【教程周刊】AI绘画：ComfyUI安装与节点式工作流入门

你好！前面我对比了WebUI和ComfyUI。如果你决定学习ComfyUI，或者想了解节点式工作流的魅力，这篇文章将带你从零开始安装ComfyUI，并搭建你的第一个文生图工作流。

──────────

🛠️【一、ComfyUI安装】

1.1 Windows安装方法一：官方整合包（最简单）① 访问 github.com/comfyanonymous/ComfyUI

② 点击Releases，下载最新的ComfyUI_windows_portable_nvidia.7z③ 解压到D:\ComfyUI④ 双击run_nvidia_gpu.bat启动⑤ 浏览器打开方法二：Git克隆git

clone https://github.com/comfyanonymous/ComfyUI.gitcdComfyUIpipinstall-rrequirements.txtpython main.py

1.2 Mac安装gitclone https://github.com/comfyanonymous/ComfyUI.gitcdComfyUIpipinstall-rrequirements.txt

python main.py –force-fp161.3 安装ComfyUI Manager（必装）💡 ComfyUI Manager是节点管理的必备工具：① 进入ComfyUI的custom_nodes目录

② 运行：gitclone https://github.com/ltdrdata/ComfyUI-Manager.git③ 重启ComfyUI

安装后，ComfyUI界面右上角会出现”Manager”按钮，可以浏览和安装各种节点。

──────────

✨【二、节点式工作流基础概念】

2.1 核心理念在ComfyUI中，一切操作都是节点（Node）。每个节点有：输入（Input）：节点左侧的圆点，接收数据输出（Output）：节点右侧的圆点，输出数据参数（Widget）：节点上的参数控件

🔧 你用鼠标在节点的输入和输出之间拖拽连线，就构成了数据流动的通道。从最左边的”加载模型”到最右边的”保存图片”，数据沿着连线一步步传递和处理。2.2 核心节点类型模型节点：加载各种模型

Load Checkpoint：加载大模型Load VAE：加载VAELoad LoRA：加载LoRALoad ControlNet Model：加载ControlNet编码节点：将输入转化为潜空间表示

CLIP Text Encode：将Prompt编码为文本嵌入VAE Encode：将图片编码为潜空间表示采样节点：核心的扩散去噪过程KSampler：标准采样器（最常用）

KSampler Advanced：高级采样器（更多控制）解码节点：将潜空间转回像素VAE Decode：潜空间→图片图像节点：图像的输入输出Load Image：加载图片Save Image：保存图片

Preview Image：预览图片2.3 节点颜色含义🔵蓝色：加载/处理模型🟡黄色：文本编码🟢绿色：采样器🟣紫色：潜空间处理🔴红色：图像处理⚪灰色：工具/辅助节点

──────────

🛠️【三、搭建第一个文生图工作流】

3.1 基础文生图工作流让我们搭建最简单的”文字到图片”工作流：步骤①：右键空白处 → Add Node → loaders → Load Checkpoint

→ 选择你的大模型（如dreamshaper_8.safetensors）→ 这个节点有3个输出：MODEL、CLIP、VAE步骤②

：右键 → Add Node → condition → CLIP Text Encode→ 连接：Load Checkpoint的CLIP输出 → CLIP Text Encode的clip输入

→ 在text框中输入你的正向Prompt→ 再添加一个CLIP Text Encode，输入负向Prompt步骤③：右键 → Add Node → latent → Empty Latent Image

→ 设置width=512, height=512, batch_size=1→ 这创建一个”空的潜空间”，作为生成的起点步骤④：右键 → Add Node → sampling → KSampler→ 连接：

Load Checkpoint的MODEL → KSampler的model正向CLIP Text Encode的CONDITIONING → positive

负向CLIP Text Encode的CONDITIONING → negativeEmpty Latent Image的LATENT → latent_image

→ 设置参数：seed=随机, steps=20, cfg=7, sampler_name=euler步骤⑤：右键 → Add Node → latent → VAE Decode

→ 连接：KSampler的LATENT → VAE Decode的samples→ 连接：Load Checkpoint的VAE → VAE Decode的vae步骤⑥

：右键 → Add Node → image → Save Image→ 连接：VAE Decode的IMAGE → Save Image的images→ 设置filename_prefix（输出文件名前缀）步骤⑦

：点击工具栏的”Queue Prompt”按钮→ 如果一切正常，你的第一张ComfyUI图片就生成了！3.2 理解数据流💡 在这个工作流中，数据是这样流动的：

[Load Checkpoint] → MODEL/CLIP/VAE ─┐[Prompt文字] → [CLIP Encode] → 文本嵌入 → [KSampler] → 潜空间图像

[Empty Latent] → 随机噪声 ────────────┘↓[Save Image] ← 图片 ← [VAE Decode] ← 潜空间图像

──────────

📖【四、进阶工作流简介】

4.1 添加LoRA在Load Checkpoint和CLIP Text Encode之间插入Load LoRA节点：→ MODEL和CLIP都经过LoRA处理后再传给后续节点

→ 调整strength_model和strength_clip控制LoRA权重4.2 添加ControlNet在KSampler之前添加：→ Load ControlNet Model（加载CN模型）

→ Apply ControlNet（将控制信号注入）→ 连接参考图像（Load Image → 预处理）4.3 Hires.fix放大KSampler输出后接入：→ Latent Upscale（潜空间放大）

→ 第二个KSampler（以低重绘幅度二次采样）→ VAE Decode

──────────

📝【五、ComfyUI使用技巧】

💡效率技巧：按住Ctrl+鼠标滚轮缩放画布按住Shift拖动可多选节点Ctrl+C/V复制粘贴节点右键节点→Convert to input/output转换节点类型双击空白处搜索节点💡排错技巧：红色节点=出错，

查看终端错误信息节点上的进度条显示当前执行状态Queue Prompt旁的数字显示队列长度使用Preview Image节点在流程中间查看效果✅ ComfyUI入门完成！

节点式工作流看似复杂，但一旦掌握，你会发现它比传统界面强大得多。