ComfyUI 工作流教程 2026：新手从零开始到精通的完全实战攻略

开篇介绍

ComfyUI 是目前最强大且灵活的开源 AI 绘画节点式工作流工具，广泛应用于高质量图像生成、视频动画制作及复杂模型调试场景。与传统的“一键生成”界面不同，它通过可视化节点连接，让用户精准控制从潜空间编码到最终解码的每一个环节。本教程将带你从零开始，彻底拆解 ComfyUI 的核心逻辑。学完本课程，你将不再依赖他人分享的固定模板，而是具备独立搭建、修改甚至创造专属工作流的能力，真正掌握 AI 生成的底层控制权。

前置准备

在正式进入节点世界之前，请确保完成以下基础环境搭建：

1. 硬件与环境配置：推荐拥有至少 8GB 显存的 NVIDIA 显卡。若使用本地部署，需安装 Python 3.10+ 及 Git；小白用户可直接下载“整合包”，解压即用，无需配置环境变量。
2. 核心模型下载：前往 Civitai 或 HuggingFace 下载主流大模型（如 SDXL 或 Stable Diffusion 1.5），并将文件放入 models/checkpoints 目录下。
3. 前置知识储备：无需编程基础，但建议了解基本的 AI 绘图概念，如 Prompt（提示词）、Checkpoint（底模）、VAE 及 Sampling Steps（采样步数）的含义。
4. 插件管理器安装：首次启动后，务必通过菜单安装"ComfyUI Manager"，这是后续管理自定义节点和缺失组件的关键工具。

步骤详解

第一步：构建基础生成链路

启动 ComfyUI，默认界面通常已包含一个最简工作流。若无，请按以下顺序添加节点：右键点击空白处，选择 Add Node -> Loaders -> Load Checkpoint。这是整个流程的起点，负责加载大模型。接着，添加 KSampler 节点，将其 model、positive、negative 及 latent_image 端口分别与对应节点连接。注意：连线必须颜色匹配且端口名称对应，否则无法运行。预期结果：界面出现一条从模型加载到采样的完整数据流。

第二步：编写提示词与控制潜空间

双击 CLIP Text Encode (Prompt) 节点进行编辑。第一个节点输入正向提示词（如：1girl, beautiful scenery, masterpiece），第二个节点输入负向提示词（如：bad hands, low quality）。随后，找到 Empty Latent Image 节点，设置生成分辨率，建议新手设置为 width: 1024, height: 1024，batch_size: 1。此步骤决定了画面的内容构思与初始画布大小。预期结果：参数配置完毕，等待采样器调用。

第三步：配置采样器与执行生成

选中 KSampler 节点，这是生成的核心引擎。设置关键参数：sampler_name 推荐选 euler_a 或 dpmpp_2m_karras；scheduler 设为 karras；steps 设为 20 至 30；cfg 值保持在 7.0 左右。最后，连接 VAE Decode 节点将潜空间数据转为像素图像，并连接 Save Image 节点输出结果。点击右侧菜单栏的 Queue Prompt 按钮。警告：若显存报错，请尝试减小分辨率或启用 --lowvram 启动参数。预期结果：进度条走完后，右侧预览区显示生成的精美图片。

进阶技巧

掌握基础后，以下技巧能让你的效率倍增。首先是使用 ControlNet 节点组，通过上传参考图精确控制人物姿态或画面构图，实现“所想即所得”。其次，学会使用 Reroute 节点整理杂乱的连线，保持工作流整洁易读。针对常见报错“缺少自定义节点”，不要手动寻找，直接使用 Manager 插件的 Install Missing Custom Nodes 功能一键修复。专业玩家的小窍门是：将调试好的常用流程保存为模板（JSON 格式），或利用 Workflow Templates 功能建立个人库，避免重复造轮子。

总结与实践

回顾全文，我们完成了从环境配置、节点连接、参数设定到最终出图的全过程。核心在于理解数据在节点间的流动逻辑。建议初学者尝试修改采样器和步数，观察画质变化；进而尝试加入 LoRA 节点丰富风格。想要深造？请访问 ComfyUI 官方 GitHub 仓库及社区论坛，研究高清修复（Hires. Fix）与安培（AnimateDiff）视频工作流，开启你的 AI 创作无限可能。