ComfyUI 工作流：零基础入门教程

引言：为什么选择ComfyUI？

在人工智能图像生成领域，Stable Diffusion已成为创作者手中的利器。然而，对于初学者来说，面对琳琅满目的界面和复杂的参数设置，往往感到无从下手。ComfyUI正是为了解决这一痛点而生——它是一款基于节点的图形用户界面，专为Stable Diffusion设计，以直观的“工作流”方式呈现图像生成过程。

与传统的WebUI（如Automatic1111）相比，ComfyUI的最大优势在于其模块化、可视化的特性。用户可以通过拖拽节点、连接线路的方式，像搭建积木一样构建复杂的生成流程。这种设计不仅降低了学习门槛，还赋予了创作者极大的灵活性：你可以精确控制每一个步骤，从文本编码、采样器设置到图像放大，一切尽在掌控。

本教程将从零开始，带你逐步掌握ComfyUI的核心概念与操作技巧。无需任何编程基础，只需跟随指引，你就能在短时间内搭建出属于自己第一个工作流。

第一部分：准备工作——安装与界面初探

1.1 安装ComfyUI

ComfyUI支持Windows、macOS和Linux系统。以下是针对Windows用户的快速安装步骤（其他系统类似）：

1. 下载安装包：访问ComfyUI官方GitHub仓库（https://github.com/comfyanonymous/ComfyUI），点击“Code”按钮，选择“Download ZIP”或使用Git克隆项目。
2. 解压与运行：将压缩包解压到任意目录（建议路径不含中文），双击run_nvidia_gpu.bat（NVIDIA显卡用户）或run_cpu.bat（CPU用户）启动。
3. 访问界面：启动后，浏览器会自动打开http://127.0.0.1:8188，即ComfyUI的主界面。

注意：首次运行可能需要下载基础模型（如SD 1.5或SDXL），请确保网络通畅。你也可以手动将模型文件放入ComfyUI/models/checkpoints/目录。

1.2 界面概览

ComfyUI的界面简洁而强大，主要分为以下几个区域：

• 菜单栏：位于顶部，包含“Load”（加载工作流）、“Save”（保存）、“Clear”（清空）等基础操作。
• 节点面板：默认界面中央的空白区域，用于放置和连接节点。
• 侧边栏：右侧的“Node Library”面板，列出了所有可用节点，按类别分组（如“Loaders”、“Sampling”、“Image”等）。
• 输出区域：图像生成后，会在界面底部或新窗口显示结果。

初次打开时，你会看到一个默认的“Hello World”工作流——一个简单的文本到图像生成流程。别急着运行，我们先理解它的构成。

第二部分：核心概念——节点与工作流

2.1 什么是节点？

在ComfyUI中，节点是工作流的基本单元，每个节点代表一个独立的操作或功能。例如：

• CheckpointLoaderSimple：加载Stable Diffusion模型（如SD 1.5、SDXL）。
• CLIPTextEncode：将文本提示词编码为模型可理解的格式。
• KSampler：控制采样过程（如步数、CFG scale、种子值）。
• VAEDecode：将潜在空间图像解码为可见的像素图像。

每个节点都有输入端口（左侧）和输出端口（右侧），通过连接线传递数据。这种设计让复杂的生成逻辑变得清晰可见。

2.2 工作流的逻辑

一个典型的ComfyUI工作流遵循以下流程：

1. 加载模型：使用CheckpointLoaderSimple加载基础模型。
2. 编码提示词：使用CLIPTextEncode分别编码正面和负面提示词。
3. 生成潜在图像：通过KSampler生成初始噪声图像。
4. 解码图像：使用VAEDecode将潜在图像转换为RGB图像。
5. 保存/预览：通过SaveImage或预览节点输出结果。

这些节点通过“线”连接，数据从左侧流向右侧，最终形成完整的生成链。

第三部分：实战操作——构建你的第一个工作流

现在，我们将从零开始搭建一个完整的文生图工作流。请确保你已经打开了ComfyUI界面。

3.1 步骤一：添加基础节点

1. 加载模型：在空白处右键，选择“Add Node” -> “Loaders” -> “CheckpointLoaderSimple”。这会添加一个模型加载节点。

   • 在其右侧的下拉菜单中，选择你已下载的模型（如“sd_xl_base_1.0.safetensors”）。

2. 添加文本编码器：右键添加“Add Node” -> “Conditioning” -> “CLIPTextEncode”。你需要两个这样的节点：一个用于正面提示词，一个用于负面提示词。

   • 在第一个CLIPTextEncode的文本框中输入正面提示词，例如：a beautiful landscape, mountains, sunset, high quality。
   • 在第二个中输入负面提示词：blurry, low quality, distorted。
3. 连接模型到编码器：将CheckpointLoaderSimple的“CLIP”输出端口连接到两个CLIPTextEncode的“clip”输入端口。这样，模型会为文本编码提供必要的上下文。

3.2 步骤二：添加采样器

采样器是生成图像的核心。右键添加“Add Node” -> “Sampling” -> “KSampler”。它的关键参数包括：

• seed：随机种子，控制初始噪声。设为“-1”表示随机。
• steps：采样步数，越高图像越精细，但耗时更长。推荐20-30步。
• cfg：分类器自由引导强度，控制提示词的影响程度。通常设为7-8。
• sampler_name：采样器类型，如“euler”、“dpmpp_2m”等。初学者建议用“euler”。
• scheduler：调度器，如“normal”、“karras”。默认即可。

连接方式：

• 将CheckpointLoaderSimple的“model”输出连接到KSampler的“model”输入。
• 将正面CLIPTextEncode的输出连接到KSampler的“positive”输入。
• 将负面CLIPTextEncode的输出连接到KSampler的“negative”输入。

3.3 步骤三：解码与保存

1. 添加解码器：右键添加“Add Node” -> “Image” -> “VAEDecode”。

   • 将CheckpointLoaderSimple的“vae”输出连接到VAEDecode的“vae”输入。
   • 将KSampler的“latent”输出连接到VAEDecode的“samples”输入。

2. 添加保存节点：右键添加“Add Node” -> “Image” -> “SaveImage”。

   • 将VAEDecode的“image”输出连接到SaveImage的“images”输入。

至此，你的工作流已经搭建完成！点击界面右上角的“Queue Prompt”按钮，稍等片刻，生成的图像就会出现在输出区域。

第四部分：进阶技巧——优化与扩展

掌握了基础工作流后，你可以通过以下技巧提升图像质量或实现更复杂的功能。

4.1 使用ControlNet控制图像

ControlNet允许你通过额外输入（如线稿、深度图、姿态）引导生成过程。例如，添加一个“Canny”边缘检测ControlNet：

1. 添加节点：“Add Node” -> “ControlNet” -> “ControlNetLoader”，加载一个ControlNet模型（如“control_v11p_sd15_canny”）。
2. 添加预处理节点：“Add Node” -> “ControlNet” -> “CannyEdgePreprocessor”，用于提取边缘。
3. 将预处理后的图像输入KSampler的“control_net”端口，并调整权重参数。

4.2 图像放大（Upscale）

低分辨率图像可以通过放大提升细节。推荐使用“LatentUpscale”节点：

1. 在KSampler和VAEDecode之间插入“LatentUpscale”节点。
2. 设置放大倍数（如2倍），然后连接回VAEDecode。
3. 或者，使用“ImageUpscaleWithModel”节点（需加载放大模型，如“4x-UltraSharp”）。

4.3 批量生成与变化

• 批量生成：在KSampler的“seed”输入端连接“Primitive”节点，设置为“random”，并勾选“batch_size”为4，即可一次生成多张图像。
• 种子变化：通过“Seed”节点（在“Primitives”类别中）手动指定种子，可复现或微调图像。

第五部分：常见问题与调试技巧

5.1 工作流不工作？检查连接

• 确保所有必要端口已连接（如KSampler的“model”、“positive”、“negative”是必须的）。
• 节点颜色：红色表示错误，绿色表示正常。悬停鼠标可查看错误信息（如“模型未加载”）。

5.2 图像质量不佳？调整参数

• 模糊：增加采样步数（如从20提高到30）。
• 与提示词不符：提高CFG scale（如从7调到10），但过高可能导致伪影。
• 色彩失真：检查VAE是否正确加载。某些模型需要特定VAE（如SDXL需配套VAE）。

5.3 性能优化

• 使用GPU：确保ComfyUI使用NVIDIA显卡。在run_nvidia_gpu.bat中可设置--gpu-only参数。
• 降低分辨率：默认512x512，可调整为384x384以加快生成速度。

结论：从入门到精通

通过本教程，你已经掌握了ComfyUI的核心概念和基本操作——从安装、节点搭建到参数调优。ComfyUI的真正魅力在于其可扩展性：你可以组合数百种节点，实现图像修复、视频生成、3D渲染等高级功能。

关键要点回顾：

• 工作流是ComfyUI的灵魂，节点之间的连接决定了生成逻辑。
• 初学者应从简单的文生图工作流开始，逐步添加ControlNet、放大等模块。
• 遇到问题时，善用社区资源（如ComfyUI官方Discord、GitHub Issues）。

最后，不要害怕尝试。复制他人的工作流（ComfyUI支持导入.json文件），并在此基础上修改，是快速进步的最佳途径。随着经验积累，你甚至能设计出属于自己的独特工作流，将AI图像创作推向新高度。

现在，关闭教程，打开ComfyUI，开始你的第一次生成吧！