在实际的 AI 图像生成领域Stable Diffusion WebUI 以其直观的界面成为许多人的入门选择。然而当项目需求变得更加复杂例如需要精确控制图像生成的每一步、构建可复用的自动化流程或是将图像生成作为大型工作流中的一个环节时基于节点和流程图的 ComfyUI 便展现出其不可替代的优势。它通过将 Stable Diffusion 的每个步骤如加载模型、编写提示词、采样、解码等抽象为独立的“节点”并用连线定义数据流向实现了前所未有的灵活性和透明度。对于希望深入理解 Stable Diffusion 内部机制、追求更高可控性或需要构建稳定生产流程的开发者、研究者和高级用户来说掌握 ComfyUI 是必经之路。本文旨在为这类读者提供一个从零开始、系统性的 ComfyUI 实践指南。我们将不依赖任何一键整合包从最基础的 Python 环境搭建开始逐步完成 ComfyUI 本体的部署、核心与第三方插件的安装、基础工作流的搭建与理解并最终能够导入和调试复杂的工作流。整个过程将模拟一个真实的开发环境配置确保每一步都可操作、可验证并解释其背后的原理。学完后你将能够独立搭建和管理自己的 ComfyUI 环境并具备分析和构建自定义工作流的能力。1. 理解 ComfyUI 的核心节点、工作流与执行图在深入操作之前必须先理解 ComfyUI 的核心理念这能帮助你在后续搭建和排错时清晰地知道每一步在做什么以及问题可能出在哪个环节。1.1 什么是节点与工作流ComfyUI 将 Stable Diffusion 图像生成的完整过程拆解成一个个功能单一的“节点”。每个节点都像一个微小的、有明确输入和输出接口的工厂车间。加载模型节点输入是模型文件路径输出是可供使用的模型对象。提示词编码节点输入是文本字符串输出是经过 CLIP 模型编码后的张量。采样器节点输入是模型、潜在空间噪声、提示词张量等输出是去噪后的潜在空间表示。VAE 解码节点输入是潜在空间表示输出是最终的像素图像。“工作流”就是将这些节点按照特定的逻辑顺序连接起来的一张有向无环图。连线代表了数据流例如将“加载模型”节点的输出连接到“采样器”节点的“model”输入端口。ComfyUI 的界面本质上是一个可视化编程环境你通过拖拽和连线来“编写”这个图像生成程序。1.2 为什么选择 ComfyUI 而非 WebUI理解其设计差异有助于做出正确的技术选型。可控性与透明度WebUI 将许多步骤封装在黑盒中而 ComfyUI 让你能看见并干预每一个中间环节。例如你可以轻松地将第 5 步采样后的潜在空间特征保存下来用于其他分析或作为另一个生成过程的输入。可复用性与模块化一个调试好的、用于人物面部修复的子工作流可以保存为一个“自定义节点”或一个工作流片段在未来的任何项目中像积木一样直接复用。资源效率ComfyUI 通常被认为内存管理更精细。通过精确控制流程可以避免加载不必要的模块对于复杂工作流或资源受限的环境更友好。适合自动化与集成由于其流程的确定性和可序列化工作流可以保存为 JSON 文件ComfyUI 更容易与外部脚本、API 或自动化工具集成构建 AI 图像生成管线。1.3 工作流文件与执行过程当你保存一个工作流时ComfyUI 生成的是一个.json文件。这个文件并不包含图像数据或模型权重它只记录了使用了哪些节点。每个节点的参数如提示词内容、采样步数。节点之间的连接关系。当加载这个.json文件并执行时ComfyUI 会依据这个“蓝图”按依赖顺序动态加载所需的模型和资源重新执行一遍生成过程。因此分享工作流文件非常轻量但接收者需要有工作流中引用的所有模型和插件节点。2. 从零开始准备 Python 与 PyTorch 环境为了避免与系统已有 Python 环境冲突以及获得纯净、可复现的环境我们优先使用 Conda 进行环境管理。如果你没有 Conda请先安装 Miniconda。2.1 创建并激活专用的 Conda 环境打开终端Windows 用 Anaconda Prompt 或 PowerShellLinux/macOS 用系统终端执行以下命令# 创建一个名为 comfyuiPython 版本为 3.10 的新环境3.10 是当前兼容性最好的版本之一 conda create -n comfyui python3.10 -y # 激活创建好的环境 conda activate comfyui激活后终端的命令提示符前通常会显示(comfyui)表示你已进入该独立环境。2.2 安装与 GPU 匹配的 PyTorch这是最关键的一步错误的 PyTorch 版本会导致 ComfyUI 无法使用 GPU 或直接报错。前往 PyTorch 官网 获取安装命令。以下以 CUDA 11.8 为例# 使用 pip 安装确保 conda 环境已激活 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118关键检查点安装完成后在 Python 交互环境中验证 GPU 是否可用。python -c import torch; print(fPyTorch版本: {torch.__version__}); print(fCUDA是否可用: {torch.cuda.is_available()}); print(fCUDA版本: {torch.version.cuda})预期应输出类似PyTorch版本: 2.1.0 CUDA是否可用: True CUDA版本: 11.8如果CUDA是否可用为False请检查显卡驱动、CUDA 工具包版本是否与 PyTorch 的 CUDA 版本匹配。2.3 安装 Git 并配置ComfyUI 及其插件通常通过 Git 仓库克隆。确保系统已安装 Git。在终端输入git --version确认。后续克隆操作将使用 Git。3. 部署 ComfyUI 主程序与核心依赖我们不使用整合包而是从官方仓库克隆以便更好地理解其结构和未来更新。3.1 克隆 ComfyUI 仓库在你希望安装的目录下例如D:\AI\或~/ai/执行# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git # 进入项目目录 cd ComfyUI3.2 安装项目依赖ComfyUI 根目录下有一个requirements.txt文件列出了核心依赖。# 在 ComfyUI 目录下安装依赖 pip install -r requirements.txt这个过程会安装 Transformers、Pillow、NumPy 等关键库。如果遇到网络问题可以考虑配置 pip 镜像源。3.3 目录结构初窥安装后ComfyUI 目录结构如下了解它们对后续管理至关重要ComfyUI/ ├── comfy/ # 核心源代码 ├── web/ # 网页界面相关文件 ├── models/ # **重要**存放所有模型文件 │ ├── checkpoints/ # 大模型 (.safetensors, .ckpt) │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ ├── clip/ # CLIP 模型通常会自动下载 │ └── ... ├── input/ # 可放置输入图像 ├── output/ # 生成的图像默认输出在此 ├── temp/ # 临时文件 ├── custom_nodes/ # **重要**第三方插件自定义节点安装目录 ├── requirements.txt └── main.py # 启动脚本3.4 首次启动与验证在ComfyUI目录下运行python main.py启动后终端会输出本地访问地址通常是http://127.0.0.1:8188。用浏览器打开此地址。如果看到灰色的画布区域和右侧空白的节点列表说明 ComfyUI 主程序已成功运行。常见坑点 1端口冲突如果 8188 端口被占用启动时会报错。可以通过--port参数指定其他端口python main.py --port 7999常见坑点 2启动时警告缺少模型首次启动节点列表里可能没有“加载模型”等节点因为对应的模型目录是空的。这是正常的我们需要先放入基础模型。4. 安装基础模型与核心功能节点一个最小可工作的 ComfyUI 需要至少一个 Stable Diffusion 检查点模型。4.1 放置基础模型从可信源如 Hugging Face, Civitai下载一个.safetensors或.ckpt格式的模型文件例如sd_xl_base_1.0.safetensors。将其放入ComfyUI/models/checkpoints/目录。重启 ComfyUI按 CtrlC 停止后重新运行python main.py。刷新浏览器页面现在在节点列表中搜索“load checkpoint”应该能看到CheckpointLoaderSimple等节点将其拖到画布上点击其“ckpt_name”下拉框应该能看到你刚放入的模型文件。4.2 构建第一个最小工作流让我们手动连接一个最简单的文生图流程以理解数据流向右键画布 -Add Node-loaders-CheckpointLoaderSimple。Add Node-conditioning-CLIPTextEncode(提示词编码)。需要添加两个一个给正面提示词一个给负面提示词。Add Node-latent-EmptyLatentImage(生成初始随机噪声)。Add Node-sampling-KSampler(采样器)。Add Node-latent-VAEDecode(解码为图像)。Add Node-image-SaveImage(保存图像)。现在开始连线将CheckpointLoaderSimple的MODEL输出连接到KSampler的model输入。将CheckpointLoaderSimple的CLIP输出分别连接到两个CLIPTextEncode节点的clip输入。在两个CLIPTextEncode节点的text输入框分别输入正面和负面提示词。将正面CLIPTextEncode的CONDITIONING输出连接到KSampler的positive输入。将负面CLIPTextEncode的CONDITIONING输出连接到KSampler的negative输入。将EmptyLatentImage的LATENT输出连接到KSampler的latent_image输入。配置EmptyLatentImage的宽高如 1024x1024和KSampler的步数、CFG 等参数。将KSampler的LATENT输出连接到VAEDecode的samples输入。将CheckpointLoaderSimple的VAE输出连接到VAEDecode的vae输入。将VAEDecode的IMAGE输出连接到SaveImage的images输入。点击右下角的Queue Prompt按钮。如果一切正常你将在ComfyUI/output/目录下看到生成的图片。这个手动搭建的过程虽然繁琐但能让你深刻理解每个节点的作用。5. 管理插件ComfyUI Manager 与手动安装第三方插件自定义节点极大地扩展了 ComfyUI 的能力。安装方式主要有两种通过 ComfyUI Manager推荐和手动安装。5.1 安装 ComfyUI ManagerComfyUI Manager 是一个管理其他插件的插件提供了一键安装、更新、修复依赖的功能。手动安装步骤进入ComfyUI/custom_nodes/目录。在此打开终端执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启 ComfyUI。重启后在网页界面右侧会出现一个新的Manager按钮。5.2 通过 Manager 安装插件点击Manager按钮打开管理界面。通常有以下几个标签页Install Custom Nodes: 浏览和搜索插件列表点击安装。Installed Custom Nodes: 查看已安装插件可进行更新或卸载。Model List: 管理模型需要额外配置。Updates: 检查所有已安装插件的更新。例如要安装一个非常流行的图像放大插件ComfyUI-Impact-Pack你可以在搜索框搜索“impact”找到后点击安装。Manager 会自动处理克隆仓库和安装依赖。常见坑点 3安装插件后节点不显示安装后需要重启 ComfyUI 服务。如果重启后仍不显示请检查custom_nodes/目录下是否成功创建了插件文件夹。终端启动日志是否有该插件的加载信息或报错。插件可能依赖其他未满足的 Python 包。查看插件目录下的requirements.txt或install.py手动安装缺失依赖。5.3 手动安装插件对于不在 Manager 列表中的插件或需要特定版本时需要手动安装。在ComfyUI/custom_nodes/目录下克隆插件仓库。cd ComfyUI/custom_nodes git clone 插件仓库的git地址查看插件目录内是否有requirements.txt或install.py并按其说明安装依赖。cd 插件目录 pip install -r requirements.txt # 或者运行 python install.py如果有的话重启 ComfyUI。5.4 必备插件推荐以下插件能极大提升效率和能力建议通过 Manager 安装插件名称主要功能用途说明ComfyUI-Manager插件管理管理其他插件的安装、更新、依赖。ComfyUI-Impact-Pack多功能工具包包含人脸修复、放大、检测、批量处理等大量实用节点。ComfyUI-Advanced-ControlNet高级 ControlNet提供更全的 ControlNet 模型支持和预处理节点。ComfyUI-InstantID人脸身份保持使用 InstantID 技术进行高保真人脸替换。efficiency-nodes-comfyui效率节点提供合并提示词、通配符、逻辑判断等高效工作流节点。ComfyUI-KJNodes实用工具集各种工具类节点如图像混合、文本操作、条件切换等。WAS Node Suite图像与工具套件提供丰富的图像处理、文件操作、工具节点。安装多个插件后节点列表会变得很长。善用节点搜索框画布右键菜单顶部快速定位。6. 工作流的高级操作保存、加载、导入与调试掌握工作流文件的处理是复用和协作的基础。6.1 保存与加载工作流保存点击工作流界面右下角的Save按钮会下载一个.json文件。这个文件包含了当前画布上所有节点和连接的完整信息。加载点击Load按钮选择之前保存的.json文件即可将整个工作流还原到画布上。6.2 导入他人工作流与“缺失节点”问题当你从社区如 Civitai, Reddit下载一个他人分享的.json工作流文件并加载时最常见的问题是出现“Missing Nodes”红色提示框告知“请安装缺失的包以使用此工作流”。解决步骤仔细阅读错误信息ComfyUI 会列出缺失的节点类型如ImpactPackSomething。识别所需插件根据缺失的节点名称推断或搜索需要哪个插件。例如ImpactPack开头的节点通常来自ComfyUI-Impact-Pack插件。安装对应插件使用 ComfyUI Manager 搜索安装或手动安装。重启并重载安装后重启 ComfyUI再次加载工作流文件。处理模型缺失节点问题解决后可能还会提示缺失模型如某个特定的 ControlNet 模型。你需要将对应的模型文件下载并放入models/下对应的子目录如controlnet/。6.3 工作流的调试与排错一个复杂工作流不工作时需要系统性地排查。从后往前检查首先找到最终输出图像如SaveImage的节点检查其输入是否连接正确。逐级向前追溯。检查节点参数双击节点确保所有必要参数都已设置如采样步数、CFG 值、模型选择。查看队列状态点击Queue Prompt后观察终端输出。任何 Python 错误如类型不匹配、维度错误、找不到模块都会在这里打印这是最重要的排错信息源。使用“断点”某些节点如PreviewImage可以查看中间结果。你可以在KSampler之后接一个PreviewImage节点查看潜在空间解码前的状态以判断问题是出在采样前还是解码后。简化工作流如果工作流非常复杂尝试先禁用大部分节点只保留最核心的“加载模型 - 编码提示词 - 采样 - 解码”链条确保基础功能正常再逐步启用其他分支。6.4 工作流文件的管理建议建立自己的工作流库目录并按主题分类存放.json文件。ComfyUI 本身不管理这些文件它们只是存储在本地。7. 生产环境考量与最佳实践当 ComfyUI 从学习测试转向实际生产应用时需要考虑更多因素。7.1 环境隔离与依赖管理坚持使用虚拟环境永远不要在系统全局 Python 环境中安装 ComfyUI 及其插件。使用 Conda 或 venv 隔离环境。冻结依赖版本当你的工作流稳定后可以导出当前环境的包版本列表以便在其他机器上复现。pip freeze requirements_stable.txt插件版本兼容性更新 ComfyUI 主程序或插件时需谨慎新版本可能引入不兼容变更。在生产环境建议在测试环境中验证后再更新。7.2 模型与资源管理模型目录规划models/目录下的子目录结构清晰避免混放。对于大量模型可以考虑使用符号链接软链接将模型仓库链接到models/checkpoints/目录而不是直接复制。缓存清理ComfyUI 会缓存加载的模型和节点。如果修改了插件代码或遇到奇怪的缓存问题可以尝试删除ComfyUI/web/目录下的缓存文件夹如__pycache__并重启。某些插件也有自己的缓存位置。内存监控运行复杂工作流或处理高分辨率图像时使用nvidia-smiNVIDIA GPU或任务管理器监控 GPU 内存使用避免内存不足导致进程崩溃。7.3 工作流设计与优化模块化与子工作流将常用的功能组合如高清修复、人脸增强保存为独立的工作流文件。在复杂流程中可以通过“加载工作流”节点或将其封装为自定义节点来调用。参数外部化对于需要频繁修改的参数如种子、提示词不要硬编码在工作流节点里。可以使用Primitive节点如StringInt或efficiency-nodes中的通配符节点将其作为工作流的输入接口。错误处理在工作流中关键步骤后添加Image/Image Selector或逻辑判断节点以便在中间步骤失败时能及时发现而不是等到最终输出为空。7.4 自动化与集成使用 APIComfyUI 内置了 WebSocket 和 HTTP API。你可以编写外部脚本通过 API 向 ComfyUI 服务器发送工作流 JSON 数据并触发执行实现自动化批量生成。命令行启动参数main.py支持许多参数例如--listen让局域网内其他设备可访问、--highvram/--lowvram内存使用模式、--cpu强制使用 CPU。根据服务器配置进行调整。从手动拖拽节点到理解数据流从解决缺失节点报错到规划生产环境掌握 ComfyUI 的过程是一个从“使用者”向“管道工程师”转变的过程。它的学习曲线初期比 WebUI 陡峭但带来的控制力和灵活性是值得的。建议在熟悉基础流程后多研究社区分享的复杂工作流拆解其设计思路这是提升最快的方式。最终你将能够设计出稳定、高效、符合特定业务需求的 AI 图像生成管线。 
长河君 · 2026/9/2 10:54:33 · 阅读 1.2k 从零搭建ComfyUI：掌握节点化AI图像生成工作流部署与实战
在实际的 AI 图像生成领域Stable Diffusion WebUI 以其直观的界面成为许多人的入门选择。然而当项目需求变得更加复杂例如需要精确控制图像生成的每一步、构建可复用的自动化流程或是将图像生成作为大型工作流中的一个环节时基于节点和流程图的 ComfyUI 便展现出其不可替代的优势。它通过将 Stable Diffusion 的每个步骤如加载模型、编写提示词、采样、解码等抽象为独立的“节点”并用连线定义数据流向实现了前所未有的灵活性和透明度。对于希望深入理解 Stable Diffusion 内部机制、追求更高可控性或需要构建稳定生产流程的开发者、研究者和高级用户来说掌握 ComfyUI 是必经之路。本文旨在为这类读者提供一个从零开始、系统性的 ComfyUI 实践指南。我们将不依赖任何一键整合包从最基础的 Python 环境搭建开始逐步完成 ComfyUI 本体的部署、核心与第三方插件的安装、基础工作流的搭建与理解并最终能够导入和调试复杂的工作流。整个过程将模拟一个真实的开发环境配置确保每一步都可操作、可验证并解释其背后的原理。学完后你将能够独立搭建和管理自己的 ComfyUI 环境并具备分析和构建自定义工作流的能力。1. 理解 ComfyUI 的核心节点、工作流与执行图在深入操作之前必须先理解 ComfyUI 的核心理念这能帮助你在后续搭建和排错时清晰地知道每一步在做什么以及问题可能出在哪个环节。1.1 什么是节点与工作流ComfyUI 将 Stable Diffusion 图像生成的完整过程拆解成一个个功能单一的“节点”。每个节点都像一个微小的、有明确输入和输出接口的工厂车间。加载模型节点输入是模型文件路径输出是可供使用的模型对象。提示词编码节点输入是文本字符串输出是经过 CLIP 模型编码后的张量。采样器节点输入是模型、潜在空间噪声、提示词张量等输出是去噪后的潜在空间表示。VAE 解码节点输入是潜在空间表示输出是最终的像素图像。“工作流”就是将这些节点按照特定的逻辑顺序连接起来的一张有向无环图。连线代表了数据流例如将“加载模型”节点的输出连接到“采样器”节点的“model”输入端口。ComfyUI 的界面本质上是一个可视化编程环境你通过拖拽和连线来“编写”这个图像生成程序。1.2 为什么选择 ComfyUI 而非 WebUI理解其设计差异有助于做出正确的技术选型。可控性与透明度WebUI 将许多步骤封装在黑盒中而 ComfyUI 让你能看见并干预每一个中间环节。例如你可以轻松地将第 5 步采样后的潜在空间特征保存下来用于其他分析或作为另一个生成过程的输入。可复用性与模块化一个调试好的、用于人物面部修复的子工作流可以保存为一个“自定义节点”或一个工作流片段在未来的任何项目中像积木一样直接复用。资源效率ComfyUI 通常被认为内存管理更精细。通过精确控制流程可以避免加载不必要的模块对于复杂工作流或资源受限的环境更友好。适合自动化与集成由于其流程的确定性和可序列化工作流可以保存为 JSON 文件ComfyUI 更容易与外部脚本、API 或自动化工具集成构建 AI 图像生成管线。1.3 工作流文件与执行过程当你保存一个工作流时ComfyUI 生成的是一个.json文件。这个文件并不包含图像数据或模型权重它只记录了使用了哪些节点。每个节点的参数如提示词内容、采样步数。节点之间的连接关系。当加载这个.json文件并执行时ComfyUI 会依据这个“蓝图”按依赖顺序动态加载所需的模型和资源重新执行一遍生成过程。因此分享工作流文件非常轻量但接收者需要有工作流中引用的所有模型和插件节点。2. 从零开始准备 Python 与 PyTorch 环境为了避免与系统已有 Python 环境冲突以及获得纯净、可复现的环境我们优先使用 Conda 进行环境管理。如果你没有 Conda请先安装 Miniconda。2.1 创建并激活专用的 Conda 环境打开终端Windows 用 Anaconda Prompt 或 PowerShellLinux/macOS 用系统终端执行以下命令# 创建一个名为 comfyuiPython 版本为 3.10 的新环境3.10 是当前兼容性最好的版本之一 conda create -n comfyui python3.10 -y # 激活创建好的环境 conda activate comfyui激活后终端的命令提示符前通常会显示(comfyui)表示你已进入该独立环境。2.2 安装与 GPU 匹配的 PyTorch这是最关键的一步错误的 PyTorch 版本会导致 ComfyUI 无法使用 GPU 或直接报错。前往 PyTorch 官网 获取安装命令。以下以 CUDA 11.8 为例# 使用 pip 安装确保 conda 环境已激活 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118关键检查点安装完成后在 Python 交互环境中验证 GPU 是否可用。python -c import torch; print(fPyTorch版本: {torch.__version__}); print(fCUDA是否可用: {torch.cuda.is_available()}); print(fCUDA版本: {torch.version.cuda})预期应输出类似PyTorch版本: 2.1.0 CUDA是否可用: True CUDA版本: 11.8如果CUDA是否可用为False请检查显卡驱动、CUDA 工具包版本是否与 PyTorch 的 CUDA 版本匹配。2.3 安装 Git 并配置ComfyUI 及其插件通常通过 Git 仓库克隆。确保系统已安装 Git。在终端输入git --version确认。后续克隆操作将使用 Git。3. 部署 ComfyUI 主程序与核心依赖我们不使用整合包而是从官方仓库克隆以便更好地理解其结构和未来更新。3.1 克隆 ComfyUI 仓库在你希望安装的目录下例如D:\AI\或~/ai/执行# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git # 进入项目目录 cd ComfyUI3.2 安装项目依赖ComfyUI 根目录下有一个requirements.txt文件列出了核心依赖。# 在 ComfyUI 目录下安装依赖 pip install -r requirements.txt这个过程会安装 Transformers、Pillow、NumPy 等关键库。如果遇到网络问题可以考虑配置 pip 镜像源。3.3 目录结构初窥安装后ComfyUI 目录结构如下了解它们对后续管理至关重要ComfyUI/ ├── comfy/ # 核心源代码 ├── web/ # 网页界面相关文件 ├── models/ # **重要**存放所有模型文件 │ ├── checkpoints/ # 大模型 (.safetensors, .ckpt) │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ ├── clip/ # CLIP 模型通常会自动下载 │ └── ... ├── input/ # 可放置输入图像 ├── output/ # 生成的图像默认输出在此 ├── temp/ # 临时文件 ├── custom_nodes/ # **重要**第三方插件自定义节点安装目录 ├── requirements.txt └── main.py # 启动脚本3.4 首次启动与验证在ComfyUI目录下运行python main.py启动后终端会输出本地访问地址通常是http://127.0.0.1:8188。用浏览器打开此地址。如果看到灰色的画布区域和右侧空白的节点列表说明 ComfyUI 主程序已成功运行。常见坑点 1端口冲突如果 8188 端口被占用启动时会报错。可以通过--port参数指定其他端口python main.py --port 7999常见坑点 2启动时警告缺少模型首次启动节点列表里可能没有“加载模型”等节点因为对应的模型目录是空的。这是正常的我们需要先放入基础模型。4. 安装基础模型与核心功能节点一个最小可工作的 ComfyUI 需要至少一个 Stable Diffusion 检查点模型。4.1 放置基础模型从可信源如 Hugging Face, Civitai下载一个.safetensors或.ckpt格式的模型文件例如sd_xl_base_1.0.safetensors。将其放入ComfyUI/models/checkpoints/目录。重启 ComfyUI按 CtrlC 停止后重新运行python main.py。刷新浏览器页面现在在节点列表中搜索“load checkpoint”应该能看到CheckpointLoaderSimple等节点将其拖到画布上点击其“ckpt_name”下拉框应该能看到你刚放入的模型文件。4.2 构建第一个最小工作流让我们手动连接一个最简单的文生图流程以理解数据流向右键画布 -Add Node-loaders-CheckpointLoaderSimple。Add Node-conditioning-CLIPTextEncode(提示词编码)。需要添加两个一个给正面提示词一个给负面提示词。Add Node-latent-EmptyLatentImage(生成初始随机噪声)。Add Node-sampling-KSampler(采样器)。Add Node-latent-VAEDecode(解码为图像)。Add Node-image-SaveImage(保存图像)。现在开始连线将CheckpointLoaderSimple的MODEL输出连接到KSampler的model输入。将CheckpointLoaderSimple的CLIP输出分别连接到两个CLIPTextEncode节点的clip输入。在两个CLIPTextEncode节点的text输入框分别输入正面和负面提示词。将正面CLIPTextEncode的CONDITIONING输出连接到KSampler的positive输入。将负面CLIPTextEncode的CONDITIONING输出连接到KSampler的negative输入。将EmptyLatentImage的LATENT输出连接到KSampler的latent_image输入。配置EmptyLatentImage的宽高如 1024x1024和KSampler的步数、CFG 等参数。将KSampler的LATENT输出连接到VAEDecode的samples输入。将CheckpointLoaderSimple的VAE输出连接到VAEDecode的vae输入。将VAEDecode的IMAGE输出连接到SaveImage的images输入。点击右下角的Queue Prompt按钮。如果一切正常你将在ComfyUI/output/目录下看到生成的图片。这个手动搭建的过程虽然繁琐但能让你深刻理解每个节点的作用。5. 管理插件ComfyUI Manager 与手动安装第三方插件自定义节点极大地扩展了 ComfyUI 的能力。安装方式主要有两种通过 ComfyUI Manager推荐和手动安装。5.1 安装 ComfyUI ManagerComfyUI Manager 是一个管理其他插件的插件提供了一键安装、更新、修复依赖的功能。手动安装步骤进入ComfyUI/custom_nodes/目录。在此打开终端执行git clone https://github.com/ltdrdata/ComfyUI-Manager.git重启 ComfyUI。重启后在网页界面右侧会出现一个新的Manager按钮。5.2 通过 Manager 安装插件点击Manager按钮打开管理界面。通常有以下几个标签页Install Custom Nodes: 浏览和搜索插件列表点击安装。Installed Custom Nodes: 查看已安装插件可进行更新或卸载。Model List: 管理模型需要额外配置。Updates: 检查所有已安装插件的更新。例如要安装一个非常流行的图像放大插件ComfyUI-Impact-Pack你可以在搜索框搜索“impact”找到后点击安装。Manager 会自动处理克隆仓库和安装依赖。常见坑点 3安装插件后节点不显示安装后需要重启 ComfyUI 服务。如果重启后仍不显示请检查custom_nodes/目录下是否成功创建了插件文件夹。终端启动日志是否有该插件的加载信息或报错。插件可能依赖其他未满足的 Python 包。查看插件目录下的requirements.txt或install.py手动安装缺失依赖。5.3 手动安装插件对于不在 Manager 列表中的插件或需要特定版本时需要手动安装。在ComfyUI/custom_nodes/目录下克隆插件仓库。cd ComfyUI/custom_nodes git clone 插件仓库的git地址查看插件目录内是否有requirements.txt或install.py并按其说明安装依赖。cd 插件目录 pip install -r requirements.txt # 或者运行 python install.py如果有的话重启 ComfyUI。5.4 必备插件推荐以下插件能极大提升效率和能力建议通过 Manager 安装插件名称主要功能用途说明ComfyUI-Manager插件管理管理其他插件的安装、更新、依赖。ComfyUI-Impact-Pack多功能工具包包含人脸修复、放大、检测、批量处理等大量实用节点。ComfyUI-Advanced-ControlNet高级 ControlNet提供更全的 ControlNet 模型支持和预处理节点。ComfyUI-InstantID人脸身份保持使用 InstantID 技术进行高保真人脸替换。efficiency-nodes-comfyui效率节点提供合并提示词、通配符、逻辑判断等高效工作流节点。ComfyUI-KJNodes实用工具集各种工具类节点如图像混合、文本操作、条件切换等。WAS Node Suite图像与工具套件提供丰富的图像处理、文件操作、工具节点。安装多个插件后节点列表会变得很长。善用节点搜索框画布右键菜单顶部快速定位。6. 工作流的高级操作保存、加载、导入与调试掌握工作流文件的处理是复用和协作的基础。6.1 保存与加载工作流保存点击工作流界面右下角的Save按钮会下载一个.json文件。这个文件包含了当前画布上所有节点和连接的完整信息。加载点击Load按钮选择之前保存的.json文件即可将整个工作流还原到画布上。6.2 导入他人工作流与“缺失节点”问题当你从社区如 Civitai, Reddit下载一个他人分享的.json工作流文件并加载时最常见的问题是出现“Missing Nodes”红色提示框告知“请安装缺失的包以使用此工作流”。解决步骤仔细阅读错误信息ComfyUI 会列出缺失的节点类型如ImpactPackSomething。识别所需插件根据缺失的节点名称推断或搜索需要哪个插件。例如ImpactPack开头的节点通常来自ComfyUI-Impact-Pack插件。安装对应插件使用 ComfyUI Manager 搜索安装或手动安装。重启并重载安装后重启 ComfyUI再次加载工作流文件。处理模型缺失节点问题解决后可能还会提示缺失模型如某个特定的 ControlNet 模型。你需要将对应的模型文件下载并放入models/下对应的子目录如controlnet/。6.3 工作流的调试与排错一个复杂工作流不工作时需要系统性地排查。从后往前检查首先找到最终输出图像如SaveImage的节点检查其输入是否连接正确。逐级向前追溯。检查节点参数双击节点确保所有必要参数都已设置如采样步数、CFG 值、模型选择。查看队列状态点击Queue Prompt后观察终端输出。任何 Python 错误如类型不匹配、维度错误、找不到模块都会在这里打印这是最重要的排错信息源。使用“断点”某些节点如PreviewImage可以查看中间结果。你可以在KSampler之后接一个PreviewImage节点查看潜在空间解码前的状态以判断问题是出在采样前还是解码后。简化工作流如果工作流非常复杂尝试先禁用大部分节点只保留最核心的“加载模型 - 编码提示词 - 采样 - 解码”链条确保基础功能正常再逐步启用其他分支。6.4 工作流文件的管理建议建立自己的工作流库目录并按主题分类存放.json文件。ComfyUI 本身不管理这些文件它们只是存储在本地。7. 生产环境考量与最佳实践当 ComfyUI 从学习测试转向实际生产应用时需要考虑更多因素。7.1 环境隔离与依赖管理坚持使用虚拟环境永远不要在系统全局 Python 环境中安装 ComfyUI 及其插件。使用 Conda 或 venv 隔离环境。冻结依赖版本当你的工作流稳定后可以导出当前环境的包版本列表以便在其他机器上复现。pip freeze requirements_stable.txt插件版本兼容性更新 ComfyUI 主程序或插件时需谨慎新版本可能引入不兼容变更。在生产环境建议在测试环境中验证后再更新。7.2 模型与资源管理模型目录规划models/目录下的子目录结构清晰避免混放。对于大量模型可以考虑使用符号链接软链接将模型仓库链接到models/checkpoints/目录而不是直接复制。缓存清理ComfyUI 会缓存加载的模型和节点。如果修改了插件代码或遇到奇怪的缓存问题可以尝试删除ComfyUI/web/目录下的缓存文件夹如__pycache__并重启。某些插件也有自己的缓存位置。内存监控运行复杂工作流或处理高分辨率图像时使用nvidia-smiNVIDIA GPU或任务管理器监控 GPU 内存使用避免内存不足导致进程崩溃。7.3 工作流设计与优化模块化与子工作流将常用的功能组合如高清修复、人脸增强保存为独立的工作流文件。在复杂流程中可以通过“加载工作流”节点或将其封装为自定义节点来调用。参数外部化对于需要频繁修改的参数如种子、提示词不要硬编码在工作流节点里。可以使用Primitive节点如StringInt或efficiency-nodes中的通配符节点将其作为工作流的输入接口。错误处理在工作流中关键步骤后添加Image/Image Selector或逻辑判断节点以便在中间步骤失败时能及时发现而不是等到最终输出为空。7.4 自动化与集成使用 APIComfyUI 内置了 WebSocket 和 HTTP API。你可以编写外部脚本通过 API 向 ComfyUI 服务器发送工作流 JSON 数据并触发执行实现自动化批量生成。命令行启动参数main.py支持许多参数例如--listen让局域网内其他设备可访问、--highvram/--lowvram内存使用模式、--cpu强制使用 CPU。根据服务器配置进行调整。从手动拖拽节点到理解数据流从解决缺失节点报错到规划生产环境掌握 ComfyUI 的过程是一个从“使用者”向“管道工程师”转变的过程。它的学习曲线初期比 WebUI 陡峭但带来的控制力和灵活性是值得的。建议在熟悉基础流程后多研究社区分享的复杂工作流拆解其设计思路这是提升最快的方式。最终你将能够设计出稳定、高效、符合特定业务需求的 AI 图像生成管线。