ComfyUI入门实战：零基础掌握AI绘画工作流
ComfyUI入门实战：零基础掌握AI绘画工作流
你是否厌倦了传统AI绘画工具的封闭流程？ComfyUI以其强大的节点式工作流，正成为追求精细控制和深度定制用户的首选。与WebUI的固定界面不同，ComfyUI将AI绘画的每一步都可视化、模块化，让你真正理解并掌控图像生成的逻辑。这篇ComfyUI教程将带你从零开始，亲手搭建你的第一个工作流，并深入理解其核心机制。
准备工作：安装与环境配置
开始前，你需要确保电脑已安装Python和Git。ComfyUI对显卡有一定要求，推荐使用NVIDIA显卡并确保驱动更新至最新版本。我们曾遇到许多安装失败案例，根源往往是Python环境冲突或路径包含中文。
- 获取ComfyUI主程序。打开命令行，导航到你希望安装的目录，执行：
git clone https://github.com/comfyanonymous/ComfyUI.git - 安装依赖库。进入克隆好的ComfyUI文件夹，运行：
pip install -r requirements.txt - 下载基础模型。你需要至少一个基础大模型（如SDXL）。将下载的
.safetensors文件放入ComfyUI/models/checkpoints/目录。 - 启动程序。在ComfyUI目录下运行：
python main.py。看到命令行输出本地访问地址（通常是http://127.0.0.1:8188）即表示成功。
核心操作：构建你的第一个工作流
打开浏览器访问本地地址，你会看到一个空白的画布。右侧是节点工具箱。我们的目标是构建一个“文生图”的最小工作流。
- 加载模型。在空白处右键，选择Load Checkpoint节点。这代表你选择了用于绘画的“大脑”。
- 编写提示词。添加CLIP Text Encode节点。将上一步节点的
CLIP输出端口连接至此节点的CLIP输入端口。在text框中输入正面提示词，如“a beautiful landscape”。复制此节点，连接同一个CLIP端口，但输入负面提示词，如“blurry, bad quality”。 - 设置采样器。添加KSampler节点。将
Checkpoint节点的MODEL输出连接至采样器的model输入。将正面和负面的CLIP文本编码输出，分别连接到采样器的positive和negative输入。 - 生成与解码图像。添加VAE Decode节点。将
Checkpoint节点的VAE输出连接至此节点的vae输入，将KSampler的LATENT输出连接至samples输入。最后，添加一个Save Image节点，连接到VAE Decode的输出。
点击Queue Prompt按钮，你的第一张由节点控制的AI绘画就诞生了。这个流程看似复杂，但每一步都清晰可控，这正是ComfyUI的魅力。
进阶技巧与常见问题解决
掌握基础后，你可以通过以下技巧提升效率与效果。在实际部署中，我们发现用户常因节点连接错误导致图像全黑或报错。
工作流管理与共享：点击Save按钮可保存当前工作流为JSON文件。你可以加载他人分享的工作流文件来复现其效果，这是学习高级技巧的绝佳方式。记得在加载外部工作流前，确认你已安装所需的定制节点和模型。
使用LoRA模型：要为图像注入特定风格或角色，你需要Lora Loader节点。将其插入到Checkpoint节点和CLIP Text Encode节点之间，确保模型、触发词和强度设置正确。一个常见误区是忘记在提示词中加入LoRA触发词。
控制图像尺寸与种子：在KSampler节点中，seed值控制随机性，固定种子可复现相同结果。steps和cfg值共同影响图像质量和提示词遵循度。对于尺寸，你需要一个Empty Latent Image节点来定义宽高，并将其输出连接到KSampler的latent_image输入。
安装自定义节点：ComfyUI的生态强大之处在于社区节点。通过ComfyUI Manager这类管理工具，你可以一键安装如人脸修复、细节提升等高级功能节点，极大扩展创作边界。
总结：从使用者到创造者
通过这篇ComfyUI教程，你不仅学会了搭建基础工作流，更理解了文生图背后的数据流向。ComfyUI将AI绘画从“黑箱”变为透明的乐高积木。它的学习曲线初期更陡峭，但换来的却是无与伦比的灵活性与可重复性。现在，你可以尝试加载一个复杂的工作流，观察每个节点的作用，然后大胆拆卸、重组，创造出属于你自己的独特AI绘画流水线。真正的控制，始于理解。