在AI绘画领域从最初的WebUI到如今的ComfyUI工作流式的图像生成方式正以其强大的灵活性和可复现性成为进阶玩家和商业应用的首选。然而面对满屏的节点和错综复杂的连线许多朋友从兴奋转为困惑卡在了环境部署、插件安装和节点理解的第一步。本文将为你提供一份从零开始的完整指南不仅手把手带你完成ComfyUI的本地部署更会深入讲解插件生态、核心节点逻辑并搭建一个可运行的图文生成工作流让你彻底告别“看教程都会自己动手就废”的困境真正掌握用ComfyUI稳定出图、出视频的能力。1. ComfyUI核心概念与优势解析在深入实操之前我们有必要厘清ComfyUI究竟是什么以及它为何值得学习。1.1 什么是ComfyUIComfyUI是一个基于节点式工作流的Stable Diffusion图形用户界面。与WebUIAutomatic1111等传统表单式界面不同它将图像生成的每一步——如加载模型、编写提示词、设置采样参数、应用LoRA、后期处理等——都抽象为一个个独立的“节点”Node。用户通过可视化的连线将这些节点按逻辑顺序连接起来形成一个完整的“工作流”Workflow。这种设计理念带来了几个革命性的优势极高的可复现性工作流文件通常为JSON或PNG完整记录了生成图像所需的全部参数和步骤。分享一个工作流文件他人导入后就能得到完全一致的生成过程和结果极大便利了团队协作和效果复现。无与伦比的灵活性你可以像搭积木一样自由组合、替换、循环任何环节。例如可以轻松实现多模型混合、条件分支、图像迭代优化等复杂逻辑这是传统界面难以实现的。资源利用更高效ComfyUI按需执行节点可以更精细地控制显存使用。对于大型工作流它能够更好地管理中间状态避免不必要的内存占用。更适合自动化与集成其节点化的工作流天生易于被外部脚本调用和操控为集成到更大的自动化生产管线中奠定了基础。1.2 核心概念节点、工作流与队列节点Node执行特定功能的最小单元。每个节点有输入槽和输出槽。例如“Load Checkpoint”节点输入模型路径输出模型和CLIP向量“KSampler”节点输入模型、提示词、潜空间等输出处理后的潜空间。工作流Workflow由多个节点通过连线连接输入与输出槽组成的、有向无环的图形结构。它定义了一个完整的图像生成任务。队列QueueComfyUI支持将多个工作流或提示词加入队列依次执行适合批量生成任务。理解这些概念后你将不再视ComfyUI为复杂的天书而是一个逻辑清晰、功能强大的可视化编程工具。2. 本地环境部署两种主流方案详解部署是第一步也是劝退很多人的一步。这里提供两种最主流、最稳定的方案请根据自身情况选择。2.1 方案一秋叶大佬一键整合包推荐新手这是目前最省心、兼容性最好的入门方式由国内大神“秋叶aaaki”维护。它集成了ComfyUI本体、Python、PyTorch、CUDA库以及一些常用插件解压即用。部署步骤获取整合包在可靠的渠道如作者在B站或GitHub发布的链接下载最新的ComfyUI整合包。注意核对文件名通常包含版本号和日期例如ComfyUI_windows_portable_nvidia_v0.30.0.7z。解压文件将下载的压缩包解压到一个英文路径且无空格的目录下例如D:\AI\ComfyUI。路径含有中文或空格可能导致未知错误。更新依赖可选但建议进入解压后的文件夹双击运行update.bat脚本。它会自动检测并更新ComfyUI本体及一些核心依赖到最新版本。启动ComfyUI双击运行run_nvidia_gpu.batN卡用户或run_cpu.batCPU用户。首次运行会自动下载并安装一些必要的组件请保持网络通畅。访问界面脚本运行成功后命令行窗口会显示类似Running on local URL: http://127.0.0.1:8188的信息。在浏览器中打开此地址即可看到ComfyUI的界面。优点开箱即用环境隔离好避免全局Python环境冲突特别适合Windows用户。缺点整合包体积较大且插件和自定义模型的路径可能位于整合包内部管理上需要稍加注意。2.2 方案二手动安装适合有Python经验的用户如果你希望更灵活地管理环境或需要在Linux/macOS上部署手动安装是更好的选择。前置条件确保系统已安装Python 3.10或3.11不推荐3.12以及Git。部署步骤克隆仓库打开终端命令行进入你希望安装的目录执行以下命令git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI创建虚拟环境强烈推荐使用venv或conda创建一个独立的Python环境。# 使用 venv python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux/macOS: source venv/bin/activate安装PyTorch根据你的CUDA版本前往 PyTorch官网 获取安装命令。例如对于CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装ComfyUI依赖在激活的虚拟环境中运行pip install -r requirements.txt下载模型将你的Stable Diffusion基础模型.safetensors或.ckpt文件、VAE、LoRA等放置到正确的目录。默认的模型目录结构在ComfyUI/models/下checkpoints/: 放置基础大模型。loras/: 放置LoRA模型。vae/: 放置VAE模型。controlnet/: 放置ControlNet模型。upscale_models/: 放置超分模型如ESRGAN。 你可以根据extra_model_paths.yaml.example文件示例创建自定义的模型路径配置文件。启动ComfyUIpython main.py --port 8188同样在浏览器中访问http://127.0.0.1:8188即可。无论采用哪种方案成功在浏览器中看到节点编辑器界面就标志着本地环境部署成功3. 插件生态与管理器的使用ComfyUI的强大一半源于其活跃的插件生态。插件可以为你提供新的节点、模型支持、界面优化等无数功能。3.1 必装插件ComfyUI Manager手动下载和管理插件非常繁琐。ComfyUI Manager是管理插件的“应用商店”必须优先安装。安装方法进入你的ComfyUI安装目录下的custom_nodes文件夹。如果不存在就创建一个。在custom_nodes文件夹中打开终端或在此目录打开命令行执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启ComfyUI。重启后在界面上方会出现一个新的“Manager”按钮。使用Manager安装插件点击“Manager”按钮打开管理器界面。切换到“Install Node(s)”标签页。在搜索框中输入你想要的插件名称如 “ControlNet”, “IPAdapter”。在搜索结果中找到对应插件点击右侧的“Install”按钮。安装完成后根据提示重启ComfyUI新节点的类别就会出现在节点菜单中。3.2 推荐必备插件列表以下插件能极大提升你的使用体验和创作能力ComfyUI Impact Pack功能巨无霸包包含大量实用节点如通配符处理、图像批量处理、条件筛选、细节修复等是构建复杂工作流的基石。ComfyUI-Impact-SubpackImpact Pack的补充提供更多细分功能。ControlNet for ComfyUI在ComfyUI中使用ControlNet进行精确图像控制的必备插件。ComfyUI-IPAdapter-Plus提供IP-Adapter节点实现图像风格、内容的快速模仿与融合。WAS Node Suite另一套强大的节点集合提供大量图像处理、文件操作、工具类节点。Efficiency Nodes提供一系列提升生成效率的节点如“KSampler (Efficient)”等。ComfyUI-Custom-Scripts允许你编写并运行自定义Python脚本节点实现高度定制化功能。安装建议初期不必全部安装可根据学习进度通过ComfyUI Manager按需搜索安装。安装后若遇到节点缺失错误管理器通常也会给出修复提示。4. 核心节点详解与你的第一个工作流现在让我们进入核心环节通过搭建一个基础的文生图工作流来理解最关键的几个节点。4.1 界面与基础操作画布中间最大的区域用于放置和连接节点。右键菜单在画布空白处点击右键可以“添加节点”。节点按功能分类如loaders,sampling,image等。节点操作左键拖动节点滚轮缩放画布。点击节点的输出/输入槽进行连线。右键节点可以对其进行禁用、删除等操作。工作流管理点击菜单栏的“Load”加载他人分享的工作流JSON或PNG文件“Save”保存当前工作流。4.2 构建基础文生图工作流我们将创建一个包含以下核心节点的最小工作流加载模型 - 编码提示词 - 采样 - 解码图像 - 保存/预览。步骤 1添加“Load Checkpoint”节点右键画布 -Add Node-loaders-Checkpoint Loader Simple。这个节点用于加载你的基础大模型。在节点的ckpt_name下拉菜单中选择你已放入models/checkpoints文件夹的模型。步骤 2添加“CLIP Text Encode”节点右键画布 -Add Node-conditioning-CLIP Text Encode。我们需要两个这样的节点分别处理正向提示词prompt和负向提示词negative prompt。将第一个节点的text输入框连接到Load Checkpoint节点的CLIP输出。在text框内输入你希望画面中出现的内容如masterpiece, best quality, 1girl, beautiful, in a garden。将第二个节点的text输入框也连接到同一个CLIP输出。在text框内输入你希望避免的内容如worst quality, low quality, blurry。步骤 3添加“Empty Latent Image”节点右键画布 -Add Node-latent-Empty Latent Image。这个节点定义了生成图像的初始潜空间尺寸宽、高和批次大小。设置width为 512height为 768batch_size为 1。步骤 4添加“KSampler”节点右键画布 -Add Node-sampling-KSampler。这是核心的采样器节点它将噪声潜空间逐步去噪为符合提示词的潜空间。连接model输入到Load Checkpoint节点的MODEL输出。连接positive输入到正向CLIP Text Encode节点的CONDITIONING输出。连接negative输入到负向CLIP Text Encode节点的CONDITIONING输出。连接latent_image输入到Empty Latent Image节点的LATENT输出。设置参数seed可以随机或固定一个数字steps采样步数设为 20cfg提示词相关性设为 7.5sampler_name选择eulerscheduler选择normal。步骤 5添加“VAE Decode”节点右键画布 -Add Node-latent-VAE Decode。这个节点将采样后的潜空间数据解码为最终的像素图像。连接samples输入到KSampler节点的LATENT输出。连接vae输入到Load Checkpoint节点的VAE输出。步骤 6添加“Preview Image”或“Save Image”节点预览右键画布 -Add Node-image-Preview Image。连接其images输入到VAE Decode节点的IMAGE输出。点击Queue Prompt按钮后图像会显示在这个节点上。保存右键画布 -Add Node-image-Save Image。同样连接其images输入。你需要设置filename_prefix文件名前缀生成的图片将保存在ComfyUI/output目录下。最终连接图你的工作流应该看起来像一个清晰的管道Checkpoint-CLIP Text Encode (正/负)-Empty Latent Image-KSampler-VAE Decode-Preview/Save。点击右上角的“Queue Prompt”按钮等待片刻你就能在预览节点看到生成的图像了恭喜你完成了第一个ComfyUI工作流。5. 进阶工作流搭建集成LoRA与ControlNet掌握了基础流程后我们可以引入更强大的控制工具LoRA微调风格/人物和ControlNet控制构图/姿势。5.1 集成LoRA模型LoRA模型通常很小几十到几百MB用于对基础模型进行微调。在ComfyUI中有专门的节点加载和应用它。操作步骤在基础文生图工作流中在Load Checkpoint节点之后添加一个LoraLoader节点Add Node-loaders-LoraLoader。连接LoraLoader节点的model和clip输入分别到Load Checkpoint节点的MODEL和CLIP输出。在LoraLoader节点的lora_name下拉菜单中选择你已放入models/loras文件夹的LoRA文件。设置strength_model和strength_clip通常两者设为相同的值如0.8代表LoRA权重强度。将LoraLoader节点输出的MODEL和CLIP重新连接到后续的KSampler和CLIP Text Encode节点取代原来直接来自Load Checkpoint的连接。这样生成过程就会在基础模型的基础上融合LoRA模型的特征。5.2 集成ControlNet控制ControlNet允许你通过输入一张草图、深度图、姿态图等精确控制生成图像的构图、景深或人物姿势。操作步骤以Canny边缘检测为例准备控制图你需要一张想要控制其轮廓的图片。在ComfyUI中添加一个Load Image节点image-Load Image加载它。应用预处理器添加一个控制图预处理器节点例如CannyAdd Node-image/preprocessors-Canny。将Load Image节点的IMAGE输出连接到Canny节点的image输入。调整low_threshold和high_threshold参数以获取清晰的边缘图。其输出是一张处理后的控制图像。加载ControlNet模型添加ControlNetLoader节点loaders-ControlNetLoader选择对应的ControlNet模型如control_v11p_sd15_canny.pth。应用控制条件添加Apply ControlNet节点conditioning-Apply ControlNet。连接positive输入到你的正向CLIP Text Encode节点的CONDITIONING输出。连接control_net输入到ControlNetLoader节点的CONTROL_NET输出。连接image输入到Canny处理器节点的IMAGE输出。设置strength控制强度通常0.8-1.2。替换条件输入将Apply ControlNet节点输出的CONDITIONING连接到KSampler节点的positive输入取代原来直接的CLIP Text Encode连接。对于负向提示词通常不需要应用ControlNet。现在你生成的人物就会严格遵循输入图片的轮廓了。通过组合LoRA和多个ControlNet如姿态深度你可以实现极其精准和复杂的图像生成。6. 视频生成与动画工作流初探ComfyUI同样支持生成视频和简单动画其核心思想是将单帧图像生成的工作流进行“批处理”或“参数迭代”。6.1 使用AnimateDiff生成短视频AnimateDiff是当前在ComfyUI中实现文本生成视频的主流插件。基本工作流搭建安装插件通过ComfyUI Manager搜索并安装 “ComfyUI-AnimateDiff-Evolved”。核心节点工作流主体仍然是文生图流程但需要插入几个关键动画节点AnimateDiffLoader加载运动模块Motion Module这是驱动图像动画的核心模型。AnimateDiff采样器例如ADE_AnimateDiffUniformContextOptions用于配置动画的上下文长度、总帧数等。将运动模块和配置应用到你的KSampler节点上通常有专用的输入槽。输出采样器输出的将是一个潜空间序列你需要使用VAE Decode节点将其解码为图像序列最后使用Save Image节点并选择保存为GIF或图像序列或使用VHS_VideoCombine等节点将图像序列合成为MP4视频。关键参数context_length一次处理的帧数影响连贯性和显存。frame_rate输出视频的帧率。total_frames总帧数决定视频时长。6.2 构建图像到视频的工作流你也可以基于一张初始图生成一段视频。这通常需要结合IP-Adapter保持内容一致性和AnimateDiff生成运动。工作流会更复杂但逻辑是先用图生图节点如VAE EncodeKSampler确保第一帧符合输入图再将此流程嵌入到AnimateDiff的循环或批次处理中。动画工作流对显存和计算资源要求较高且参数调试更为复杂建议在熟练掌握静态图工作流后再进行尝试。7. 常见问题与深度排错指南遇到问题不要慌大部分错误都有明确的解决路径。7.1 节点缺失或工作流加载错误现象加载他人分享的工作流JSON/PNG时提示“Missing nodes”或节点显示为红色。原因你的ComfyUI环境中缺少工作流所依赖的插件或自定义节点。解决使用ComfyUI Manager这是最方便的方法。当导入缺失节点的工作流时ComfyUI Manager通常会自动弹出提示列出缺失的节点及其GitHub仓库地址。你可以直接点击“Install”进行批量安装。手动安装如果管理器没有提示你需要根据错误信息中的节点名称如ImpactPackWAS_等在ComfyUI Manager的“Install Node”页面搜索并安装对应插件。重启安装任何插件后必须重启ComfyUI服务关闭命令行窗口再重新运行run_nvidia_gpu.bat或python main.py才能生效。7.2 显存不足CUDA Out Of Memory现象生成过程中程序崩溃命令行报错显示CUDA out of memory。原因工作流过于复杂、图像分辨率过高、或同时加载了过多大型模型超出了显卡显存容量。解决降低分辨率减少Empty Latent Image节点的宽高设置。使用显存优化节点在KSampler后使用VAE Decode的tiled分块解码版本。使用Efficiency Nodes插件中的KSampler (Efficient)。使用Model Merge等操作后及时用FreeU或Unload Checkpoint节点释放模型。启用CPU卸载在Load Checkpoint节点中可以设置vae到CPU加载如果支持或在启动命令中添加--cpu参数将非关键组件放在CPU上。分步执行对于超大型工作流可以将其拆分成几个子工作流分别执行并保存中间结果如图像、潜空间再加载到下一个工作流中继续。7.3 生成结果黑图、扭曲或不符合预期现象能出图但质量很差。原因与排查模型不匹配检查Load Checkpoint节点加载的模型是否与提示词语义兼容例如用SD1.5的模型去生成SDXL风格的提示词。VAE问题有些模型需要特定的VAE。尝试在Load Checkpoint节点中更换vae选项或单独加载一个VAE模型如vae-ft-mse-840000-ema-pruned.safetensors并用VAE Loader节点连接。采样参数不当steps太低20、cfg值过高15或过低5、选择了不合适的sampler或scheduler都可能导致问题。从euler,dpmpp_2m等常用采样器开始cfg设在7-9之间。提示词问题检查提示词拼写避免矛盾词汇。负向提示词应包含lowres, bad anatomy, worst quality, low quality等通用负面标签。节点连接错误仔细检查每个节点的输入输出是否连接正确特别是CLIP、MODEL、CONDITIONING、LATENT、IMAGE这几类数据的流向。7.4 其他实用技巧备份工作流在尝试任何复杂修改前先点击“Save”保存当前工作流。ComfyUI也支持将工作流保存为PNG图片内嵌JSON数据方便分享和预览。使用队列和种子Queue Prompt旁边的输入框可以设置生成批次。将KSampler的seed设为随机-1可以探索不同结果设为固定值可以复现同一结果。组织节点画布杂乱时可以框选多个节点按CtrlG将它们编组便于管理。查找节点在画布上按CtrlF可以快速搜索并添加节点。从环境部署到插件管理从基础文生图到集成LoRA、ControlNet的进阶控制再到动画工作流的初探我们系统地走完了ComfyUI的核心学习路径。关键在于理解其节点化、数据流的工作逻辑将复杂的生成任务拆解为清晰的步骤。开始时模仿成熟工作流理解每个节点的作用熟练后大胆组合创新构建属于自己的自动化生产管线。ComfyUI的学习曲线初期较陡但一旦跨越你将获得远超传统工具的创作自由度和效率。
在AI绘画领域从最初的WebUI到如今的ComfyUI工作流式的图像生成方式正以其强大的灵活性和可复现性成为进阶玩家和商业应用的首选。然而面对满屏的节点和错综复杂的连线许多朋友从兴奋转为困惑卡在了环境部署、插件安装和节点理解的第一步。本文将为你提供一份从零开始的完整指南不仅手把手带你完成ComfyUI的本地部署更会深入讲解插件生态、核心节点逻辑并搭建一个可运行的图文生成工作流让你彻底告别“看教程都会自己动手就废”的困境真正掌握用ComfyUI稳定出图、出视频的能力。1. ComfyUI核心概念与优势解析在深入实操之前我们有必要厘清ComfyUI究竟是什么以及它为何值得学习。1.1 什么是ComfyUIComfyUI是一个基于节点式工作流的Stable Diffusion图形用户界面。与WebUIAutomatic1111等传统表单式界面不同它将图像生成的每一步——如加载模型、编写提示词、设置采样参数、应用LoRA、后期处理等——都抽象为一个个独立的“节点”Node。用户通过可视化的连线将这些节点按逻辑顺序连接起来形成一个完整的“工作流”Workflow。这种设计理念带来了几个革命性的优势极高的可复现性工作流文件通常为JSON或PNG完整记录了生成图像所需的全部参数和步骤。分享一个工作流文件他人导入后就能得到完全一致的生成过程和结果极大便利了团队协作和效果复现。无与伦比的灵活性你可以像搭积木一样自由组合、替换、循环任何环节。例如可以轻松实现多模型混合、条件分支、图像迭代优化等复杂逻辑这是传统界面难以实现的。资源利用更高效ComfyUI按需执行节点可以更精细地控制显存使用。对于大型工作流它能够更好地管理中间状态避免不必要的内存占用。更适合自动化与集成其节点化的工作流天生易于被外部脚本调用和操控为集成到更大的自动化生产管线中奠定了基础。1.2 核心概念节点、工作流与队列节点Node执行特定功能的最小单元。每个节点有输入槽和输出槽。例如“Load Checkpoint”节点输入模型路径输出模型和CLIP向量“KSampler”节点输入模型、提示词、潜空间等输出处理后的潜空间。工作流Workflow由多个节点通过连线连接输入与输出槽组成的、有向无环的图形结构。它定义了一个完整的图像生成任务。队列QueueComfyUI支持将多个工作流或提示词加入队列依次执行适合批量生成任务。理解这些概念后你将不再视ComfyUI为复杂的天书而是一个逻辑清晰、功能强大的可视化编程工具。2. 本地环境部署两种主流方案详解部署是第一步也是劝退很多人的一步。这里提供两种最主流、最稳定的方案请根据自身情况选择。2.1 方案一秋叶大佬一键整合包推荐新手这是目前最省心、兼容性最好的入门方式由国内大神“秋叶aaaki”维护。它集成了ComfyUI本体、Python、PyTorch、CUDA库以及一些常用插件解压即用。部署步骤获取整合包在可靠的渠道如作者在B站或GitHub发布的链接下载最新的ComfyUI整合包。注意核对文件名通常包含版本号和日期例如ComfyUI_windows_portable_nvidia_v0.30.0.7z。解压文件将下载的压缩包解压到一个英文路径且无空格的目录下例如D:\AI\ComfyUI。路径含有中文或空格可能导致未知错误。更新依赖可选但建议进入解压后的文件夹双击运行update.bat脚本。它会自动检测并更新ComfyUI本体及一些核心依赖到最新版本。启动ComfyUI双击运行run_nvidia_gpu.batN卡用户或run_cpu.batCPU用户。首次运行会自动下载并安装一些必要的组件请保持网络通畅。访问界面脚本运行成功后命令行窗口会显示类似Running on local URL: http://127.0.0.1:8188的信息。在浏览器中打开此地址即可看到ComfyUI的界面。优点开箱即用环境隔离好避免全局Python环境冲突特别适合Windows用户。缺点整合包体积较大且插件和自定义模型的路径可能位于整合包内部管理上需要稍加注意。2.2 方案二手动安装适合有Python经验的用户如果你希望更灵活地管理环境或需要在Linux/macOS上部署手动安装是更好的选择。前置条件确保系统已安装Python 3.10或3.11不推荐3.12以及Git。部署步骤克隆仓库打开终端命令行进入你希望安装的目录执行以下命令git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI创建虚拟环境强烈推荐使用venv或conda创建一个独立的Python环境。# 使用 venv python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux/macOS: source venv/bin/activate安装PyTorch根据你的CUDA版本前往 PyTorch官网 获取安装命令。例如对于CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装ComfyUI依赖在激活的虚拟环境中运行pip install -r requirements.txt下载模型将你的Stable Diffusion基础模型.safetensors或.ckpt文件、VAE、LoRA等放置到正确的目录。默认的模型目录结构在ComfyUI/models/下checkpoints/: 放置基础大模型。loras/: 放置LoRA模型。vae/: 放置VAE模型。controlnet/: 放置ControlNet模型。upscale_models/: 放置超分模型如ESRGAN。 你可以根据extra_model_paths.yaml.example文件示例创建自定义的模型路径配置文件。启动ComfyUIpython main.py --port 8188同样在浏览器中访问http://127.0.0.1:8188即可。无论采用哪种方案成功在浏览器中看到节点编辑器界面就标志着本地环境部署成功3. 插件生态与管理器的使用ComfyUI的强大一半源于其活跃的插件生态。插件可以为你提供新的节点、模型支持、界面优化等无数功能。3.1 必装插件ComfyUI Manager手动下载和管理插件非常繁琐。ComfyUI Manager是管理插件的“应用商店”必须优先安装。安装方法进入你的ComfyUI安装目录下的custom_nodes文件夹。如果不存在就创建一个。在custom_nodes文件夹中打开终端或在此目录打开命令行执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启ComfyUI。重启后在界面上方会出现一个新的“Manager”按钮。使用Manager安装插件点击“Manager”按钮打开管理器界面。切换到“Install Node(s)”标签页。在搜索框中输入你想要的插件名称如 “ControlNet”, “IPAdapter”。在搜索结果中找到对应插件点击右侧的“Install”按钮。安装完成后根据提示重启ComfyUI新节点的类别就会出现在节点菜单中。3.2 推荐必备插件列表以下插件能极大提升你的使用体验和创作能力ComfyUI Impact Pack功能巨无霸包包含大量实用节点如通配符处理、图像批量处理、条件筛选、细节修复等是构建复杂工作流的基石。ComfyUI-Impact-SubpackImpact Pack的补充提供更多细分功能。ControlNet for ComfyUI在ComfyUI中使用ControlNet进行精确图像控制的必备插件。ComfyUI-IPAdapter-Plus提供IP-Adapter节点实现图像风格、内容的快速模仿与融合。WAS Node Suite另一套强大的节点集合提供大量图像处理、文件操作、工具类节点。Efficiency Nodes提供一系列提升生成效率的节点如“KSampler (Efficient)”等。ComfyUI-Custom-Scripts允许你编写并运行自定义Python脚本节点实现高度定制化功能。安装建议初期不必全部安装可根据学习进度通过ComfyUI Manager按需搜索安装。安装后若遇到节点缺失错误管理器通常也会给出修复提示。4. 核心节点详解与你的第一个工作流现在让我们进入核心环节通过搭建一个基础的文生图工作流来理解最关键的几个节点。4.1 界面与基础操作画布中间最大的区域用于放置和连接节点。右键菜单在画布空白处点击右键可以“添加节点”。节点按功能分类如loaders,sampling,image等。节点操作左键拖动节点滚轮缩放画布。点击节点的输出/输入槽进行连线。右键节点可以对其进行禁用、删除等操作。工作流管理点击菜单栏的“Load”加载他人分享的工作流JSON或PNG文件“Save”保存当前工作流。4.2 构建基础文生图工作流我们将创建一个包含以下核心节点的最小工作流加载模型 - 编码提示词 - 采样 - 解码图像 - 保存/预览。步骤 1添加“Load Checkpoint”节点右键画布 -Add Node-loaders-Checkpoint Loader Simple。这个节点用于加载你的基础大模型。在节点的ckpt_name下拉菜单中选择你已放入models/checkpoints文件夹的模型。步骤 2添加“CLIP Text Encode”节点右键画布 -Add Node-conditioning-CLIP Text Encode。我们需要两个这样的节点分别处理正向提示词prompt和负向提示词negative prompt。将第一个节点的text输入框连接到Load Checkpoint节点的CLIP输出。在text框内输入你希望画面中出现的内容如masterpiece, best quality, 1girl, beautiful, in a garden。将第二个节点的text输入框也连接到同一个CLIP输出。在text框内输入你希望避免的内容如worst quality, low quality, blurry。步骤 3添加“Empty Latent Image”节点右键画布 -Add Node-latent-Empty Latent Image。这个节点定义了生成图像的初始潜空间尺寸宽、高和批次大小。设置width为 512height为 768batch_size为 1。步骤 4添加“KSampler”节点右键画布 -Add Node-sampling-KSampler。这是核心的采样器节点它将噪声潜空间逐步去噪为符合提示词的潜空间。连接model输入到Load Checkpoint节点的MODEL输出。连接positive输入到正向CLIP Text Encode节点的CONDITIONING输出。连接negative输入到负向CLIP Text Encode节点的CONDITIONING输出。连接latent_image输入到Empty Latent Image节点的LATENT输出。设置参数seed可以随机或固定一个数字steps采样步数设为 20cfg提示词相关性设为 7.5sampler_name选择eulerscheduler选择normal。步骤 5添加“VAE Decode”节点右键画布 -Add Node-latent-VAE Decode。这个节点将采样后的潜空间数据解码为最终的像素图像。连接samples输入到KSampler节点的LATENT输出。连接vae输入到Load Checkpoint节点的VAE输出。步骤 6添加“Preview Image”或“Save Image”节点预览右键画布 -Add Node-image-Preview Image。连接其images输入到VAE Decode节点的IMAGE输出。点击Queue Prompt按钮后图像会显示在这个节点上。保存右键画布 -Add Node-image-Save Image。同样连接其images输入。你需要设置filename_prefix文件名前缀生成的图片将保存在ComfyUI/output目录下。最终连接图你的工作流应该看起来像一个清晰的管道Checkpoint-CLIP Text Encode (正/负)-Empty Latent Image-KSampler-VAE Decode-Preview/Save。点击右上角的“Queue Prompt”按钮等待片刻你就能在预览节点看到生成的图像了恭喜你完成了第一个ComfyUI工作流。5. 进阶工作流搭建集成LoRA与ControlNet掌握了基础流程后我们可以引入更强大的控制工具LoRA微调风格/人物和ControlNet控制构图/姿势。5.1 集成LoRA模型LoRA模型通常很小几十到几百MB用于对基础模型进行微调。在ComfyUI中有专门的节点加载和应用它。操作步骤在基础文生图工作流中在Load Checkpoint节点之后添加一个LoraLoader节点Add Node-loaders-LoraLoader。连接LoraLoader节点的model和clip输入分别到Load Checkpoint节点的MODEL和CLIP输出。在LoraLoader节点的lora_name下拉菜单中选择你已放入models/loras文件夹的LoRA文件。设置strength_model和strength_clip通常两者设为相同的值如0.8代表LoRA权重强度。将LoraLoader节点输出的MODEL和CLIP重新连接到后续的KSampler和CLIP Text Encode节点取代原来直接来自Load Checkpoint的连接。这样生成过程就会在基础模型的基础上融合LoRA模型的特征。5.2 集成ControlNet控制ControlNet允许你通过输入一张草图、深度图、姿态图等精确控制生成图像的构图、景深或人物姿势。操作步骤以Canny边缘检测为例准备控制图你需要一张想要控制其轮廓的图片。在ComfyUI中添加一个Load Image节点image-Load Image加载它。应用预处理器添加一个控制图预处理器节点例如CannyAdd Node-image/preprocessors-Canny。将Load Image节点的IMAGE输出连接到Canny节点的image输入。调整low_threshold和high_threshold参数以获取清晰的边缘图。其输出是一张处理后的控制图像。加载ControlNet模型添加ControlNetLoader节点loaders-ControlNetLoader选择对应的ControlNet模型如control_v11p_sd15_canny.pth。应用控制条件添加Apply ControlNet节点conditioning-Apply ControlNet。连接positive输入到你的正向CLIP Text Encode节点的CONDITIONING输出。连接control_net输入到ControlNetLoader节点的CONTROL_NET输出。连接image输入到Canny处理器节点的IMAGE输出。设置strength控制强度通常0.8-1.2。替换条件输入将Apply ControlNet节点输出的CONDITIONING连接到KSampler节点的positive输入取代原来直接的CLIP Text Encode连接。对于负向提示词通常不需要应用ControlNet。现在你生成的人物就会严格遵循输入图片的轮廓了。通过组合LoRA和多个ControlNet如姿态深度你可以实现极其精准和复杂的图像生成。6. 视频生成与动画工作流初探ComfyUI同样支持生成视频和简单动画其核心思想是将单帧图像生成的工作流进行“批处理”或“参数迭代”。6.1 使用AnimateDiff生成短视频AnimateDiff是当前在ComfyUI中实现文本生成视频的主流插件。基本工作流搭建安装插件通过ComfyUI Manager搜索并安装 “ComfyUI-AnimateDiff-Evolved”。核心节点工作流主体仍然是文生图流程但需要插入几个关键动画节点AnimateDiffLoader加载运动模块Motion Module这是驱动图像动画的核心模型。AnimateDiff采样器例如ADE_AnimateDiffUniformContextOptions用于配置动画的上下文长度、总帧数等。将运动模块和配置应用到你的KSampler节点上通常有专用的输入槽。输出采样器输出的将是一个潜空间序列你需要使用VAE Decode节点将其解码为图像序列最后使用Save Image节点并选择保存为GIF或图像序列或使用VHS_VideoCombine等节点将图像序列合成为MP4视频。关键参数context_length一次处理的帧数影响连贯性和显存。frame_rate输出视频的帧率。total_frames总帧数决定视频时长。6.2 构建图像到视频的工作流你也可以基于一张初始图生成一段视频。这通常需要结合IP-Adapter保持内容一致性和AnimateDiff生成运动。工作流会更复杂但逻辑是先用图生图节点如VAE EncodeKSampler确保第一帧符合输入图再将此流程嵌入到AnimateDiff的循环或批次处理中。动画工作流对显存和计算资源要求较高且参数调试更为复杂建议在熟练掌握静态图工作流后再进行尝试。7. 常见问题与深度排错指南遇到问题不要慌大部分错误都有明确的解决路径。7.1 节点缺失或工作流加载错误现象加载他人分享的工作流JSON/PNG时提示“Missing nodes”或节点显示为红色。原因你的ComfyUI环境中缺少工作流所依赖的插件或自定义节点。解决使用ComfyUI Manager这是最方便的方法。当导入缺失节点的工作流时ComfyUI Manager通常会自动弹出提示列出缺失的节点及其GitHub仓库地址。你可以直接点击“Install”进行批量安装。手动安装如果管理器没有提示你需要根据错误信息中的节点名称如ImpactPackWAS_等在ComfyUI Manager的“Install Node”页面搜索并安装对应插件。重启安装任何插件后必须重启ComfyUI服务关闭命令行窗口再重新运行run_nvidia_gpu.bat或python main.py才能生效。7.2 显存不足CUDA Out Of Memory现象生成过程中程序崩溃命令行报错显示CUDA out of memory。原因工作流过于复杂、图像分辨率过高、或同时加载了过多大型模型超出了显卡显存容量。解决降低分辨率减少Empty Latent Image节点的宽高设置。使用显存优化节点在KSampler后使用VAE Decode的tiled分块解码版本。使用Efficiency Nodes插件中的KSampler (Efficient)。使用Model Merge等操作后及时用FreeU或Unload Checkpoint节点释放模型。启用CPU卸载在Load Checkpoint节点中可以设置vae到CPU加载如果支持或在启动命令中添加--cpu参数将非关键组件放在CPU上。分步执行对于超大型工作流可以将其拆分成几个子工作流分别执行并保存中间结果如图像、潜空间再加载到下一个工作流中继续。7.3 生成结果黑图、扭曲或不符合预期现象能出图但质量很差。原因与排查模型不匹配检查Load Checkpoint节点加载的模型是否与提示词语义兼容例如用SD1.5的模型去生成SDXL风格的提示词。VAE问题有些模型需要特定的VAE。尝试在Load Checkpoint节点中更换vae选项或单独加载一个VAE模型如vae-ft-mse-840000-ema-pruned.safetensors并用VAE Loader节点连接。采样参数不当steps太低20、cfg值过高15或过低5、选择了不合适的sampler或scheduler都可能导致问题。从euler,dpmpp_2m等常用采样器开始cfg设在7-9之间。提示词问题检查提示词拼写避免矛盾词汇。负向提示词应包含lowres, bad anatomy, worst quality, low quality等通用负面标签。节点连接错误仔细检查每个节点的输入输出是否连接正确特别是CLIP、MODEL、CONDITIONING、LATENT、IMAGE这几类数据的流向。7.4 其他实用技巧备份工作流在尝试任何复杂修改前先点击“Save”保存当前工作流。ComfyUI也支持将工作流保存为PNG图片内嵌JSON数据方便分享和预览。使用队列和种子Queue Prompt旁边的输入框可以设置生成批次。将KSampler的seed设为随机-1可以探索不同结果设为固定值可以复现同一结果。组织节点画布杂乱时可以框选多个节点按CtrlG将它们编组便于管理。查找节点在画布上按CtrlF可以快速搜索并添加节点。从环境部署到插件管理从基础文生图到集成LoRA、ControlNet的进阶控制再到动画工作流的初探我们系统地走完了ComfyUI的核心学习路径。关键在于理解其节点化、数据流的工作逻辑将复杂的生成任务拆解为清晰的步骤。开始时模仿成熟工作流理解每个节点的作用熟练后大胆组合创新构建属于自己的自动化生产管线。ComfyUI的学习曲线初期较陡但一旦跨越你将获得远超传统工具的创作自由度和效率。
优化的核心思想)
