Appearance
ComfyUI 使用教程：2026 节点工作流入门与文生图实战
如果你已经能用 Stable Diffusion WebUI 出图，但常遇到这些问题——同一套参数很难复现、想做图生图+放大+换脸的固定流水线、或者要批量生成大量变体——那就该认真看 ComfyUI。这篇 ComfyUI 使用教程面向已经了解文生图基本概念的读者：讲清它和 WebUI 的区别、节点工作流怎么读、最小可运行图怎么搭，以及保存工作流、装自定义节点、排查常见报错的方法。目标不是堆概念，而是让你跑通第一条可复用管线。
ComfyUI 是什么，适合谁
ComfyUI 是基于节点（Node）的 Stable Diffusion 图形界面：每个步骤（加载模型、编码提示词、采样、解码、保存）都是一个节点，用连线表示数据流向。它的优势很明确：
- 可复现：工作流可导出为 JSON，同事打开就能得到同一条管线；
- 可组合：文生图、图生图、ControlNet、放大、人脸修复可以串成一条流水线；
- 更省显存：按需执行节点，复杂流程往往比同等功能的一键界面更灵活；
- 扩展生态活跃：自定义节点覆盖视频、放大算法、批量队列等。
代价是学习曲线比 WebUI 更陡。如果你只是偶尔出几张概念图，WebUI 或 Midjourney 可能更省心；如果你把 AI 出图当成半条生产线，ComfyUI 更值得投入。基础概念可先回顾 Stable Diffusion 使用教程；追求开箱画面质感可参考 Midjourney 使用教程。
ComfyUI 的核心心智模型：左侧准备资源，中间采样计算，右侧输出图像；连线就是张量/条件信息的流向。
安装与启动（抓住主线）
不同平台安装细节会变，但主线一致：
- 准备 Python / Git，以及可用的 NVIDIA 驱动（或项目文档支持的其他加速方案）；
- 克隆 ComfyUI 官方仓库并安装依赖；
- 把 Checkpoint、VAE、LoRA 放到对应
models子目录（与 WebUI 类似，但目录名以当前文档为准）； - 启动后浏览器打开本地地址（常见为
http://127.0.0.1:8188）。
第一次启动如果界面是空画布或只有默认示例图，属于正常。先不要急着装几十个自定义节点——空环境更能帮你理解默认节点在做什么。
读懂界面：画布、节点、队列
打开 ComfyUI 后，你主要和三块区域打交道：
- 画布：拖拽节点、拉线；滚轮缩放，中键或空格拖动画布（具体快捷键以你版本为准）；
- 节点：双击空白处可搜索节点；每个节点有输入点（左侧）和输出点（右侧）；
- 队列（Queue）：点 Queue Prompt 开始生成；可看进度与报错信息。
节点连线的基本原则：类型要匹配。例如模型输出接到采样器的 model 输入，CLIP 文本编码接到 conditioning，VAE 解码接到图像保存。类型不对时，线往往拉不上或运行时报错。
最小可运行：一条文生图工作流
不必背全节点名，先记住这条最小链路：
- Load Checkpoint：选出图底模；
- CLIP Text Encode（正向）+ 再放一个（反向）；
- Empty Latent Image：设定宽高与批量；
- KSampler：连接模型、正反向条件、latent，设置步数、CFG、种子、采样器；
- VAE Decode：把 latent 解成图像；
- Save Image：保存结果。
这和 WebUI 的 txt2img 是同一件事，只是被拆成了可见步骤。参数含义（steps、CFG、seed）与 WebUI 相通，调参原则仍是：一次只改一个变量。提示词写法可继续用 提示词工程教程 的结构方法，再叠 SD 常见的质量词与反向词。
最小链路可以记成：Checkpoint →（Model/CLIP/VAE）→ Encode + Latent → KSampler → Decode → Save。
工作流怎么保存与复用
ComfyUI 的长期价值在复用：
- 用菜单或快捷方式 Save / Export 工作流（常见为 JSON）；
- 下次 Load 同一份 JSON，即可恢复节点布局与参数；
- 把成熟工作流按用途命名，例如
txt2img-base、img2img-upscale、controlnet-openpose； - 分享给他人时，注明依赖的模型名与自定义节点列表，否则对方缺模型会直接报错。
建议养成习惯：出了满意图，不只存图片，也存当时的工作流 JSON。三个月后你仍然能复现，而不是只剩一张无法复盘的成品。
自定义节点：什么时候该装
默认节点够你跑通文生图与不少进阶流程。自定义节点适合这些情况：
- 需要特定放大或细节修复算法；
- 需要更方便的批量目录读取；
- 需要视频帧处理、特定 ControlNet 辅助节点。
安装方式因管理器而异（例如 ComfyUI Manager）。原则是：
- 少装、精装，优先选维护活跃的仓库；
- 装完重启，再加载工作流；
- 出现红色缺失节点，说明 JSON 依赖了你没装的扩展——按报错名补齐，而不是盲目重装整个 ComfyUI。
常见报错与排查顺序
| 现象 | 优先排查 |
|---|---|
| 找不到模型 / 加载失败 | 文件是否在正确目录、文件名是否与节点选择一致 |
| 显存不足 CUDA OOM | 降分辨率、降 batch、关不必要的高清放大节点 |
| 红色节点 Missing | 缺自定义节点或版本不匹配 |
| 出图全黑/彩噪 | VAE 不匹配、模型损坏、或采样参数极端 |
| 队列一直转圈无结果 | 看终端日志，多数是依赖冲突或节点输入未连接 |
排查时打开启动 ComfyUI 的终端窗口：界面只告诉你失败，细节往往在日志里。
ComfyUI 与 WebUI 怎么选
| 场景 | 更推荐 |
|---|---|
| 第一次接触 SD，想尽快出图 | WebUI |
| 固定管线、团队复现、复杂多步 | ComfyUI |
| 大量 A/B 对比采样器与调度 | 两者皆可，ComfyUI 更易保存实验图 |
| 只想要漂亮概念图、少折腾 | Midjourney 或 WebUI |
现实做法很常见：WebUI 练手与选模，ComfyUI 固化生产线。不必站队。
ComfyUI 使用教程常见问题（FAQ）
Q：ComfyUI 必须会编程吗？ A：不必须。你会拖节点、看连线类型、调常见参数就够入门。编程能力主要在写自定义节点或深度调试时才需要。
Q：WebUI 的模型能直接给 ComfyUI 用吗？ A：多数 Checkpoint / LoRA / VAE 可以共用，只要放到 ComfyUI 对应模型目录并在节点里选中。个别扩展格式以文档为准。
Q：为什么同样提示词，ComfyUI 和 WebUI 结果不一样？ A：默认采样器、调度、CLIP skip、VAE、以及是否启用某些隐式后处理都可能不同。要对齐结果，需要逐项对齐模型与关键参数，而不是只复制提示词。
Q：工作流 JSON 很大正常吗？ A：正常。里面包含节点位置、连线与参数。可以把它当“可执行配方”，用版本管理或云盘备份。
Q：学习 ComfyUI 之前要先学完 ControlNet 吗？ A：不用。先跑通最小文生图，再学图生图，最后才加 ControlNet 与放大。一次加太多节点，出错时无法定位。
总结
ComfyUI 的本质是把出图过程变成可视化、可保存、可复用的计算图。先掌握最小文生图链路，再学会导出 JSON，你就已经超过多数只停留在随机出图的用户。接下来按需加图生图、放大与 ControlNet，并把每条成熟管线命名存档。若你还卡在模型与基础参数，回到 Stable Diffusion 使用教程；若卡在描述画面，用 提示词工程教程 先把提示词结构理清。
相关资源
- ComfyUI 项目文档与示例工作流（以你安装版本的官方仓库为准）
- 本站 AI工具教程 分类
- 延伸阅读：Stable Diffusion 使用教程、Midjourney 使用教程、提示词工程教程
本文描述的是通用节点工作流方法；具体菜单名、默认端口与自定义节点生态会随版本变化，请以你本地 ComfyUI 的当前界面与官方说明为准。请合法使用模型与生成内容。