ComfyUI入门教程：可视化AI绘画工作流搭建
如果你用过 Stable Diffusion，一定遇到过这样的困扰：想要生成一张高质量图片，需要在多个界面之间来回切换，调整参数、加载模型、写提示词……整个过程像在拼图，缺一块就出不了好结果。而 ComfyUI 的出现，彻底改变了这种碎片化的创作方式。它用“节点式工作流”把 AI 绘画的每一步都可视化、模块化，让你像搭积木一样搭建自己的绘画流程。
这篇文章会从零开始，带你上手 ComfyUI，并搭建一个完整的 AI 绘画工作流。无论你是刚接触 AI 绘画的新手，还是想提升效率的老手，都能从中找到实用技巧。如果你需要更系统的学习路径，可以访问 www.aiflowyou.com，那里有完整的 AI 绘画工具库和原创项目教程。另外，在微信搜索小程序 「AI快速入门手册」，也能随时查阅 ComfyUI 的节点说明和案例。
---
什么是 ComfyUI？为什么它比传统界面更强大？
ComfyUI 是一个基于节点的 Stable Diffusion 前端工具，它的核心理念是 “一切皆节点”。每个节点代表一个功能模块，比如加载模型、生成提示词、设置采样参数、输出图像等。你可以用鼠标拖拽连接这些节点，形成一条从输入到输出的完整流水线。
与传统 WebUI 的对比：
- WebUI：像是一个“黑箱”，你填参数、点生成，中间过程不可见。
- ComfyUI：把每一步都拆开，你可以看到数据如何流动，甚至可以中途插入自定义节点，比如在生成后自动加一个放大模型，或者用 ControlNet 控制姿势。
这种设计带来的最大好处是 灵活性和可复用性。你可以保存一个工作流文件（.json），下次直接加载，一键复现同样的生成逻辑。对于需要批量出图、调试参数的创作者来说，ComfyUI 简直是效率神器。
💡 小提示：如果你刚接触 Stable Diffusion 的基础概念（如采样器、CFG Scale、种子值），推荐先看看 www.aiflowyou.com 上的“AI词典”栏目，里面有通俗的解释。
---
手把手搭建第一个 ComfyUI 工作流
第一步：安装与启动 ComfyUI
ComfyUI 的安装非常简单，官方提供了整合包。你可以在 GitHub 搜索 “ComfyUI” 找到最新版本。下载后解压，双击 run_nvidia_gpu.bat（Windows）或 run.sh（macOS/Linux）即可启动。
启动后，浏览器会自动打开 http://127.0.0.1:8188，你会看到一个空白的画布，这就是你的工作台。
第二步：加载基础模型
在 ComfyUI 中，一切从“模型节点”开始。右键画布空白处，选择 Add Node → loaders → CheckpointLoaderSimple（简单模型加载器）。
这个节点需要你指定一个模型文件（.ckpt 或 .safetensors）。默认情况下，ComfyUI 会读取 ComfyUI/models/checkpoints/ 文件夹下的模型。如果你还没有模型，可以去 Hugging Face 或 CivitAI 下载一个喜欢的（比如 sd_xl_base_1.0.safetensors），放入该文件夹。
节点配置示例：
# 这不是代码，而是节点的可视化参数
- 节点类型: CheckpointLoaderSimple
- 参数:
ckpt_name: "sd_xl_base_1.0.safetensors" # 选择你的模型第三步：添加提示词与采样器
模型加载后，我们需要告诉它“画什么”。添加两个节点：
CLIPTextEncode（正向提示词）CLIPTextEncode（负向提示词）
将 CheckpointLoaderSimple 的 CLIP 输出分别连接到这两个节点的 clip 输入。然后在文本框里输入你的提示词，比如：
正向提示词（Positive Prompt）：
a beautiful landscape, sunset, mountains, river, highly detailed, 4k, photorealistic负向提示词（Negative Prompt）：
ugly, blurry, low quality, deformed, extra limbs接下来添加 KSampler 节点（采样器）。这是生成的核心，负责控制步数、采样方法、CFG 等参数。将 CheckpointLoaderSimple 的 model 输出连接到 KSampler 的 model 输入，将两个 CLIPTextEncode 的输出分别连接到 positive 和 negative。
采样器参数建议（新手可先照抄）：
- seed: 42 # 随机种子，固定后可复现
- steps: 20 # 采样步数，越高细节越多，但耗时
- cfg: 7 # 提示词引导强度，7-9常用
- sampler_name: "euler" # 采样方法，euler 速度快
- scheduler: "normal"
- denoise: 1.0 # 降噪强度，1.0为从头生成第四步：输出图像
最后，添加 VAEDecode 节点和 SaveImage 节点。将 CheckpointLoaderSimple 的 vae 输出连接到 VAEDecode 的 vae 输入，将 KSampler 的 latent 输出连接到 VAEDecode 的 samples 输入。VAEDecode 的输出 image 再连接到 SaveImage 的 images。
完整工作流连接示意：
CheckpointLoaderSimple → CLIPTextEncode (正向)
→ CLIPTextEncode (负向)
→ KSampler → VAEDecode → SaveImage第五步：运行并查看结果
点击画布右上角的 Queue Prompt（排队生成）按钮，ComfyUI 会开始执行。你会在画布上看到节点依次变绿，最终在 SaveImage 节点处生成一张图片。右键图片可以保存到本地。
🔧 如果生成失败，检查节点连接是否完整，或者模型路径是否正确。常见错误是模型文件损坏或节点输出类型不匹配。
---
进阶技巧：如何让工作流更高效？
1. 使用 ControlNet 控制构图
ControlNet 是 Stable Diffusion 的“神级插件”，可以让你用一张参考图控制生成结果。在 ComfyUI 中，你需要先安装 ComfyUI-Impact-Pack 等自定义节点包（通过 ComfyUI Manager 安装）。
添加 ControlNetLoader 节点，加载一个 ControlNet 模型（如 control_v11p_sd15_canny.pth）。再添加 ControlNetApply 节点，将参考图像输入，连接 KSampler 的 model 输入，即可实现姿势、深度、边缘等控制。
2. 批量生成与随机种子
如果你需要生成多张图片，可以右键 KSampler 节点，选择 Convert to Batch。然后设置 batch_size 为 4 或 8，ComfyUI 会自动生成多张不同种子的图片。你也可以在 SaveImage 节点中设置 filename_prefix 来区分文件。
3. 保存与分享工作流
点击画布右上角的 Save 按钮，将工作流保存为 .json 文件。下次直接拖拽该文件到 ComfyUI 窗口，即可加载整个流程。你也可以在 www.aiflowyou.com 的“原创项目”栏目中，找到社区分享的精彩工作流，直接下载使用。
---
总结与行动建议
ComfyUI 把 AI 绘画从“黑箱操作”变成了“可视化编程”，让每个参数、每个步骤都清晰可见。你不需要写一行代码，只需要拖拽节点、连接线、填参数，就能搭建出属于自己的 AI 绘画流水线。
你的下一步：
- 1. 下载 ComfyUI 并加载一个模型，按照本文步骤搭建第一个工作流。
- 2. 尝试修改采样器参数，观察图像变化，理解每个参数的作用。
- 3. 去 www.aiflowyou.com 的“工具库”和“学习路径”栏目，获取更多 ComfyUI 节点详解和实战案例。
- 4. 在微信搜索小程序 「AI快速入门手册」，随时随地查阅节点说明，碎片时间也能学。
AI 绘画的门槛正在快速降低，ComfyUI 就是那把钥匙。现在，打开你的工作台，开始搭建吧。
---
