ComfyUI：AI绘画新利器，轻松上手Stable Diffusion！

视频教程

Credits： ComfyUI项目页面：github.com/comfyanonymous/ComfyUI ComfyUI Examples：comfyanonymous.github.io/ComfyUI_examples

🔗 ComfyUI整合包下载：官方Release页面：github.com/comfyanonymous/ComfyUI/releases 分流度盘：pan.baidu.com/s/1d9XLF96OzWlLtUGvZiYdVA?pwd=nely 分流Quark：pan.quark.cn/s/ff8172bebe27

1. 什么是 ComfyUI？为什么要用它？

你可能已经习惯了使用经典的 Stable Diffusion WebUI，但 ComfyUI 正在成为全球最受欢迎的 AI 绘画应用之一。

核心优势：

更低配置，更高效率：出图速度更快，显存占用更低。最低 3GB 显存即可运行，推荐 8GB 以上获得良好体验。
无限的自由度：通过节点（Nodes）的自由组合，可以实现人像生成、背景替换、视频转动画等复杂流程全自动化。
底层更透明：像 Blender 或虚幻引擎一样，通过连线让你理解 AI 生成图像的每一步逻辑。
更新极快：对 SDXL、SVD 等新模型的支持往往是最快的。

2. 下载与安装

本地安装 (Windows + N卡)

这是最简单的安装方式，无需复杂的代码部署：

下载整合包：访问 GitHub 项目主页 Releases 版块，下载作者 ComfyAnonymous 提供的官方整合包（7z文件）。
解压：将文件解压到一个空白文件夹中。
启动：双击 run_nvidia_gpu.bat 文件即可启动，无需额外安装环境。

其他平台与云端

A卡/Mac/Linux：需要通过代码在本地部署环境，详情参考视频简介文档。
在线体验：如果不满足硬件要求，可以使用“哩布哩布 AI” (LiblibAI) 等在线平台，它们内置了在线版 ComfyUI，开箱即用。

3. 关键配置：如何共用 WebUI 的模型？

如果你电脑里已经安装了 SD WebUI，并且存了几十 GB 的模型，不需要复制一份到 ComfyUI。

在 ComfyUI 根目录下找到 extra_model_paths.yaml.example 文件。
用记事本打开，找到 base_path: 这一行，将路径修改为你 WebUI 的安装根目录。
保存文件，并将文件名重命名为 extra_model_paths.yaml (去掉 .example 后缀) 。
重启 ComfyUI，它就能自动读取你原有的 Checkpoints、LoRA 和 ControlNet 模型了。

4. 界面初探：节点与连线

ComfyUI 的界面是一个无限大的画布：

操作：鼠标滚轮缩放，左键按住拖拽移动视野。
核心概念：
- 节点 (Node)：一个个功能方块，负责处理数据。
- 端口 (Port)：节点左右的小圆点。左边是输入，右边是输出。
- 连线 (Wire)：连接不同节点的管道。只有颜色相同的端口才能相连（代表数据类型一致）。

5. 实战：搭建第一个“文生图”工作流

我们将把 WebUI 中的固定流程拆解为 4 个步骤，在 ComfyUI 中还原。

第一步：加载模型 (Checkpoint Loader)

操作：右键点击画布空白处 -> Add Node -> Loaders -> Load Checkpoint 。
功能：选择并加载你的大模型。它会输出 Model、CLIP 和 VAE 三种数据。

第二步：输入提示词 (CLIP Text Encode)

操作：右键 -> Add Node -> Conditioning -> CLIP Text Encode (Prompt) 。
连接：需要添加两个此节点（一个作为正面提示词，一个作为负面提示词）。将模型节点的 CLIP 输出端口连接到这两个节点的 clip 输入端口。
技巧：Ctrl+C / Ctrl+V 可以复制节点；按住 Ctrl 框选可批量移动节点。

第三步：设置分辨率 (Empty Latent Image)

操作：右键 -> Add Node -> Latent -> Empty Latent Image 。
功能：设置图像的宽 (width)、高 (height) 和批次 (batch_size)。
原理：AI 生成图像是在“潜空间 (Latent Space)”进行的，这里相当于创建了一张空白的噪点底图。

第四步：核心生成 (KSampler)

这是最关键的节点，相当于 WebUI 的“生成”按钮背后的逻辑。

操作：右键 -> Add Node -> Sampling -> KSampler 。
连接配置：
- model：连到 Load Checkpoint 的 model 输出。
- positive：连到正面提示词节点的 conditioning 输出。
- negative：连到负面提示词节点的 conditioning 输出。
- latent_image：连到 Empty Latent Image 的 latent 输出。
参数详解 ：
- Seed：种子数。control_after_generate 设为 randomize (随机) 或 fixed (固定)。
- Steps：迭代步数。
- Sampler_name：采样器（如 dpmpp_2m）。
- Scheduler：调度器（如 karras）。注意：ComfyUI 将采样器和调度器分开了，WebUI 的 DPM++ 2M Karras 在这里需要分别选择 dpmpp_2m 和 karras。

第五步：解码图像 (VAE Decode) & 保存

KSampler 输出的是潜空间数据（Latent），人类看不懂，需要“翻译”成图片。

操作：
- 添加 VAE Decode (Latent 分类下)。连接 KSampler 的 latent 输出和 Checkpoint 的 vae 输出。
- 添加 Save Image (Image 分类下)。连接 VAE Decode 的 image 输出。

第六步：生成！

点击右侧面板的 Queue Prompt 按钮。你会看到绿色的框在节点间流动，最终在 Save Image 节点吐出图片。

提示：如果不小心删除了节点，点击右侧菜单的 Load Default 可加载官方默认工作流。

6. 进阶玩法：图生图与 LoRA

图生图 (Image-to-Image)

只需对上述工作流做微调：

加载图片：添加 Load Image 节点，上传你的原图。
图片转潜空间：原图不能直接连 KSampler。添加 VAE Encode 节点，将 Load Image 的图像输入，并连接 VAE 模型。
替换连接：将 VAE Encode 输出的 Latent 连入 KSampler，断开原来的 Empty Latent Image 。
调整重绘幅度：调节 KSampler 中的 denoise 参数（即 WebUI 的重绘幅度），数值越低越像原图。

加载 LoRA

LoRA 相当于挂在主模型上的“配件”。

添加节点：Loaders -> Load LoRA 。
插入位置：把它插入在 Load Checkpoint 和 CLIP Text Encode/KSampler 之间。
连接逻辑：大模型输出 -> LoRA 输入；LoRA 输出 -> 后续节点。LoRA 修改了模型和 CLIP 的数据。

7. 工作流的保存、加载与“抄作业”

ComfyUI 的工作流具有极高的可迁移性。

三种加载工作流的方法：

JSON 文件：点击右侧菜单 Save 保存为 .json 文件，点击 Load 读取。
图片拖拽：这是最神奇的功能。将 ComfyUI 生成的原图（PNG格式）直接拖入浏览器窗口，它会自动还原生成这张图的所有节点和参数。
代码粘贴：有些网站只提供一串代码，复制它们，在 ComfyUI 界面 Ctrl+V 粘贴即可加载。

遇到红色框报错怎么办？

如果加载别人的工作流发现有节点显示红色（Missing Nodes），说明你缺少对应的自定义节点 (Custom Nodes)。这需要安装 ComfyUI Manager 来解决，我们将在下一节课详细讲解。

下一步：现在的你已经是一名“徒手组装 SD”的硬核玩家了！试着去下载一些大神分享的工作流图片，拖进 ComfyUI 拆解学习吧！

解锁 Pro 权限

您正在使用 Lite 体验版。
升级 Pro，立即解锁全站核心工作流、商业源文件
以及后续永久更新。

立即获取密钥