ComfyUI工作流教程：从节点搭建到高效AI图像生成的完整指南

ComfyUI工作流教程的核心在于理解其节点式可视化编程范式。本教程将系统讲解ComfyUI工作流的完整搭建流程，从环境配置、核心节点解析到进阶工作流开发与性能优化，帮助您掌握这一强大的AI图像生成工具。无论您是初次接触ComfyUI的新手，还是希望提升工作流效率的进阶用户，本文提供的结构化方法论与实战技巧都将为您提供切实可行的指导。

一、ComfyUI工作流基础认知

1.1 什么是ComfyUI工作流

ComfyUI是一款基于节点化设计的AI图像生成可视化开发工具。与传统的Stable Diffusion WebUI不同，ComfyUI将复杂的AI模型推理过程拆解为一个个独立的节点模块，用户通过拖拽和连接这些节点来构建完整的数据处理链路。这种节点式工作流的设计理念，使得整个图像生成过程变得透明可控——您可以看到每一环节的数据流动，精确调整每一个参数，真正实现对生成过程的精细化控制。

一个典型的ComfyUI工作流由以下几类节点组成：输入节点负责接收文本提示词或参考图像；处理节点包含各类AI模型操作，如CLIP文本编码、扩散模型采样等；输出节点则负责结果的展示与保存。这些节点通过连线传递数据，形成一个有向无环图（DAG），系统按照拓扑顺序依次执行。

1.2 ComfyUI工作流的核心优势

ComfyUI工作流的价值体现在三个核心维度：

可视化编排：通过图形化界面直观展示数据处理链路，大幅降低技术理解门槛。您无需编写复杂的代码，即可通过拖拽操作完成AI模型的调用与参数配置。

模块复用：支持将常用操作封装为自定义节点，实现跨项目的快速迁移。一个经过验证的工作流可以保存为JSON文件，随时复用或分享。

动态调试：实时监控节点运行状态，快速定位数据流中的异常环节。当生成结果不符合预期时，您可以精确排查是哪个节点的参数设置出了问题。

此外，ComfyUI在性能方面具有显著优势。由于其节点式执行图的优化设计，ComfyUI在相同生成任务下通常比AUTOMATIC1111 WebUI快10%至30%。部分基准测试显示，这一优势可达到33%至41%。ComfyUI也因此成为Black Forest Labs（FLUX的开发者）和Stability AI等模型发布机构的首选展示平台。

1.3 ComfyUI与主流AI绘画工具的横向对比

从对比可以看出，ComfyUI工作流虽然在初期需要投入更多学习成本，但在性能、可控性和扩展性方面具有明显优势，尤其适合需要稳定产出和精细调优的生产场景。

二、ComfyUI环境搭建与基础配置

2.1 系统环境要求

在开始搭建ComfyUI工作流之前，需要确保您的系统满足基本的运行条件：

• 操作系统：Windows 10/11、Linux Ubuntu 20.04+ 或 macOS
• CPU：4核以上（推荐8核）
• GPU：NVIDIA显卡，支持CUDA 11.8+，显存建议8GB以上（视频生成需更高配置）
• 内存：16GB DDR4（AI视频生成建议32GB+）
• 存储：NVMe SSD，建议1TB容量用于存放模型文件
• Python版本：3.10或更高版本

2.2 ComfyUI安装步骤

方式一：使用Conda虚拟环境（推荐）

创建并激活独立的Python环境，避免依赖冲突：

conda create -n comfyui python=3.10
conda activate comfyui

安装PyTorch（根据CUDA版本选择对应命令）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

克隆ComfyUI仓库并安装依赖：

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

方式二：使用pip直接安装

pip install comfyui

2.3 模型仓库目录结构

ComfyUI采用分层存储架构管理各类模型文件。建议按照以下结构组织模型目录：

/models
├── checkpoints/          # 主模型（Stable Diffusion 1.5/XL/FLUX等）
├── loras/                # LoRA微调模型
├── controlnet/           # ControlNet预处理器
├── hypernetworks/        # 超网络模型
├── vae/                  # VAE模型
├── embeddings/           # 文本嵌入
└── clip/                 # CLIP模型

2.4 启动ComfyUI

进入ComfyUI目录后，执行以下命令启动服务：

python main.py --listen --port 8188

启动成功后，在浏览器中访问 http://localhost:8188 即可进入ComfyUI的工作流编辑界面。

三、ComfyUI核心节点详解

3.1 节点操作基础

ComfyUI采用可视化节点编程方式，核心操作包括：

• 添加节点：在画布空白处双击，或从左侧节点库拖拽至画布
• 连接节点：从一个节点的输出端口拖动连线到另一个节点的输入端口
• 配置参数：选中节点后，在右侧面板调整参数
• 禁用/启用节点：右键点击节点选择“Disable”或“Enable”
• 删除节点：选中后按Delete键

3.2 基础生图工作流核心节点

一个最基础的文本到图像ComfyUI工作流需要以下核心节点：

Load Checkpoint（模型加载节点） ：加载基础扩散模型（如SD 1.5、SDXL、FLUX等）。该节点输出model、clip和vae三个数据流，分别连接到后续的采样器、文本编码器和VAE解码器。

CLIP Text Encode（文本编码节点） ：将自然语言提示词转换为CLIP模型可以理解的向量表示。正面提示词（Positive Prompt）描述您想要生成的内容，负面提示词（Negative Prompt）描述您不希望在图像中出现的内容。

Empty Latent Image（空潜在空间图像节点） ：生成一张空的潜在空间图像，作为扩散过程的起点。需要指定图像的宽度和高度。

KSampler（采样器节点） ：ComfyUI工作流中的核心处理节点，负责执行扩散模型的去噪采样过程。关键参数包括：

• Steps（步数） ：去噪迭代次数，建议20-50步
• CFG Scale（引导强度） ：提示词对生成结果的影响程度，通常设为5-9
• Sampler Name（采样器名称） ：如DPM++ 2M Karras、Euler、DDIM等
• Scheduler（调度器） ：如Karras、Exponential等
• Denoising Strength（去噪强度） ：图生图模式下的噪声强度

VAE Decode（VAE解码节点） ：将潜在空间图像解码为像素空间的RGB图像。

Save Image（保存图像节点） ：将生成的图像保存到本地文件系统。

3.3 节点连接逻辑与数据流

节点间的连接遵循严格的数据类型匹配原则。以下是基础生图工作流的标准连接方式：

Load Checkpoint.model → KSampler.model
Load Checkpoint.clip → CLIP Text Encode（正面）.clip
Load Checkpoint.clip → CLIP Text Encode（负面）.clip
CLIP Text Encode（正面）.output → KSampler.positive
CLIP Text Encode（负面）.output → KSampler.negative
Empty Latent Image.output → KSampler.latent_image
KSampler.output → VAE Decode.samples
VAE Decode.image → Save Image.images

理解这一数据流是掌握ComfyUI工作流教程的关键——每个节点的输出都是下一个节点的输入，整个工作流就是一条精心设计的数据处理流水线。

四、ComfyUI工作流搭建实战

4.1 单图生成工作流

这是最基础的ComfyUI工作流，适合初次接触的用户：

步骤一：从节点库拖拽Load Checkpoint节点，选择您想要使用的基础模型。

步骤二：添加两个CLIP Text Encode节点，分别输入正面和负面提示词。

步骤三：添加Empty Latent Image节点，设置目标图像的分辨率。

步骤四：添加KSampler节点，配置采样参数（步数、CFG、采样器等）。

步骤五：添加VAE Decode节点和Save Image节点。

步骤六：按照数据流逻辑连接所有节点。

步骤七：点击“Queue Prompt”按钮执行工作流。

4.2 多图输入处理工作流

当需要处理多张参考图像时（如风格迁移、多图融合等场景），需要使用多图输入工作流：

步骤一：添加两个Load Image节点，分别加载两张参考图像。

步骤二：添加Image Stitch（图像拼接）节点，将两张图像拼接为一张。

• layout参数：选择horizontal（水平拼接）或vertical（垂直拼接）
• spacing参数：设置像素间距
• align参数：选择对齐方式（top/center/bottom）

步骤三：将Image Stitch的输出连接到后续处理节点的输入。

注意：当只有一个图像节点处于启用状态时，Image Stitch节点会自动降级为直通模式，输出与输入完全一致。这一设计使得工作流可以灵活处理单图和多图两种输入场景。

4.3 ControlNet精准控制工作流

ControlNet是ComfyUI工作流中实现精准图像控制的重要扩展。通过ControlNet，您可以对生成图像的结构、姿态、深度等进行精确约束。

核心三要素：

• 预处理器选择：canny（边缘检测）、depth（深度图）、hed（软边缘）、pose（人体姿态）等12种算法
• 控制权重调节：通常在0.5-1.5区间内调整
• 控制时机设置：指定ControlNet在扩散过程的开始和结束步数

典型应用场景：

• 建筑线稿转3D渲染图
• 人体姿态迁移
• 产品设计草图优化

4.4 LoRA与微调模型集成

LoRA（Low-Rank Adaptation）是一种高效的模型微调方法，在ComfyUI工作流中通过专门的LoRA节点加载。LoRA节点通常放置在Load Checkpoint节点之后、KSampler节点之前，用于将微调后的权重注入基础模型。

常见的LoRA应用场景包括：特定角色或风格的生成、特定物体的精准绘制、画风迁移等。

五、ComfyUI进阶工作流开发

5.1 图像修复与老照片修复系统

利用ComfyUI工作流可以构建完整的图像修复系统：

处理流程：

1. 图像预处理（去噪、超分辨率）
2. 损伤区域检测（U-Net分割）
3. 智能内容补全（Diffusion Inpainting）
4. 色彩还原（HSV空间调整）

关键技术指标：

• 修复分辨率：支持4K图像处理
• 处理速度：约30秒/张（RTX 4090）
• 细节保留度：SSIM > 0.92

5.2 批量壁纸生成系统

通过ComfyUI工作流实现自动化批量生成：

自动化流程设计：

1. 参数配置输入
2. 随机种子批量生成
3. 风格迁移处理
4. 分辨率适配
5. 批量导出与元数据嵌入

性能优化方案：

• 采用KSampler并行采样
• 启用XFormers内存优化
• 实施动态批处理策略

5.3 AI视频生成工作流

ComfyUI的最新版本已扩展至视频生成领域。视频生成工作流的核心模块包括帧序列生成（Time-Aware Diffusion）、帧间一致性保持、视频编码与输出等。

5.4 工作流模块化设计

对于复杂的ComfyUI工作流，建议采用分层架构设计：

• 数据层：配置数据加载、预处理节点
• 模型层：部署特征提取、微调节点
• 输出层：集成结果可视化、存储节点

模块化设计使得工作流更易于维护、调试和复用。您可以将常用的节点组合保存为独立的JSON文件，在需要时直接导入。

六、ComfyUI工作流性能优化

6.1 节点级优化策略

节点复用：对重复操作使用Clone节点复制，避免重复构建相同的节点逻辑。

连接优化：及时断开不再使用的节点连接，减少不必要的计算开销。

数据类型匹配：避免不必要的图像格式转换，保持数据在最适合的格式下流转。

6.2 内存与显存管理

显存优化：

• 启用梯度检查点技术
• 采用混合精度训练（FP16/BF16）
• 使用XFormers加速注意力计算

内存管理：

• 对大分辨率图像优先处理
• 采用生成器模式处理大规模数据集
• 对重复计算结果建立本地缓存

6.3 并行计算加速

利用多进程/多线程加速数据处理：

from concurrent.futures import ProcessPoolExecutor

def parallel_process(data_batch):
    with ProcessPoolExecutor(max_workers=4) as executor:
        results = list(executor.map(heavy_computation, data_batch))
    return results

6.4 监控与调试

建议构建三级监控体系：

• 节点级：记录每个节点的执行耗时与资源占用
• 工作流级：监控整体吞吐量与失败率
• 系统级：跟踪容器资源使用情况

七、ComfyUI最新版本特性与生态

7.1 v0.24.0版本更新（2026年6月）

ComfyUI v0.24.0于2026年6月4日发布，这是一次典型的“稳定性修复+新模型接入+推理链路优化”更新：

• Ideogram 4正式接入核心代码
• PiD新增对SDXL和QwenImage的支持
• 多个模型的cast、dtype、推理精度与显存使用问题被集中修复

7.2 v0.21.1版本更新（2026年5月）

ComfyUI v0.21.1于2026年5月14日发布，为不可变版本（Immutable Release）：

• 伙伴节点扩展：新增Flux2ImageNode、GrokImageEditNodeV2、ByteDanceSeedreamNodeV2、OpenAI Image节点等
• 新模型支持：支持HiDream-O1-Image
• 格式兼容性：修复fp8 safetensors保存问题，扩展Save3D保存能力
• 视频工作流增强：修复LTXV多帧引导对齐问题

7.3 ComfyUI生态发展

截至2026年，ComfyUI在GitHub上已积累超过106颗星标。其活跃的开发态势和不断扩展的节点生态，使其成为AI图像生成领域最重要的工具之一。

八、ComfyUI工作流常见问题排查

8.1 节点无输出

可能原因：

• 上游节点未正确连接
• 节点参数配置错误
• 输入数据格式不匹配

排查步骤：

1. 检查所有连线是否完整
2. 确认每个节点的参数是否在有效范围内
3. 查看节点是否有红色的错误提示

8.2 内存溢出

优化方案：

• 降低生成图像的分辨率
• 减少批处理大小
• 启用梯度检查点技术
• 采用混合精度训练

8.3 节点兼容性问题

问题表现：不同版本节点间数据结构不匹配

解决方案：

• 建立版本兼容性矩阵
• 开发数据转换中间件
• 统一节点版本

8.4 生成结果不符合预期

排查方向：

• 检查提示词是否准确描述期望内容
• 验证CFG Scale是否在合理范围（5-9）
• 确认采样步数是否足够（建议20-50步）
• 检查模型是否与任务匹配（如SD 1.5适合写实，SDXL适合高质量艺术图像）

常见问题解答（FAQ）

Q1：ComfyUI工作流和WebUI有什么区别？

ComfyUI采用节点式可视化编程，将生成过程拆解为独立节点，全流程透明可控；WebUI则是表单式黑盒操作。ComfyUI在相同任务下通常快10%-41%，显存管理更高效。

Q2：ComfyUI工作流需要编程基础吗？

不需要。ComfyUI工作流教程的核心就是通过纯可视化操作完成AI图像生成。您只需要拖拽节点、配置参数、连接数据流，无需编写代码。

Q3：如何导入别人分享的ComfyUI工作流？

将他人分享的JSON文件拖入ComfyUI界面即可自动加载所有节点和连接配置。确保本地已安装工作流所需的自定义节点和模型文件。

Q4：ComfyUI支持哪些模型？

ComfyUI支持Stable Diffusion全系列（1.5、2.1、XL、3.5）、FLUX、SD3.5等主流模型，并通过ControlNet、LoRA等扩展支持更多微调模型。

Q5：ComfyUI工作流生成速度慢怎么办？

可尝试以下优化：启用XFormers加速、使用FP16混合精度、降低采样步数（20-25步）、使用更轻量的采样器（如Euler）、减少图像分辨率。

Q6：ComfyUI的最新版本如何获取？

访问ComfyUI的GitHub仓库或官方文档获取最新版本。截至2026年6月，最新稳定版本为v0.24.0。

Q7：ComfyUI工作流可以用于视频生成吗？

可以。ComfyUI的最新版本已扩展视频处理能力，支持帧序列生成、视频编辑等。

Q8：如何调试ComfyUI工作流中的错误？

利用ComfyUI的实时预览功能监控每个节点的输出。如果某个节点输出异常，可以添加Preview Image或Preview Text节点进行中间结果检查，逐步定位问题节点。

你的AIGC知识价值，正在被看见！塔猴AI达人星火计划，发布课程，赢现金激励！点击加入活动：https://www.tahou.com/article/206587263682970629