很多新手在第一次接触 ComfyUI 时最大的感受往往不是“强大”而是“懵”。节点连线满天飞、模型不知道放哪里、报错信息一段接着一段网上资料虽然很多但要么只讲安装要么直接丢出一套复杂工作流让新手照抄抄完也不知道每一步在做什么。这篇文章就围绕“ComfyUI 本地部署 工作流搭建”这条主线整理一份适合 2026 年新手入门使用的实用教程。内容包括环境准备、整合包安装与手动安装、核心节点概念、从零手写一个文生图工作流以及最常见的报错排查和工程建议希望能帮你把 ComfyUI 真正用起来。1. ComfyUI 是什么为什么新手也建议学它1.1 ComfyUI 与 WebUI 的区别ComfyUI 是一款基于 Stable Diffusion 模型的可视化工作流工具。它把 AI 绘画的生成流程拆成了一个个节点比如“加载大模型”“编码提示词”“采样去噪”“解码图像”再用连线把数据流串起来。很多人第一次打开 ComfyUI 会觉得界面太“硬核”没有网页版 WebUI 那种整齐的表单取而代之的是一个个方块和连线。但正是这种节点式结构带来了 WebUI 很难做到的优势流程透明每一步生成过程都看得见模型、提示词、采样器、图像尺寸一目了然。高度可控可以自由替换某个节点比如只换采样器或者只改 VAE不需要重新切换全局设置。支持复杂工作流ControlNet、LoRA、局部重绘、图像放大、视频生成等能力在 ComfyUI 中都能通过节点组合实现。便于复用工作流会被保存为一个 JSON 文件可以直接分享给其他 ComfyUI 用户别人拖进界面就能用。需要先澄清一个容易混淆的概念ComfyUI 本身不是绘画模型它更像是一个“画图引擎的驾驶舱”。真正负责生成图像的是 Stable Diffusion 系列模型比如 SD 1.5、SDXL或者社区里微调过的各种模型。ComfyUI 负责把模型加载起来并通过节点连线控制整个生成过程。1.2 ComfyUI 常见应用场景ComfyUI 的应用范围很广常见的包括文生图输入提示词从随机噪声中生成一张图像。图生图给一张参考图让模型在保留原图结构的基础上重绘或修改风格。局部重绘只对图像的某个区域进行重绘比如改变背景、修复物体。ControlNet 精准控制通过线稿、深度图、姿态图等辅助图像控制构图和姿态。LoRA 角色/风格微调加载训练好的 LoRA让模型生成特定角色或特定画风。视频生成与编辑部分扩展工作流支持 AnimateDiff、LTX Video 等视频生成能力。对于新手来说不建议一上来就把所有功能都装上。先把最基础的文生图工作流跑通再逐步接触 ControlNet 和 LoRA学习曲线会平滑很多。1.3 核心概念一句话解释在进入实操之前先集中认识几个高频概念。概念一句话解释Checkpoint大模型训练好的 Stable Diffusion 权重文件决定了画面的整体风格和基础能力。VAE变分自编码器负责把模型生成的潜空间数据解码成可见图像影响色彩和清晰度。CLIP 文本编码器把提示词转换成模型能理解的向量模型根据这个向量理解绘画语义。LoRA低秩适配一种轻量级微调文件不改变大模型主体用来调整角色、风格或特定元素。采样器Sampler控制去噪过程的算法不同采样器对细节和速度的影响不同。潜空间Latent Space图像在压缩后的潜在表示模型在这个空间里做“去噪绘画”。CFG分类器自由引导控制提示词对画面的影响强度值越大越贴近提示词过高会过饱和或崩坏。这些概念先有个印象即可后面在每个环节会再展开解释。2. 环境准备与版本说明2.1 硬件配置建议ComfyUI 的部署门槛并不算高但 AI 绘画对显卡的要求要提前认清。最低配置体验入门NVIDIA 显卡显存 4GB 以上。16GB 内存。建议使用 SSD 存放模型。推荐配置流畅使用NVIDIA 显卡显存 8GB 及以上。32GB 内存。预留至少 50GB 磁盘空间。Windows 10/11 64 位系统。如果你的电脑没有 NVIDIA 显卡也可以使用 CPU 运行但生成速度会非常慢只建议用来测试流程是否正确。AMD 显卡和 Apple Silicon 也有相应的支持方式不过这部分配置相对小众本文以 NVIDIA GPU Windows 环境为例讲解。2.2 软件版本说明版本信息请以你实际安装时的官方最新版本为准不要照搬旧教程中的固定版本号。建议具备以下环境Python 3.10 或 3.1164 位版本。Git用于拉取 ComfyUI 源码和插件。NVIDIA 显卡驱动建议更新到较新版本。PyTorch 版本根据 CUDA 版本选择具体命令以 PyTorch 官网生成器为准。2.3 两种安装方式怎么选ComfyUI 的安装方式主要有两种。第一种整合包方式。社区中常见的是“秋叶整合包”系列通常已经内置了 Python、依赖库和常用模型解压即可用适合不想折腾环境的新手。不过整合包版本更新可能滞后遇到新节点缺少依赖时需要自己补充。第二种官方手动安装。通过 Git 拉取源码并手动创建 Python 虚拟环境安装依赖。这种方式更灵活版本可控排查问题也更容易适合有一定基础的开发者。我的建议是如果你想快速体验 ComfyUI或者电脑环境比较复杂先用整合包跑通如果以后长期使用或者想深入理解框架再迁移到手动安装。3. 安装 ComfyUI两种方式完整实操3.1 方式一秋叶整合包快速安装秋叶整合包在中文社区里使用率很高优点是“解压即用”一般会附带模型下载和管理功能。使用步骤大致如下从官方指定渠道或可信来源下载整合包压缩包。解压到磁盘剩余空间充足的目录注意路径尽量不要包含中文和空格。双击启动脚本比如启动ComfyUI.bat。等待控制台输出启动日志直到出现Starting server之类的提示。浏览器会自动打开 ComfyUI 的 Web 界面默认地址是http://127.0.0.1:8188。整合包方式并不是某一家独有不同作者制作的整合包界面会略有差别但核心原理都一样把 ComfyUI 主程序、Python 运行环境、依赖包和常见模型统一打包。使用整合包时要注意两点第一务必从可信渠道下载避免下载到被篡改的文件第二整合包虽然方便但遇到节点报错时你依然需要理解报错信息不能只靠“重新解压”解决所有问题。3.2 方式二Git Python 手动安装如果你选择手动安装流程会更接近开发者习惯。先确保已经安装 Python 和 Git然后打开命令行执行以下命令。# 拉取 ComfyUI 源码 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境 python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux / macOS 激活虚拟环境 # source venv/bin/activate # 安装依赖 pip install -r requirements.txt这里解释一下为什么推荐使用虚拟环境。ComfyUI 依赖的 PyTorch、torchvision 等库版本比较敏感如果直接安装到全局 Python 环境中很容易与其他项目发生版本冲突。虚拟环境相当于给项目单独开了一个“隔离房间”依赖互不干扰。安装完依赖后需要安装 PyTorch。PyTorch 的安装命令取决于你的 CUDA 版本建议打开 PyTorch 官网选择你自己的操作系统、包管理器和 CUDA 版本复制生成的命令执行。命令格式类似下面这样# 示例以 CUDA 11.8 为例实际请根据官网生成器选择 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118如果你不确定 CUDA 版本可以先在命令行运行nvidia-smi查看右上角的 CUDA Version。这里要注意这个数值代表驱动支持的最高 CUDA 版本不一定是 PyTorch 运行时使用的版本但可以作为参考。3.3 启动 ComfyUI无论是整合包还是手动安装启动方式都一样最终都是运行main.pypython main.py启动成功后浏览器访问http://127.0.0.1:8188就可以看到 ComfyUI 的默认界面。第一次打开时页面左侧是节点画布上方有几个功能按钮。如果页面是空白画布可以通过菜单里的 Load Default 加载默认工作流或者按照第 5 节的步骤手动搭建。4. 认识 ComfyUI 核心概念与节点4.1 工作流的三要素节点、连线、数据ComfyUI 的工作流由三部分组成。节点Node一个节点代表一个处理步骤比如加载模型、编码文本、采样去噪。连线Edge节点之间的连接线代表数据流向。数据在节点之间流动的数据包括模型对象、文本向量、潜空间数据、图像等。节点的左侧通常是输入端口右侧是输出端口不同类型的端口用不同颜色区分。例如MODEL 类型的端口、CLIP 类型的端口、LATENT 类型的端口、IMAGE 类型的端口。连线时必须把输出端口连接到类型匹配的输入端口否则会报错。4.2 常用节点详解一个最简单的文生图工作流通常包含下面几个节点。节点名称作用关键参数CheckpointLoaderSimple加载大模型权重输出 MODEL、CLIP、VAEcheckpoint 名称CLIPTextEncode用 CLIP 编码文本提示词输出条件向量text 文本内容EmptyLatentImage创建一张空白的潜空间图像width、height、batch_sizeKSampler在潜空间执行采样去噪过程生成潜空间图model、seed、steps、cfg、sampler_name、scheduler、denoiseVAEDecode将潜空间数据解码成可见图像samples潜空间数据SaveImage保存图像到磁盘images、filename_prefixCheckpointLoaderSimple是工作流的起点。每个大模型文件里通常包含了 UNet负责去噪、CLIP负责编码文本和 VAE负责解码图像三部分。加载后三个输出分别连接需要它的节点。CLIPTextEncode承担的是“理解提示词”的任务。它接收 Checkpoint 输出的 CLIP再接收你输入的文本输出一个条件向量。正向提示词描述你想要的内容负向提示词描述你不想要的内容所以至少需要两个 CLIPTextEncode 节点。EmptyLatentImage用来指定生成图像的尺寸。这里创建的是一张“全噪声图”后续 KSampler 会在这个基础上逐步去噪。理解这一点很重要AI 绘画的本质不是“从空白画布上画图”而是“从一张随机噪声图中一步步恢复出清晰图像”。KSampler是整个工作流中最核心的节点。它的参数直接影响画面质量和生成速度seed随机种子。固定种子配合相同参数可以复现相同结果。steps去噪步数。步数越多细节往往越充分但耗时越长常见设置为 20 到 30。cfg刚才提到的分类器自由引导强度。SD 1.5 系列常用 6 到 8SDXL 系列可以稍微低一些。sampler_name采样器名称比如 euler、dpmpp_2m、uni_pc不同采样器对画面的“风格”和收敛速度有一定影响。scheduler采样调度器比如 normal、karras配合采样器一起使用。denoise重绘幅度。文生图时通常为 1.0图生图时小于 1.0 表示保留原图程度。VAEDecode负责把潜空间数据变成图片。如果没有这一步你只能得到一堆无法直接查看的特征数据。SaveImage则把解码后的图像保存到output目录中并显示在网页里。4.3 Checkpoint、VAE、LoRA 存放位置ComfyUI 的模型目录默认位于ComfyUI/models下。不同模型类型对应不同子目录ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型文件如 SD 1.5、SDXL │ ├── vae/ # VAE 文件 │ ├── loras/ # LoRA 文件 │ ├── embeddings/ # 文本嵌入文件 │ ├── controlnet/ # ControlNet 模型文件 │ └── upscale_models/ # 放大模型文件把模型放进对应目录后如果节点参数里的下拉列表没有刷新出来可以点击节点参数旁边的刷新按钮或者直接重启 ComfyUI。如果你已经在用 Stable Diffusion WebUI想避免重复存放模型可以通过修改extra_model_paths.yaml配置让 ComfyUI 读取 WebUI 的模型目录。示例思路如下# 文件路径ComfyUI/extra_model_paths.yaml other_ui: base_path: D:/models/stable-diffusion/ checkpoints: checkpoints/ vae: vae/ loras: loras/具体路径需要根据你本机 WebUI 的实际目录调整。修改后重启 ComfyUI 才能生效。5. 从零搭建第一个文生图工作流下面我们手动搭建一个最基础的文生图工作流。第一次操作时建议跟着步骤在画布上实际连一遍不要直接加载默认工作流。5.1 创建节点图在 ComfyUI 网页画布的空白处双击鼠标会弹出节点搜索框。依次输入节点名称并回车创建以下节点CheckpointLoaderSimpleCLIPTextEncode创建两个一个用于正向提示词一个用于负向提示词EmptyLatentImageKSamplerVAEDecodeSaveImage整个过程的数据流如下CheckpointLoaderSimple ├── MODEL ────────────────→ KSampler ├── CLIP ──→ CLIPTextEncode(正向) ──→ KSampler └── VAE ──────────────────→ VAEDecode EmptyLatentImage ──→ KSampler KSampler ──→ VAEDecode ──→ SaveImage先连接 MODEL、CLIP、VAE 三条主线再连接 KSampler 到 VAEDecode最后连接 EmptyLatentImage 到 KSampler 的 latent 输入端口。5.2 填写提示词与参数连接完成后在 CLIPTextEncode 节点中填写提示词。下面给一个适合 SD 1.5 模型的示例。正向提示词a beautiful landscape, mountains and river, golden hour, highly detailed, masterpiece, best quality负向提示词lowres, bad anatomy, bad hands, extra fingers, blurry, watermark, jpeg artifactsKSampler 参数可以按下面的表格设置。第一次跑通流程时不需要追求极致效果先保证输出一张正常的图。参数值seed123456steps25cfg7sampler_nameeulerschedulernormaldenoise1.0EmptyLatentImage 参数建议设置为 512x512batch_size 为 1。理由很简单512 分辨率下显存压力小生成速度快适合验证流程确认无误后再提高分辨率。5.3 运行工作流点击画布右上方的Queue Prompt按钮即可开始生成。生成过程中可以观察控制台输出日志里面会显示当前正在执行的节点、采样进度和耗时。如果你看到图像正常出现在节点下方说明你的第一个 ComfyUI 工作流已经跑通了。点击图片可以查看大图和图片信息也可以直接保存。5.4 保存工作流工作流搭建好后一定要保存下来。点击画布右侧或顶部的Save按钮ComfyUI 会把当前所有节点、连线和参数保存为一个 JSON 文件。之后想再次使用点击Open或把 JSON 文件拖入浏览器窗口即可加载。另外ComfyUI 生成的 PNG 图片中会嵌入工作流信息把别人分享的 ComfyUI 生成图片直接拖入画布也可以还原图片对应的工作流前提是图片没有经过二次压缩或元数据清洗。5.5 换用其他模型默认情况下CheckpointLoaderSimple 节点可以选择你放入checkpoints目录的所有模型。如果你的模型列表没有出现想要的模型很可能是文件还没放对位置或者节点下拉列表没有刷新。换模型的本质是替换大模型权重画面风格会随之变化。SD 1.5 和 SDXL 的推荐参数不同特别是 CFG 和采样器设置。如果不确定先用默认参数测试再逐项微调。6. 工作流加载与插件安装6.1 加载他人分享的工作流网上有很多 ComfyUI 工作流分享后缀通常是.json或.png。加载方式有两种JSON 文件打开 ComfyUI 页面直接把文件拖入浏览器窗口。PNG 图片直接把图片拖入浏览器窗口ComfyUI 会读取图片中嵌入的工作流数据。加载后如果界面出现红色节点或者报错优先检查模型文件是否缺失。很多分享者使用的模型、LoRA 或 ControlNet 文件在你的电脑上并不存在需要先到对应目录放置模型并重启。分享社区里的工作流质量参差不齐。建议先看节点结构选择自己能理解的工作流再考虑运行。不要盲目运行来源不明的工作流以免引入不安全的自定义节点。6.2 安装 ComfyUI 插件ComfyUI 的插件被放在custom_nodes目录中。安装方式常见有两种。第一种通过 ComfyUI Manager 插件管理工具安装。先手动把 ComfyUI Manager 克隆到custom_nodes目录cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启 ComfyUI 后页面会出现 Manager 按钮。通过它可以搜索并安装其他插件也能检查和更新已安装的插件依赖。第二种手动克隆插件仓库。很多插件的 GitHub 仓库都会写清楚安装命令本质就是把仓库克隆到custom_nodes目录然后安装依赖最后重启 ComfyUI。cd ComfyUI/custom_nodes git clone https://github.com/example/example-comfyui-plugin.git cd example-comfyui-plugin pip install -r requirements.txt插件兼容性需要特别留意。ComfyUI 本身更新很快插件作者可能没有及时跟上主程序版本安装后出现报错时优先检查插件是否适配当前 ComfyUI 版本。大多数情况下保持 ComfyUI 和插件都更新到较新版本可以解决兼容性问题。6.3 插件使用的建议对于新手我的建议是前期尽量少装插件。ComfyUI 最吸引人的地方就在于核心功能已经足够强大过多插件会带来依赖冲突、更新失败、节点报错等问题。先把原生节点用熟练再按需添加插件遇到问题也更容易定位。7. 常见问题与排查思路7.1 节点执行报错failed to execute这是新手最容易遇到的报错。运行时ComfyUI 会弹出一个错误报告面板常见格式如下# ComfyUI Error Report ## Error Details - **Node**: KSampler - **Exception**: CUDA out of memory看到这类报错先不要慌按以下顺序排查看错误报告里标注的节点名称确认是哪个节点出错。检查该节点的输入是否全部正确连接连线类型是否匹配。检查对应模型文件是否已经放入正确目录。查看完整堆栈信息搜索关键字如out of memory、No such file or directory、expected type。如果是自定义节点报错去插件仓库的 Issues 区搜索相同问题。问题现象常见原因解决思路提示MODEL类型不匹配连线接错端口删掉错误连线按类型重新连接提示找不到模型文件模型未放入checkpoints目录放置模型并点击刷新提示 CUDA out of memory显存不足降低分辨率、减小 batch、升级显存提示 Python 包缺失自定义节点缺少依赖安装插件对应 requirements.txt7.2 显存不足与虚拟内存不足生成图片时显存占用非常高。如果出现CUDA out of memory可以依次尝试将图像分辨率从 512x512 降低到 512x384 或更低。将 batch_size 从 1 降到 1默认即 1不要一次生成多张。使用更省显存的采样器参数组合。关闭其他占用显存的程序。如果系统提示“虚拟内存不足”说明物理内存和页面文件加起来也不够用。可以通过 Windows 设置手动增大虚拟内存系统属性 → 高级 → 性能设置 → 高级 → 虚拟内存更改取消“自动管理”将页面文件设置为物理内存的 1.5 到 2 倍。设置后需要重启系统生效。需要说明的是虚拟内存是对物理内存的扩展并不能替代显卡显存。如果显存不足虚拟内存的作用有限。7.3 模型加载慢或下载中断大模型文件通常是几个 GB 起步下载时间长很正常。第一次加载模型时ComfyUI 需要把权重读入显存耗时也会比较长。如果模型下载经常中断建议使用支持断点续传的下载工具或者从国内模型社区下载镜像文件。下载完成后可以对比文件哈希值确认文件完整性。磁盘速度对模型加载影响很大。把模型放在 SSD 上启动和切换模型的速度会明显快于机械硬盘。7.4 生成黑图或画面崩坏生成结果如果是全黑或者一片噪点常见原因包括VAE 没有正确连接或者 checkpoint 自带的 VAE 异常。解决方式是手动加载一个 VAE 文件并用 VAE Loader 节点接入 VAEDecode。提示词与模型风格不匹配。例如在真实风格模型上强行使用动漫风格描述输出可能很奇怪。CFG 过高导致过饱和和色彩崩坏。试着把 CFG 从 7 降到 5 左右。steps 过少模型来不及完成去噪。把 steps 提高到 20 以上再试。7.5 问题排查通用清单如果遇到无法定位的问题按以下顺序处理重启 ComfyUI看是否只是临时状态问题。查看控制台启动日志中的异常堆栈。将报错信息复制到搜索引擎或社区搜索。确认 ComfyUI 版本和插件版本是否兼容。用最小工作流测试只包含 CheckpointLoaderSimple、KSampler、VAEDecode、SaveImage判断问题是否在某个自定义节点。8. 最佳实践与工程建议8.1 模型与文件管理模型文件体积大、种类多建议建立清晰的目录命名规范。例如checkpoints目录下按模型作者或用途分子目录LoRA 文件命名时写清触发词和版本。磁盘充足的话建议保留一份源文件备份避免重复下载。ComfyUI 的output目录会积累大量生成图片建议定期清理或者在使用时修改filename_prefix给每次生成加不同前缀便于按任务回溯。8.2 生成性能优化在不改变画质的前提下可以从几个方面优化生成速度优先选择速度较快的采样器例如dpmpp_2m、euler配合normal调度器。在测试阶段使用低分辨率和小步数验证构图后再提高出图质量。开启--xformers启动参数可以节省显存并提升速度但需要安装对应依赖不同显卡支持程度不同。用 SDXL 模型时显存需求更高建议先在 1024x1024 分辨率下测试不要直接挑战超大画布。8.3 工作流版本管理工作流文件本质是 JSON 文本建议像代码一样管理。文件名加上日期和用途例如20260201_portrait_lora_v1.json。如果你熟悉 Git可以把工作流文件放在一个 Git 仓库中方便回滚和比较版本差异。在保存工作流时不要把测试用的临时参数和最终参数混在一起。建议在文件名中标注final或test避免误用错误参数。8.4 安全与版权提醒使用 ComfyUI 时有几个边界需要明确只从可信来源下载模型和插件尽量选择官方仓库或知名模型社区并对下载文件做校验。不生成和传播违法违规内容。AI 绘画工具应当用于合法合规的创作场景。商用前确认模型的许可证。部分模型和 LoRA 仅允许非商用部分素材包含版权风险需要仔细阅读模型页面的授权说明。涉及个人肖像或他人作品时注意隐私和版权问题。8.5 日志与排错习惯ComfyUI 启动后的控制台日志非常重要。遇到问题时先复制报错段落再去搜索。不要只看最后一行错误因为真正的根因往往在堆栈更靠上的位置。如果某个问题反复出现建议记录自己的排查过程环境版本、模型名称、节点截图、报错信息、解决方式。这样既能帮助自己沉淀经验也能在向别人求助时提供完整信息。9. 总结与学习路线到这里你已经从环境准备开始完成了 ComfyUI 的安装、界面认知、核心节点理解并亲手搭建了第一个文生图工作流。你理解了 Checkpoint 加载、CLIP 文本编码、EmptyLatentImage 创建潜空间、KSampler 采样去噪、VAEDecode 解码图像这一整条链路也知道了模型文件应该放在哪里遇到节点报错时如何根据错误报告定位问题。接下来的学习路线建议这样走第一步先把本文的第 5 节工作流再搭两遍直到不需要看教程也能独立连接。第二步学习图生图和局部重绘理解 denoise 参数在重绘中的作用。第三步接触 ControlNet尝试用线稿或深度图控制构图。第四步学习 LoRA 的使用和训练掌握风格定制的核心技能。第五步根据自己的需求研究视频生成、批量生成、API 调用等进阶方向。如果你也想系统学习 ComfyUI建议不要急着下载几百个插件先亲手从零搭完一个最基础的文生图工作流然后慢慢加 ControlNet、LoRA、视频生成这些轮子。每一步都踩踏实后面再复杂的工作流都会觉得清楚得多。遇到问题不要气馁报错信息、启动日志、社区搜索这三件套能帮你解决绝大部分难点。
ComfyUI新手入门：本地部署与文生图工作流搭建指南
很多新手在第一次接触 ComfyUI 时最大的感受往往不是“强大”而是“懵”。节点连线满天飞、模型不知道放哪里、报错信息一段接着一段网上资料虽然很多但要么只讲安装要么直接丢出一套复杂工作流让新手照抄抄完也不知道每一步在做什么。这篇文章就围绕“ComfyUI 本地部署 工作流搭建”这条主线整理一份适合 2026 年新手入门使用的实用教程。内容包括环境准备、整合包安装与手动安装、核心节点概念、从零手写一个文生图工作流以及最常见的报错排查和工程建议希望能帮你把 ComfyUI 真正用起来。1. ComfyUI 是什么为什么新手也建议学它1.1 ComfyUI 与 WebUI 的区别ComfyUI 是一款基于 Stable Diffusion 模型的可视化工作流工具。它把 AI 绘画的生成流程拆成了一个个节点比如“加载大模型”“编码提示词”“采样去噪”“解码图像”再用连线把数据流串起来。很多人第一次打开 ComfyUI 会觉得界面太“硬核”没有网页版 WebUI 那种整齐的表单取而代之的是一个个方块和连线。但正是这种节点式结构带来了 WebUI 很难做到的优势流程透明每一步生成过程都看得见模型、提示词、采样器、图像尺寸一目了然。高度可控可以自由替换某个节点比如只换采样器或者只改 VAE不需要重新切换全局设置。支持复杂工作流ControlNet、LoRA、局部重绘、图像放大、视频生成等能力在 ComfyUI 中都能通过节点组合实现。便于复用工作流会被保存为一个 JSON 文件可以直接分享给其他 ComfyUI 用户别人拖进界面就能用。需要先澄清一个容易混淆的概念ComfyUI 本身不是绘画模型它更像是一个“画图引擎的驾驶舱”。真正负责生成图像的是 Stable Diffusion 系列模型比如 SD 1.5、SDXL或者社区里微调过的各种模型。ComfyUI 负责把模型加载起来并通过节点连线控制整个生成过程。1.2 ComfyUI 常见应用场景ComfyUI 的应用范围很广常见的包括文生图输入提示词从随机噪声中生成一张图像。图生图给一张参考图让模型在保留原图结构的基础上重绘或修改风格。局部重绘只对图像的某个区域进行重绘比如改变背景、修复物体。ControlNet 精准控制通过线稿、深度图、姿态图等辅助图像控制构图和姿态。LoRA 角色/风格微调加载训练好的 LoRA让模型生成特定角色或特定画风。视频生成与编辑部分扩展工作流支持 AnimateDiff、LTX Video 等视频生成能力。对于新手来说不建议一上来就把所有功能都装上。先把最基础的文生图工作流跑通再逐步接触 ControlNet 和 LoRA学习曲线会平滑很多。1.3 核心概念一句话解释在进入实操之前先集中认识几个高频概念。概念一句话解释Checkpoint大模型训练好的 Stable Diffusion 权重文件决定了画面的整体风格和基础能力。VAE变分自编码器负责把模型生成的潜空间数据解码成可见图像影响色彩和清晰度。CLIP 文本编码器把提示词转换成模型能理解的向量模型根据这个向量理解绘画语义。LoRA低秩适配一种轻量级微调文件不改变大模型主体用来调整角色、风格或特定元素。采样器Sampler控制去噪过程的算法不同采样器对细节和速度的影响不同。潜空间Latent Space图像在压缩后的潜在表示模型在这个空间里做“去噪绘画”。CFG分类器自由引导控制提示词对画面的影响强度值越大越贴近提示词过高会过饱和或崩坏。这些概念先有个印象即可后面在每个环节会再展开解释。2. 环境准备与版本说明2.1 硬件配置建议ComfyUI 的部署门槛并不算高但 AI 绘画对显卡的要求要提前认清。最低配置体验入门NVIDIA 显卡显存 4GB 以上。16GB 内存。建议使用 SSD 存放模型。推荐配置流畅使用NVIDIA 显卡显存 8GB 及以上。32GB 内存。预留至少 50GB 磁盘空间。Windows 10/11 64 位系统。如果你的电脑没有 NVIDIA 显卡也可以使用 CPU 运行但生成速度会非常慢只建议用来测试流程是否正确。AMD 显卡和 Apple Silicon 也有相应的支持方式不过这部分配置相对小众本文以 NVIDIA GPU Windows 环境为例讲解。2.2 软件版本说明版本信息请以你实际安装时的官方最新版本为准不要照搬旧教程中的固定版本号。建议具备以下环境Python 3.10 或 3.1164 位版本。Git用于拉取 ComfyUI 源码和插件。NVIDIA 显卡驱动建议更新到较新版本。PyTorch 版本根据 CUDA 版本选择具体命令以 PyTorch 官网生成器为准。2.3 两种安装方式怎么选ComfyUI 的安装方式主要有两种。第一种整合包方式。社区中常见的是“秋叶整合包”系列通常已经内置了 Python、依赖库和常用模型解压即可用适合不想折腾环境的新手。不过整合包版本更新可能滞后遇到新节点缺少依赖时需要自己补充。第二种官方手动安装。通过 Git 拉取源码并手动创建 Python 虚拟环境安装依赖。这种方式更灵活版本可控排查问题也更容易适合有一定基础的开发者。我的建议是如果你想快速体验 ComfyUI或者电脑环境比较复杂先用整合包跑通如果以后长期使用或者想深入理解框架再迁移到手动安装。3. 安装 ComfyUI两种方式完整实操3.1 方式一秋叶整合包快速安装秋叶整合包在中文社区里使用率很高优点是“解压即用”一般会附带模型下载和管理功能。使用步骤大致如下从官方指定渠道或可信来源下载整合包压缩包。解压到磁盘剩余空间充足的目录注意路径尽量不要包含中文和空格。双击启动脚本比如启动ComfyUI.bat。等待控制台输出启动日志直到出现Starting server之类的提示。浏览器会自动打开 ComfyUI 的 Web 界面默认地址是http://127.0.0.1:8188。整合包方式并不是某一家独有不同作者制作的整合包界面会略有差别但核心原理都一样把 ComfyUI 主程序、Python 运行环境、依赖包和常见模型统一打包。使用整合包时要注意两点第一务必从可信渠道下载避免下载到被篡改的文件第二整合包虽然方便但遇到节点报错时你依然需要理解报错信息不能只靠“重新解压”解决所有问题。3.2 方式二Git Python 手动安装如果你选择手动安装流程会更接近开发者习惯。先确保已经安装 Python 和 Git然后打开命令行执行以下命令。# 拉取 ComfyUI 源码 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境 python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux / macOS 激活虚拟环境 # source venv/bin/activate # 安装依赖 pip install -r requirements.txt这里解释一下为什么推荐使用虚拟环境。ComfyUI 依赖的 PyTorch、torchvision 等库版本比较敏感如果直接安装到全局 Python 环境中很容易与其他项目发生版本冲突。虚拟环境相当于给项目单独开了一个“隔离房间”依赖互不干扰。安装完依赖后需要安装 PyTorch。PyTorch 的安装命令取决于你的 CUDA 版本建议打开 PyTorch 官网选择你自己的操作系统、包管理器和 CUDA 版本复制生成的命令执行。命令格式类似下面这样# 示例以 CUDA 11.8 为例实际请根据官网生成器选择 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118如果你不确定 CUDA 版本可以先在命令行运行nvidia-smi查看右上角的 CUDA Version。这里要注意这个数值代表驱动支持的最高 CUDA 版本不一定是 PyTorch 运行时使用的版本但可以作为参考。3.3 启动 ComfyUI无论是整合包还是手动安装启动方式都一样最终都是运行main.pypython main.py启动成功后浏览器访问http://127.0.0.1:8188就可以看到 ComfyUI 的默认界面。第一次打开时页面左侧是节点画布上方有几个功能按钮。如果页面是空白画布可以通过菜单里的 Load Default 加载默认工作流或者按照第 5 节的步骤手动搭建。4. 认识 ComfyUI 核心概念与节点4.1 工作流的三要素节点、连线、数据ComfyUI 的工作流由三部分组成。节点Node一个节点代表一个处理步骤比如加载模型、编码文本、采样去噪。连线Edge节点之间的连接线代表数据流向。数据在节点之间流动的数据包括模型对象、文本向量、潜空间数据、图像等。节点的左侧通常是输入端口右侧是输出端口不同类型的端口用不同颜色区分。例如MODEL 类型的端口、CLIP 类型的端口、LATENT 类型的端口、IMAGE 类型的端口。连线时必须把输出端口连接到类型匹配的输入端口否则会报错。4.2 常用节点详解一个最简单的文生图工作流通常包含下面几个节点。节点名称作用关键参数CheckpointLoaderSimple加载大模型权重输出 MODEL、CLIP、VAEcheckpoint 名称CLIPTextEncode用 CLIP 编码文本提示词输出条件向量text 文本内容EmptyLatentImage创建一张空白的潜空间图像width、height、batch_sizeKSampler在潜空间执行采样去噪过程生成潜空间图model、seed、steps、cfg、sampler_name、scheduler、denoiseVAEDecode将潜空间数据解码成可见图像samples潜空间数据SaveImage保存图像到磁盘images、filename_prefixCheckpointLoaderSimple是工作流的起点。每个大模型文件里通常包含了 UNet负责去噪、CLIP负责编码文本和 VAE负责解码图像三部分。加载后三个输出分别连接需要它的节点。CLIPTextEncode承担的是“理解提示词”的任务。它接收 Checkpoint 输出的 CLIP再接收你输入的文本输出一个条件向量。正向提示词描述你想要的内容负向提示词描述你不想要的内容所以至少需要两个 CLIPTextEncode 节点。EmptyLatentImage用来指定生成图像的尺寸。这里创建的是一张“全噪声图”后续 KSampler 会在这个基础上逐步去噪。理解这一点很重要AI 绘画的本质不是“从空白画布上画图”而是“从一张随机噪声图中一步步恢复出清晰图像”。KSampler是整个工作流中最核心的节点。它的参数直接影响画面质量和生成速度seed随机种子。固定种子配合相同参数可以复现相同结果。steps去噪步数。步数越多细节往往越充分但耗时越长常见设置为 20 到 30。cfg刚才提到的分类器自由引导强度。SD 1.5 系列常用 6 到 8SDXL 系列可以稍微低一些。sampler_name采样器名称比如 euler、dpmpp_2m、uni_pc不同采样器对画面的“风格”和收敛速度有一定影响。scheduler采样调度器比如 normal、karras配合采样器一起使用。denoise重绘幅度。文生图时通常为 1.0图生图时小于 1.0 表示保留原图程度。VAEDecode负责把潜空间数据变成图片。如果没有这一步你只能得到一堆无法直接查看的特征数据。SaveImage则把解码后的图像保存到output目录中并显示在网页里。4.3 Checkpoint、VAE、LoRA 存放位置ComfyUI 的模型目录默认位于ComfyUI/models下。不同模型类型对应不同子目录ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型文件如 SD 1.5、SDXL │ ├── vae/ # VAE 文件 │ ├── loras/ # LoRA 文件 │ ├── embeddings/ # 文本嵌入文件 │ ├── controlnet/ # ControlNet 模型文件 │ └── upscale_models/ # 放大模型文件把模型放进对应目录后如果节点参数里的下拉列表没有刷新出来可以点击节点参数旁边的刷新按钮或者直接重启 ComfyUI。如果你已经在用 Stable Diffusion WebUI想避免重复存放模型可以通过修改extra_model_paths.yaml配置让 ComfyUI 读取 WebUI 的模型目录。示例思路如下# 文件路径ComfyUI/extra_model_paths.yaml other_ui: base_path: D:/models/stable-diffusion/ checkpoints: checkpoints/ vae: vae/ loras: loras/具体路径需要根据你本机 WebUI 的实际目录调整。修改后重启 ComfyUI 才能生效。5. 从零搭建第一个文生图工作流下面我们手动搭建一个最基础的文生图工作流。第一次操作时建议跟着步骤在画布上实际连一遍不要直接加载默认工作流。5.1 创建节点图在 ComfyUI 网页画布的空白处双击鼠标会弹出节点搜索框。依次输入节点名称并回车创建以下节点CheckpointLoaderSimpleCLIPTextEncode创建两个一个用于正向提示词一个用于负向提示词EmptyLatentImageKSamplerVAEDecodeSaveImage整个过程的数据流如下CheckpointLoaderSimple ├── MODEL ────────────────→ KSampler ├── CLIP ──→ CLIPTextEncode(正向) ──→ KSampler └── VAE ──────────────────→ VAEDecode EmptyLatentImage ──→ KSampler KSampler ──→ VAEDecode ──→ SaveImage先连接 MODEL、CLIP、VAE 三条主线再连接 KSampler 到 VAEDecode最后连接 EmptyLatentImage 到 KSampler 的 latent 输入端口。5.2 填写提示词与参数连接完成后在 CLIPTextEncode 节点中填写提示词。下面给一个适合 SD 1.5 模型的示例。正向提示词a beautiful landscape, mountains and river, golden hour, highly detailed, masterpiece, best quality负向提示词lowres, bad anatomy, bad hands, extra fingers, blurry, watermark, jpeg artifactsKSampler 参数可以按下面的表格设置。第一次跑通流程时不需要追求极致效果先保证输出一张正常的图。参数值seed123456steps25cfg7sampler_nameeulerschedulernormaldenoise1.0EmptyLatentImage 参数建议设置为 512x512batch_size 为 1。理由很简单512 分辨率下显存压力小生成速度快适合验证流程确认无误后再提高分辨率。5.3 运行工作流点击画布右上方的Queue Prompt按钮即可开始生成。生成过程中可以观察控制台输出日志里面会显示当前正在执行的节点、采样进度和耗时。如果你看到图像正常出现在节点下方说明你的第一个 ComfyUI 工作流已经跑通了。点击图片可以查看大图和图片信息也可以直接保存。5.4 保存工作流工作流搭建好后一定要保存下来。点击画布右侧或顶部的Save按钮ComfyUI 会把当前所有节点、连线和参数保存为一个 JSON 文件。之后想再次使用点击Open或把 JSON 文件拖入浏览器窗口即可加载。另外ComfyUI 生成的 PNG 图片中会嵌入工作流信息把别人分享的 ComfyUI 生成图片直接拖入画布也可以还原图片对应的工作流前提是图片没有经过二次压缩或元数据清洗。5.5 换用其他模型默认情况下CheckpointLoaderSimple 节点可以选择你放入checkpoints目录的所有模型。如果你的模型列表没有出现想要的模型很可能是文件还没放对位置或者节点下拉列表没有刷新。换模型的本质是替换大模型权重画面风格会随之变化。SD 1.5 和 SDXL 的推荐参数不同特别是 CFG 和采样器设置。如果不确定先用默认参数测试再逐项微调。6. 工作流加载与插件安装6.1 加载他人分享的工作流网上有很多 ComfyUI 工作流分享后缀通常是.json或.png。加载方式有两种JSON 文件打开 ComfyUI 页面直接把文件拖入浏览器窗口。PNG 图片直接把图片拖入浏览器窗口ComfyUI 会读取图片中嵌入的工作流数据。加载后如果界面出现红色节点或者报错优先检查模型文件是否缺失。很多分享者使用的模型、LoRA 或 ControlNet 文件在你的电脑上并不存在需要先到对应目录放置模型并重启。分享社区里的工作流质量参差不齐。建议先看节点结构选择自己能理解的工作流再考虑运行。不要盲目运行来源不明的工作流以免引入不安全的自定义节点。6.2 安装 ComfyUI 插件ComfyUI 的插件被放在custom_nodes目录中。安装方式常见有两种。第一种通过 ComfyUI Manager 插件管理工具安装。先手动把 ComfyUI Manager 克隆到custom_nodes目录cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启 ComfyUI 后页面会出现 Manager 按钮。通过它可以搜索并安装其他插件也能检查和更新已安装的插件依赖。第二种手动克隆插件仓库。很多插件的 GitHub 仓库都会写清楚安装命令本质就是把仓库克隆到custom_nodes目录然后安装依赖最后重启 ComfyUI。cd ComfyUI/custom_nodes git clone https://github.com/example/example-comfyui-plugin.git cd example-comfyui-plugin pip install -r requirements.txt插件兼容性需要特别留意。ComfyUI 本身更新很快插件作者可能没有及时跟上主程序版本安装后出现报错时优先检查插件是否适配当前 ComfyUI 版本。大多数情况下保持 ComfyUI 和插件都更新到较新版本可以解决兼容性问题。6.3 插件使用的建议对于新手我的建议是前期尽量少装插件。ComfyUI 最吸引人的地方就在于核心功能已经足够强大过多插件会带来依赖冲突、更新失败、节点报错等问题。先把原生节点用熟练再按需添加插件遇到问题也更容易定位。7. 常见问题与排查思路7.1 节点执行报错failed to execute这是新手最容易遇到的报错。运行时ComfyUI 会弹出一个错误报告面板常见格式如下# ComfyUI Error Report ## Error Details - **Node**: KSampler - **Exception**: CUDA out of memory看到这类报错先不要慌按以下顺序排查看错误报告里标注的节点名称确认是哪个节点出错。检查该节点的输入是否全部正确连接连线类型是否匹配。检查对应模型文件是否已经放入正确目录。查看完整堆栈信息搜索关键字如out of memory、No such file or directory、expected type。如果是自定义节点报错去插件仓库的 Issues 区搜索相同问题。问题现象常见原因解决思路提示MODEL类型不匹配连线接错端口删掉错误连线按类型重新连接提示找不到模型文件模型未放入checkpoints目录放置模型并点击刷新提示 CUDA out of memory显存不足降低分辨率、减小 batch、升级显存提示 Python 包缺失自定义节点缺少依赖安装插件对应 requirements.txt7.2 显存不足与虚拟内存不足生成图片时显存占用非常高。如果出现CUDA out of memory可以依次尝试将图像分辨率从 512x512 降低到 512x384 或更低。将 batch_size 从 1 降到 1默认即 1不要一次生成多张。使用更省显存的采样器参数组合。关闭其他占用显存的程序。如果系统提示“虚拟内存不足”说明物理内存和页面文件加起来也不够用。可以通过 Windows 设置手动增大虚拟内存系统属性 → 高级 → 性能设置 → 高级 → 虚拟内存更改取消“自动管理”将页面文件设置为物理内存的 1.5 到 2 倍。设置后需要重启系统生效。需要说明的是虚拟内存是对物理内存的扩展并不能替代显卡显存。如果显存不足虚拟内存的作用有限。7.3 模型加载慢或下载中断大模型文件通常是几个 GB 起步下载时间长很正常。第一次加载模型时ComfyUI 需要把权重读入显存耗时也会比较长。如果模型下载经常中断建议使用支持断点续传的下载工具或者从国内模型社区下载镜像文件。下载完成后可以对比文件哈希值确认文件完整性。磁盘速度对模型加载影响很大。把模型放在 SSD 上启动和切换模型的速度会明显快于机械硬盘。7.4 生成黑图或画面崩坏生成结果如果是全黑或者一片噪点常见原因包括VAE 没有正确连接或者 checkpoint 自带的 VAE 异常。解决方式是手动加载一个 VAE 文件并用 VAE Loader 节点接入 VAEDecode。提示词与模型风格不匹配。例如在真实风格模型上强行使用动漫风格描述输出可能很奇怪。CFG 过高导致过饱和和色彩崩坏。试着把 CFG 从 7 降到 5 左右。steps 过少模型来不及完成去噪。把 steps 提高到 20 以上再试。7.5 问题排查通用清单如果遇到无法定位的问题按以下顺序处理重启 ComfyUI看是否只是临时状态问题。查看控制台启动日志中的异常堆栈。将报错信息复制到搜索引擎或社区搜索。确认 ComfyUI 版本和插件版本是否兼容。用最小工作流测试只包含 CheckpointLoaderSimple、KSampler、VAEDecode、SaveImage判断问题是否在某个自定义节点。8. 最佳实践与工程建议8.1 模型与文件管理模型文件体积大、种类多建议建立清晰的目录命名规范。例如checkpoints目录下按模型作者或用途分子目录LoRA 文件命名时写清触发词和版本。磁盘充足的话建议保留一份源文件备份避免重复下载。ComfyUI 的output目录会积累大量生成图片建议定期清理或者在使用时修改filename_prefix给每次生成加不同前缀便于按任务回溯。8.2 生成性能优化在不改变画质的前提下可以从几个方面优化生成速度优先选择速度较快的采样器例如dpmpp_2m、euler配合normal调度器。在测试阶段使用低分辨率和小步数验证构图后再提高出图质量。开启--xformers启动参数可以节省显存并提升速度但需要安装对应依赖不同显卡支持程度不同。用 SDXL 模型时显存需求更高建议先在 1024x1024 分辨率下测试不要直接挑战超大画布。8.3 工作流版本管理工作流文件本质是 JSON 文本建议像代码一样管理。文件名加上日期和用途例如20260201_portrait_lora_v1.json。如果你熟悉 Git可以把工作流文件放在一个 Git 仓库中方便回滚和比较版本差异。在保存工作流时不要把测试用的临时参数和最终参数混在一起。建议在文件名中标注final或test避免误用错误参数。8.4 安全与版权提醒使用 ComfyUI 时有几个边界需要明确只从可信来源下载模型和插件尽量选择官方仓库或知名模型社区并对下载文件做校验。不生成和传播违法违规内容。AI 绘画工具应当用于合法合规的创作场景。商用前确认模型的许可证。部分模型和 LoRA 仅允许非商用部分素材包含版权风险需要仔细阅读模型页面的授权说明。涉及个人肖像或他人作品时注意隐私和版权问题。8.5 日志与排错习惯ComfyUI 启动后的控制台日志非常重要。遇到问题时先复制报错段落再去搜索。不要只看最后一行错误因为真正的根因往往在堆栈更靠上的位置。如果某个问题反复出现建议记录自己的排查过程环境版本、模型名称、节点截图、报错信息、解决方式。这样既能帮助自己沉淀经验也能在向别人求助时提供完整信息。9. 总结与学习路线到这里你已经从环境准备开始完成了 ComfyUI 的安装、界面认知、核心节点理解并亲手搭建了第一个文生图工作流。你理解了 Checkpoint 加载、CLIP 文本编码、EmptyLatentImage 创建潜空间、KSampler 采样去噪、VAEDecode 解码图像这一整条链路也知道了模型文件应该放在哪里遇到节点报错时如何根据错误报告定位问题。接下来的学习路线建议这样走第一步先把本文的第 5 节工作流再搭两遍直到不需要看教程也能独立连接。第二步学习图生图和局部重绘理解 denoise 参数在重绘中的作用。第三步接触 ControlNet尝试用线稿或深度图控制构图。第四步学习 LoRA 的使用和训练掌握风格定制的核心技能。第五步根据自己的需求研究视频生成、批量生成、API 调用等进阶方向。如果你也想系统学习 ComfyUI建议不要急着下载几百个插件先亲手从零搭完一个最基础的文生图工作流然后慢慢加 ControlNet、LoRA、视频生成这些轮子。每一步都踩踏实后面再复杂的工作流都会觉得清楚得多。遇到问题不要气馁报错信息、启动日志、社区搜索这三件套能帮你解决绝大部分难点。
