ComfyUI 工作流实战：从入门到进阶

节点式工作流看起来复杂，但一旦理解核心逻辑，它能做到的事远超想象。

为什么选 ComfyUI？

Stable Diffusion 生态有三个主流 UI：

选 ComfyUI 的理由：

• 可视化编程思维：功能即节点，连接即逻辑，复用性强

• 显存效率高：比 A1111 省 30-50% 显存，同样的卡能跑更大的模型

• 扩展性强：自定义节点生态丰富

• 自动化友好：工作流保存为 JSON，可批量执行、API 调用

代价是学习曲线陡峭。这篇文章帮你跨过门槛。

五分钟跑通第一个工作流

安装

git clone https://github.com/comfyanonymous/ComfyUI

cd ComfyUI

python -m venv venv

source venv/bin/activate # Windows 用 venv\Scripts\activate

pip install -r requirements.txt

python main.py

浏览器打开 http://127.0.0.1:8188。

CPU 与 Mac 用户

没有独立显卡也能跑，但速度差距明显：

python main.py --cpu

性能参考（20 步采样）：

Mac 用户无需额外配置，M 系列芯片自动启用 MPS 加速。

CPU 模式适合学习调试，不适合大模型或批量生成。

最简工作流：文生图

启动后点击右侧 Load Default 加载默认工作流：

Load Checkpoint → CLIP Text Encode (Positive) → KSampler → VAE Decode → Save Image

↓

CLIP Text Encode (Negative)

KSampler 核心参数：

点击 Queue Prompt 生成。Save 导出为 JSON，下次 Load 直接恢复。

核心概念

理解四个概念，看懂 90% 的工作流。

1. 节点与连接

节点是功能单元。连接有两种：

• 实线：数据流（模型权重、Latent、图像）

• 虚线：控制流（条件执行）

2. 执行顺序

拓扑排序执行：从输出节点往回追溯，只计算有连接的节点。没连线的节点不执行。

3. Latent 空间

模型在 Latent（潜空间）中操作：

图像 → VAE Encode → Latent → KSampler（去噪）→ Latent → VAE Decode → 图像

Latent 体积远小于像素图像，这是显存效率高的原因。

实操要点：

• 修改图像尺寸时改 Latent 宽高（SDXL 用 1024，SD1.5 用 512）

• 图生图时输入先编码为 Latent 再送入 KSampler

4. 模型组件

Checkpoint 包含三部分：

• UNet：核心去噪网络

• CLIP：文本编码器

• VAE：图像编解码器

可单独加载各组件，如用不同 VAE 改变画风。

进阶：自定义节点生态

必装节点包

安装 ComfyUI-Manager：

https://github.com/ltdrdata/ComfyUI-Manager

cd ComfyUI/custom_nodes

git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启后侧边栏会出现 Manager 按钮，可搜索安装其他节点。

推荐节点：

实战：ControlNet 姿态控制

工作流：

Load Image → OpenPose Extract → ControlNet Apply → KSampler → ...

关键参数：

• ControlNet Apply：选择 OpenPose 模型，strength 设 0.8-1.0

• OpenPose Extract：自动提取输入图像骨架

效果：生成人物姿势与输入一致，风格可完全不同。

工作流复用

社区资源：

• OpenArt Workflows：https://openart.ai/workflows

• Civitai：https://civitai.com

• ComfyUI Examples：https://comfyanonymous.github.io/ComfyUI_examples/

导入后检查缺失节点（用 Manager 安装）和模型路径。

常见问题

显存不足

现象：CUDA out of memory 或生成极慢

解决：降低 Latent 尺寸、用 --lowvram 启动、切换 fp16 精度、使用 GGUF 量化模型。

找不到模型/节点

模型放到正确目录：models/checkpoints/、models/loras/、models/controlnet/。节点装到 custom_nodes/ 并重启。

图片崩坏

检查项：VAE 是否正确加载、采样步数是否太低（< 15）、CFG 是否过高（> 12）。

工作流执行异常

用 Preview Image 节点在关键位置查看中间结果，检查连接是否完整。

什么场景用什么工具？

下一步

• IP-Adapter：用参考图控制风格/角色，比 LoRA 更灵活

• AnimateDiff：生成短视频

• API 服务化：暴露为 HTTP API，集成到自动化流程

• ComfyUI-To-Python：导出为 Python 脚本，脱离 Web UI 运行