很多玩 Stable Diffusion 的朋友一开始接触的是 WebUI等需求变复杂后会发现批量跑图不满意、想串联多个模型、想精细控制每个环节WebUI 的界面反而成了瓶颈。后来接触了 ComfyUI才发现节点式工作流把“每一步做了什么”暴露得一清二楚出图稳定、可复现还特别适合做复杂流程。本文会围绕 ComfyUI 的概念、安装、核心节点、工作流搭建、插件生态、视频扩展以及常见问题做一次系统梳理无论是刚入门的小白还是已经在 WebUI 里摸爬滚打一段时间的玩家都能从里面找到自己需要的内容。1. ComfyUI 是什么为什么越来越多人从 WebUI 转到 ComfyUI1.1 从 AI 绘画的两种前端说起ComfyUI 是一个基于节点式流程的 Stable Diffusion 图形界面工具项目由 Comfy-Org 组织维护源码托管在 GitHub 上。它和 Stable Diffusion WebUI 同样是调用底层的 Stable Diffusion 模型但交互方式完全不同。WebUI 是把整个生成过程封装成一个表单页面你填提示词、选模型、设置尺寸和步数然后点生成。这个设计对新手很友好但每次生成都是一次“黑盒调用”中间经过了哪些处理、用了哪些模型、为什么这张图是这个效果用户很难直观感知。ComfyUI 则把“出图”拆成了一个个节点例如加载模型节点、正向提示词节点、采样器节点、解码节点、保存图片节点等节点之间用连线连接数据像水流一样从一个节点流向下一个节点。你可以清楚看到哪个模型被加载。提示词如何进入采样器。Latent潜空间数据经历了什么变换。最终如何解码成图片并保存。这种可视化在调试和复现时非常有用。同一个工作流别人的机器和你的机器跑出来的参数一致只要你加载了相同模型和配置结果基本是稳定的。1.2 ComfyUI 的核心理念节点式工作流节点式工作流听起来好像很玄实际上就是数据流图。每个节点至少有一个输入和输出输入是数据输出也是数据数据在连线中传递。举一个最简单的例子文生图的完整链路大概是这样CheckpointLoader加载底模 ↓ CLIPTextEncode编码正向提示词 → KSampler采样 → VAEDecode解码 CLIPTextEncode编码负向提示词 → → SaveImage保存每个节点都会完成一个独立任务CheckpointLoader 负责加载包含 UNet、CLIP、VAE 的完整模型文件。CLIPTextEncode 把文字提示词转换成模型能理解的向量。KSampler 根据条件进行逐步去噪生成潜空间图像。VAEDecode 将潜空间向量解码成像素图片。SaveImage 把图片保存到本地目录。它的优势在于模块化和复用。你可以把某几个节点组合成一个子流程复制到其他工作流中也可以修改中间任意环节而不需要重写整个生成逻辑。1.3 谁适合使用 ComfyUI根据我接触到的用户群适合使用 ComfyUI 的人大致有几类已经熟悉 Stable Diffusion 基础概念希望更精细地控制生成过程的人。需要批量出图、批量测试参数对效率和可复现性有要求的人。想搭建复杂工作流例如局部重绘、ControlNet 控制姿态、多模型串联、视频生成的人。技术类博主、开发者和算法工程师希望把生成流程脚本化、工程化的人。如果完全没接触过 Stable Diffusion也不太了解大模型、采样器、LoRA 这些概念建议先从 WebUI 入门或者用整合包快速跑通一次再回头理解节点之间的关系这样学习曲线会平滑很多。2. 环境准备三种安装方式与硬件要求2.1 本地部署需要什么环境ComfyUI 的底层是 PyTorch所以安装前先确认电脑环境是否满足基本要求。系统方面Windows 10/11、Linux、macOS 都可以运行本文重点讲 Windows 环境。显卡方面NVIDIA 显卡体验最好因为 CUDA 生态成熟AMD 显卡和 Intel 显卡也可以跑但需要额外安装对应后端。如果你是 macOS 用户M 系列芯片可以使用 MPS 加速但部分节点兼容性会弱一些。内存建议 16GB 起步32GB 会更从容。显存则是关键显存越大能跑的模型分辨率越高、批量大小越大。8GB 显存基本可以流畅跑 SD 1.5 系列模型12GB 以上跑 SDXL 更舒服。显存不足时也可以用 CPU 跑但速度会慢很多只建议用来排查问题或跑极小图。2.2 安装方式一Git 克隆源码安装如果你熟悉 Git 和命令行推荐用源码方式安装。这种方式的好处是版本更新方便、依赖关系透明也方便后续查看源码。首先需要在电脑上安装 Git 和 Python。建议使用 Python 3.10 或 3.11 版本PyTorch 对这些版本支持最稳定。然后打开命令行进入你想放置项目的目录执行克隆命令git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI接下来需要安装依赖。对 NVIDIA 显卡用户建议先单独安装对应 CUDA 版本的 PyTorch再安装 ComfyUI 的依赖。如果直接使用 requirements.txt默认安装的可能是 CPU 版本 PyTorch速度会非常慢。这里给出一个常见流程# 创建虚拟环境推荐 python -m venv venv # 激活虚拟环境 venv\Scripts\activate # 安装 PyTorchCUDA 版本根据自己显卡驱动选择 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装 ComfyUI 依赖 pip install -r requirements.txt安装完毕后启动 ComfyUIpython main.py看到类似下面的输出说明启动成功Starting server To see the GUI go to: http://127.0.0.1:8188浏览器打开http://127.0.0.1:8188就能看到 ComfyUI 界面。需要注意的是不同 PyTorch 版本对应的 CUDA 版本可能不同实际安装时建议参考 PyTorch 官网的安装命令按自己的显卡驱动版本选择合适的 CUDA 版本。2.3 安装方式二整合包一键安装很多新手觉得 Git 和命令行操作太麻烦所以国内社区出现了不少“一键整合包”其中秋叶整合包是流传最广的一种。这类整合包通常把 Python、PyTorch、ComfyUI、常用模型、插件都打包好下载后解压就能用。整合包的优点很明显不需要手动配置 Python 环境。依赖版本已经调好不容易出现版本冲突。自带的模型和示例工作流可以让你快速上手。但也需要接受几个现实问题整合包体积很大通常几个 GB 甚至更大。自带的 Python 环境是定制的后续想安装其他 Python 包时可能会遇到路径问题。更新 ComfyUI 主程序时如果整合包作者没有同步更新需要自己手动处理。使用整合包时建议先确认作者是否持续维护版本是否较新同时注意下载来源是否安全。从非官方渠道下载的整合包存在被植入恶意脚本或捆绑程序的风险。2.4 启动异常与 Git 配置问题安装过程中比较常见的一个问题出现在 Windows 下。有的用户在 Git Bash 或命令行里执行命令时会碰到类似提示unable to set system config diff.astextplain.textconv ...这个报错通常是 Git 的astextplain过滤器没有被正确配置一般出现在 Windows 安装了 Git for Windows 但系统 PATH 里存在多个 Git 版本或者 Git 配置被破坏的场景。处理方式不复杂可以尝试以下步骤git config --global --unset diff.astextplain.textconv git config --system --unset diff.astextplain.textconv如果提示没有配置项可以忽略也可以重新执行一次 Git 安装程序选择修复模式。实际操作中多数情况是因为 Git 配置文件中残留了无效的 textconv 设置清理后即可恢复正常。3. 核心概念拆解节点、模型与工作流3.1 节点Node是什么在 ComfyUI 中节点是最基本的操作单元。每个节点负责一个具体的任务节点上有输入参数和输出结果。你可以在画布上右键呼出节点菜单也可以通过搜索框快速查找节点。不同类型的节点用颜色区分例如模型加载节点通常显示为蓝色系。条件Conditioning节点显示为粉色系。Latent 节点显示为黄色系。图像处理节点显示为绿色系。采样器节点显示为紫色系。节点的连接线也有颜色粉色连接线表示 Conditioning 数据黄色连接线表示 Latent 数据绿色连接线表示图像数据。光看连线颜色就能判断这个节点传递的是什么类型的数据。理解节点的输入输出类型很重要因为只有类型匹配的接口才能连在一起。比如 Latent 接口不能直接连到 Image 接口否则会报错。3.2 模型类型与放置目录ComfyUI 对模型目录有固定的约定。项目根目录下会有一个models文件夹里面按模型类型分好了子目录models ├── checkpoints ├── clip ├── clip_vision ├── configs ├── controlnet ├── diffusers ├── embeddings ├── gligen ├── hypernetworks ├── loras ├── photomaker ├── style_models ├── unet ├── upscale_models ├── vae └── vae_approximate最常用的是checkpoints存放完整的大模型文件通常以.safetensors或.ckpt结尾。loras存放 LoRA 微调模型。vae存放独立的 VAE 模型用于改善色彩和细节。controlnet存放 ControlNet 模型。upscale_models存放放大模型如 ESRGAN 系列。把模型文件丢进对应目录后在节点里点击模型名称下拉列表就能看到新添加的模型。注意如果模型文件比较大建议启动前就放好启动后新增模型时可以在节点里点刷新按钮重新加载列表。需要说明的是模型文件的格式和来源要自行确认。下载模型时建议优先选择原作者的发布渠道并且留意模型的许可协议避免商用风险。3.3 提示词、采样器与 Latent在 ComfyUI 中正向提示词和负向提示词分别由两个 CLIPTextEncode 节点处理。它们接收来自 Checkpoint 模型的 CLIP 输出将文本转换为条件向量。采样器节点是生成流程的核心。常见的采样器是 KSampler它的主要参数包括seed随机数种子固定种子可以复现同一张图。steps扩散步数默认 20 左右。cfg提示词引导强度一般在 7 左右。sampler_name采样算法如 Euler、Euler a、DPM 2M、UniPC 等。scheduler调度器如 normal、karras、exponential。denoise去噪强度重绘时常用设为 1 表示完全重新生成。Latent 可以理解为“压缩后的图像表示”。Stable Diffusion 不是在原图尺寸上直接计算而是把图像编码到潜空间在潜空间里完成扩散过程最后再解码出来。因此 Latent 节点负责创建初始潜空间数据例如设置生成图片的尺寸。在 ComfyUI 的默认文生图工作流中Empty Latent Image 节点就是干这件事的你可以设置宽、高和批次大小。批次大小大于 1 时一次能生成多张图。3.4 工作流文件的本质ComfyUI 的工作流文件其实是一个 JSON 文件里面记录了画布上所有节点的位置、参数、连接关系和插件信息。打开一个工作流 JSON你可以发现里面包含 nodes、links、groups 等结构。工作流文件的优势在于可分享、可复用。网上很多“工作流分享”资源本质上就是一份 JSON。把别人分享的工作流拖进 ComfyUI 窗口或者通过 Workflow → Open 打开就可以还原完整画面。但要注意两点工作流里引用了某些自定义节点时如果当前环境没安装对应插件界面会提示节点缺失。此时需要先安装对应插件工作流才能完整运行。工作流文件里可能携带作者本地的路径信息。如果某些节点的路径指向了不存在的目录需要手动修改。4. 从零搭建一条文生图工作流4.1 加载默认工作流ComfyUI 启动后默认会加载一组基础文生图节点通常包含以下节点CheckpointLoader加载底模。CLIPTextEncode正向提示词。CLIPTextEncode负向提示词。Empty Latent Image设置图片尺寸。KSampler采样。VAEDecode解码潜空间。SaveImage保存图片。如果界面上没有这些节点可以在菜单栏选择 Load Default 来加载默认工作流。默认工作流是理解 ComfyUI 的最佳起点因为它是完整可运行的最小示例。这张图就是整个生成流程从模型加载开始一路连线到最终图片保存。4.2 关键节点参数说明在开始生成之前先检查每个节点的参数配置。CheckpointLoader 节点里选择你想要使用的底模。如果没有可用模型需要先下载模型并放到models/checkpoints文件夹然后在节点里刷新列表。正向提示词节点填入描述画面内容的文本例如a beautiful landscape, mountains, river, sunset, highly detailed, 8k负向提示词节点填入不希望出现的内容例如blurry, low quality, watermark, text, extra fingersEmpty Latent Image 节点里设置宽度和高度。SD 1.5 老模型默认 512×512SDXL 模型性能更强可以设置 1024×1024。这里不建议直接填一个不规则尺寸因为模型训练尺寸通常是固定的乱填可能导致构图异常或变形。KSampler 节点中seed 使用随机值即可steps 设为 20cfg 设为 7sampler_name 选择euler或dpmpp_2mscheduler 选择karras。这套组合是社区里很常见的稳定配置。4.3 运行与图片保存配置完成后点击界面右上角的 Queue Prompt 按钮或者按快捷键 CtrlEnter就可以开始生成。运行过程中可以观察节点的状态正在执行的节点会高亮显示。执行完成后节点边框恢复默认。当 SaveImage 节点执行完图片会出现在右侧面板中同时保存到output目录。output目录位于项目根目录下按日期分文件夹存放生成结果。这个目录结构可以在设置里修改但一般情况下保持默认即可。4.4 导出与复用工作流自己调整好的工作流参数应该及时保存。保存方式有两种使用菜单 Workflow → Export导出为 JSON 文件。直接把图片拖回 ComfyUI 窗口可以还原工作流因为 PNG 图片中通常嵌入了工作流信息。第二种方式非常好用很多社区分享的示例图都支持“图生工作流”。你把别人的效果图下载到本地拖进 ComfyUI就能看到作者的完整参数和节点结构。这里还想提醒一句还原工作流时如果提示缺少自定义节点不要慌先在管理面板中搜索对应插件并安装然后再重新加载工作流。5. 插件生态自定义节点与必装插件5.1 插件管理机制ComfyUI 社区之所以强大离不开庞大的自定义节点生态。这些插件能新增大量实用节点例如ControlNet 控制、放大修复、视频生成、提示词自动补全、界面美化、资源管理等功能。插件一般安装到custom_nodes目录每个插件就是一个独立的 Git 仓库。安装方式通常有两种命令行方式进入custom_nodes文件夹执行git clone和pip install -r requirements.txt。界面管理方式使用 ComfyUI Manager 插件进行可视化管理一键搜索、安装、更新插件。推荐先用 Manager 管理插件因为插件的依赖关系复杂手动安装容易遗漏。5.2 常见必装插件下面整理几个社区中提及度很高、实用性也强的插件方向插件类型典型用途ComfyUI Manager插件管理、模型管理、节点搜索ComfyUI ControlNet 相关姿态控制、线稿控制、深度控制提示词补全插件输入提示词时自动补全 Tag中文本地化插件界面汉化、节点汉化放大模型插件二次放大图片提升分辨率视频生成工作流插件接入视频生成模型如 Wan、LTX 等ComfyUI 目前更新比较频繁新版本前端也在逐步内置一些便捷功能。如果你用的是较新版本有些老插件的功能可能已经内建不用重复安装。5.3 节点汉化与界面优化很多中文用户第一反应是寻找“节点汉化”插件。ComfyUI 的界面默认是英文汉化插件可以把按钮、菜单、节点名称翻译成中文降低学习门槛。安装汉化插件后可能在设置里需要切换语言。具体位置一般在 Settings 或配置菜单中选择 Chinese 或对应语言选项。如果你用的整合包已经内置汉化打开设置确认一下即可。界面优化方面还可以调整主题、打开节点预览、设置背景网格等。这些改动不影响生成逻辑按个人习惯调整就好。5.4 安装插件的注意事项插件虽然好用但也不是装得越多越好。每安装一个插件启动时都可能拖慢速度插件之间也可能出现 Python 依赖冲突。建议遵循几个原则只安装实际用得到的插件。安装前先看开发者的更新时间和 issue 反馈。大版本升级 ComfyUI 前备份custom_nodes目录或者先记录已安装插件清单。出现报错时优先怀疑最近安装的插件。6. 从图片生成到视频ComfyUI 的应用扩展6.1 视频生成模型接入ComfyUI 的能力不止于文生图和图生图。随着社区发展越来越多视频生成模型开始集成到 ComfyUI 中。例如 Wan 系列、LTX 系列等都能在 ComfyUI 中以节点方式搭建视频生成工作流。视频生成工作流的核心逻辑和文生图类似但多了一些时间维度上的处理。通常需要处理视频帧的编解码、分帧加载、关键帧控制等节点。玩视频生成时对显存的要求会明显上升因为单次处理的内容从一张图变成了一段连续帧序列。如果你是第一次接触建议先下载作者分享的现成工作流跑通一次再逐步修改细节。不要一上来就尝试自己拼接整个视频生成链路时间维度上的错误排查起来比静态图复杂得多。6.2 无限视频与长视频生成思路“ComfyUI 无限生成视频”“无限时长视频”这类热词在社区里热度很高。实际上目前并没有真正的无限视频模型大多数所谓“无限视频”工作流是通过滑动窗口、分段生成、前后帧衔接的方式把多个短视频连成一段看起来连续的长视频。实现思路通常分几步先生成第一段视频。取最后几帧作为下一段的起始状态。用保持画面内容一致性的方式继续生成下一段。通过拼接、转场或后期处理让接缝尽量自然。这类流程对显存和显存的稳定性要求很高跑长视频时建议分批次测试先生成 10 秒以内的短视频验证效果再考虑扩展到更长时长。6.3 视频生成中的人物一致性生成视频时人物 ID 漂移是最常见的问题之一。同一人物在前后帧中出现长相经常变来变去这是扩散模型的时间一致性不足导致的。社区里有几种常见的解决思路使用可控制人物特征的模型或 LoRA固定人物面部特征。把第一帧或关键帧作为参考图约束后续帧的人物特征。配合 IPAdapter、FaceID 等节点将人物特征嵌入生成流程。降低每段视频长度减少累计漂移再通过视频剪辑软件拼接。需要承认目前人物一致性还没有一个通用解决方案实际项目里通常要组合多种手段。不同模型的具体参数差异很大建议以官方示例工作流为基准进行微调。6.4 ComfyUI 与 LLM 是否需要在同一台电脑上热词里有一个很有意思的问题“ComfyUI 与 LLM 必须在同一台电脑上么”答案是不需要。ComfyUI 主要处理图像生成和视频生成LLM 通常用于文本理解、提示词优化、对话等任务。两者可以部署在同一台电脑上也可以分开部署。如果想在同一台电脑上同时跑图像模型和 LLM对显存和内存压力会很大。更合理的架构是一台有高性能显卡的机器专门跑 ComfyUI 图像/视频生成。另一台机器或云服务跑 LLM通过 HTTP API 或 WebSocket 与 ComfyUI 工作流通信。ComfyUI 中有节点可以调用外部 API把 LLM 返回的文本接到提示词节点上。这种解耦方式不仅降低硬件压力也方便单独扩展。比如 LLM 服务可以多用户共享而 ComfyUI 的显存可以全部留给图像生成。7. 常见问题与排查思路在实际使用 ComfyUI 时报错是难免的。下面整理了一些高频问题问题现象常见原因解决思路启动后浏览器无法打开端口 8188 被占用换端口启动或关闭占用进程模型下拉列表为空模型未放入正确目录检查 models/checkpoints 目录并刷新生成时报 CUDA out of memory显存不足降低分辨率、缩小批次、启用显存优化选项缺少自定义节点工作流依赖插件未安装用 Manager 安装缺失插件Git 报 unable to set system configGit 配置残留无效设置执行 unset textconv 相关配置中文提示词效果差CLIP 模型对中文支持有限使用英文提示词或做 Tag 转换图片出现重复纹理分辨率超过模型训练尺寸回到模型推荐分辨率并配合放大视频生成黑屏或花屏帧数、尺寸与模型不匹配参考模型作者给出的参数范围排查时我习惯按“三看”来定位问题看控制台日志ComfyUI 命令行的报错信息通常比界面弹窗更详细。看节点颜色红色或高亮节点就是执行中断的位置。看参数范围模型作者会给推荐参数先按官方参数跑通再说。只要控制台还有报错信息就不要急着换模型或重装先阅读日志大多数问题都能从日志里找到答案。8. 最佳实践与工程建议8.1 目录与工作流命名规范ComfyUI 使用一段时间后工作流文件会越来越多。如果不做好命名管理后面找一个旧配置会非常痛苦。建议为工作流文件建立固定的命名规范例如[类型]_[功能描述]_[版本].json示例text2img_sdxl_base_v1.json img2img_controlnet_pose_v2.json video_wan_14fps_v1.json模型文件的命名也应统一。下载模型后如果文件名不清晰可以重命名并附带一张说明文本记录来源、用途和风险等级。8.2 显存管理与双卡配置在main.py启动时可以带一些参数常见的包括--lowvram低显存模式减少显存占用。--novram不使用显存纯 CPU 运行。--force-fp16强制使用半精度。--cuda-device指定 CUDA 设备编号。如果机器有双卡可以让 ComfyUI 只使用其中一张卡避免和其他任务抢显存。多卡并行在 ComfyUI 中并不像普通 CUDA 程序那样简单需要额外实验和配置建议不要期望“插两张卡就能双倍速度”。多数情况下一张更大的显存卡比两张小显存卡更实用。8.3 模型下载与版本管理模型下载渠道要谨慎尽量选择官方或信誉较高的平台。下载后建议用哈希校验工具核对文件完整性避免下载到损坏或被篡改的文件。对于经常更新的模型建议记录版本号。比如某个动画风格 LoRA 出了 v2 版本旧工作流如果仍然在引用旧模型效果可能产生变化。管理模型时可以在目录中增加一个README.md或models_record.txt记录文件来源、版本、用途。8.4 安全与隐私边界ComfyUI 是本地运行的工具本地生成的内容默认不会上传到其他服务器。但要注意几点工作流 JSON 中理论上可能包含你想保留的参数分享时注意是否泄露不想公开的信息。第三方插件虽然方便但也可能包含上传功能或后门代码。安装插件前尽量选择知名作者的项目。生成内容的版权和使用边界取决于模型许可和素材来源商用前务必确认许可协议。不要下载来路不明的整合包和脚本防止捆绑恶意程序。9. 总结与下一步学习路线从“只会填提示词”到“能自己搭一个完整工作流”这是 ComfyUI 学习中最有价值的一步。本文围绕 ComfyUI 介绍了它的节点式理念、环境安装、核心节点、工作流搭建、插件管理、视频生成扩展和常见问题排查内容虽然多但核心路径并不复杂先跑通默认工作流再替换模型和参数然后逐步加入 LoRA、ControlNet、放大模型最后再挑战视频生成等高级玩法。如果你刚开始接触建议先完成下面这个清单再继续深入成功启动 ComfyUI并跑通一张默认工作流生成的图片。下载并切换至少一个自己感兴趣的底模。使用一次图生图或局部重绘功能。学会导出工作流 JSON并能用别人分享的工作流还原节点图。安装 ComfyUI Manager并尝试安装一个实用插件。做完这些再考虑 ControlNet 姿态控制、IPAdapter 风格迁移、视频生成这类进阶课题。ComfyUI 更新速度很快保持关注官方仓库和社区优质博主的更新笔记比收藏一堆旧教程更可靠。希望这篇文章能帮你少走弯路尽快建立自己的 ComfyUI 工作流体系。