ComfyUI 节点教程 2026：新手从零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本地 AI 绘画工作流工具，它通过节点式连线让创作者能精准控制图像生成的每一个环节。无论是高清修复、复杂动画制作，还是特定风格的角色训练，它都能提供比 WebUI 更高效的解决方案。本教程将带你从零开始，彻底掌握节点连接逻辑，学会构建属于自己的自动化绘图流水线，让你从“只会点按钮”的新手进阶为能自由定制工作流的专家。

前置准备

1. 环境配置要求：你需要一台配备 NVIDIA 显卡（建议显存 8GB 以上）的电脑，并安装好 Python 3.10+ 及 Git 工具。若使用云端部署，推荐选择带有预装环境的 GPU 服务器。
2. 软件获取与安装：访问 ComfyUI 官方 GitHub 页面下载整合包或源码。解压后，无需复杂安装，直接运行根目录下的 run_nvidia_gpu.bat 即可启动服务。
3. 必要的前置知识：建议先了解基础的 Stable Diffusion 原理（如潜空间、采样器概念），并熟悉浏览器基本操作。无需编程基础，但需具备清晰的逻辑思维以理解数据流向。
4. 模型资源准备：提前下载好大模型（Checkpoint）放入 models/checkpoints 文件夹，这是生成图像的核心引擎。

步骤详解

第一步：加载核心模型与提示词

启动界面后，首先双击空白处搜索并添加 Load Checkpoint 节点。点击节点上的模型名称，选择你已下载的大模型文件。接着，添加两个 CLIP Text Encode (Prompt) 节点，分别命名为“正向提示词”和“负向提示词”。将 Load Checkpoint 输出的 CLIP 端口连线至这两个编码节点的输入端。注意：正向框内输入画面描述（如"beautiful girl, detailed eyes"），负向框内输入需排除的元素（如"nsfw, low quality"）。

预期结果：模型成功加载，提示词被编码为计算机可理解的潜在向量，为生成做准备。

第二步：构建潜空间与采样器

添加 Empty Latent Image 节点，设置分辨率参数，例如宽度 512、高度 768，批次数量 1。随后添加 KSampler 节点，这是生成的核心。将上一步的 MODEL 和 POSITIVE/NEGATIVE 输出分别连入 KSampler 对应接口，并将 Empty Latent Image 的 LATENT 连入 KSampler 的输入端。设置关键参数：sampler_name 选 euler_a，steps 设为 20，cfg 设为 7.0。

关键点：seed 参数控制随机性，固定数值可复现相同图像，设置为 randomize 则每次生成不同结果。

第三步：解码图像并预览

添加 VAE Decode 节点，将 Load Checkpoint 的 VAE 输出和 KSampler 的 LATENT 输出连接至此。最后，添加 Save Image 节点，将 VAE Decode 的 IMAGE 输出连入。点击右上角的 Queue Prompt 按钮。

预期结果：进度条走完后，右侧面板将显示生成的精美图片，并自动保存至本地 output 文件夹。

进阶技巧

掌握基础后，你可以尝试安装 ComfyUI Manager 插件，它能一键缺失节点并管理自定义节点库，极大提升效率。对于显存不足的问题，建议在启动参数中加入 --lowvram 模式。专业玩家常使用 ControlNet 节点组来精确控制人物姿态或线条结构，只需将预处理后的图像接入 ControlNet 单元即可。此外，利用 Batch 功能串联多个采样器，可以实现“文生图”后再自动进行“高清修复”的一站式工作流，避免手动反复操作。

总结与实践

本教程带你完成了从环境搭建到首个节点工作流运行的全过程。核心在于理解数据在模型、提示词、采样器和解码器之间的流动逻辑。建议你尝试调整不同的采样器和 CFG 值，观察画质变化；或尝试引入 ControlNet 节点限制构图。更多高级玩法请访问 ComfyUI 官方 Wiki 及社区分享的工作流库，持续探索无限可能。