1. 先搞清楚 ComfyUI 到底解决什么问题再看它适不适合你如果你之前用过 Stable Diffusion WebUI秋叶包那种一键启动器那 ComfyUI 最直接的区别就是它把 AI 生图、生视频的过程拆成了一个个可拖拽、可连接的“节点”。每个节点负责一个明确任务——加载模型、输入提示词、设置采样步数、调整分辨率、输出图片。这种工作流的方式最大的好处是让你能看清数据是怎么一步步流动的也更容易复现别人的效果、调整中间参数。但很多人第一次打开 ComfyUI 界面会懵——没有熟悉的文生图、图生图标签页只有一堆可拖动的框和连线。所以这个系列教程最核心的价值就是帮你跨过“看不懂界面”这个坎把本地部署、插件安装、节点搭建、实际出图出视频的完整路径跑通。我一般会建议两类人重点看这个教程一是已经在用 WebUI 但想更精细控制生成过程的人二是需要批量稳定出图、希望工作流可保存可复用的创作者。如果你只是偶尔随便玩一下WebUI 的秋叶整合包可能更直接但如果你打算长期用、或者想深入理解 AI 生图背后的参数逻辑ComfyUI 的工作流思维会更有后劲。2. 本地环境部署从零到能启动界面关键看这三步ComfyUI 的本地部署其实比很多人想象中简单。你不用自己配 Python 环境、不用手动装 PyTorch因为现在有秋叶做的整合包已经把依赖都打包好了。但整合包下载下来不代表一定能跑起来我习惯先确认三件事显卡驱动、磁盘空间、路径权限。2.1 显卡驱动和显存底线ComfyUI 支持 NVIDIA 显卡CUDA、AMD 显卡通过 ROCm和纯 CPU 运行。但如果你希望生成速度能接受最好还是有张显存不低于 4GB 的显卡。我实测过GTX 1060 6GB 这种老卡跑基础模型比如 SD 1.5还能勉强用但要是上 SDXL 模型或者视频生成节点显存很容易爆。在启动前先打开命令行输入nvidia-smiN 卡或rocm-smiA 卡确认驱动能正常识别显卡。如果这里报错后面 ComfyUI 大概率会卡在加载模型那一步。2.2 磁盘空间和模型存放位置ComfyUI 本身不大但模型文件很占地方。基础模型.safetensors通常 2-7GB加上 Lora、ControlNet、VAE 等扩展预留 50GB 空间比较稳妥。很多人第一次启动后看不到模型列表就是因为没把模型文件放到正确目录。整合包一般会自带一个models文件夹里面按checkpoints、loras、controlnet等子目录分类。你要做的就是把之前用 WebUI 下载的模型按类型拷贝到对应文件夹。如果是从零开始可以去 Civitai 或 Hugging Face 下载基础模型比如 “sd_xl_base_1.0.safetensors”放进models/checkpoints。2.3 启动方式的选择直接运行还是带参数秋叶整合包通常会提供一个run_nvidia_gpu.batWindows或run.shLinux/macOS来启动。双击运行是最简单的方式但如果你需要自定义端口、开启 API 或挂载插件管理就得改启动参数。比如默认端口是 8188如果这个端口被占用可以右键编辑 bat 文件在最后加--port 7890换一个端口。如果想安装插件可以加--enable-manager参数但注意这个功能需要网络离线环境用不了。注意第一次启动时命令行窗口会下载一些依赖库时间长短取决于网络。如果卡住可以尝试挂国内镜像源或者手动把整合包自带的python_embeded目录加入系统 PATH。3. 插件安装不是越多越好先装这几种必用的ComfyUI 的核心功能靠插件扩展。但插件装太多会拖慢启动速度甚至节点冲突。我建议先装下面四类能覆盖绝大多数生图、生视频需求。3.1 管理器插件ComfyUI Manager这是装其他插件的基础。有了它你可以在界面里一键安装、更新节点库不用手动敲 git 命令。安装方法有两种在线安装如果你的环境能访问 GitHub直接下载ComfyUI-Manager项目把文件夹放到ComfyUI/web/extensions目录下重启界面。离线安装如果网络不稳定可以先在能上网的机器下载插件 zip 包拷贝到extensions目录解压再重启。安装成功后界面右上角会多一个齿轮图标点开就能搜索插件。但要注意管理器本身只是帮你下载插件有些节点还依赖额外 Python 包这时候需要看插件页面的说明手动 pip 安装。3.2 图像视频增强类Impact Pack 和 Video Helper SuiteImpact Pack 是最常用的功能扩展之一集成了人脸修复、背景分离、批量处理等节点。尤其是它的 “SEGS 节点”能结合 SAM 模型做精细抠图适合角色换装、场景合成。Video Helper Suite 则是处理视频帧序列的核心。ComfyUI 本身不直接生成视频而是把视频拆成帧图、逐帧处理、再合成视频。这个插件提供了 Load Video加载视频、Save Video保存视频、VHS_VideoCombine帧合成等节点支持调整帧率、裁剪区间。安装后你会在节点菜单的 “impact” 和 “VHS” 分类下找到它们。第一次使用时会自动下载依赖模型比如 SAM 的权重文件记得留好磁盘空间。3.3 工作流导入导出工具效率提升关键ComfyUI 的工作流可以保存为 JSON 文件。但默认功能只能手动拖节点还原而像 “ComfyUI-Custom-Scripts” 这类插件支持一键导入别人分享的工作流图片带元数据的那种自动生成节点图。用法很简单安装插件后直接把别人发的 PNG 工作流图片拖进 ComfyUI 界面它会自动解析出节点和连接。这个功能特别适合学习别人的参数搭配比如怎样连接 ControlNet 才能保持角色姿势、怎样调采样器让画面更细腻。3.4 疑难排查当插件安装失败或节点报错时插件装不上最常见的原因是网络超时或路径权限问题。我一般按这个顺序排查看命令行窗口的报错信息如果是下载失败可以尝试换源或手动下载插件包。检查插件目录权限特别是 Windows 系统如果 ComfyUI 装在 Program Files 下可能因为权限不足导致插件写入失败。建议放在用户目录比如D:\ComfyUI而不是系统盘。确认 Python 版本兼容整合包通常固定了 Python 版本如 3.10如果你自己装过其他版本的 Python可能冲突。最好用整合包自带的嵌入式 Python。注意不要同时安装功能相似的插件比如两个不同的面部修复节点容易导致参数传递混乱。先用好一个再按需扩展。4. 节点搭建从单张图到视频的工作流实战ComfyUI 的节点虽然多但通用工作流有固定模式。下面我按“文生图→图生图→视频处理”的顺序拆解每个环节的关键节点怎么连。4.1 文生图基础链Load Checkpoint → KSampler → VAEDecode → Save Image最简流程只有四个节点Load Checkpoint选择基础模型输出 model、clip、vae 三个参数。CLIP Text EncodePrompt连接 clip 输入正面提示词写这里。CLIP Text EncodeNegative Prompt同样连 clip写负面词。KSampler连接 model、正面词、负面词设置 steps采样步数20-30、cfg引导系数7-8、sampler采样器Euler a 或 DPM 2M、scheduler调度器Karras 或 Normal。VAEDecode连接 KSampler 的 LATENT 输出和 Load Checkpoint 的 VAE 输出。Save Image连接 VAEDecode设置输出路径。连好后点击 “Queue Prompt” 生成第一张图。如果报错先看 KSampler 的 resolution分辨率是否超过显存上限——从 512x512 开始试。4.2 图生图与 ControlNet如何控制画面结构文生图稳定后可以加入 ControlNet 节点精细控制姿势、线条、景深。常用的是 “Apply ControlNet” 节点需要先加载 ControlNet 模型如 openpose、canny、depth然后在 Load Checkpoint 后接一个 “ControlNetLoader”选择对应的 .pth 或 .safetensors 模型。用 “Load Image” 节点加载参考图比如一张骨架图或线稿。添加 “Apply ControlNet” 节点连接正负面词、ControlNet 模型、参考图。把 Apply ControlNet 的输出代替原来的正负面词连给 KSampler。这样生成的照片就会遵循参考图的结构。如果效果不明显可以调整 ControlNet 的 weight权重0.5-1.2和 guidance引导强度。4.3 视频处理拆帧→逐帧处理→合成ComfyUI 生成视频的本质是处理图片序列。以给视频加风格化滤镜为例拆帧用 Video Helper Suite 的 “Load Video” 节点选择视频文件设置 start_frame起始帧、frame_rate帧率一般原视频 24-30。输出是一个图像序列IMAGE和总帧数帧数信息后面合成要用。逐帧处理把 Load Video 的 IMAGE 输出连给 KSampler 的 image 输入这时候 KSampler 要切换为图生图模式调整 denoise去噪强度0.5-0.8 保持原画面结构。合成把处理后的图像序列连给 “VHS_VideoCombine” 节点设置输出路径和帧率和原视频一致生成最终视频。这个过程比较耗显存如果视频太长可以先用几帧测试参数再用 “Batch Count” 分批处理。记得开启 “Save Image” 节点的 “保存中间帧” 选项方便排查哪一帧出问题。5. 参数调优采样器、步数、提示词权重的实战影响节点连通只是第一步出图质量很大程度上取决于参数搭配。下面是我实测后的一些经验值你可以作为起点微调。5.1 采样器选择速度与质量的权衡Euler a速度快细节丰富适合插画、二次元风格。但步数低于 20 时容易画面破碎。DPM 2M Karras平衡型人物、风景都适用色彩饱和度较高。步数 25-30 效果稳定。DDIM老牌采样器生成结果更可控适合需要严格对齐线稿的场景。但速度偏慢。UniPC较新的采样器20 步左右就能出不错效果适合快速迭代。新手可以先用 DPM 2M Karras步数 25cfg 7.5。如果画面太模糊提高 cfg 到 8.5如果画面过饱和降到 6.5。5.2 提示词权重语法让主体更突出ComfyUI 默认支持 WebUI 的权重语法比如(keyword:1.2)表示权重 1.2 倍[keyword1:keyword2:0.8]表示从第 8 步开始淡化 keyword1过渡到 keyword2但要注意节点里的 CLIP Text Encode 对括号解析可能和 WebUI 不同。如果发现权重没生效可以尝试改用 “CLIPTextEncode (Advanced)” 节点需安装 WAS Node Suite 插件它支持更精细的步数控制。5.3 分辨率与显存的关系高分辨率生成的技巧直接开 1024x1024 很容易爆显存。更稳妥的做法是先用 512x512 或 768x768 生成草图。添加 “Latent Upscale” 节点在 “latent” 分类下选择 upscale_method如 nearest-exact 或 lanczos把分辨率放大 1.5-2 倍。连一个额外的 KSampler步数可以减到 10-15对放大后的潜空间做轻微重绘补充细节。这样分两步走比直接高分辨率生成更省显存画面也更清晰。6. 工作流保存与分享如何管理你的节点组合ComfyUI 的工作流可以保存为 JSON 文件但直接分享 JSON 别人可能看不懂节点布局。更好的方式是导出带元数据的 PNG。6.1 保存为可复用的模板点击界面右下角的 “Save” 按钮会给当前工作流生成一个 .json 文件。我建议按用途分类命名比如 “人物写真_基础.json”、“线稿上色_ControlNet.json”。下次使用时点 “Load” 加载所有节点和参数都会还原。但要注意如果节点涉及自定义插件别人加载时必须有相同插件否则会缺失节点。分享前最好用 ComfyUI Manager 的 “导出依赖列表” 功能把插件清单一并提供。6.2 分享为 PNG 图片的工作流这是 ComfyUI 的特色功能——在 Save Image 节点生成的图片里嵌入工作流数据。操作很简单在 “Save Image” 节点的 “filename_prefix” 里设置图片名前缀。生成图片后把这张 PNG 拖回 ComfyUI 界面会自动重建节点。这个方式适合在社区分享效果图和参数但注意图片体积会变大因为含了 JSON 数据。如果上传平台压缩了图片元数据可能丢失所以重要工作流还是建议 JSON 和 PNG 双备份。7. 常见报错与排查顺序从节点红框到生成失败ComfyUI 的报错信息有时不直观我习惯按这个顺序排查。7.1 节点连线的红色框线如果节点连接线变红说明数据类型不匹配。比如把图像输出连到了潜空间输入。检查连接点的颜色提示绿色通常是图像或潜空间蓝色是模型或条件橙色是参数。重新拖拽正确端口即可。7.2 生成时卡住或报 CUDA out of memory这是显存不足的典型表现。先尝试降低分辨率如从 1024x1024 降到 768x768。关闭其他占用显存的程序。在启动参数加--lowvram或--novram纯 CPU 模式极慢。如果还不行可能是模型本身太大。比如 SDXL 模型需要 8GB 显存才能流畅运行显卡配置低的话换 SD 1.5 模型。7.3 生成结果全黑或全灰通常是 VAE 没正确加载。检查 Load Checkpoint 节点是否选了自带 VAE 的模型如 sd_xl_base_1.0.safetensors或者单独接一个 “VAELoader” 节点选择正确的 vae.pt 文件。7.4 插件节点找不到或报错 “ModuleNotFoundError”这说明插件依赖的 Python 包没装上。打开命令行进入 ComfyUI 根目录用整合包自带的 python 运行pip install 包名。比如 Impact Pack 需要pip install segment_anything。如果包安装失败可能是网络问题可以换国内镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名。8. 生产化建议如何把实验流变成稳定工作流最后如果你打算长期用 ComfyUI 做创作或批量任务下面几点能少踩坑。8.1 目录结构规范化不要把所有模型、图片、工作流混在一起。建议按这样分类ComfyUI/ ├── models/ │ ├── checkpoints/ # 基础模型 │ ├── loras/ # Lora 模型 │ ├── controlnet/ # ControlNet 模型 │ └── vae/ # VAE 模型 ├── output/ # 生成结果 │ ├── images/ # 图片输出 │ └── videos/ # 视频输出 ├── workflows/ # 工作流 JSON 文件 └── custom_nodes/ # 插件目录如果手动安装每次生成前在 Save Image 节点设置好输出子目录比如output/images/人物写真/方便后续整理。8.2 批量任务的处理思路ComfyUI 界面不适合手动点几百次队列。可以通过两种方式批量使用 API写一个 Python 脚本调用 ComfyUI 的 HTTP API 接口循环发送不同提示词。利用节点批处理在 KSampler 前接 “Primitive→String” 节点把提示词按行写入开启 KSampler 的 “batch_size” 参数。但批量任务最怕中间失败导致重头再来。最好在脚本里加入错误重试、进度保存逻辑或者用 ComfyUI Manager 的 “工作流队列” 插件管理任务列表。8.3 资源监控与性能调优长时间运行 ComfyUI 时可以开系统资源监视器观察显存、内存占用。如果发现显存缓慢增长内存泄漏可以定期重启 ComfyUI。生成视频或高分辨率图时适当设置 “Save Image” 的压缩质量如 95%避免输出文件过大。我个人习惯是先搭一个最小可行工作流确保单任务能稳定跑通再逐步添加复杂节点。每次改参数只动一个变量方便对比效果。ComfyUI 的最大优势是流程可视化但前提是你能理清节点之间的数据依赖。 
长河君 · 2026/9/7 14:26:42 · 阅读 1.2k ComfyUI 从入门到精通：节点化 AI 生图与视频工作流实战指南
1. 先搞清楚 ComfyUI 到底解决什么问题再看它适不适合你如果你之前用过 Stable Diffusion WebUI秋叶包那种一键启动器那 ComfyUI 最直接的区别就是它把 AI 生图、生视频的过程拆成了一个个可拖拽、可连接的“节点”。每个节点负责一个明确任务——加载模型、输入提示词、设置采样步数、调整分辨率、输出图片。这种工作流的方式最大的好处是让你能看清数据是怎么一步步流动的也更容易复现别人的效果、调整中间参数。但很多人第一次打开 ComfyUI 界面会懵——没有熟悉的文生图、图生图标签页只有一堆可拖动的框和连线。所以这个系列教程最核心的价值就是帮你跨过“看不懂界面”这个坎把本地部署、插件安装、节点搭建、实际出图出视频的完整路径跑通。我一般会建议两类人重点看这个教程一是已经在用 WebUI 但想更精细控制生成过程的人二是需要批量稳定出图、希望工作流可保存可复用的创作者。如果你只是偶尔随便玩一下WebUI 的秋叶整合包可能更直接但如果你打算长期用、或者想深入理解 AI 生图背后的参数逻辑ComfyUI 的工作流思维会更有后劲。2. 本地环境部署从零到能启动界面关键看这三步ComfyUI 的本地部署其实比很多人想象中简单。你不用自己配 Python 环境、不用手动装 PyTorch因为现在有秋叶做的整合包已经把依赖都打包好了。但整合包下载下来不代表一定能跑起来我习惯先确认三件事显卡驱动、磁盘空间、路径权限。2.1 显卡驱动和显存底线ComfyUI 支持 NVIDIA 显卡CUDA、AMD 显卡通过 ROCm和纯 CPU 运行。但如果你希望生成速度能接受最好还是有张显存不低于 4GB 的显卡。我实测过GTX 1060 6GB 这种老卡跑基础模型比如 SD 1.5还能勉强用但要是上 SDXL 模型或者视频生成节点显存很容易爆。在启动前先打开命令行输入nvidia-smiN 卡或rocm-smiA 卡确认驱动能正常识别显卡。如果这里报错后面 ComfyUI 大概率会卡在加载模型那一步。2.2 磁盘空间和模型存放位置ComfyUI 本身不大但模型文件很占地方。基础模型.safetensors通常 2-7GB加上 Lora、ControlNet、VAE 等扩展预留 50GB 空间比较稳妥。很多人第一次启动后看不到模型列表就是因为没把模型文件放到正确目录。整合包一般会自带一个models文件夹里面按checkpoints、loras、controlnet等子目录分类。你要做的就是把之前用 WebUI 下载的模型按类型拷贝到对应文件夹。如果是从零开始可以去 Civitai 或 Hugging Face 下载基础模型比如 “sd_xl_base_1.0.safetensors”放进models/checkpoints。2.3 启动方式的选择直接运行还是带参数秋叶整合包通常会提供一个run_nvidia_gpu.batWindows或run.shLinux/macOS来启动。双击运行是最简单的方式但如果你需要自定义端口、开启 API 或挂载插件管理就得改启动参数。比如默认端口是 8188如果这个端口被占用可以右键编辑 bat 文件在最后加--port 7890换一个端口。如果想安装插件可以加--enable-manager参数但注意这个功能需要网络离线环境用不了。注意第一次启动时命令行窗口会下载一些依赖库时间长短取决于网络。如果卡住可以尝试挂国内镜像源或者手动把整合包自带的python_embeded目录加入系统 PATH。3. 插件安装不是越多越好先装这几种必用的ComfyUI 的核心功能靠插件扩展。但插件装太多会拖慢启动速度甚至节点冲突。我建议先装下面四类能覆盖绝大多数生图、生视频需求。3.1 管理器插件ComfyUI Manager这是装其他插件的基础。有了它你可以在界面里一键安装、更新节点库不用手动敲 git 命令。安装方法有两种在线安装如果你的环境能访问 GitHub直接下载ComfyUI-Manager项目把文件夹放到ComfyUI/web/extensions目录下重启界面。离线安装如果网络不稳定可以先在能上网的机器下载插件 zip 包拷贝到extensions目录解压再重启。安装成功后界面右上角会多一个齿轮图标点开就能搜索插件。但要注意管理器本身只是帮你下载插件有些节点还依赖额外 Python 包这时候需要看插件页面的说明手动 pip 安装。3.2 图像视频增强类Impact Pack 和 Video Helper SuiteImpact Pack 是最常用的功能扩展之一集成了人脸修复、背景分离、批量处理等节点。尤其是它的 “SEGS 节点”能结合 SAM 模型做精细抠图适合角色换装、场景合成。Video Helper Suite 则是处理视频帧序列的核心。ComfyUI 本身不直接生成视频而是把视频拆成帧图、逐帧处理、再合成视频。这个插件提供了 Load Video加载视频、Save Video保存视频、VHS_VideoCombine帧合成等节点支持调整帧率、裁剪区间。安装后你会在节点菜单的 “impact” 和 “VHS” 分类下找到它们。第一次使用时会自动下载依赖模型比如 SAM 的权重文件记得留好磁盘空间。3.3 工作流导入导出工具效率提升关键ComfyUI 的工作流可以保存为 JSON 文件。但默认功能只能手动拖节点还原而像 “ComfyUI-Custom-Scripts” 这类插件支持一键导入别人分享的工作流图片带元数据的那种自动生成节点图。用法很简单安装插件后直接把别人发的 PNG 工作流图片拖进 ComfyUI 界面它会自动解析出节点和连接。这个功能特别适合学习别人的参数搭配比如怎样连接 ControlNet 才能保持角色姿势、怎样调采样器让画面更细腻。3.4 疑难排查当插件安装失败或节点报错时插件装不上最常见的原因是网络超时或路径权限问题。我一般按这个顺序排查看命令行窗口的报错信息如果是下载失败可以尝试换源或手动下载插件包。检查插件目录权限特别是 Windows 系统如果 ComfyUI 装在 Program Files 下可能因为权限不足导致插件写入失败。建议放在用户目录比如D:\ComfyUI而不是系统盘。确认 Python 版本兼容整合包通常固定了 Python 版本如 3.10如果你自己装过其他版本的 Python可能冲突。最好用整合包自带的嵌入式 Python。注意不要同时安装功能相似的插件比如两个不同的面部修复节点容易导致参数传递混乱。先用好一个再按需扩展。4. 节点搭建从单张图到视频的工作流实战ComfyUI 的节点虽然多但通用工作流有固定模式。下面我按“文生图→图生图→视频处理”的顺序拆解每个环节的关键节点怎么连。4.1 文生图基础链Load Checkpoint → KSampler → VAEDecode → Save Image最简流程只有四个节点Load Checkpoint选择基础模型输出 model、clip、vae 三个参数。CLIP Text EncodePrompt连接 clip 输入正面提示词写这里。CLIP Text EncodeNegative Prompt同样连 clip写负面词。KSampler连接 model、正面词、负面词设置 steps采样步数20-30、cfg引导系数7-8、sampler采样器Euler a 或 DPM 2M、scheduler调度器Karras 或 Normal。VAEDecode连接 KSampler 的 LATENT 输出和 Load Checkpoint 的 VAE 输出。Save Image连接 VAEDecode设置输出路径。连好后点击 “Queue Prompt” 生成第一张图。如果报错先看 KSampler 的 resolution分辨率是否超过显存上限——从 512x512 开始试。4.2 图生图与 ControlNet如何控制画面结构文生图稳定后可以加入 ControlNet 节点精细控制姿势、线条、景深。常用的是 “Apply ControlNet” 节点需要先加载 ControlNet 模型如 openpose、canny、depth然后在 Load Checkpoint 后接一个 “ControlNetLoader”选择对应的 .pth 或 .safetensors 模型。用 “Load Image” 节点加载参考图比如一张骨架图或线稿。添加 “Apply ControlNet” 节点连接正负面词、ControlNet 模型、参考图。把 Apply ControlNet 的输出代替原来的正负面词连给 KSampler。这样生成的照片就会遵循参考图的结构。如果效果不明显可以调整 ControlNet 的 weight权重0.5-1.2和 guidance引导强度。4.3 视频处理拆帧→逐帧处理→合成ComfyUI 生成视频的本质是处理图片序列。以给视频加风格化滤镜为例拆帧用 Video Helper Suite 的 “Load Video” 节点选择视频文件设置 start_frame起始帧、frame_rate帧率一般原视频 24-30。输出是一个图像序列IMAGE和总帧数帧数信息后面合成要用。逐帧处理把 Load Video 的 IMAGE 输出连给 KSampler 的 image 输入这时候 KSampler 要切换为图生图模式调整 denoise去噪强度0.5-0.8 保持原画面结构。合成把处理后的图像序列连给 “VHS_VideoCombine” 节点设置输出路径和帧率和原视频一致生成最终视频。这个过程比较耗显存如果视频太长可以先用几帧测试参数再用 “Batch Count” 分批处理。记得开启 “Save Image” 节点的 “保存中间帧” 选项方便排查哪一帧出问题。5. 参数调优采样器、步数、提示词权重的实战影响节点连通只是第一步出图质量很大程度上取决于参数搭配。下面是我实测后的一些经验值你可以作为起点微调。5.1 采样器选择速度与质量的权衡Euler a速度快细节丰富适合插画、二次元风格。但步数低于 20 时容易画面破碎。DPM 2M Karras平衡型人物、风景都适用色彩饱和度较高。步数 25-30 效果稳定。DDIM老牌采样器生成结果更可控适合需要严格对齐线稿的场景。但速度偏慢。UniPC较新的采样器20 步左右就能出不错效果适合快速迭代。新手可以先用 DPM 2M Karras步数 25cfg 7.5。如果画面太模糊提高 cfg 到 8.5如果画面过饱和降到 6.5。5.2 提示词权重语法让主体更突出ComfyUI 默认支持 WebUI 的权重语法比如(keyword:1.2)表示权重 1.2 倍[keyword1:keyword2:0.8]表示从第 8 步开始淡化 keyword1过渡到 keyword2但要注意节点里的 CLIP Text Encode 对括号解析可能和 WebUI 不同。如果发现权重没生效可以尝试改用 “CLIPTextEncode (Advanced)” 节点需安装 WAS Node Suite 插件它支持更精细的步数控制。5.3 分辨率与显存的关系高分辨率生成的技巧直接开 1024x1024 很容易爆显存。更稳妥的做法是先用 512x512 或 768x768 生成草图。添加 “Latent Upscale” 节点在 “latent” 分类下选择 upscale_method如 nearest-exact 或 lanczos把分辨率放大 1.5-2 倍。连一个额外的 KSampler步数可以减到 10-15对放大后的潜空间做轻微重绘补充细节。这样分两步走比直接高分辨率生成更省显存画面也更清晰。6. 工作流保存与分享如何管理你的节点组合ComfyUI 的工作流可以保存为 JSON 文件但直接分享 JSON 别人可能看不懂节点布局。更好的方式是导出带元数据的 PNG。6.1 保存为可复用的模板点击界面右下角的 “Save” 按钮会给当前工作流生成一个 .json 文件。我建议按用途分类命名比如 “人物写真_基础.json”、“线稿上色_ControlNet.json”。下次使用时点 “Load” 加载所有节点和参数都会还原。但要注意如果节点涉及自定义插件别人加载时必须有相同插件否则会缺失节点。分享前最好用 ComfyUI Manager 的 “导出依赖列表” 功能把插件清单一并提供。6.2 分享为 PNG 图片的工作流这是 ComfyUI 的特色功能——在 Save Image 节点生成的图片里嵌入工作流数据。操作很简单在 “Save Image” 节点的 “filename_prefix” 里设置图片名前缀。生成图片后把这张 PNG 拖回 ComfyUI 界面会自动重建节点。这个方式适合在社区分享效果图和参数但注意图片体积会变大因为含了 JSON 数据。如果上传平台压缩了图片元数据可能丢失所以重要工作流还是建议 JSON 和 PNG 双备份。7. 常见报错与排查顺序从节点红框到生成失败ComfyUI 的报错信息有时不直观我习惯按这个顺序排查。7.1 节点连线的红色框线如果节点连接线变红说明数据类型不匹配。比如把图像输出连到了潜空间输入。检查连接点的颜色提示绿色通常是图像或潜空间蓝色是模型或条件橙色是参数。重新拖拽正确端口即可。7.2 生成时卡住或报 CUDA out of memory这是显存不足的典型表现。先尝试降低分辨率如从 1024x1024 降到 768x768。关闭其他占用显存的程序。在启动参数加--lowvram或--novram纯 CPU 模式极慢。如果还不行可能是模型本身太大。比如 SDXL 模型需要 8GB 显存才能流畅运行显卡配置低的话换 SD 1.5 模型。7.3 生成结果全黑或全灰通常是 VAE 没正确加载。检查 Load Checkpoint 节点是否选了自带 VAE 的模型如 sd_xl_base_1.0.safetensors或者单独接一个 “VAELoader” 节点选择正确的 vae.pt 文件。7.4 插件节点找不到或报错 “ModuleNotFoundError”这说明插件依赖的 Python 包没装上。打开命令行进入 ComfyUI 根目录用整合包自带的 python 运行pip install 包名。比如 Impact Pack 需要pip install segment_anything。如果包安装失败可能是网络问题可以换国内镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名。8. 生产化建议如何把实验流变成稳定工作流最后如果你打算长期用 ComfyUI 做创作或批量任务下面几点能少踩坑。8.1 目录结构规范化不要把所有模型、图片、工作流混在一起。建议按这样分类ComfyUI/ ├── models/ │ ├── checkpoints/ # 基础模型 │ ├── loras/ # Lora 模型 │ ├── controlnet/ # ControlNet 模型 │ └── vae/ # VAE 模型 ├── output/ # 生成结果 │ ├── images/ # 图片输出 │ └── videos/ # 视频输出 ├── workflows/ # 工作流 JSON 文件 └── custom_nodes/ # 插件目录如果手动安装每次生成前在 Save Image 节点设置好输出子目录比如output/images/人物写真/方便后续整理。8.2 批量任务的处理思路ComfyUI 界面不适合手动点几百次队列。可以通过两种方式批量使用 API写一个 Python 脚本调用 ComfyUI 的 HTTP API 接口循环发送不同提示词。利用节点批处理在 KSampler 前接 “Primitive→String” 节点把提示词按行写入开启 KSampler 的 “batch_size” 参数。但批量任务最怕中间失败导致重头再来。最好在脚本里加入错误重试、进度保存逻辑或者用 ComfyUI Manager 的 “工作流队列” 插件管理任务列表。8.3 资源监控与性能调优长时间运行 ComfyUI 时可以开系统资源监视器观察显存、内存占用。如果发现显存缓慢增长内存泄漏可以定期重启 ComfyUI。生成视频或高分辨率图时适当设置 “Save Image” 的压缩质量如 95%避免输出文件过大。我个人习惯是先搭一个最小可行工作流确保单任务能稳定跑通再逐步添加复杂节点。每次改参数只动一个变量方便对比效果。ComfyUI 的最大优势是流程可视化但前提是你能理清节点之间的数据依赖。