在本地部署 AI 繪畫工具時(shí)Stable Diffusion WebUI 因其可視化界面而廣為人知但當(dāng)你需要更精細(xì)地控制生成過(guò)程、構(gòu)建可復(fù)用的生產(chǎn)流程或追求更高性能時(shí)ComfyUI 以其節(jié)點(diǎn)式的工作流設(shè)計(jì)成為了更專業(yè)的選擇。ComfyUI 將 AI 圖像生成的每一步——從加載模型、輸入提示詞、設(shè)置采樣參數(shù)到后期處理——都抽象為獨(dú)立的節(jié)點(diǎn)通過(guò)連線明確數(shù)據(jù)流向這種模式不僅便于理解底層原理更易于搭建復(fù)雜、穩(wěn)定的自動(dòng)化流程。對(duì)于剛接觸 ComfyUI 的新手常見的障礙包括環(huán)境配置復(fù)雜、節(jié)點(diǎn)界面初看晦澀、工作流邏輯理不清。本文將從一個(gè)純凈的 Python 環(huán)境開始帶你完成 ComfyUI 及其必要依賴的安裝逐步構(gòu)建一個(gè)完整的文生圖工作流并深入關(guān)鍵參數(shù)的作用和常見問(wèn)題的排查方法。最終你將能獨(dú)立設(shè)計(jì)、調(diào)試并保存自己的工作流為后續(xù)的 LoRA 控制、高清修復(fù)、多人臉替換等高級(jí)應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)。1. 理解 ComfyUI 的核心概念與優(yōu)勢(shì)1.1 節(jié)點(diǎn)式工作流與傳統(tǒng) WebUI 的差異傳統(tǒng) WebUI 如 Stable Diffusion WebUIAUTOMATIC1111提供的是表單式界面用戶在一個(gè)頁(yè)面內(nèi)填寫提示詞、選擇模型、調(diào)整滑塊參數(shù)然后點(diǎn)擊生成。這種模式適合快速單次生成但當(dāng)你需要固定某些步驟例如先換臉再高清放大、批量處理或集成到自動(dòng)化腳本時(shí)其流程是黑盒的難以復(fù)用和調(diào)試。ComfyUI 采用節(jié)點(diǎn)圖Node Graph界面每個(gè)功能模塊如加載模型、編碼提示詞、執(zhí)行采樣都是一個(gè)節(jié)點(diǎn)節(jié)點(diǎn)之間有明確的輸入輸出端口用連線表示數(shù)據(jù)傳遞。這種設(shè)計(jì)帶來(lái)幾個(gè)核心優(yōu)勢(shì)流程透明化你能清晰看到 latent 空間數(shù)據(jù)如何從 VAE 解碼成像素CFG 尺度如何影響分類器引導(dǎo)以及高清修復(fù)具體在哪個(gè)環(huán)節(jié)生效?？蓮?fù)用性成功的工作流可以保存為 JSON 文件下次直接加載無(wú)需重新設(shè)置參數(shù)也可以將復(fù)雜流程拆分成子流程作為自定義節(jié)點(diǎn)復(fù)用。資源控制可以精確控制哪些節(jié)點(diǎn)使用 GPU哪些在 CPU 執(zhí)行合理分配顯存避免不必要的模型加載。擴(kuò)展性社區(qū)插件以節(jié)點(diǎn)形式集成如人臉修復(fù)、姿勢(shì)控制、視頻生成等可以直接拖拽到工作流中與原有節(jié)點(diǎn)連接。1.2 關(guān)鍵節(jié)點(diǎn)功能解析一個(gè)最基本的文生圖工作流通常包含以下幾類節(jié)點(diǎn)Load Checkpoint加載底模型如 SD1.5、SDXL輸出模型、CLIP 文本編碼器、VAE 三個(gè)對(duì)象。CLIP Text Encode (Prompt)將自然語(yǔ)言提示詞正面、負(fù)面編碼為模型可理解的嵌入向量。EmptyLatentImage創(chuàng)建指定尺寸的初始潛空間噪聲圖像。KSampler調(diào)度器執(zhí)行去噪過(guò)程是生成算法的核心。VAE Decode將潛空間數(shù)據(jù)解碼為最終的像素圖像。Save Image將結(jié)果保存到磁盤。高級(jí)工作流還會(huì)加入 LoRA 加載、ControlNet 條件控制、圖像預(yù)處理、高清放大等節(jié)點(diǎn)。2. 環(huán)境準(zhǔn)備與 ComfyUI 安裝2.1 系統(tǒng)與硬件要求ComfyUI 可以在 Windows、macOS 和 Linux 上運(yùn)行以下配置可作為參考組件最低要求推薦配置操作系統(tǒng)Windows 10 / macOS 12 / Ubuntu 18.04Windows 11 / macOS 14 / Ubuntu 22.04CPU支持 AVX 指令集的 64 位處理器多核處理器Intel i5/Ryzen 5 以上內(nèi)存8 GB16 GB 或更多GPU集成顯卡純 CPU 模式NVIDIA GTX 1060 6GB 或更高支持 CUDA顯存不適用6 GB 及以上SDXL 需 8GB磁盤空間10 GB用于安裝和模型50 GB 或更多容納多個(gè)模型關(guān)鍵點(diǎn)說(shuō)明GPU 選擇NVIDIA 顯卡通過(guò) CUDA 能獲得最佳性能AMD 顯卡可通過(guò) ROCm 或 DirectML 支持但配置更復(fù)雜Intel Arc 顯卡可使用 OpenVINO 后端。顯存容量基礎(chǔ) SD1.5 模型生成 512x512 圖像約占用 3-4GB 顯存SDXL 需要 6-8GB。添加 ControlNet、高清修復(fù)等節(jié)點(diǎn)會(huì)進(jìn)一步增加消耗。磁盤速度模型文件較大2-7GB推薦使用 SSD 提升加載速度。2.2 安裝 Python 與 GitComfyUI 依賴 Python 3.10 或 3.11不建議使用 3.12可能存在兼容性問(wèn)題。如果你不確定是否已安裝可以在終端中檢查python --version # 或 python3 --version如果未安裝或版本過(guò)低請(qǐng)?jiān)L問(wèn) Python 官網(wǎng) 下載安裝包。安裝時(shí)務(wù)必勾選 Add Python to PATH 選項(xiàng)。Git 用于克隆 ComfyUI 倉(cāng)庫(kù)和后續(xù)管理插件同樣需要提前安裝。在終端中執(zhí)行g(shù)it --version如果未安裝請(qǐng)從 Git 官網(wǎng) 下載安裝。2.3 部署 ComfyUI 主程序推薦手動(dòng)部署以更好地理解項(xiàng)目結(jié)構(gòu)避免整合包可能帶來(lái)的路徑混亂或插件沖突。首先選擇一個(gè)合適的目錄避免中文路徑克隆官方倉(cāng)庫(kù)# 進(jìn)入你希望安裝的目錄例如 D:\AI\ 或 ~/ai/ cd /path/to/your/workspace # 克隆 ComfyUI 倉(cāng)庫(kù) git clone https://github.com/comfyanonymous/ComfyUI.git # 進(jìn)入項(xiàng)目目錄 cd ComfyUI接下來(lái)創(chuàng)建并激活 Python 虛擬環(huán)境強(qiáng)烈推薦避免污染系統(tǒng) Python 環(huán)境# 創(chuàng)建虛擬環(huán)境環(huán)境目錄為 venv python -m venv venv # 激活虛擬環(huán)境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate激活后終端提示符前會(huì)出現(xiàn)(venv)標(biāo)識(shí)。接著安裝 ComfyUI 的依賴包# 根據(jù)你的硬件選擇安裝命令 # 如果有 NVIDIA GPUCUDA pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt # 如果只有 CPU或遇到 CUDA 問(wèn)題 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu pip install -r requirements.txt # 如果是 AMD GPUWindows DirectML pip install torch-directml pip install -r requirements.txt安裝完成后可以啟動(dòng) ComfyUI 服務(wù)進(jìn)行驗(yàn)證python main.py如果一切正常終端會(huì)輸出本地訪問(wèn)地址通常是http://127.0.0.1:8188在瀏覽器中打開該地址即可看到 ComfyUI 的節(jié)點(diǎn)編輯器界面。注意首次啟動(dòng)時(shí)ComfyUI 會(huì)自動(dòng)創(chuàng)建models文件夾結(jié)構(gòu)但不會(huì)下載任何模型。你需要手動(dòng)放置模型文件才能開始生成圖像。2.4 組織模型文件ComfyUI 的模型文件需要按類型放置在ComfyUI/models/下的對(duì)應(yīng)子文件夾中ComfyUI/ models/ checkpoints/ # 放置 .safetensors 或 .ckpt 底模型 vae/ # 可選專用 VAE 模型 loras/ # LoRA 模型文件 controlnet/ # ControlNet 模型 upscale_models/ # 超分模型如 ESRGAN ...你可以將已有 Stable Diffusion WebUI 的模型文件鏈接或復(fù)制到對(duì)應(yīng)目錄避免重復(fù)下載。例如在 Linux/macOS 下可以創(chuàng)建符號(hào)鏈接# 示例將 WebUI 的模型鏈接到 ComfyUI ln -s /path/to/stable-diffusion-webui/models/Stable-diffusion/*.safetensors ComfyUI/models/checkpoints/在 Windows 下可以使用mklink命令或直接復(fù)制文件。3. 構(gòu)建第一個(gè)文生圖工作流3.1 初始化節(jié)點(diǎn)圖啟動(dòng) ComfyUI 后你會(huì)看到一個(gè)空白的畫布。右鍵點(diǎn)擊畫布選擇 Add Node開始添加節(jié)點(diǎn)。也可以使用快捷鍵Space鍵快速搜索節(jié)點(diǎn)。首先添加以下核心節(jié)點(diǎn)Load Checkpoint在搜索框中輸入 load checkpoint選擇該節(jié)點(diǎn)。這是工作流的起點(diǎn)用于指定使用哪個(gè)底模型。CLIP Text Encode (Prompt)添加兩個(gè)該節(jié)點(diǎn)一個(gè)用于正面提示詞prompt一個(gè)用于負(fù)面提示詞negative prompt。EmptyLatentImage創(chuàng)建初始噪聲圖像。KSampler執(zhí)行采樣去噪。VAE Decode將潛空間數(shù)據(jù)解碼為像素圖像。Save Image保存最終結(jié)果。3.2 連接節(jié)點(diǎn)數(shù)據(jù)流按照以下邏輯連接節(jié)點(diǎn)將Load Checkpoint的 model 輸出連接到KSampler的 model 輸入。將Load Checkpoint的 clip 輸出分別連接到兩個(gè)CLIP Text Encode節(jié)點(diǎn)的 clip 輸入。將正面提示詞節(jié)點(diǎn)的 conditioning 輸出連接到KSampler的 positive 輸入。將負(fù)面提示詞節(jié)點(diǎn)的 conditioning 輸出連接到KSampler的 negative 輸入。將EmptyLatentImage的 latent_image 輸出連接到KSampler的 latent_image 輸入。將KSampler的 LATENT 輸出連接到VAE Decode的 samples 輸入。將Load Checkpoint的 vae 輸出連接到VAE Decode的 vae 輸入。將VAE Decode的 IMAGE 輸出連接到Save Image的 images 輸入。連接完成后節(jié)點(diǎn)圖應(yīng)形成一個(gè)有向無(wú)環(huán)圖DAG數(shù)據(jù)從左上向右下流動(dòng)。3.3 配置節(jié)點(diǎn)參數(shù)每個(gè)節(jié)點(diǎn)都需要正確設(shè)置參數(shù)Load Checkpoint點(diǎn)擊節(jié)點(diǎn)中的 Choose a model 按鈕選擇你放置在models/checkpoints/下的模型文件如v1-5-pruned-emaonly.safetensors。CLIP Text Encode正面提示詞節(jié)點(diǎn)輸入描述目標(biāo)圖像的文本如masterpiece, best quality, 1girl, solo, cherry blossoms, spring。負(fù)面提示詞節(jié)點(diǎn)輸入希望避免的內(nèi)容如lowres, bad anatomy, bad hands, text, error, extra digit。EmptyLatentImagewidth:512圖像寬度height:512圖像高度batch_size:1一次生成的圖像數(shù)量KSamplerseed:0隨機(jī)種子0 表示隨機(jī)steps:20采樣步數(shù)通常 20-30cfg:7分類器引導(dǎo)尺度控制與提示詞的貼合程度常用 7-10sampler_name:euler采樣器euler 或 dpm 2m 等scheduler:normal調(diào)度器如 normal、karrasdenoise:1.0去噪強(qiáng)度1.0 表示完全重繪Save Image可以設(shè)置文件名前綴如ComfyUI_但通常保持默認(rèn)即可。3.4 執(zhí)行工作流與查看結(jié)果點(diǎn)擊畫布右下角的 Queue Prompt 按鈕ComfyUI 會(huì)開始執(zhí)行工作流。終端窗口會(huì)顯示進(jìn)度日志包括模型加載、采樣步驟等。生成完成后圖像會(huì)保存在ComfyUI/output/目錄下文件名包含時(shí)間戳和隨機(jī) ID。你也可以在 ComfyUI 界面中直接點(diǎn)擊Save Image節(jié)點(diǎn)上的圖像預(yù)覽圖查看大圖。4. 關(guān)鍵參數(shù)詳解與性能優(yōu)化4.1 采樣器與調(diào)度器選擇KSampler 的sampler_name和scheduler直接影響生成速度和質(zhì)量采樣器特點(diǎn)適用場(chǎng)景Euler簡(jiǎn)單快速結(jié)果可預(yù)測(cè)快速迭代測(cè)試提示詞Euler a (Ancestral)隨機(jī)性較強(qiáng)多樣性好需要變化時(shí)DPM 2M質(zhì)量高速度較快平衡質(zhì)量與速度的首選DPM 2M Karras使用 Karras 噪聲計(jì)劃對(duì)比度更好追求高質(zhì)量輸出DDIM確定性采樣可復(fù)現(xiàn)需要精確控制時(shí)調(diào)度器控制噪聲衰減方式normal線性調(diào)度最常用。karras根據(jù) Karras 論文在采樣末期減小步長(zhǎng)可能提升細(xì)節(jié)。exponential指數(shù)衰減風(fēng)格較強(qiáng)烈。建議新手從DPM 2M Karras采樣器 normal調(diào)度器開始步數(shù)設(shè)為 20-25。4.2 CFG Scale 與生成控制CFG Scale分類器自由引導(dǎo)尺度是控制圖像與提示詞貼合度的重要參數(shù)低值1-3創(chuàng)意模式模型自由發(fā)揮提示詞影響弱。中值5-8平衡模式遵循提示詞但保留一定藝術(shù)性。高值10-15嚴(yán)格模式緊密遵循提示詞可能產(chǎn)生僵硬結(jié)果。極高值15通常過(guò)飽和色彩異常不推薦。實(shí)踐中人像生成常用 7-9風(fēng)景藝術(shù)可嘗試 5-7需要精確控制物體時(shí)可提高到 10-12。4.3 分辨率與顯存管理EmptyLatentImage節(jié)點(diǎn)的寬度和高度設(shè)置直接影響顯存占用和生成質(zhì)量512x512SD1.5 模型的標(biāo)準(zhǔn)訓(xùn)練尺寸顯存占用最小生成最穩(wěn)定。768x768SDXL 模型的標(biāo)準(zhǔn)尺寸需要更多顯存。非 64 倍數(shù)SD 模型要求長(zhǎng)寬為 64 的倍數(shù)否則會(huì)自動(dòng)調(diào)整到最近倍數(shù)。生成高分辨率圖像時(shí)如果顯存不足可以考慮以下方案使用 Tiled VAE安裝ComfyUI-Impact-Pack等插件支持分塊解碼大圖像。先小圖后放大先生成 512x512 圖像再用 Upscale 節(jié)點(diǎn)放大。調(diào)整batch_size減少同時(shí)生成的圖像數(shù)量。4.4 隨機(jī)種子與可復(fù)現(xiàn)性KSampler的seed參數(shù)控制隨機(jī)噪聲的初始狀態(tài)固定種子相同模型、參數(shù)和提示詞下每次生成相同圖像適合微調(diào)。隨機(jī)種子0每次生成不同圖像適合探索多樣性。增量變化固定種子微調(diào)提示詞或 CFG觀察漸變效果。要復(fù)現(xiàn)某次生成記得記錄使用的種子值。5. 常見問(wèn)題排查與解決5.1 啟動(dòng)與加載問(wèn)題問(wèn)題啟動(dòng)時(shí)報(bào)錯(cuò)ModuleNotFoundError原因依賴包未正確安裝。解決確認(rèn)虛擬環(huán)境已激活重新執(zhí)行pip install -r requirements.txt。問(wèn)題模型加載失敗提示Error loading model原因模型文件損壞或格式不支持。解決檢查模型文件是否完整確保是.safetensors或.ckpt格式嘗試重新下載模型。問(wèn)題生成時(shí)顯存不足CUDA out of memory原因圖像尺寸過(guò)大或模型太復(fù)雜。解決減小圖像尺寸關(guān)閉其他 GPU 應(yīng)用使用--lowvram參數(shù)啟動(dòng) ComfyUI考慮使用 CPU 模式添加--cpu參數(shù)。5.2 生成質(zhì)量問(wèn)題問(wèn)題圖像模糊或有噪聲原因采樣步數(shù)不足或 CFG 值不合適。解決增加 steps 到 25-30調(diào)整 CFG 到 7-9檢查提示詞是否明確。問(wèn)題忽略負(fù)面提示詞原因負(fù)面提示詞節(jié)點(diǎn)未正確連接或內(nèi)容無(wú)效。解決確認(rèn)負(fù)面提示詞節(jié)點(diǎn)連接到 KSampler 的 negative 輸入使用更具體的負(fù)面詞如blurry, grainy, deformed。問(wèn)題生成內(nèi)容與提示詞不符原因模型訓(xùn)練數(shù)據(jù)偏差或提示詞沖突。解決使用更詳細(xì)、具體的提示詞檢查正面和負(fù)面提示詞是否有矛盾嘗試不同模型。5.3 工作流調(diào)試技巧使用節(jié)點(diǎn)預(yù)覽大多數(shù)節(jié)點(diǎn)有預(yù)覽功能右鍵節(jié)點(diǎn)選擇 Preview Image 或 Preview Latent 可以查看中間結(jié)果幫助定位問(wèn)題節(jié)點(diǎn)。分離測(cè)試復(fù)雜工作流如果大型工作流失敗可以暫時(shí)斷開后半部分先驗(yàn)證前幾個(gè)節(jié)點(diǎn)是否能正常輸出。查看終端日志ComfyUI 會(huì)在終端輸出詳細(xì)執(zhí)行日志包括節(jié)點(diǎn)執(zhí)行順序、錯(cuò)誤堆棧等是排查問(wèn)題的第一手資料。6. 工作流保存、加載與插件管理6.1 保存和共享工作流成功的工作流可以保存為 JSON 文件點(diǎn)擊界面右下角的 Save 按鈕。給工作流命名如basic_text_to_image.json。文件會(huì)保存在ComfyUI/workflows/目錄下。要加載已有工作流點(diǎn)擊 Load 按鈕。選擇對(duì)應(yīng)的 JSON 文件。節(jié)點(diǎn)圖會(huì)自動(dòng)重建但需要重新選擇模型文件路徑信息通常不保存。對(duì)于需要共享的工作流可以考慮使用 Save (API Format)這會(huì)生成一個(gè)包含節(jié)點(diǎn)類型和參數(shù)的 JSON更適合跨環(huán)境使用。6.2 安裝與管理插件ComfyUI 的擴(kuò)展功能通過(guò)插件實(shí)現(xiàn)常見插件包括ComfyUI-Manager插件管理器可視化安裝更新插件。Impact-Pack集成了多種實(shí)用節(jié)點(diǎn)如人臉修復(fù)、分割、預(yù)覽器等。ControlNet Preprocessors為 ControlNet 提供各種預(yù)處理節(jié)點(diǎn)。WAS Node Suite圖像處理工具集。手動(dòng)安裝插件的一般步驟# 進(jìn)入 ComfyUI 自定義節(jié)點(diǎn)目錄 cd ComfyUI/custom_nodes/ # 克隆插件倉(cāng)庫(kù) git clone https://github.com/作者名/插件名.git # 重啟 ComfyUI安裝 ComfyUI-Manager 后可以在界面中直接瀏覽、安裝和更新插件更加便捷。6.3 生產(chǎn)環(huán)境建議當(dāng) ComfyUI 用于正式項(xiàng)目時(shí)需要考慮以下方面版本控制將工作流 JSON 文件納入 Git 管理記錄每次修改。參數(shù)外化使用 API 調(diào)用時(shí)將提示詞、尺寸、種子等參數(shù)動(dòng)態(tài)傳入而非硬編碼在工作流中。錯(cuò)誤處理在自動(dòng)化流程中加入超時(shí)控制、失敗重試和日志記錄。資源監(jiān)控監(jiān)控 GPU 顯存使用避免長(zhǎng)時(shí)間高負(fù)載運(yùn)行導(dǎo)致顯存泄漏。備份機(jī)制定期備份重要的自定義工作流和模型文件。ComfyUI 也提供了完整的 API 支持可以通過(guò) HTTP 請(qǐng)求遠(yuǎn)程執(zhí)行工作流便于集成到更大的應(yīng)用系統(tǒng)中。API 的基本用法是向http://127.0.0.1:8188/prompt發(fā)送 POST 請(qǐng)求包含工作流 JSON 和參數(shù)覆蓋信息。從簡(jiǎn)單文生流開始逐步添加 LoRA 風(fēng)格控制、ControlNet 姿勢(shì)引導(dǎo)、多重面部修復(fù)等節(jié)點(diǎn)最終能夠搭建出穩(wěn)定可靠的專業(yè)級(jí)圖像生成流程。關(guān)鍵是要理解每個(gè)節(jié)點(diǎn)的輸入輸出和數(shù)據(jù)流向這樣無(wú)論工作流多復(fù)雜你都能有條理地調(diào)試和優(yōu)化。