你有没有这种感觉：在 Stable Diffusion WebUI 里画一张图，需要来回点很多次——先调提示词，再选模型，再调参数，再开 ControlNet，再选采样器，再设分辨率……每张图都要重复这些步骤，有时候想批量跑一个系列，光设置就要花半天。

如果把这些操作做成一个”流水线”，一键启动就能自动跑完全部流程，是不是就轻松多了？

ComfyUI 就是干这个的。

ComfyUI 是目前最流行的 AI 绘画可视化节点编辑器。它的核心理念是：把 AI 绘画的每一个环节（加载模型、输入提示词、设置参数、添加控制、生成图片、输出保存）都变成一个”节点”，用线把这些节点连起来，就构成了一个完整的工作流。

这不是什么新概念—— Blender 的节点编辑器、Unity 的 Shader Graph、Unreal Engine 的 Blueprints 都是类似的东西。但 ComfyUI 第一次把这个理念带入了 AI 绘画领域，让创作者可以真正实现”设计一次，重复使用”的自动化创作。

这篇文章是「AI绘画从0到1」系列的第十二篇。前面你已经学了提示词、ControlNet、图生图、LoRA 训练——这些技能在 WebUI 里要来回切换操作，在 ComfyUI 里你可以把它们串联成一条自动化流水线，大幅提升效率。接下来我们从头开始，完整掌握 ComfyUI 的使用方法和进阶技巧。

一、ComfyUI 是什么？

1.1 节点编辑器的基本原理

理解 ComfyUI，先理解”节点编辑器”这个概念。

想象一下音乐制作软件里的”合成器”或者视频编辑软件里的”滤镜链”——你把不同的音效处理器、视频滤镜一个个串起来，声音或画面从第一个处理器进入，经过处理后输出到第二个，再输出到第三个，最终得到成品。

ComfyUI 的工作方式完全一样。每一个节点（Node）代表一个独立的功能模块——有的节点负责加载大模型，有的负责输入提示词，有的负责设置采样参数，有的负责加载 ControlNet 控制图。节点和节点之间用”线”连接，数据（图像 latent space 中的数据）从上游节点流向下游节点，经过每个节点的加工处理，最终在最后一个节点输出成品图片。

这种设计有一个巨大的好处：你设计的工作流可以被完整保存和分享。 别人拿到你的工作流文件，直接在自己电脑上复现一模一样的效果，不需要知道你每一步是怎么设置的。社区里有大量创作者分享自己的 ComfyUI 工作流，这是 AI 绘画领域最有价值的开源资产之一。

1.2 ComfyUI 和 WebUI 的核心区别

很多初学者会问：已经有了 WebUI，为什么还要学 ComfyUI？两者有什么区别？

WebUI（AUTOMATIC1111 或其他）的优势在于易用性。 界面直观，点哪里都是可视化菜单，不需要理解背后的逻辑，打开就会用。缺点是灵活性受限——你想同时叠加多个 ControlNet？想在生成过程中切换不同的采样器？想自定义每一步的操作逻辑？WebUI 很难实现或者需要安装额外的插件。

ComfyUI 的优势在于灵活性和可复现性。 你几乎可以实现任何自定义的生成逻辑，包括 WebUI 需要插件才能支持的复杂功能。更重要的是，ComfyUI 的工作流本质上是一个 JSON 文件，可以完整保存、复制、分享。而 WebUI 的操作记录不系统，每次重新生成都要重新设置。

两者的生成质量没有本质差异。 ComfyUI 和 WebUI 底层调用的都是同一套 Stable Diffusion 引擎，模型和采样算法完全通用，所以生成质量是一样的。区别只在于操作方式和工作流管理。

1.3 ComfyUI 能做到哪些 WebUI 很难做到的事？

以下几个场景是 ComfyUI 显著优于 WebUI 的典型例子：

场景一：批量生成和自动化。 你想生成 100 张同一系列但有细微变化的图片（比如同一角色的不同表情和服装组合）。在 WebUI 里你需要操作 100 次；在 ComfyUI 你可以设计一个工作流，用变量节点控制不同参数的变化，一次运行自动生成全部 100 张。

场景二：自定义采样流程。 WebUI 的采样流程是固定写死的，你无法在采样过程中插入额外的操作。但 ComfyUI 可以让你在第 5 步采样之后插入一个”局部重绘”，然后继续采样——这种自定义采样流程的能力在高级玩法中非常有用。

场景三：多模型串联。 你想用同一个提示词同时跑 3 个不同的大模型，对比效果。在 WebUI 里需要开 3 个标签页分别操作；在 ComfyUI 一个工作流里并联 3 个模型节点，一次运行同时出 3 张图。

场景四：复杂 ControlNet 组合。 需要同时叠加 OpenPose 姿势控制、Canny 边缘控制、Tile 纹理控制等多个 ControlNet。WebUI 对 ControlNet 叠加的支持有限且操作复杂；ComfyUI 可以直观地串联多个 ControlNet 节点，精确控制每个控制信号的强度和介入时机。

二、ComfyUI 基础界面和核心节点

2.1 界面布局

首次打开 ComfyUI，你会看到一个深色背景的工作区，左侧是节点搜索/添加面板，右侧是属性面板，中间大片空白区域就是工作流画布。

工作流画布 是你摆放和连接节点的地方。你可以通过滚轮缩放画布、通过右键拖拽移动视角、通过左键点击选中节点或连接线。

节点添加面板 在界面左侧。你可以点击”Add Node”打开节点目录树，或者直接在空白处双击鼠标，在弹出搜索框里输入节点名称来快速添加。这是最高效的节点添加方式。

属性面板 在界面右侧。当选中某个节点时，右侧面板会显示这个节点的详细参数设置，和 WebUI 的参数设置区功能类似。

队列和生成按钮 在界面右下角。点击”Queue Prompt”按钮会把这张图加入生成队列并开始生成；按住 Shift 点击则会立即开始生成（跳过队列）。

2.2 最基础的生图工作流

先介绍最简单的一个工作流，它只包含 5 个节点，但足以让你理解 ComfyUI 的基本操作方式：

第一个节点：Load Checkpoint（加载大模型）。 这个节点有 3 个输出端口（MODEL、CLIP、VAE），分别输出加载的模型、文本编码器、VAE 解码器。用一根模型线（通常橙色）连接到下一个节点的对应输入端口。

第二个节点：CLIP Text Encode（提示词编码）。 这个节点有两个输入端口——CLIP 和 text。CLIP 输入连接 Load Checkpoint 的 CLIP 输出；text 输入框里填写你想要的正面提示词。这个节点的作用是把文字转换成 AI 能理解的向量表示。

第三个节点：CLIP Text Encode（负面提示词编码）。 结构和正面编码节点完全一样，只是 text 输入框里填写你不想出现在图片里的内容（如低质量、变形的手指等）。

第四个节点：KSampler（采样器）。 这是生成过程的核心节点。它有多个输入端口：model（连接 Load Checkpoint 的 MODEL）、positive（连接正面提示词编码的输出）、negative（连接负面提示词编码的输出）。参数面板里有 steps（采样步数）、cfg（提示词引导强度）、sampler_name（采样器名称）、scheduler（学习率调度器）、seed（随机种子）等设置。

第五个节点：VAE Decode（VAE解码）。 这个节点连接 KSampler 的输出（latent 空间的图像）和 Load Checkpoint 的 VAE，把 AI 脑海中的”思维图像”解码成真实像素。

第六个节点：Save Image（保存图片）。 连接 VAE Decode 的输出像素图，设置文件名和保存路径。

连接顺序是：Load Checkpoint → CLIP Encode（正面）→ KSampler（正面端）；Load Checkpoint → CLIP Encode（负面）→ KSampler（负面端）；Load Checkpoint → VAE → VAE Decode → Save Image；KSampler → VAE Decode。

理解了最基础的 6 节点工作流，你就掌握了 ComfyUI 的核心逻辑——其他所有复杂工作流，都是在这个基础上增加更多节点、更多控制、更多处理步骤。

2.3 常用节点类型一览

ComfyUI 的节点数量非常多（社区版本通常有数百个节点），以下是日常使用中最常见的几类：

模型加载节点：

• Load Checkpoint：加载完整的大模型（.safetensors/.ckpt 文件），包含 MODEL/CLIP/VAE 三个输出
• Load LoRA：加载 LoRA 文件，需要连接到 Load Checkpoint 的输出和某个 LoRA 模型的输入，有 strength（强度）参数
• Load ControlNet Model：加载 ControlNet 模型，需要配合对应 ControlNet 预处理节点使用

提示词节点：

• CLIP Text Encode：输入文字，输出 CLIP 向量，这是提示词进入生成流程的唯一入口
• CR Text Gate：更高级的提示词节点，支持将正面和负面提示词合并到一个节点里，减少连接线的数量

采样节点：

• KSampler：最核心的采样器节点，包含采样算法的所有核心参数
• KSamplerSelect：用来在多个采样器之间切换，适合做采样器对比测试
• SamplerCustom：允许你自定义采样流程的每一个步骤，是高级玩法的核心节点

图像处理节点：

• VAE Encode / VAE Decode：控制 latent 空间和像素空间之间的转换，是图生图和局部重绘功能的关键节点
• Image Scale / Image Pad：调整图像分辨率
• ImageBlend：混合两张图片，适合做图生图前后的对比

ControlNet 相关节点：

• ControlNet Apply：把 ControlNet 的控制信号应用到生成过程
• ControlNet Stack：叠加多个 ControlNet，支持分别设置每个 ControlNet 的强度

工作流控制节点：

• CR Load Image：加载本地图片
• Preview Image（或者 Save Image）：预览/保存中间生成结果，用于调试工作流
• Clone（或者 Duplicate）：复制节点，提高工作效率

三、实战：用 ComfyUI 实现完整的 ControlNet + 图生图工作流

3.1 工作流设计思路

在 Day9 我们学了 ControlNet 的各种控制方式，在 Day10 我们学了图生图和局部重绘。如果你想在 WebUI 里同时使用这两个功能，需要来回切换页面、反复上传参考图、手动设置参数。

在 ComfyUI 里，你可以把 ControlNet 和图生图串联成一个完整的工作流，一次设置完成后每次只需要改提示词就能稳定复现。

这个工作流的逻辑是：加载一张 ControlNet 参考图（比如 OpenPose 姿势图）→ 以这张参考图为基础进行图生图 → 同时启用 ControlNet 控制姿势 → 输出成品。

3.2 具体节点连接步骤

第一步：加载大模型和参考图。

添加 Load Checkpoint 节点加载你的主模型。同时添加 CR Load Image 节点加载 ControlNet 参考图（骨骼姿势图或者其他控制图）。

第二步：预处理 ControlNet 参考图。

如果你有的是原始图片而不是姿势骨骼图，需要用 DW Preprocessor（OpenPose 预处理器）先提取骨骼信息。如果已经有了处理好的 pose 图，这一步可以跳过。

把 CR Load Image 的输出连接到对应预处理器的输入，然后预处理器的输出连接到 ControlNet Apply 节点。

第三步：设置提示词。

添加两个 CLIP Text Encode 节点（正面和负面提示词），分别连接到 Load Checkpoint 的 CLIP 输出。提示词内容需要包含你想要的画面描述。

第四步：构建采样器。

添加 KSampler 节点，model 输入连接 Load Checkpoint 的 MODEL 输出，正面连接正面 CLIP Encode 输出，负面连接负面 CLIP Encode 输出。

在 KSampler 和 Load Checkpoint 之间插入 ControlNet Apply 节点——具体做法是：Load Checkpoint 的 MODEL 输出先连到 ControlNet Apply，ControlNet Apply 的 MODEL 输出再连到 KSampler 的 model 输入。这样 ControlNet 的控制信号就能在采样过程中生效。

第五步：VAE 解码和保存。

KSampler 输出的 latent 图像先经过 VAE Decode 转换成像素图，然后连接 Save Image 节点保存。

3.3 工作流调试技巧

ComfyUI 工作流比 WebUI 更强大，但也更容易出错。以下是几个调试技巧：

技巧一：善用 Preview Image 节点。 在任何中间步骤插入 Preview Image 节点，可以查看该步骤的输出图像，快速定位问题出在哪一步。

技巧二：注意数据类型匹配。 ComfyUI 的连接线是有颜色区分的——橙色线传输模型数据，蓝色线传输图像数据，灰色线传输文本或数字。不同颜色的端口不能互连。如果你发现某根线接不上，先检查两端的端口类型是否匹配。

技巧三：保存工作流前清理测试节点。 调试过程中可能添加了很多 Preview Image 测试节点，正式使用前记得删除这些临时节点，让工作流更简洁。同时建议用”Minimize”功能压缩工作流占用空间。

四、进阶工作流：批量自动生成

4.1 为什么需要批量生成？

在实际创作中，你可能需要生成一系列有变化的图片——比如同一个角色在不同背景下的多张图、或者同一提示词下不同随机种子的大批图片。在 WebUI 里这类需求操作繁琐，ComfyUI 的批量处理能力则让这类任务变得轻松。

4.2 用变量节点控制提示词变化

ComfyUI 有一个”CLIP Text Encode”的高级变体叫”Text Multiline”或者配合”CR Module Template”的节点，可以实现提示词的批量替换。

一个典型用法是：你在工作流中设置多个提示词变体（比如不同的背景描述），然后让 ComfyUI 依次使用每个提示词变体生成图片，全部自动排队完成。

具体实现方式是使用”Prompt Schedule”——通过外部配置文件或者内置的节点编辑器，设置一个包含多个提示词的列表，每个提示词对应不同的生成阶段或循环次数。

4.3 用 Seed 控制实现变体生成

最基础的批量生成方法是固定提示词、变化随机种子（Seed）。在 ComfyUI 的 KSampler 节点里，seed 值决定随机噪声的起始状态。不同的 seed 会产生不同的随机变化，但提示词和其他参数完全相同。

如果你想生成 20 张同提示词但不同构图细节的图，只需要设置 KSampler 的 seed 为”randomize”，然后设置 batch（批次数）为 20，ComfyUI 会自动用 20 个不同的 seed 生成 20 张图片并保存。

4.4 用 ControlNet Stack 实现多图对比

另一个实用的批量场景是：同一提示词 + 同一 ControlNet 参考图，但变化不同的大模型或不同的 LoRA，对比效果差异。

这种工作流的设计思路是：在主流程上并联多个 Load Checkpoint 分支，每个分支加载不同的大模型，然后在 ControlNet Apply 之后汇合到同一个 KSampler——但实际上因为模型不同，通常需要分别采样再合并结果。

更简单的方法是：分别建立 3 个独立但结构相同的工作流，分别加载不同的模型，同时运行对比结果。这种”并联测试”方式在模型对比、LoRA 效果测试等场景非常高效。

五、ComfyUI 的进阶技巧

5.1 动态参数：让工作流真正可复用

ComfyUI 最强大的特性之一是”自定义节点”和”工作流输入输出”。通过添加”Primitive”（原始值）节点或者在节点参数中引用外部输入，你可以把工作流设计成”参数化”的形式。

比如你设计了一个角色图工作流，固定了模型、LoRA、ControlNet 设置，但想保留提示词和种子可调整的能力。你可以把正面提示词和 seed 拖拽成独立的输入端口，保存为模板。以后使用时，不需要打开工作流编辑内部设置，直接在右侧属性面板就能调整这些关键参数。

这种”参数化工作流”设计是 ComfyUI 高手和新手之间最大的分水岭。掌握这个技能后，你的创作效率会有质的飞跃。

5.2 模板和社区资源

ComfyUI 有一个非常活跃的社区，大量创作者在 Civitai、GitHub、Reddit 等平台分享自己的工作流模板。这些模板通常以”.json”文件形式提供，下载后直接导入 ComfyUI 就能复现原作者的生成效果。

推荐的模板获取渠道：

• Civitai 上有专门的 ComfyUI 工作流板块，按功能分类（头像生成、插画、摄影等），可以直接下载使用
• GitHub 上的 ComfyUI examples 仓库有官方提供的基础示例工作流，是学习的好素材
• B站和 YouTube 上有大量中文和英文的 ComfyUI 教程

下载模板时要注意：模板依赖的模型（Checkpoints、LoRA、ControlNet 等）需要提前安装到对应目录，否则导入后会报节点缺失错误。

5.3 工作流优化：加速生成

ComfyUI 相比 WebUI 的另一个优势是更精细的显存管理。WebUI 一次性加载所有资源，显存占用相对粗放；ComfyUI 只在需要时才加载对应模型，且支持把 VAE 等大型模块独立管理。

如果你有一张中低端显卡（8GB 左右显存），可以通过以下方式优化：

方式一：启用模型卸载。 在 ComfyUI 设置里开启”Auto queue + Model management”，让 ComfyUI 在生成完毕后自动把大模型从显存卸载，释放空间给下一次生成，避免显存溢出。

方式二：使用 SDXL 模型优化版本。 SDXL 大模型原生分辨率是 1024，但有专门的 fp16 精度的优化版本可以在更低显存下运行。

方式三：分块处理高分辨率图片。 ComfyUI 有专门的”SDXL Ultimate”等节点集，可以把高分辨率图片的生成切分成多个小块分别处理再拼接，大幅降低显存峰值占用。

六、主流工作流模板解析

6.1 基础文生图工作流

这是 ComfyUI 的”Hello World”，几乎所有教程都从它开始。结构最简洁：Load Checkpoint → CLIP Encode（正面）→ CLIP Encode（负面）→ KSampler → VAE Decode → Save Image。

这个工作流的功能和 WebUI 的文生图完全一样，但好处是你可以精确控制每一个参数，且所有设置都能保存复用。

6.2 进阶 ControlNet + 图生图工作流

在基础工作流上增加 ControlNet 相关节点：

• 增加 Load ControlNet Model 节点
• 增加 ControlNet Preprocessor 节点（如 OpenPose/Canny 等）
• 增加 Load Image 节点作为 ControlNet 参考图输入
• 在 Load Checkpoint 和 KSampler 之间插入 ControlNet Apply

这个工作流能实现 Day9 Day10 两个技能的组合，是高级创作的核心工具。

6.3 LoRA 叠加工作流

在基础工作流的 Load Checkpoint 和 KSampler 之间插入 Load LoRA 节点。LoRA 节点有两个关键参数：strength_model（对模型的影响强度）和 strength_clip（对提示词编码的影响强度）。

如果你要叠加多个 LoRA，可以串联多个 Load LoRA 节点，或者使用 ComfyUI 的”LayerUtility”等高级节点集来更精细地控制每个 LoRA 的生效时机和范围。

七、常见问题与解决方案

问题一：导入别人的工作流报”节点缺失”错误

这是最常见的 ComfyUI 问题。原因是模板使用了某个你没有安装的自定义节点。解决方法：查看错误提示里缺失的节点名称（通常是节点类型名如”CR Load Image”），在 ComfyUI Manager 里搜索并安装对应的自定义节点扩展包。如果缺少的是官方节点，则可能是 ComfyUI 版本过旧，需要更新。

问题二：生成时提示显存不足（OOM）

在 ComfyUI 设置里开启”Model Auto-load”或者尝试降低生成分辨率。还可以检查是否同时加载了多个大型模型（如多个大模型 + 多个 ControlNet），尽量减少同时在显存中的模型数量。

问题三：生成的图片质量明显比 WebUI 差

确认大模型和 VAE 是否匹配——有些 SDXL 模型需要配套的 VAE，如果用了不同的 VAE 会导致颜色异常或模糊。还要检查 KSampler 的 steps 和 CFG 参数是否合理。

问题四：工作流保存后再打开，节点位置全乱了

这是 ComfyUI 的已知问题，和屏幕分辨率和 UI 缩放设置有关。解决方法是用”Arrange Nodes”功能自动排列节点，或者安装”ComfyUI Manager”里的节点布局整理插件。

问题五：如何在 ComfyUI 里使用 WebUI 安装的模型？

ComfyUI 和 WebUI 可以共享同一套模型文件。只要确保模型文件放在 ComfyUI 对应的 models 目录下（Checkpoints、LoRA、ControlNet 等各有独立目录），就能在 ComfyUI 里直接加载使用。模型目录路径可以在 ComfyUI 启动时确认，或者在设置里自定义。

八、总结与下节预告

今天我们完整学习了 ComfyUI 工作流编辑器——从基础概念、界面操作、节点类型，到完整的 ControlNet + 图生图工作流搭建、批量生成技巧、以及高阶复用方法。ComfyUI 是 AI 绘画从”手动操作”走向”自动化创作”的关键工具，掌握它之后，你的工作效率会大幅提升。

核心要点回顾：

• ComfyUI 是基于节点编辑器的 AI 绘画工作流工具，和 WebUI 相比更灵活、可复用性更强
• 节点之间用不同颜色的线连接（橙色=模型，蓝色=图像，灰色=文本/数值），数据类型必须匹配
• 最基础的生图工作流只需要 6 个节点：Load Checkpoint → 2x CLIP Encode → KSampler → VAE Decode → Save Image
• ControlNet、LoRA、图生图都可以无缝集成到 ComfyUI 工作流中
• 批量生成和参数化工作流是 ComfyUI 最强大的功能之一

明天是 Day13，我们将进入商业实战：角色设计与头像变现的学习——从纯技术转向商业应用，教你如何用 AI 绘画真正赚到钱。如果你跟着这个系列学到了 Day13，你已经掌握了 AI 绘画的核心技能树，是时候把这些技能转化为实际收益了。敬请期待。

【本系列目录】