ComfyUI：节点式AI绘画工作流引擎深度使用教程

ComfyUI 是一款开源的节点式 AI 绘画工作流引擎，基于 Stable Diffusion 生态，通过可视化节点编排实现文生图、图生图、局部重绘等功能。相比传统 WebUI，它以更灵活的节点连接方式和更高的执行效率，成为越来越多 AI 创作者的首选工具。本文将从安装部署、核心概念、基础操作、常用节点、实战工作流、插件生态及优缺点等方面，带你全面掌握 ComfyUI 的使用方法。

下载与安装

ComfyUI 是 GitHub 上的开源项目，目前主要有两种安装方式可供选择。

本地安装方式

方式一：Git 克隆 + Python 依赖（推荐进阶用户）

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt
python main.py

安装完成后，浏览器访问 http://127.0.0.1:8188 即可进入界面。需要提前安装 Python 3.10+ 和 PyTorch（CUDA 版本）。

方式二：ComfyUI Desktop 桌面版

官方提供了桌面安装包，支持 Windows 和 macOS，内置 Python 环境和依赖，一键安装即可运行，适合不想折腾环境的初学者。

硬件要求

本节小结： ComfyUI 提供 Git 克隆和桌面版两种安装方式，前者灵活可控，后者开箱即用。运行需要 NVIDIA 显卡（6GB 以上显存）和 Python 环境。

核心概念

理解以下四个核心概念，是使用 ComfyUI 的基础。

节点（Node）

节点是 ComfyUI 的基本功能单元，每个节点负责一个特定任务，例如加载模型、编码文本、执行采样等。节点分为输入节点、处理节点和输出节点三大类。

连接（Link）

连接是将一个节点的输出端口与另一个节点的输入端口相连的线缆，代表数据的流动方向。只有数据类型匹配的端口才能连接，例如模型输出只能连接到模型输入。

工作流（Workflow）

工作流是由多个节点通过连接组合而成的完整图像生成流程。工作流可以保存为 JSON 文件，方便复用和分享。

后端引擎与 WebUI 对比

ComfyUI 的后端基于 Stable Diffusion 架构，支持 SD1.5、SDXL、SD3 等主流模型。与 Automatic1111 WebUI 的对比如下：

本节小结： ComfyUI 以节点、连接和工作流为核心抽象，基于 Stable Diffusion 后端运行。相比 WebUI，它更灵活高效，但学习门槛略高。

基础操作

添加节点

在画布空白处 双击鼠标左键 或 右键点击 弹出节点搜索菜单，输入关键词即可快速查找并添加节点。也可以从顶部菜单栏拖拽添加。

连接节点

将鼠标悬停在节点的输出端口（右侧圆点）上，按住左键拖动到目标节点的输入端口（左侧圆点）即可建立连接。连接线会根据数据类型显示不同颜色。右键点击连接线可删除连接。

节点参数配置

点击节点可展开详细参数面板，常见参数包括模型选择、提示词输入、采样步数、CFG Scale、种子值等。参数修改后即时生效，下次运行工作流时将使用新参数。

运行工作流

点击画布上方的 Queue Prompt 按钮即可运行当前工作流。运行过程中，正在执行的节点会高亮显示，生成的图像会实时预览。

保存与加载工作流

• 保存： 点击菜单 Save 将工作流导出为 JSON 文件。
• 加载： 点击菜单 Load 导入已有 JSON 工作流文件，也可直接将 JSON 文件拖拽到画布中。

本节小结： 掌握添加节点、连接节点、配置参数、运行和保存工作流这五项基础操作，即可开始使用 ComfyUI 进行 AI 绘画创作。

常用核心节点

以下是搭建工作流时最常用的六个核心节点：

本节小结： 这六个核心节点构成了 ComfyUI 工作流的基本骨架，绝大多数工作流都是在此基础上扩展而来。

工作流搭建实战

标准文生图工作流

文生图是最基础的工作流，搭建步骤如下：

1. 加载模型： 添加 Load Checkpoint 节点，选择所需模型文件。
2. 编码提示词： 添加两个 CLIP Text Encode 节点，分别输入正面和负面提示词，连接到 Checkpoint 的 CLIP 输出。
3. 采样生成： 添加 Empty Latent Image 节点设置图像尺寸，再添加 KSampler 节点，将模型、正负面条件、潜空间图像连接到对应输入。
4. 解码图像： 添加 VAE Decode 节点，将 KSampler 输出连接到其输入，同时连接 Checkpoint 的 VAE 输出。
5. 保存输出： 添加 Save Image 节点，连接 VAE Decode 的图像输出。

图生图工作流

在文生图基础上，用 Load Image 替换 Empty Latent Image，并通过 VAE Encode 将原图编码为潜空间图像，再输入到 KSampler。调整 Denoise 参数（通常设为 0.4-0.7）可控制原图保留程度。

局部重绘工作流

在图生图基础上，添加 Set Latent Noise Mask 节点，通过蒙版（Mask）指定重绘区域。蒙版可通过 Load Image 加载黑白蒙版图，或使用 Masking 类节点自动生成。Denoise 值建议设为 0.8-1.0 以获得最佳重绘效果。

本节小结： 从文生图到图生图再到局部重绘，工作流的复杂度逐步递增，但核心框架一致，均围绕”加载模型-编码-采样-解码-保存”这一主线展开。

插件与自定义节点

ComfyUI Manager 管理器

ComfyUI Manager 是最核心的插件管理工具，提供一键安装、更新和搜索自定义节点的功能。安装方法：

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

重启 ComfyUI 后，画布顶部会出现 Manager 按钮，点击即可浏览和安装社区插件。

常用插件推荐

安装方法

通过 ComfyUI Manager 的 Install Custom Nodes 功能搜索并一键安装。也可以手动将插件仓库克隆到 ComfyUI/custom_nodes/ 目录，然后安装依赖后重启服务。

本节小结： 插件生态是 ComfyUI 的重要优势，通过 ComfyUI Manager 可以便捷地扩展功能，满足多样化的创作需求。

优缺点分析

优点

• 灵活性极高： 节点式设计允许自由组合功能，构建任意复杂的工作流。
• 执行效率优秀： 按需加载模型，内存占用低，适合显存有限的硬件环境。
• 工作流可复用： JSON 格式保存和分享工作流，团队协作效率高。
• 插件生态活跃： 社区持续贡献高质量自定义节点，功能不断扩展。
• 支持多模型： 兼容 SD1.5、SDXL、SD3、Flux 等主流模型架构。

缺点

• 学习曲线较陡： 节点概念和连接逻辑对新手不够直观，初期上手难度大。
• 界面交互简陋： 原生 UI 缺少美化，操作体验不如 WebUI 友好。
• 调试不便： 节点报错信息不够明确，排错需要一定经验。
• 依赖管理复杂： 自定义节点可能存在依赖冲突，环境维护成本较高。

本节小结： ComfyUI 以灵活性和效率见长，适合有技术基础的用户深度使用；但在易用性和界面体验方面仍有提升空间。

写在最后

ComfyUI 作为一款开源的节点式 AI 绘画工作流引擎，凭借其高度灵活的节点编排机制和优秀的执行效率，正在成为 Stable Diffusion 生态中不可或缺的创作工具。虽然初学门槛较高，但一旦掌握了核心概念和基础操作，便能解锁远超传统 WebUI 的创作自由度。随着社区插件生态的持续繁荣和桌面版的不断完善，ComfyUI 的使用体验也在逐步优化。无论你是追求极致效率的技术创作者，还是需要复用复杂工作流的专业用户，ComfyUI 都值得你投入时间深入学习。希望本教程能帮助你快速上手并在实践中不断探索更多可能。