经常有读者私信问我ComfyUI 到底该怎么入门为什么下载了整合包打开后面对一张空白画布、一堆节点完全不知道从何下手今天这篇教程就围绕 ComfyUI 工作流搭建从安装部署、节点概念、文生图、图生图到 AI 视频生成和常见报错排查完整走一遍。内容不掺杂水分适合零基础入门也适合已经用过 WebUI 但想转到 ComfyUI 的朋友。1. ComfyUI 到底是什么为什么要学节点式工作流1.1 ComfyUI 与 WebUI 的差异AI 绘画领域有一个大家更熟悉的名字Stable Diffusion WebUI简称 WebUI。WebUI 把生成图片的过程封装成一个网页表单左侧填提示词右侧设置参数点击生成就能出图学习成本非常低。ComfyUI 则完全不同。它把整个 AI 绘画过程拆散成一个个节点每个节点只负责一件事比如“加载模型”“输入提示词”“采样器”“保存图片”。用户需要把这些节点用连线串起来才能拼出一条完整的“生产流水线”。从使用体验上看对比项WebUIComfyUI上手难度低适合新手中等需要理解节点逻辑流程透明度黑盒参数藏在页面中白盒每一步都可视化批量处理能力一般强可以自由控制队列显存占用相对较高可以通过流程优化降低高级玩法依赖插件天然支持自由拼装节点ComfyUI 最大的优势是“把所有逻辑摊开给人看”。同样是文生图WebUI 只告诉你“我生成了一张图”而 ComfyUI 能让你看到提示词是如何被编码的模型在什么尺寸下工作采样器用了什么算法和步数图片解码后如何输出。这些细节对想要深入 AI 绘画、甚至做二次开发的用户来说非常有用。1.2 ComfyUI 适合哪些人我通常会把 ComfyUI 的受众分成三类零基础新手想在本地免费跑 AI 绘画不在意底层原理只要能跟着教程把工作流跑通。WebUI 转用户已经有 Stable Diffusion 基础想体验更灵活的工作流希望保留已有模型和 LoRA。进阶玩家和开发者需要搭建复杂的 ControlNet 控制、视频生成、批量出图甚至想自研节点、嵌入业务系统。这类读者都可以从本文学到东西。新手可以按顺序阅读有基础的朋友可以直接跳到第 4 节看实战工作流或跳到第 8 节看排查思路。1.3 本文的路线规划本文按一条完整的学习链路来组织先了解 ComfyUI 的工作方式和核心概念完成本地安装和基础配置从默认工作流开始跑通第一张图搭建图生图和局部重绘工作流了解 AI 视频生成工作流的搭建思路最后给出高频报错排查方法和工程化建议。整体目标是让你学完后不仅能跑通别人的工作流还能自己看懂节点、修改参数并组合出新的工作流。2. 环境准备与安装方式2.1 硬件与软件要求ComfyUI 是本地部署工具本机算力直接决定生成效率。下面是一份参考要求版本不同会有差异重点看你的显卡显存和驱动情况显卡NVIDIA 显卡优先显存建议 4GB 以上。8GB 可以比较流畅地跑 512x512、768x768 文生图12GB 以上可以跑更大分辨率或视频生成。操作系统Windows 10/11 最常见Linux 和 macOS 也可以运行。Python如果使用官方源码启动需要 Python 3.10 或更高版本。CUDA 与显卡驱动建议安装较新的 NVIDIA 驱动让 PyTorch 能正常调用 GPU。硬盘空间Stable Diffusion 基础模型动辄 2GB 到 7GB建议预留 50GB 以上空间。需要特别说明显卡不是 NVIDIA 也能跑比如 AMD 显卡和 Apple Silicon 芯片可以走相应分支但配置成本更高。新手入门建议优先选择 NVIDIA 显卡环境能少踩很多坑。2.2 安装方式整合包与官方源码ComfyUI 的安装主要有两条路线可以根据自己情况选。路线一使用整合包国内社区有很多一键整合包比如“秋叶 ComfyUI 整合包”。这类包的好处是 Python、依赖、模型目录、常用插件基本预装好了解压后直接启动适合零基础用户。整合包的使用步骤一般是下载整合包压缩包解压到本地目录双击启动脚本如A启动器.exe或run_nvidia_gpu.bat启动后浏览器自动打开http://127.0.0.1:8188。需要提醒的是整合包版本更新、模型来源参差不齐下载时要注意来源可信度。如果已经会使用 Python 环境更建议走官方源码路线。路线二官方源码安装官方源码安装流程也不复杂大致如下# 1. 克隆项目代码 git clone https://github.com/comfyanonymous/ComfyUI.git # 2. 进入目录 cd ComfyUI # 3. 创建虚拟环境推荐 python -m venv venv # 4. 激活虚拟环境 # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate # 5. 安装 PyTorch 相关依赖 # 如果使用 NVIDIA GPU建议先安装对应 CUDA 版本的 PyTorch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 # 6. 安装 ComfyUI 其他依赖 pip install -r requirements.txt安装完成后同样启动服务python main.py启动成功后会看到类似输出Starting server To see the GUI go to: http://127.0.0.1:8188在浏览器打开这个地址就进入 ComfyUI 界面了。如果整合包和官方源码都成功跑起来不建议两台电脑同时都折腾选一套自己最熟练的方式固定下来即可。2.3 启动后的界面简介第一次打开 ComfyUI你可能会觉得界面有点简陋。它不像 WebUI 一样有华丽的按钮而是只有一张空白画布和顶部一排菜单。核心区域包括左上角菜单可以加载工作流、保存工作流、查看节点列表。中央画布节点放在这里用连线连接。右键菜单在画布空白处右键可以新建节点。侧面/底部面板部分版本有模型信息、节点管理器入口。首次打开默认展示的通常是一套完整的文生图工作流能直接生成图片。这也引出了我们第 3 节要讲的核心概念。3. ComfyUI 核心概念节点、连线、工作流3.1 节点三要素先把问题简化ComfyUI 里所有东西都可以理解为节点。每个节点有三个关键要素——输入、配置参数、输出。以最常见的KSampler节点为例输入模型、正向提示词、负向提示词、潜空间图像、噪声种子等。参数步数steps、采样器名称sampler_name、调度器scheduler、降噪强度denoise等。输出处理后的潜空间图像。节点与节点之间通过连线传递数据。比如Load Checkpoint节点把模型输出给KSamplerCLIP Text Encode节点把提示词编码后也传给KSampler。最终KSampler的生成结果再交给VAE Decode节点解码成图片最后通过Save Image节点保存。这个过程看似复杂实际上就是一条流水线加载模型 - 提示词编码 - 潜空间采样 - VAE解码 - 保存图片3.2 数据流与类型检查ComfyUI 的每条连线都有数据类型。常见的数据类型有MODELStable Diffusion 模型。CLIP文本编码器。VAE变分自编码器用于潜空间和像素空间互相转换。LATENT潜空间图像数据。IMAGE像素空间图片数据。CONDITIONING条件向量即编码后的提示词。连线时输出端口和输入端口的数据类型必须匹配。比如你不能把IMAGE类型的图片直接接到需要LATENT的节点上。如果你连线后发现UI拒绝连接通常就是类型不匹配。理解数据类型以后阅读别人的工作流会轻松很多。看到一条连接线你先判断它传递的是什么类型自然就明白这个环节在做什么。3.3 为什么 ComfyUI 用节点而不是参数面板很多人会问为什么非要用节点WebUI 填表格多方便用节点最大的好处是“自由组合”。在 WebUI 中功能被固定在页面里某些组合可能根本做不到。但在 ComfyUI 中节点可以随意增删、替换、串联。举个例子如果你想先生成一张图、再放大、再局部重绘WebUI 需要切换多个页面或依赖脚本ComfyUI 只需要把对应节点按顺序连起来一次跑完。再比如你想对比同一提示词在三个不同采样器下的效果。WebUI 要做三次ComfyUI 可以通过复制采样器分支并重排输出实现流程化对比。这种优势在复杂任务下非常显著。4. 从零搭建第一套文生图工作流4.1 认识默认工作流启动 ComfyUI 后如果画布上没有内容可以通过菜单加载默认工作流。不同版本入口可能略有区别一般在左上角菜单可以找到Load Default或直接打开ComfyUI首页时自带。默认工作流通常是文生图节点包括Load Checkpoint加载底模。CLIP Text Encode (Prompt)正向提示词。CLIP Text Encode (Negative Prompt)负向提示词。Empty Latent Image设置生成尺寸和批次数。KSampler执行采样生成。VAE Decode解码潜空间为像素图。Save Image保存图片。4.2 替换模型并生成第一张图在Load Checkpoint节点上点击模型名称旁的下拉框选择你已经放到models/checkpoints目录下的模型。如果目录为空你需要先准备一个 Stable Diffusion 模型文件。常见模型文件格式有.safetensors和.ckpt。下载后放到 ComfyUI 的models/checkpoints目录ComfyUI/ └── models/ └── checkpoints/ └── dreamshaper_8.safetensors放好后回到界面如果模型下拉框中没看到新模型可以点击刷新按钮或者重启 ComfyUI。接着在Positive Prompt节点输入你想要的内容例如a beautiful girl, digital art, soft lighting, detailed face, masterpiece, best quality负向提示词输入一些希望避免的内容bad anatomy, bad hands, extra fingers, watermark, text, blurry, low qualityEmpty Latent Image节点中设置宽高比如 512x512。然后点击 KSampler 节点旁的Queue Prompt按钮等待生成。如果一切正常右侧Save Image节点下会出现生成的图片。这就完成了第一次 ComfyUI 文生图。4.3 关键参数讲解当第一次出图成功后可以开始研究参数了。seed随机种子控制生成噪声的起点。固定 seed 可以在相同参数下复现相似图片。steps采样步数越多通常质量越好但速度更慢。一般 20 到 30 步足够。cfg提示词引导强度默认 7.0 左右。越高越贴合提示词但过高会过曝或颜色失真。sampler_name采样器算法名称如euler、dpmpp_2m、uni_pc等。scheduler噪声调度器如normal、karras、exponential。denoise降噪强度文生图通常为 1.0图生图时可以设置小于 1.0 来控制变化幅度。新手不需要记住所有采样器的区别建议先用默认值等熟悉工作流后再逐步尝试不同的组合。4.4 保存与复用工作流ComfyUI 支持把当前画布保存为 JSON 文件方便以后复用。在左上角菜单点击Save把工作流保存到本地。保存后文件通常是一个.json文件。别人分享的.json工作流也可以通过Load加载。加载别人的工作流时最常遇到的问题就是“缺少模型”或“缺少自定义节点”。这时候界面会弹出一堆红色节点不要慌第 8 节会专门讲怎么处理。5. 实战图生图与局部重绘工作流5.1 图生图核心节点图生图与文生图的差别在于输入。文生图用Empty Latent Image生成空白潜空间图生图则先把一张输入图片编码成潜空间再采样。核心节点组合如下Load Image - VAE Encode - KSampler - VAE Decode - Save Image具体操作步骤添加Load Image节点选择一张本地图片添加VAE Encode节点将图片编码为潜空间从Load Checkpoint把 VAE 接入VAE Encode把VAE Encode输出的LATENT接到KSampler的latent输入关键一步把KSampler的denoise设置为 0.3 到 0.6控制生成图片与输入图片的相似度。denoise的数值越小生成结果越接近原图越大则改动越明显。如果denoise是 1.0图生图几乎等同于重新生成一张图只是把原图作为初始噪声参考。5.2 局部重绘与蒙版重绘局部重绘常用于“只改动图中某个区域”比如给人像换脸、修手、去掉画面杂物。在 ComfyUI 中局部重绘的关键是Set Latent Noise Mask节点或直接使用图像编辑型节点组。流程通常为用Load Image加载原图在图片节点上绘制蒙版标记需要重绘的区域将原图编码为潜空间通过蒙版节点把重绘区域标记出来传入 KSampler 进行采样解码保存。具体蒙版操作与版本关系较大。有些版本直接在Load Image节点上支持绘制蒙版画黑色的地方表示不重绘白色区域表示重绘。如果你使用的是整合包画蒙版的方式一般和 WebUI 类似。需要特别注意的是局部重绘的denoise控制区域变化强度通常设置在 0.7 到 0.9这样既能让重绘区域生成新内容又不会和周围环境差异太明显。5.3 用 ControlNet 辅助生成如果想进一步控制生成结构比如精确控制人物姿态、构图线稿可以引入 ControlNet。ControlNet 的模型通常放在ComfyUI/ └── models/ └── controlnet/在 ComfyUI 中ControlNet 相关节点一般以ControlNetLoader和ControlNetApply为核心。大致结构如下Load Image - ControlNetLoader(controlnet模型) - ControlNetApply(条件输入) | CLIP Text Encode - KSampler -------------------------ControlNetApply会把 ControlNet 的控制信息注入到条件向量中从而影响采样过程。常见的 ControlNet 类型包括canny边缘控制depth深度图控制openpose姿态控制lineart线稿控制。使用 ControlNet 前需要下载对应模型并在工作流中正确选择模型类型。新手不需要一开始就深入学习 ControlNet图生图和重绘掌握后再逐步尝试。6. AI 视频生成工作流入门6.1 视频生成原理简述ComfyUI 不只用来做 AI 绘画也可以搭建 AI 视频生成工作流。目前社区常见思路有两类基于 AnimateDiff在 Stable Diffusion 潜空间中增加时间维度连续生成多帧图片再合成视频。基于独立视频生成模型如社区中常见的一些本地视频生成模型它们输入文本或首帧输出短视频片段。不管哪种思路底层逻辑都可以理解为“用生成模型批量生成连续帧再拼接成视频”。因此AI 视频生成对显存的要求比文生图高得多需要提前评估硬件能力。6.2 AnimateDiff 相关节点示例在 ComfyUI 中使用 AnimateDiff通常需要安装额外节点比如ComfyUI-AnimateDiff-Evolved。安装后节点列表中会出现AnimateDiff Loader、AnimateDiff Sampler Settings等节点。一个简化的视频生成工作流思路如下加载模型用 AnimateDiff Loader 把模型包装成支持视频序列的形式设置视频帧数、上下文长度等参数通过常规 KSampler 生成潜空间序列用 Video VAE 或逐帧解码方式输出帧序列最后通过视频保存节点合成视频文件。例如某些工作流中会看到类似这样的参数设置frames16 或 24表示生成视频帧数fps8 或 12表示播放帧率context_length控制一次处理多少帧显存有限时可以调小。由于不同版本的 AnimateDiff 节点差异较大具体节点名称和连接方式请以你安装的插件说明为准。核心思路是先“增加时间维度”再“连续采样”最后“合成视频”。6.3 显存不足时的降配方案如果你只有 6GB 或 8GB 显存运行视频生成工作流很容易出现显存不足报错。可以考虑下面几个降配思路降低分辨率把单帧分辨率从 512x512 降到 384x384显存占用会明显下降减少帧数先生成 8 帧验证效果再逐步增加关闭多余节点卸载不用的 VAE 解码、模型加载分支使用--lowvram启动ComfyUI 支持低显存模式牺牲一点速度换取稳定使用轻量模型尽量选小版本模型而不是 7GB 以上的大模型。如果调整后仍然跑不动最稳妥的办法是先用文生图工作流验证构图再尝试生成视频。6.4 合规与版权提醒AI 视频生成属于 AI 生成内容使用时要特别注意合规问题使用开源模型时确认模型许可协议是否允许商用不要用真实人物形象生成视频避免侵权和肖像权纠纷不要生成和传播违法、暴力、低俗内容在公开平台发布 AI 生成视频时建议明确标注“AI 生成”。ComfyUI 是本地运行的开放工具能不能合法、合理地使用取决于使用者本人。这一点希望每位读者都能重视。7. 模型管理与常用节点补充7.1 模型目录结构ComfyUI 的模型目录默认在models文件夹下不同模型类型对应不同子目录models/ ├── checkpoints/ # 主模型包含生成所需的全部能力 ├── loras/ # LoRA 微调模型 ├── vae/ # VAE 模型 ├── controlnet/ # ControlNet 模型 ├── embeddings/ # 文本嵌入如负面 embedding ├── upscale_models/ # 放大模型 └── unet/ # 部分新模型格式适用如果你用的是整合包目录通常已经建好。用官方源码的话需要自己确认这些目录是否存在没有就手动创建。7.2 模型下载与命名规范模型文件下载后放入对应目录即可。这里给出几个建议模型文件名尽量保持英文和数字避免中文、空格和特殊符号下载后可以用记事本记录模型来源防止后期混淆模型文件的hash可以在社区查看防止下载到损坏或恶意文件大模型尽量从可信渠道下载不建议从不明网站下载来路不明的.ckpt文件。很多新手喜欢把所有模型塞进checkpoints导致列表很长。建议只保留常用的几个底模其他模型可以在使用时再放回目录。7.3 插件与自定义节点管理ComfyUI 的原生节点只是基础很多高级工作流依赖自定义节点。社区中常用ComfyUI-Manager插件来管理节点安装后可以在界面内搜索、安装、更新自定义节点。使用 Manager 的注意事项安装节点前看清作者和支持的 ComfyUI 版本部分节点需要额外pip依赖安装失败时会提示不要一次性安装太多不熟悉的节点很容易引起环境冲突更新节点前建议先备份当前工作流。当加载一个远程工作流提示缺少节点时可以先用 Manager 搜索节点名一键安装缺少的扩展。如果搜索不到再回到作者说明页手动安装。8. 常见问题与排查思路8.1 报错“请安装缺失的包以使用此工作流”加载一些工作流时页面会提示请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的 Python 环境中运行...这个报错的意思是当前工作流依赖的自定义节点没有安装或者某些 Python 依赖包缺失。处理顺序如下先用ComfyUI-Manager检查并安装缺失节点如果自定义节点已安装但仍有包缺失进入 ComfyUI 虚拟环境执行pip install 包名安装完成后重启 ComfyUI重新加载工作流看是否还有红色报错节点。如果仍无法解决建议查看报错终端中的完整堆栈信息确认卡在哪个包上再单独安装。这里有一个原则不要盲选“自动安装全部依赖”。有些依赖会和现有环境冲突尽量按报错信息精确安装。8.2 自定义节点显示红色节点显示红色说明加载失败常见原因有节点代码版本和当前 ComfyUI 版本不兼容节点缺少第三方依赖节点缓存未刷新。排查方法点击红色节点查看控制台报错在ComfyUI-Manager中查看节点是否正常更新该节点到最新版本如果问题依旧考虑该作者是否有更新分支或其他替代节点。8.3 显存不足 OOM报错通常包含OutOfMemoryError或CUDA out of memory。可能原因和解决方案如下表所示问题现象常见原因解决思路生成时报显存不足分辨率过高 / 模型过大降低分辨率或换小模型批量处理时报错批次数过多把 batch_size 降为 1加载工作流后占用高多个模型被同时加载删除多余模型加载节点视频生成时 OOM帧数过多减少帧数关闭实时预览另外可以尝试在启动命令中加上低显存参数python main.py --lowvram如果你的显卡显存是 4GB 或 6GB这个参数能在一定程度上降低加载压力但生成速度会变慢。8.4 生成速度过慢速度慢通常不是错误而是硬件限制。优先排查以下几点确认 PyTorch 真的在用 GPU而不是 CPU确认没有开启过多后台程序占用显存确认采样步数是否设置过高如 50 步以上确认分辨率是否过大确认是否加载了超大模型而当前任务并不需要。在 NVIDIA 显卡上可以通过任务管理器查看 GPU 利用率。如果利用率接近 100%说明计算资源确实饱和了如果 GPU 利用率很低而 CPU 很高则可能是节点代码或依赖安装有问题。9. 最佳实践与工程建议9.1 工作流管理方法工作流文件越攒越多时管理就变得重要。我个人的习惯是按用途建立目录比如text2img、img2img、video、test命名时带日期和模型名如20260201_portrait_sd15.json分享工作流前删除不必要的节点和敏感信息工作流中写明关键参数方便自己后期复盘。9.2 模型安全与版本选择模型安全是很多人忽略的问题。推荐遵循以下原则优先下载.safetensors格式模型不推荐执行.ckpt格式中可能包含的未知代码从模型社区或作者官方页面下载减少恶意模型风险定期检查模型是否损坏可以用工具计算hash和作者公布值对比新版本 ComfyUI 发布后不要立即升级先观察社区反馈避免破坏现有工作流。9.3 批量生成与队列调度ComfyUI 原生支持队列生成。你可以一次插入多个任务到队列也可以连出多个分支同时生成。工程上建议批量生成前先用 1 到 2 张图测试参数大批量生成时定时检查输出避免浪费算力出图结果及时归档避免堆在一堆文件里难以分辨如果需要写脚本批量调用可以研究 ComfyUI 的 API 模式把工作流发布为接口。9.4 合规与版权意识最后想强调一点技术本身是中立的但使用方式需要承担法律和道德责任。ComfyUI 可以本地运行、自由组合但这不意味着可以随意处理他人作品、随意使用真实人物肖像、随意大规模生成低质量同质化内容。以下几条建议非常实际使用他人创作的模型、LoRA、ControlNet 前先看授权说明生成的人物图不要冒充真实人物尤其是新闻、商业场景在公开平台发布前建议标注“AI 生成”不要绕过模型作者的付费授权机制也不要用盗版模型。合法的技术边界内做创作才是可持续的玩法。10. 总结与下一步学习方向这篇文章从最基础的 ComfyUI 概念讲到安装部署再到文生图、图生图、局部重绘、ControlNet、视频生成最后整理了常见报错和工程建议算是一条比较完整的新手入门路线。学完这些内容后你应该已经能做到理解节点式工作流的基本逻辑完成 ComfyUI 的本地搭建和模型部署跑通文生图和图生图工作流根据报错信息定位节点或依赖问题看懂别人分享的工作流并能做简单修改。接下来建议按自己的兴趣选择进阶方向想改善画质研究高清放大、超分模型、VAE 替换想精细控制深入学习 ControlNet 的各种模型想做视频研究 AnimateDiff 或本地视频生成模型的参数想提高效率学习 ComfyUI API 调用和批量生成脚本。如果你看完这篇文章能亲手跑通第一张图或者成功把一个陌生工作流跑起来那入门这一步就算完成了。后面更多高级玩法都是在节点拼接和参数调试中慢慢摸索出来的。多存几个好用的工作流多分析别人节点的连接逻辑比背任何参数表都管用。