普通图片。

第六步，添加“Save Image”节点。把解码后的图片保存到本地。ComfyUI 默认会把图片保存到output目录。

4.3 核心参数说明

KSampler 里的参数决定了一张图的风格和质量，下面逐个说明作用。

seed 是随机种子。同样的种子加上相同的参数，理论上会生成同一张图。如果你喜欢某次生成结果，可以把 seed 固定下来，方便复现。steps 是采样步数。步数太少会导致画面不完整，太多则会拖慢速度。常见范围在 20 到 30 步之间，具体取决于模型和采样器。cfg 是提示词相关性参数，一般在 4 到 10 之间。值太小时图像容易偏离文本描述，值太大时可能会造成色彩过饱和或构图扭曲。

sampler_name 是采样器名称，常见的有 euler、euler_ancestral、dpmpp_2m、dpmpp_sde 等。不同的采样器对细节和速度的影响不同。scheduler 是调度器，常见的有 normal、karras、exponential 等，它控制噪声降噪的节奏。denoise 是重绘幅度，在文生图时通常保持 1，在图生图时用来控制与原始图片的接近程度。

对于新手，建议先固定一套设置跑通流程，再逐步尝试不同的组合。需要注意的是，不同模型适配的参数差异很大，实际效果以你的出图结果为准。

4.4 运行与验证

节点全部连接好后，点击界面上的“执行”按钮或者“Queue Prompt”按钮，ComfyUI 就会按照节点顺序开始运行。

如果节点连接正确，会看到图片从采样器一路传递到保存节点，最终出现在右侧预览区域。如果某个节点报错，节点会变成红色，并且控制台会输出错误信息。

第一张图生成之后，你才算真正迈入了 ComfyUI 的门槛。接下来要做的就是保存工作流文件，给它起一个容易识别的名字，比如文生图基础版_512x512.json。

5. 进阶实战：图生图、LoRA、ControlNet 与局部重绘

5.1 图生图工作流

文生图的基础流程跑通后，图生图理解起来就非常简单。图生图就是在一张已有图片的基础上继续生成，它关心的是如何把初始图片转换成潜空间数据，然后带入采样器。

实现思路是：用“Load Image”节点加载本地图片，再通过 VAE Encoder 把它编码成潜空间图像，然后接入 KSampler。此时 denoise 参数会变得非常关键。

如果 denoise 设为 1，相当于完全忽略原图；设为 0.5 时，会保留一半的原始特征；设为 0.1 时，基本只是在原图上做轻微调整。实际项目中，最常用的重绘幅度在 0.4 到 0.7 之间。

5.2 LoRA 与 ControlNet

LoRA 是一种轻量化的模型微调方法，用于在不改变主模型的前提下，为图片注入特定的风格、角色或画风。

使用 LoRA 时，需要把 LoRA 文件放到models/loras目录，然后在流程中加入“Load LoRA”节点。LoRA 节点接收来自主模型的 MODEL 和 CLIP，再输出给后续节点。LoRA 的权重参数通常设置在 0.6 到 1.2 之间，过高的权重可能导致画面过拟合。

ControlNet 则用于控制生成图片的结构。例如，通过姿势骨架控制人物姿态，通过线稿控制构图。使用时需要把 ControlNet 模型放到models/controlnet目录，然后通过专用节点把控制条件合并到文本条件中。ControlNet 能极大提升构图可控性，但也会明显增加显存占用，建议在基础流程稳定后再上手。

5.3 局部重绘

局部重绘的本质是图生图的一种变体，只不过它输入的不只是原图，还包含一张蒙版。蒙版中白色区域表示需要重新绘制的部分，黑色区域表示保持原样。

ComfyUI 中可以用“Load Image”节点加载图片，并在图片预览区域右键打开遮罩编辑器，用画笔圈出需要重绘的区域，然后通过蒙版相关节点将原图和蒙版一起送入采样器处理。

局部重绘适合修补图片瑕疵、替换背景中的一个物体、修改人物表情等场景。相比整图重绘，它对非目标区域的影响更小，因此在图像微调中非常实用。

6. 常见报错与排查思路

6.1 报错汇总表

在 ComfyUI 的使用过程中，报错几乎无法避免。下面是实际使用中比较高频的几类问题：

6.2 节点执行错误

当你使用别人分享的工作流时，最常见的错误是“节点在执行过程中发生错误”。这种提示通常意味着某个节点缺少必要的输入、插件版本不兼容，或者当前环境缺少对应库。

排查时，先看控制台最下方的错误堆栈。ComfyUI 会把报错节点的名称和错误类型打印出来。新手可能会被大段英文日志吓到，但其实只需关注几个关键词：

• ModuleNotFoundError：缺少 Python 依赖包。
• ValueError：参数不符合要求，可能有连接错误。
• RuntimeError 且提到 CUDA：显存或显卡驱动问题。
• FileNotFoundError：模型文件不存在。

6.3 缺少自定义节点与依赖包

从社区下载工作流时，如果里面引用了你没有安装的自定义节点，ComfyUI 通常会提示“请安装缺失的包以使用此工作流”，并要求你在 Python 环境中运行安装命令。

解决思路有两种。第一种是使用 ComfyUI Manager 插件，它可以在界面中搜索并安装缺失的自定义节点。第二种是手动进入custom_nodes对应的节点目录，查找requirements.txt文件，然后在命令行中执行：

cd ComfyUI/custom_nodes/某个节点目录 pip install -r requirements.txt

另一种常见情况是，节点文件存在，但运行时报错ModuleNotFoundError。这说明节点依赖的 Python 库没有安装。此时可以先看报错中缺少哪个包，再手动安装：

pip install 缺少的包名

安装完成后，重启 ComfyUI 再重新执行工作流即可。需要提醒的是，不要一次性安装太多来源不明的依赖包，尽量在独立虚拟环境中操作，避免污染系统 Python 环境。

6.4 显存不足与崩溃

显存不足通常表现为中途出图失败、界面卡死，或者控制台报 CUDA out of memory。解决办法是降低图片尺寸、降低 batch size、关闭后台占显存的应用，也可以尝试在采样器中选择更省显存的参数组合。如果你同时加载了多个 ControlNet，也会大幅增加显存占用，可以先临时禁用不用的节点。

6.5 排查清单

遇到问题时，按下面的顺序排查会更高效：

• 确认使用的是不是你预期的 Python 环境。
• 确认模型文件放在了正确的目录。
• 确认工作流中所有自定义节点都已安装。
• 确认插件版本与 ComfyUI 主版本兼容。
• 查看控制台日志中的第一个报错关键词，而不是整段日志。
• 如果是别人的工作流，先尝试用默认参数完整运行一次。
• 保存一份能正常运行的备份工作流，便于定位差异。

7. 最佳实践与工程建议

7.1 工作流管理习惯

ComfyUI 的学习过程会和写代码有些相似，写好一套流程不难，难的是让它可维护、可复用、可排查。

建议从一开始就养成保存版本的习惯。每跑通一个有意义的功能，就把工作流另存为一个文件，并在文件名或节点备注中写清楚用途。比如文生图_SD15_512x512_v1.json和文生图_SD15_512x512_v2_karras.json这种命名方式，比未命名11要实用得多。

另外，ComfyUI 支持给节点重命名。对于复杂工作流，把节点名称从默认的“KSampler”“CLIP Text Encode”改成更具体的“主模型输出”“角色LoRA”等，能极大提高阅读效率。

7.2 模型与文件组织

模型文件通常会占据大量磁盘空间，建议按用途规划目录，不要把所有文件堆在同一个文件夹里。下载模型时，优先选择社区验证过的来源，并检查文件大小和文件类型是否正常。.safetensors文件比.ckpt文件更安全，因为前者不包含可执行代码。

对于 LoRA、ControlNet 这类附加模型，要记录它们的触发词或适用版本。很多出图效果不理想，并不是参数问题，而是模型版本和主模型不匹配，或者漏写了触发词。

7.3 参数调试建议

调试参数时，建议每次只改一个变量。很多新手喜欢同时调整 seed、cfg、采样器、步数和 LoRA 权重，结果出图异常时根本不知道问题出在哪。

正确做法是：固定其他参数，只修改一个变量，观察它对结果的影响。比如这一轮固定采样器为 dpmpp_2m，只测试不同 cfg 值；下一轮固定 cfg，只测试不同采样器。这样积累下来的经验，比盲目试错有效得多。

seed 虽然是随机种子，但在调试构图时很有用。当你找到一张构图喜欢的图，但想调整细节时，可以固定 seed 和大部分参数，只调整提示词或 LoRA 权重，这样可以较大概率保持原有构图。

7.4 安全与分享

在工作流分享和下载过程中，安全问题不能忽视。除了模型文件，自定义节点也属于代码。如果你没有足够经验，建议优先安装知名作者的节点，而不是随意下载来源不明的仓库。对于刚接触的新手，先从 ComfyUI 官方内置节点和社区头部插件开始，风险会小很多。

7.5 向 API 和自动化延伸

当你已经能熟练搭建工作流后，会发现 ComfyUI 还有一个很适合工程化的能力：API 模式。ComfyUI 启动后默认就是一个本地服务，你可以通过 HTTP 请求把工作流提交给它执行，这意味着可以把 ComfyUI 集成到自己的脚本、网站或自动化工具中。

这也是 ComfyUI 和 WebUI 的一个明显区别。工作流不只是给人在界面里点击用的，它也能成为后端流程的一部分。当你理解了节点和参数之间的关系，再去看官方提供的 API 示例，会发现前面所有操作都没有白学。

8. 总结与下一步

ComfyUI 的学习曲线确实比 WebUI 陡一些，但它的核心逻辑并不复杂。只要抓住“模型从哪来、数据流经过哪些节点、最后输出在哪里”这条主线，就不会被满屏的连线吓住。

完成后建议你把第一套文生图流程保存下来，然后亲手尝试改一个参数，观察画面变化。等这个流程完全跑通，再去尝试图生图、LoRA、ControlNet 和局部重绘，逐步搭建起自己的出图方案。如果这篇文章对你有帮助，可以收藏备用，后续折腾工作流时随时翻出来对照。