ComfyUI（舒适用户界面）深度评测：开源节点式AI图像生成工作流工具使用教程：从入门到精通

一、ComfyUI是什么？为什么值得深度评测？

ComfyUI（全称Comfortable User Interface）是一款基于节点的开源AI图像生成工作流工具。与传统的Stable Diffusion WebUI（如Automatic1111）不同，ComfyUI采用可视化节点编辑器，允许用户像搭积木一样自由组合各种处理模块（如CLIP文本编码、VAE解码、采样器、ControlNet等）。这种架构带来了极高的灵活性和可扩展性，特别适合需要精细控制生成过程的进阶用户和研究开发者。

本教程将从零开始，逐步带你掌握ComfyUI的安装、界面布局、核心节点操作，并提供一个完整的文生图工作流示例。无论你是刚接触AI绘画的新手，还是想从WebUI迁移过来的老手，都能从中获得实用技巧。

二、安装与环境准备

2.1 系统要求

• 操作系统：Windows 10/11、macOS 12+、Linux（推荐Ubuntu 22.04）
• 显卡：NVIDIA显卡（VRAM ≥ 6GB，推荐8GB以上）或Apple Silicon Mac（M1/M2/M3）
• Python：3.10~3.11（不要用3.12，部分依赖尚未兼容）
• 额外空间：至少20GB用于模型存储

2.2 安装步骤（Windows为例）

1. 访问ComfyUI GitHub仓库（https://github.com/comfyanonymous/ComfyUI），点击“Code” → “Download ZIP”，或直接使用Git克隆：
   git clone https://github.com/comfyanonymous/ComfyUI.git
2. 进入文件夹，创建虚拟环境（推荐）：
   python -m venv venv
venv\Scripts\activate（Windows）或source venv/bin/activate（Linux/macOS）
3. 安装依赖：
   pip install -r requirements.txt
4. 下载基础模型（如SDXL或SD1.5），放入models/checkpoints/文件夹。示例：从Hugging Face下载sd_xl_base_1.0.safetensors。
5. 启动ComfyUI：
   python main.py
   看到提示Starting server at http://127.0.0.1:8188后，在浏览器打开该地址。

三、界面与核心概念

3.1 界面布局

• 左侧面板：节点库（Nodes Menu），可按类别（如Loaders、Sampling、Latent）展开。
• 中央画布：拖拽节点、连线的工作区域。
• 右键菜单：快速添加节点、执行队列、保存/加载工作流。
• 工作流保存/加载按钮：顶部工具栏图标，支持.json格式。

3.2 节点类型速览

四、实战：搭建一个完整的文生图工作流

下面我们一步步构建一个从文本到图像的基线工作流。这里以SDXL模型为例。

步骤1：加载模型

在画布上右键 → 选择“Add Node” → 搜索“Load Checkpoint”，点击添加。之后双击节点，在下拉菜单中选择你下载的模型文件（如sd_xl_base_1.0.safetensors）。该节点会自动输出三个接口：MODEL、CLIP、VAE。

步骤2：添加提示词编码

添加两个“CLIP Text Encode”（一个用于正向提示，一个用于负向提示）。将“Load Checkpoint”的CLIP输出分别连接到两个CLIP Text Encode的clip输入。双击每个节点，在文本框中输入正向提示（例如：“a beautiful landscape, mountains, sunset, high quality, 4k”）和负向提示（例如：“lowres, ugly, blurry, bad anatomy”）。

步骤3：创建潜空间图像

添加“Empty Latent Image”节点：右键 → 搜索。设置宽度、高度（如1024×1024）和批次大小（batch size = 1）。

步骤4：采样器设置

添加“KSampler”节点（注意不是“KSampler Efficient”）。连接：

• 将Empty Latent Image的latent输出 → KSampler的latent_image输入。
• 将正向CLIP Text Encode的conditioning输出 → KSampler的positive输入。
• 将负向CLIP Text Encode的conditioning输出 → KSampler的negative输入。
• 将Load Checkpoint的MODEL输出 → KSampler的model输入。

在KSampler节点中设置参数：seed（可留空自动随机），steps（推荐20-30），cfg（7-8），sampler_name（如euler），scheduler（如normal）。

步骤5：解码并保存图像

添加“VAE Decode”节点，将KSampler的latent输出连接到VAE Decode的samples输入，并将Load Checkpoint的VAE输出连接到VAE Decode的vae输入。最后添加“Save Image”节点，连接VAE Decode的image输出。

步骤6：生成

点击画布右上角的“Queue Prompt”按钮（或按Ctrl+Enter），等待进度条完成。生成的图片会出现在ComfyUI/output/文件夹中，同时画布上会弹出一个预览窗口。

五、进阶技巧与常见问题

5.1 高效调试技巧

• 查看输出张量：右键任意节点的输出接口，选择“Add Display Node”，即可在画布上实时看到中间结果（如CLIP编码后的维度）。
• 批量生成对比：在KSampler中将batch_size设为4，同时生成多张不同种子的图像，方便挑选。
• 使用节点模板：官方提供了数百个示例工作流（GitHub wiki页面），可以直接下载学习。

5.2 常见问题排查

1. 生成报错“CUDA out of memory”：降低图像分辨率（如从1024×1024改为768×768），或在Empty Latent Image中启用batch_size=1，减少显存占用。
2. 节点间连线不匹配：注意输出/输入类型（如MODEL只能连接到model接口），颜色不同的接口不能连接。
3. 提示词不生效：检查CLIP Text Encode是否连接到KSampler的conditioning，而非latent。

六、深度评测总结

ComfyUI以其独特的节点式工作流，在灵活性和可复现性上远超传统UI。它特别适合需要自定义管线、使用ControlNet/LoRA/IP-Adapter等扩展的创作场景。学习曲线较WebUI稍陡，但一旦掌握，效率提升显著。本教程覆盖了核心安装、界面操作和完整工作流搭建，接下来你可以尝试替换不同模型、增加ControlNet等高级节点，甚至编写自定义Python节点。

如果你觉得本文对你有帮助，欢迎收藏和分享。更多ComfyUI高级教程（如视频转动画、自定义节点开发）将陆续推出。