玩AI绘画的朋友应该都绕不开这两个名字WebUI和ComfyUI。如果你只是在WebUI里点点按钮、拉拉滑动条那确实够用但一旦你想把LoRA、ControlNet、局部重绘、多模型对比这些功能叠在一起用那个竖向长页面能让你翻到怀疑人生。ComfyUI的思路完全不同——它把整个生成过程变成一张流程图节点是积木连线是数据流每一步干了什么、喂了什么、吐出什么全都摊开在眼前。这篇我就把两件事讲透第一节点式AI创作到底比传统界面强在哪第二手上只有RTX 2060这种老中端卡怎么把ComfyUI在本地跑起来、跑得动、跑得快。先说明这篇文章的定位适合三种人。一是刚接触AI绘画、想跳开现成云平台自己折腾的入坑选手二是被WebUI复杂插件关系折磨、想换个思路管理生成管线的进阶用户三是跟我一样显卡不算顶级、想榨干每1GB显存的价值党。我会把节点逻辑、部署步骤、显存优化、常见报错全部用大白话拆开你按照顺序操作基本能在一晚上内从零跑到出图。1. 节点式AI创作理解决不只是一张流程图1.1 WebUI和ComfyUI的底层差异在哪里用一句话总结WebUI把生成流程做成了填表ComfyUI把它做成了接线。WebUI是典型的单页应用模型选择、提示词、采样参数、插件开关都在同一个页面里从上往下排。这个设计对新手友好因为你不必理解内部发生了什么。但副作用是所有功能都是被开发者打包好的固定流程。你想在VAE解码前插入一个自定义处理节点想比较三种采样器在同一个Latent上的区别想在生成后用某个插件做后处理再决定是否保存WebUI做不到或者做得很别扭。ComfyUI把流程拆成了最小单元。加载模型是一个节点写提示词是一个节点采样是一个节点解码是一个节点保存图片又是一个节点。你通过拖拽连线决定数据从哪个节点流向哪个节点。这种设计借鉴了游戏引擎里的蓝图系统和多媒体处理里的节点图。它的价值不只是好玩而是把每一步能调什么哪里接哪里完全交给你。对于AI绘画这种管线复杂、依赖链长的场景节点式的管理效率远高于单一的按钮页面。从实际体验来看我个人的感受是如果你只是每天随手生成几张壁纸WebUI确实够用但当你开始研究为什么这张图发灰、为什么LoRA权重没生效、怎么在出图前自动修复人脸ComfyUI的节点化优势就会非常明显。因为你可以直接在某一条连线上插入一个修正节点而不是去翻设置面板里某个开关。1.2 节点化带来的三个核心优势第一个优势是显存占用被大幅压缩。这是很多人忽略的点。WebUI为了实现随时切换功能往往会一次性把模型、VAE、部分组件全部塞进显存。ComfyUI则是用到什么加载什么并且支持部分加载——先加载模型骨架采样完再加载解码器。所以同样的RTX 2060 6GBWebUI在跑SDXL时基本是灾难而ComfyUI配合合理参数还能勉强生存。第二个优势是管线可复现。在WebUI里你截图记录一堆参数回头发现某个插件没勾选结果对不上。ComfyUI把整个流程保存为一个json文件模型节点、提示词、连线关系全部在里面。发给别人对方拖进界面就能看到完全一致的流程。这在工作流协作和复现实验时极其有用。第三个优势是自由度和可调试性。节点之间传输的数据是可以查看的某个节点输出异常你立刻就能定位问题在这一环而不是盲猜。比如输出黑图你可以在KSampler后面直接接一个预览节点看Latent长什么样而不是拿着生成结果反复调参。这种可视化调试能力让AI绘画从试错变成了有逻辑的排查。当然节点式的门槛也很明显新手刚打开ComfyUI看到空空的工作区会发懵不知道从哪里开始。我的建议很简单先别学理论先把官方默认文生图模板找出来跑通一张图再一个一个节点拆开看。后面第3章我会带你完整搭建第一个文生图工作流。2. RTX 2060底气不足先看部署前的准备清单2.1 显存和版本的取舍6GB能做什么RTX 2060有两个版本6GB和12GB。6GB是当年最主流的那批显存不大不小。在部署前先明确一个现实你不可能用6GB显卡舒服地跑SDXLSD1.5才是日常主力。SDXL对显存的要求在8GB以上真的起步6GB硬跑会频繁触发Low Memory模式速度会变成龟速。而SD1.5系列的模型在合理优化下6GB显存可以流畅生成512×512甚至768×768的图。另外一个思路是使用Turbo和LCM这类蒸馏模型。它们能用4到8步出图相比常规模型的20到30步显存压力小得多。我实测下来RTX 2060配合SD1.5加Turbo模型一张512的图能压进3秒左右这对于老卡来说已经非常惊喜。所以部署之前先把需求定清楚你是想画精细的插画、练特定人物的LoRA还是想要快速产图如果是前者老老实实SD1.5优化如果是后者Turbo/LCM能带给你意外之喜。2.2 安装流程从Python准备到首次启动先说环境依赖ComfyUI本质是一个Python项目所以下面几步是必须的。第一步安装Python。这里有个重点不要装最新的3.12推荐3.10或3.11版本。为什么ComfyUI依赖的一部分深度学习库对Python版本有要求3.12刚发布时曾出现兼容问题。虽然现在基本修复但为了少折腾选3.10稳定版是最稳妥的。安装时记得勾选Add Python to PATH这个选项经常被忽略导致后面终端里输python命令没反应。第二步准备Git。Windows用户可以装一个Git客户端主要用途是拉取ComfyUI本体和更新插件。安装时默认选项即可。第三步拉取ComfyUI本体。随便选一个干净目录比如D盘新建一个ComfyUI文件夹在该目录下打开终端执行git clone把官方仓库拉下来。拉取成功后目录里会出现main.py、requirements.txt这些关键文件。第四步安装依赖。在ComfyUI目录下打开终端执行pip install -r requirements.txt。这个过程会下载清华大学镜像或者默认PyPI上的若干库文件时间取决于网络。我建议你在安装前先把pip源切到国内镜像源不然几十个依赖下载可能让你等到崩溃。具体方法是在用户目录下创建一个pip.ini文件填入清华镜像地址相关配置在网上很容易找到。第五步准备模型。ComfyUI本身不携带任何模型文件所以第一次打开界面你会看到空白的节点。你需要去模型社区下载一个SD1.5的检查点文件checkpoint也就是带完整生成能力的主模型。文件下载后放入ComfyUI/models/checkpoints目录即可。同样地常用LoRA放在models/lorasVAE放在models/vaeControlNet放在models/controlnet。ComfyUI在加载节点时会自动扫描这些目录。第六步启动。在终端里执行python main.py。首次启动会进行一次初始化结束后终端会显示Running on http://127.0.0.1:8188。复制这个地址到浏览器就能打开ComfyUI界面。注意默认端口是8188如果你本机已经占用了这个端口可以在启动命令里加--port 8198类似参数换个端口。3. 从零搭起第一个文生图工作流3.1 节点组成和连线逻辑打开ComfyUI界面后默认会有一个模板工作流里面已经有文生图需要的几个节点。我现在把这些节点一个个拆给你看同时说明它们各自在管线里的角色。先记住一个底层逻辑ComfyUI里的连线分两种类型。模型类的数据MODEL、CLIP、VAE用一种颜色的线图像和Latent数据用另一种颜色的线。文字提示词则由节点输入框直接输入。你不需要死记这些类型连线时鼠标拖到目标节点的输入端ComfyUI会自动高亮可以容纳的连接口。标准文生图工作流包含六个角色Load Checkpoint加载主模型节点。这个节点同时输出MODEL、CLIP、VAE三路数据分别供给采样器、文本编码和解码环节。CLIP Text Encode文本编码节点负责把提示词变成模型能理解的向量。正面提示词和负面提示词需要两个独立节点。Empty Latent Image生成空白潜空间图像节点。你可以理解成先初始化一块画布指定宽高和批次数量。KSampler采样器核心节点。它接收模型、正向条件、负向条件和一张空白Latent经过若干次迭代去噪输出最终的Latent。VAE Decode将潜空间数据解码为像素图像。Save Image保存图片节点把解码后的图像以PNG文件写入ComfyUI/output目录。把连线整理一下就是Load Checkpoint的CLIP输出连到两个文本编码节点正向和负向文本编码结果连到KSampler的positive和negative接口Load Checkpoint的MODEL连到KSampler的model接口Empty Latent Image的LATENT连到KSampler的latent接口KSampler的输出连到VAE DecodeVAE Decode输出的图像连到Save ImageSave Image上方还可以连接Load Checkpoint的VAE输出。3.2 关键节点参数该怎么填很多新手照着模板跑图跑出来的结果跟预期不符往往是因为KSampler和Empty Latent Image这两个节点的参数没理解透。先看Empty Latent Image。宽和高网络上有各种说法但如果你用的是SD1.5模型底座是基于512分辨率的格式。建议先用512×512或者保持长宽比为1:1再逐步尝试768×512、768×768。需要特别提醒的是SD1.5模型在单维度超过1024时容易出结构崩坏的图不要盲目追求大尺寸。RTX 2060 6GB跑512×512没问题跑768×768要看模型和VAE优化情况后面第4章细说。batch_size是单次生成几张图。这个参数对显存影响很大因为一次跑多张等于同时让多个Latent去做去噪。新手先设置为1跑通流程后再调整。再看KSampler。seed是随机种子同一个种子配同一套参数可以得到完全一致的图。想换一批结果就随意改种子想复现某张图就锁定它。steps是去噪步数SD1.5常规模型建议25步到30步Turbo模型建议4到8步。cfg是提示词引导强度常规模型常用7到9Turbo模型一般建议1到2。cfg设置太高会让图片过饱和、发硬设置太低则提示词对画面的约束力不足。sampler_name和scheduler我建议手动指定常用的组合是euler_ancestral配合normal或者dpmpp_2m配合karras。这两个不同的感受euler_ancestral出图风格偏柔和dpmpp_2m对细节还原更稳。denoise是重绘幅度在文生图模板里默认值没有意义因为它只在图生图环节才用到。后面第5章进阶内容里我会专门讲图生图时denoise怎么调。3.3 跑通第一张图的实测建议当你把节点连线都接好正面提示词写一句简单的描述比如a beautiful landscape, highly detailed负面提示词填入常见通用负面词串点击右侧的Queue Prompt按钮工作流就能跑起来。第一次运行时ComfyUI会加载主模型这一步消耗时间最长。以RTX 2060加载一个约2GB的SD1.5模型为例大概需要几十秒之后每次生成都会快很多。跑完一张图后终端里会显示耗时比如Total inference time: 5.2s。这个数字可以帮助你判断后续优化有没有效果。我这里提醒一点第一次出图如果是黑色的别慌。先检查VAE节点是否连接正确。因为很多SD1.5检查点在Split checkpoint格式上把VAE单独拆出了你需要额外挂一个VAE Loader节点或者换一个自带VAE的整合版检查点。这个问题我在第6章会专门展开。4. RTX 2060显存调优与出图速度提升实战4.1 显存瓶颈到底卡在哪RTX 2060 6GB的瓶颈不在算力而在显存。AI绘画的推理过程有几个环节都会吃显存模型权重本身、Latent数据、VAE解码时的中间张量。其中VAE解码阶段特别容易爆显存。如果你生成1024×1024的图VAE解码阶段显存占用会瞬间飙升。解决办法不复杂一是控制分辨率二是使用Tiled VAE功能把图像切成小块分别解码用时间换显存空间。ComfyUI社区已经有人做了封装好的Tile VAE自定义节点建议直接用。实测下来一张1080P的图在大模型解码时会被切成若干个重叠的小块显存峰值能降低一半还多虽然解码时间会稍微增加但至少不爆。4.2 启动参数与模型级别的显存优化ComfyUI内置了几个启动参数对低显存用户至关重要这里把我的常用启动参数分享出来python main.py --lowvram --max-batch 4--lowvram意思是让模型在显存和内存之间按需搬运而不是全部驻留显存。如果你显存只有6GB这个参数基本是标配。如果你的显卡更小比如4GB可以考虑--medvram。我自己测试下来3060同级显卡用--lowvram后512分辨率可生成768分辨率有时会挣扎2060用这个参数能稳定跑SD1.5系列。还有一个容易被忽略的操作把模型格式换成FP16或BF16。ComfyUI在加载检查点时默认使用模型自带的精度有些检查点是FP32占据两倍显存。你在模型加载节点后面加一个Model Casting to FP16自定义节点就可以让模型以半精度运行。代价是轻微精度损失但视觉上几乎无差别。另外新版本的PyTorch支持BF16格式如果驱动和卡支持优先用BF16稳定性更好。4.3 速度提升的实用路径提速有两个方向一是减少步数二是换采样算法。减少步数最直接。常规SD1.5模型配25步到30步如果换成DPM系列采样器并且牺牲少量质量可以压到18步到20步。想要极致的快就得换成Turbo或LCM蒸馏模型。这类模型的特殊之处在于它只需4到8步就完成去噪而且cfg要调低到1到2。我实测SD1.5 Turbo模型在RTX 2060上以512×512分辨率生成一张图总推理时间大约在2.8秒对比常规模型快了一倍多。缺点是画面细节会略粗糙适合草图、批量试验和视频逐帧生成。在模型选择上我建议RTX 2060用户准备两个检查点一个常规SD1.5模型用于精细图和LoRA训练测试一个Turbo模型用于快速验稿。两张模型文件合计占用硬盘约10GB花不了多少空间但能让你在不同场景间自由切换。另外一个提速技巧是保持ComfyUI和后端PyTorch版本较新。PyTorch在新版本中优化了注意力和卷积核的算子尤其对RTX 2060这类图灵架构卡有效果。每次升级后跑一次基准测试速度如果倒退再回滚不想折腾的保持当前稳定版本即可。5. 进阶玩法把节点式工作流的威力彻底发挥出来5.1 图生图与局部重绘的节点连接文生图只是起点。当你把一张图像拉进ComfyUI工作区节点逻辑会发生一个关键变化图片不再来自Empty Latent Image节点而是从Load Image节点出来。为了能让图像进入KSampler需要经过VAE Encode把它转换回Latent格式。所以在图生图工作流中Load Image的输出图像连到VAE Encode的pixels端VAE Encode再把Latent送到KSampler的latent端。图生图有个关键参数denoise表示对原图进行多大程度的改动。denoise0表示什么都不变denoise1表示完全重绘。做风格化时我一般用0.4到0.6做草图转精修时用0.3到0.5。如果你想做局部重绘可以在图上绘制蒙版然后让图像的Latent和蒙版一起作为输入。这个流程在WebUI里被包装成了局部重绘页面在ComfyUI里其实就是Image Mask - VAE Encode - KSampler这样的路线。理解了节点后任何基于Mask的操作都是同一套逻辑你可以自由变换。5.2 LoRA加载与权重控制LoRA在ComfyUI里的加入方式很直接但很多新手第一眼会找不到入口。你需要添加一个Load LoRA节点这个节点有三个输入model、clip、lora_name。前两个分别接收主模型过来的MODEL和CLIPlora_name则在节点下拉框里选择具体LoRA文件。Load LoRA节点上有个关键参数strength_model和strength_clip也就是常说的LoRA权重。这个参数直接控制LoRA对生成结果的影响程度过高会淹没主体过低则不起作用。我通常先说从0.7开始再看效果微调。值得强调的是多LoRA混搭时不是简单叠加权重就行某些LoRA擅长画脸某些擅长画服装你要在连线层面分别为每个LoRA分配独立的模型输出路径最后再合并。ComfyUI的节点化让这种混合从碰运气变成了可控实验。5.3 ControlNet条件控制ControlNet是ComfyUI最让我上头的玩法。传统提示词很难精确控制人物姿态、架构、色块分布ControlNet弥补了这个短板。在ComfyUI中加载ControlNet先添加一个Load ControlNet Model节点然后在工作区加入ControlNet Apply节点。ControlNet Apply有三个输入conditioning文本编码器的输出、control_net刚加载的ControlNet模型、image输入的参考图。输出端接回KSampler的positive输入。参考图从Load Image节点进来还可以加Preprocessor节点自动提取姿态骨架。这套逻辑的妙处在于ControlNet并没有取代原有工作流它只是在条件注入这个环节上多了一个分支。你可以同时注入姿态、深度和线稿甚至用不同权重叠加多个ControlNet这在节点化流程里只需要多连几根线而在WebUI里往往需要安装各种版本的插件。5.4 工作流的保存、复用与分享我把ComfyUI的json文件比喻成可以打包的生产线图纸。搭好一个满意的管道后点击工作流界面的Save按钮ComfyUI会把所有节点配置、连线、参数保存为一份json文件。之后可以随时加载回来。这个功能的价值在批量操作时特别明显比如你的公司需要标准化生成一套商品图用一份工作流、换个产品图片就能保证出图风格一致。分享也很简单直接把这一个json文件发给别人对方用ComfyUI打开就能运行。需要注意的是工作流里引用的模型文件、LoRA文件对方必须自己准备否则加载会报错。所以我分享工作流时习惯同时在备注节点里写明模型名称和版本号。ComfyUI有备注节点双击空白区域添加文字说明这个小习惯能省去很多沟通成本。6. 常见报错与排查技巧全记录6.1 高频报错速查表这里把我自己在RTX 2060部署和使用过程中遇到的高频问题整理成表方便你直接对照。现象大概率原因解决方案生成图片全黑VAE环节出错或模型自带VAE丢失换用自带VAE的整合检查点或手动添加VAE Loader节点提示词完全无效图片乱画文本编码节点连线接反或cfg被调得过低核对CLIP Text Encode的正负输出是否分别接到对应接口cfg恢复7到9运行时报错CUDA out of memory显存溢出加--lowvram启动降低分辨率使用Tiled VAE换FP16模型模型加载时提示文件未找到checkpoint路径不正确或目录大小写问题确认文件放在models/checkpoints点击刷新按钮重新扫描打开页面空白无节点首次启动显示模板未加载从官方示例模板导入或手动搭建文生图基础流程速度突然变慢有明显卡顿系统其他程序占用了大量显存关闭浏览器硬件加速、截图录屏软件降级分辨率后重启ComfyUIKSampler报错Given groups1模型和采样器不匹配常见于使用不兼容的LoRA检查LoRA是否针对当前主模型训练卸下无法识别LoRA6.2 我亲身踩过几个深坑之后的解法第一个坑是浏览器缓存导致的出图重复。有一段时间我发现每次改提示词但出图结果完全一样排查了半天最后发现是浏览器在某种情况下缓存了工作流。解决方案简单粗暴刷新页面重新加载之后检查Queue里是不是堆积了太多未执行任务。ComfyUI的队列机制和任务优先级在复杂工作流中容易让人迷惑所以在调试阶段建议多关注右上角的Queue提示而不是盲目重复点生成。第二个坑是显存明明够用却提示OOM。这个问题在Windows上特别容易遇到。原因并不是ComfyUI本身而是你之前跑过的其他程序或系统后台没有释放显存。RTX 2060显存本来就紧张开着视频播放器、聊天软件再加ComfyUI一起用OOM是家常便饭。我的习惯是跑图前关掉所有浏览器标签页和视频播放器把显存留给ComfyUI独自使用。这个节省下来的显存远比你调任何启动参数都管用。第三个坑是升级ComfyUI版本后自定义节点失效。ComfyUI更新速度极快API偶尔会有变化导致一些社区自定义节点无法运行。遇到这种情况先别急着怀疑配置。到ComfyUI目录下执行Git回退到之前的更新版本或者等待自定义节点作者更新适配。如果你依赖很多自定义节点建议在搭建完成工作流后冻结当前版本不要频繁升级。还有一个值得留意的地方是模型文件的路径编码。Windows系统用户名如果包含中文某些旧版本PyTorch在加载模型时会因为路径编码问题报错。这个问题看似无解但我用过最简单的办法把ComfyUI安装到纯英文路径下同时把系统语言设置为英文的情况下问题就消失了。如果你的系统用户名本身是中文建议直接新建一个英文名项目目录来存放ComfyUI。7. 节点式工作流的进阶管理心得7.1 用自定义节点批量处理杂务ComfyUI的生态已经非常丰富安装一套ComfyUI-Manager就能一键安装各种自定义节点。我建议先把这几个装上Tiled VAE前面提过、Dynamic Prompts生成提示词变体、Batch Prompt Schedule定时任务、以及一个图像对比插件。这些工具能帮你把日常工作流提升一个量级。举例来说Batch Prompt Schedule节点可以在不同step阶段切换提示词这是实现先画构型再画细节的常见技巧。你在第20步时用description提示词生成轮廓第20步到第30步换成本体描述提示词细化。这种分阶段提示词控制的玩法只有节点化工作流能轻松实现。WebUI虽然也能通过某些脚本模拟但配置极其繁琐。7.2 从新手到熟练的路径规划要我说学习ComfyUI的最佳路径是先完全复制官方模板并跑通然后手动重建这个模板——从空白工作区拉出每个节点逐个连线感受数据是怎么流向的。接着尝试修改采样器和步数观察效果差别。熟悉之后再往里面加LoRA、加ControlNet、加Tiled VAE。这个学习过程中记住一点不要一开始就下载一堆千奇百怪的自定义节点。我有段时间接入了几十个插件看起来功能强大实际上工作流复杂到后期自己都看不懂。节点化的本质是逻辑清晰插件越多越容易破坏这种清晰。先精通核心节点再按需扩展这也是为什么我在文初强调节点式AI创作的核心优势是掌控感而不是堆砌功能。8. 最后的经验之谈与不算技巧的技巧我在RTX 2060上折腾ComfyUI也有一段时间了最大的感受是显卡不够好确实会限制上限但不会限制你理解创作流程。节点式工作流把生成过程变成可以随时翻看的图纸这本身就是适合低显存用户的理想学习工具——因为你能看到每一步占了多少显存、每一步卡在哪这种直观的印象比任何教程都深刻。如果你现在还在犹豫我给一个最朴素的建议先用一张SD1.5模型配上文中的优化参数把基础文生图工作流跑顺然后花一个晚上时间把所有节点挨个删掉再重新搭一遍。这个过程做完你会发现ComfyUI不再是什么神秘工具它就是一张你随时能改写的流程图。很多人以为AI绘画拼的是显卡其实拼的是你对管线每个环节的理解而ComfyUI恰好把这条线完整地摆在了你面前。 
长河君 · 2026/10/21 21:34:34 · 阅读 1.2k ComfyUI节点式AI绘画实战：RTX 2060显存优化与部署全指南
玩AI绘画的朋友应该都绕不开这两个名字WebUI和ComfyUI。如果你只是在WebUI里点点按钮、拉拉滑动条那确实够用但一旦你想把LoRA、ControlNet、局部重绘、多模型对比这些功能叠在一起用那个竖向长页面能让你翻到怀疑人生。ComfyUI的思路完全不同——它把整个生成过程变成一张流程图节点是积木连线是数据流每一步干了什么、喂了什么、吐出什么全都摊开在眼前。这篇我就把两件事讲透第一节点式AI创作到底比传统界面强在哪第二手上只有RTX 2060这种老中端卡怎么把ComfyUI在本地跑起来、跑得动、跑得快。先说明这篇文章的定位适合三种人。一是刚接触AI绘画、想跳开现成云平台自己折腾的入坑选手二是被WebUI复杂插件关系折磨、想换个思路管理生成管线的进阶用户三是跟我一样显卡不算顶级、想榨干每1GB显存的价值党。我会把节点逻辑、部署步骤、显存优化、常见报错全部用大白话拆开你按照顺序操作基本能在一晚上内从零跑到出图。1. 节点式AI创作理解决不只是一张流程图1.1 WebUI和ComfyUI的底层差异在哪里用一句话总结WebUI把生成流程做成了填表ComfyUI把它做成了接线。WebUI是典型的单页应用模型选择、提示词、采样参数、插件开关都在同一个页面里从上往下排。这个设计对新手友好因为你不必理解内部发生了什么。但副作用是所有功能都是被开发者打包好的固定流程。你想在VAE解码前插入一个自定义处理节点想比较三种采样器在同一个Latent上的区别想在生成后用某个插件做后处理再决定是否保存WebUI做不到或者做得很别扭。ComfyUI把流程拆成了最小单元。加载模型是一个节点写提示词是一个节点采样是一个节点解码是一个节点保存图片又是一个节点。你通过拖拽连线决定数据从哪个节点流向哪个节点。这种设计借鉴了游戏引擎里的蓝图系统和多媒体处理里的节点图。它的价值不只是好玩而是把每一步能调什么哪里接哪里完全交给你。对于AI绘画这种管线复杂、依赖链长的场景节点式的管理效率远高于单一的按钮页面。从实际体验来看我个人的感受是如果你只是每天随手生成几张壁纸WebUI确实够用但当你开始研究为什么这张图发灰、为什么LoRA权重没生效、怎么在出图前自动修复人脸ComfyUI的节点化优势就会非常明显。因为你可以直接在某一条连线上插入一个修正节点而不是去翻设置面板里某个开关。1.2 节点化带来的三个核心优势第一个优势是显存占用被大幅压缩。这是很多人忽略的点。WebUI为了实现随时切换功能往往会一次性把模型、VAE、部分组件全部塞进显存。ComfyUI则是用到什么加载什么并且支持部分加载——先加载模型骨架采样完再加载解码器。所以同样的RTX 2060 6GBWebUI在跑SDXL时基本是灾难而ComfyUI配合合理参数还能勉强生存。第二个优势是管线可复现。在WebUI里你截图记录一堆参数回头发现某个插件没勾选结果对不上。ComfyUI把整个流程保存为一个json文件模型节点、提示词、连线关系全部在里面。发给别人对方拖进界面就能看到完全一致的流程。这在工作流协作和复现实验时极其有用。第三个优势是自由度和可调试性。节点之间传输的数据是可以查看的某个节点输出异常你立刻就能定位问题在这一环而不是盲猜。比如输出黑图你可以在KSampler后面直接接一个预览节点看Latent长什么样而不是拿着生成结果反复调参。这种可视化调试能力让AI绘画从试错变成了有逻辑的排查。当然节点式的门槛也很明显新手刚打开ComfyUI看到空空的工作区会发懵不知道从哪里开始。我的建议很简单先别学理论先把官方默认文生图模板找出来跑通一张图再一个一个节点拆开看。后面第3章我会带你完整搭建第一个文生图工作流。2. RTX 2060底气不足先看部署前的准备清单2.1 显存和版本的取舍6GB能做什么RTX 2060有两个版本6GB和12GB。6GB是当年最主流的那批显存不大不小。在部署前先明确一个现实你不可能用6GB显卡舒服地跑SDXLSD1.5才是日常主力。SDXL对显存的要求在8GB以上真的起步6GB硬跑会频繁触发Low Memory模式速度会变成龟速。而SD1.5系列的模型在合理优化下6GB显存可以流畅生成512×512甚至768×768的图。另外一个思路是使用Turbo和LCM这类蒸馏模型。它们能用4到8步出图相比常规模型的20到30步显存压力小得多。我实测下来RTX 2060配合SD1.5加Turbo模型一张512的图能压进3秒左右这对于老卡来说已经非常惊喜。所以部署之前先把需求定清楚你是想画精细的插画、练特定人物的LoRA还是想要快速产图如果是前者老老实实SD1.5优化如果是后者Turbo/LCM能带给你意外之喜。2.2 安装流程从Python准备到首次启动先说环境依赖ComfyUI本质是一个Python项目所以下面几步是必须的。第一步安装Python。这里有个重点不要装最新的3.12推荐3.10或3.11版本。为什么ComfyUI依赖的一部分深度学习库对Python版本有要求3.12刚发布时曾出现兼容问题。虽然现在基本修复但为了少折腾选3.10稳定版是最稳妥的。安装时记得勾选Add Python to PATH这个选项经常被忽略导致后面终端里输python命令没反应。第二步准备Git。Windows用户可以装一个Git客户端主要用途是拉取ComfyUI本体和更新插件。安装时默认选项即可。第三步拉取ComfyUI本体。随便选一个干净目录比如D盘新建一个ComfyUI文件夹在该目录下打开终端执行git clone把官方仓库拉下来。拉取成功后目录里会出现main.py、requirements.txt这些关键文件。第四步安装依赖。在ComfyUI目录下打开终端执行pip install -r requirements.txt。这个过程会下载清华大学镜像或者默认PyPI上的若干库文件时间取决于网络。我建议你在安装前先把pip源切到国内镜像源不然几十个依赖下载可能让你等到崩溃。具体方法是在用户目录下创建一个pip.ini文件填入清华镜像地址相关配置在网上很容易找到。第五步准备模型。ComfyUI本身不携带任何模型文件所以第一次打开界面你会看到空白的节点。你需要去模型社区下载一个SD1.5的检查点文件checkpoint也就是带完整生成能力的主模型。文件下载后放入ComfyUI/models/checkpoints目录即可。同样地常用LoRA放在models/lorasVAE放在models/vaeControlNet放在models/controlnet。ComfyUI在加载节点时会自动扫描这些目录。第六步启动。在终端里执行python main.py。首次启动会进行一次初始化结束后终端会显示Running on http://127.0.0.1:8188。复制这个地址到浏览器就能打开ComfyUI界面。注意默认端口是8188如果你本机已经占用了这个端口可以在启动命令里加--port 8198类似参数换个端口。3. 从零搭起第一个文生图工作流3.1 节点组成和连线逻辑打开ComfyUI界面后默认会有一个模板工作流里面已经有文生图需要的几个节点。我现在把这些节点一个个拆给你看同时说明它们各自在管线里的角色。先记住一个底层逻辑ComfyUI里的连线分两种类型。模型类的数据MODEL、CLIP、VAE用一种颜色的线图像和Latent数据用另一种颜色的线。文字提示词则由节点输入框直接输入。你不需要死记这些类型连线时鼠标拖到目标节点的输入端ComfyUI会自动高亮可以容纳的连接口。标准文生图工作流包含六个角色Load Checkpoint加载主模型节点。这个节点同时输出MODEL、CLIP、VAE三路数据分别供给采样器、文本编码和解码环节。CLIP Text Encode文本编码节点负责把提示词变成模型能理解的向量。正面提示词和负面提示词需要两个独立节点。Empty Latent Image生成空白潜空间图像节点。你可以理解成先初始化一块画布指定宽高和批次数量。KSampler采样器核心节点。它接收模型、正向条件、负向条件和一张空白Latent经过若干次迭代去噪输出最终的Latent。VAE Decode将潜空间数据解码为像素图像。Save Image保存图片节点把解码后的图像以PNG文件写入ComfyUI/output目录。把连线整理一下就是Load Checkpoint的CLIP输出连到两个文本编码节点正向和负向文本编码结果连到KSampler的positive和negative接口Load Checkpoint的MODEL连到KSampler的model接口Empty Latent Image的LATENT连到KSampler的latent接口KSampler的输出连到VAE DecodeVAE Decode输出的图像连到Save ImageSave Image上方还可以连接Load Checkpoint的VAE输出。3.2 关键节点参数该怎么填很多新手照着模板跑图跑出来的结果跟预期不符往往是因为KSampler和Empty Latent Image这两个节点的参数没理解透。先看Empty Latent Image。宽和高网络上有各种说法但如果你用的是SD1.5模型底座是基于512分辨率的格式。建议先用512×512或者保持长宽比为1:1再逐步尝试768×512、768×768。需要特别提醒的是SD1.5模型在单维度超过1024时容易出结构崩坏的图不要盲目追求大尺寸。RTX 2060 6GB跑512×512没问题跑768×768要看模型和VAE优化情况后面第4章细说。batch_size是单次生成几张图。这个参数对显存影响很大因为一次跑多张等于同时让多个Latent去做去噪。新手先设置为1跑通流程后再调整。再看KSampler。seed是随机种子同一个种子配同一套参数可以得到完全一致的图。想换一批结果就随意改种子想复现某张图就锁定它。steps是去噪步数SD1.5常规模型建议25步到30步Turbo模型建议4到8步。cfg是提示词引导强度常规模型常用7到9Turbo模型一般建议1到2。cfg设置太高会让图片过饱和、发硬设置太低则提示词对画面的约束力不足。sampler_name和scheduler我建议手动指定常用的组合是euler_ancestral配合normal或者dpmpp_2m配合karras。这两个不同的感受euler_ancestral出图风格偏柔和dpmpp_2m对细节还原更稳。denoise是重绘幅度在文生图模板里默认值没有意义因为它只在图生图环节才用到。后面第5章进阶内容里我会专门讲图生图时denoise怎么调。3.3 跑通第一张图的实测建议当你把节点连线都接好正面提示词写一句简单的描述比如a beautiful landscape, highly detailed负面提示词填入常见通用负面词串点击右侧的Queue Prompt按钮工作流就能跑起来。第一次运行时ComfyUI会加载主模型这一步消耗时间最长。以RTX 2060加载一个约2GB的SD1.5模型为例大概需要几十秒之后每次生成都会快很多。跑完一张图后终端里会显示耗时比如Total inference time: 5.2s。这个数字可以帮助你判断后续优化有没有效果。我这里提醒一点第一次出图如果是黑色的别慌。先检查VAE节点是否连接正确。因为很多SD1.5检查点在Split checkpoint格式上把VAE单独拆出了你需要额外挂一个VAE Loader节点或者换一个自带VAE的整合版检查点。这个问题我在第6章会专门展开。4. RTX 2060显存调优与出图速度提升实战4.1 显存瓶颈到底卡在哪RTX 2060 6GB的瓶颈不在算力而在显存。AI绘画的推理过程有几个环节都会吃显存模型权重本身、Latent数据、VAE解码时的中间张量。其中VAE解码阶段特别容易爆显存。如果你生成1024×1024的图VAE解码阶段显存占用会瞬间飙升。解决办法不复杂一是控制分辨率二是使用Tiled VAE功能把图像切成小块分别解码用时间换显存空间。ComfyUI社区已经有人做了封装好的Tile VAE自定义节点建议直接用。实测下来一张1080P的图在大模型解码时会被切成若干个重叠的小块显存峰值能降低一半还多虽然解码时间会稍微增加但至少不爆。4.2 启动参数与模型级别的显存优化ComfyUI内置了几个启动参数对低显存用户至关重要这里把我的常用启动参数分享出来python main.py --lowvram --max-batch 4--lowvram意思是让模型在显存和内存之间按需搬运而不是全部驻留显存。如果你显存只有6GB这个参数基本是标配。如果你的显卡更小比如4GB可以考虑--medvram。我自己测试下来3060同级显卡用--lowvram后512分辨率可生成768分辨率有时会挣扎2060用这个参数能稳定跑SD1.5系列。还有一个容易被忽略的操作把模型格式换成FP16或BF16。ComfyUI在加载检查点时默认使用模型自带的精度有些检查点是FP32占据两倍显存。你在模型加载节点后面加一个Model Casting to FP16自定义节点就可以让模型以半精度运行。代价是轻微精度损失但视觉上几乎无差别。另外新版本的PyTorch支持BF16格式如果驱动和卡支持优先用BF16稳定性更好。4.3 速度提升的实用路径提速有两个方向一是减少步数二是换采样算法。减少步数最直接。常规SD1.5模型配25步到30步如果换成DPM系列采样器并且牺牲少量质量可以压到18步到20步。想要极致的快就得换成Turbo或LCM蒸馏模型。这类模型的特殊之处在于它只需4到8步就完成去噪而且cfg要调低到1到2。我实测SD1.5 Turbo模型在RTX 2060上以512×512分辨率生成一张图总推理时间大约在2.8秒对比常规模型快了一倍多。缺点是画面细节会略粗糙适合草图、批量试验和视频逐帧生成。在模型选择上我建议RTX 2060用户准备两个检查点一个常规SD1.5模型用于精细图和LoRA训练测试一个Turbo模型用于快速验稿。两张模型文件合计占用硬盘约10GB花不了多少空间但能让你在不同场景间自由切换。另外一个提速技巧是保持ComfyUI和后端PyTorch版本较新。PyTorch在新版本中优化了注意力和卷积核的算子尤其对RTX 2060这类图灵架构卡有效果。每次升级后跑一次基准测试速度如果倒退再回滚不想折腾的保持当前稳定版本即可。5. 进阶玩法把节点式工作流的威力彻底发挥出来5.1 图生图与局部重绘的节点连接文生图只是起点。当你把一张图像拉进ComfyUI工作区节点逻辑会发生一个关键变化图片不再来自Empty Latent Image节点而是从Load Image节点出来。为了能让图像进入KSampler需要经过VAE Encode把它转换回Latent格式。所以在图生图工作流中Load Image的输出图像连到VAE Encode的pixels端VAE Encode再把Latent送到KSampler的latent端。图生图有个关键参数denoise表示对原图进行多大程度的改动。denoise0表示什么都不变denoise1表示完全重绘。做风格化时我一般用0.4到0.6做草图转精修时用0.3到0.5。如果你想做局部重绘可以在图上绘制蒙版然后让图像的Latent和蒙版一起作为输入。这个流程在WebUI里被包装成了局部重绘页面在ComfyUI里其实就是Image Mask - VAE Encode - KSampler这样的路线。理解了节点后任何基于Mask的操作都是同一套逻辑你可以自由变换。5.2 LoRA加载与权重控制LoRA在ComfyUI里的加入方式很直接但很多新手第一眼会找不到入口。你需要添加一个Load LoRA节点这个节点有三个输入model、clip、lora_name。前两个分别接收主模型过来的MODEL和CLIPlora_name则在节点下拉框里选择具体LoRA文件。Load LoRA节点上有个关键参数strength_model和strength_clip也就是常说的LoRA权重。这个参数直接控制LoRA对生成结果的影响程度过高会淹没主体过低则不起作用。我通常先说从0.7开始再看效果微调。值得强调的是多LoRA混搭时不是简单叠加权重就行某些LoRA擅长画脸某些擅长画服装你要在连线层面分别为每个LoRA分配独立的模型输出路径最后再合并。ComfyUI的节点化让这种混合从碰运气变成了可控实验。5.3 ControlNet条件控制ControlNet是ComfyUI最让我上头的玩法。传统提示词很难精确控制人物姿态、架构、色块分布ControlNet弥补了这个短板。在ComfyUI中加载ControlNet先添加一个Load ControlNet Model节点然后在工作区加入ControlNet Apply节点。ControlNet Apply有三个输入conditioning文本编码器的输出、control_net刚加载的ControlNet模型、image输入的参考图。输出端接回KSampler的positive输入。参考图从Load Image节点进来还可以加Preprocessor节点自动提取姿态骨架。这套逻辑的妙处在于ControlNet并没有取代原有工作流它只是在条件注入这个环节上多了一个分支。你可以同时注入姿态、深度和线稿甚至用不同权重叠加多个ControlNet这在节点化流程里只需要多连几根线而在WebUI里往往需要安装各种版本的插件。5.4 工作流的保存、复用与分享我把ComfyUI的json文件比喻成可以打包的生产线图纸。搭好一个满意的管道后点击工作流界面的Save按钮ComfyUI会把所有节点配置、连线、参数保存为一份json文件。之后可以随时加载回来。这个功能的价值在批量操作时特别明显比如你的公司需要标准化生成一套商品图用一份工作流、换个产品图片就能保证出图风格一致。分享也很简单直接把这一个json文件发给别人对方用ComfyUI打开就能运行。需要注意的是工作流里引用的模型文件、LoRA文件对方必须自己准备否则加载会报错。所以我分享工作流时习惯同时在备注节点里写明模型名称和版本号。ComfyUI有备注节点双击空白区域添加文字说明这个小习惯能省去很多沟通成本。6. 常见报错与排查技巧全记录6.1 高频报错速查表这里把我自己在RTX 2060部署和使用过程中遇到的高频问题整理成表方便你直接对照。现象大概率原因解决方案生成图片全黑VAE环节出错或模型自带VAE丢失换用自带VAE的整合检查点或手动添加VAE Loader节点提示词完全无效图片乱画文本编码节点连线接反或cfg被调得过低核对CLIP Text Encode的正负输出是否分别接到对应接口cfg恢复7到9运行时报错CUDA out of memory显存溢出加--lowvram启动降低分辨率使用Tiled VAE换FP16模型模型加载时提示文件未找到checkpoint路径不正确或目录大小写问题确认文件放在models/checkpoints点击刷新按钮重新扫描打开页面空白无节点首次启动显示模板未加载从官方示例模板导入或手动搭建文生图基础流程速度突然变慢有明显卡顿系统其他程序占用了大量显存关闭浏览器硬件加速、截图录屏软件降级分辨率后重启ComfyUIKSampler报错Given groups1模型和采样器不匹配常见于使用不兼容的LoRA检查LoRA是否针对当前主模型训练卸下无法识别LoRA6.2 我亲身踩过几个深坑之后的解法第一个坑是浏览器缓存导致的出图重复。有一段时间我发现每次改提示词但出图结果完全一样排查了半天最后发现是浏览器在某种情况下缓存了工作流。解决方案简单粗暴刷新页面重新加载之后检查Queue里是不是堆积了太多未执行任务。ComfyUI的队列机制和任务优先级在复杂工作流中容易让人迷惑所以在调试阶段建议多关注右上角的Queue提示而不是盲目重复点生成。第二个坑是显存明明够用却提示OOM。这个问题在Windows上特别容易遇到。原因并不是ComfyUI本身而是你之前跑过的其他程序或系统后台没有释放显存。RTX 2060显存本来就紧张开着视频播放器、聊天软件再加ComfyUI一起用OOM是家常便饭。我的习惯是跑图前关掉所有浏览器标签页和视频播放器把显存留给ComfyUI独自使用。这个节省下来的显存远比你调任何启动参数都管用。第三个坑是升级ComfyUI版本后自定义节点失效。ComfyUI更新速度极快API偶尔会有变化导致一些社区自定义节点无法运行。遇到这种情况先别急着怀疑配置。到ComfyUI目录下执行Git回退到之前的更新版本或者等待自定义节点作者更新适配。如果你依赖很多自定义节点建议在搭建完成工作流后冻结当前版本不要频繁升级。还有一个值得留意的地方是模型文件的路径编码。Windows系统用户名如果包含中文某些旧版本PyTorch在加载模型时会因为路径编码问题报错。这个问题看似无解但我用过最简单的办法把ComfyUI安装到纯英文路径下同时把系统语言设置为英文的情况下问题就消失了。如果你的系统用户名本身是中文建议直接新建一个英文名项目目录来存放ComfyUI。7. 节点式工作流的进阶管理心得7.1 用自定义节点批量处理杂务ComfyUI的生态已经非常丰富安装一套ComfyUI-Manager就能一键安装各种自定义节点。我建议先把这几个装上Tiled VAE前面提过、Dynamic Prompts生成提示词变体、Batch Prompt Schedule定时任务、以及一个图像对比插件。这些工具能帮你把日常工作流提升一个量级。举例来说Batch Prompt Schedule节点可以在不同step阶段切换提示词这是实现先画构型再画细节的常见技巧。你在第20步时用description提示词生成轮廓第20步到第30步换成本体描述提示词细化。这种分阶段提示词控制的玩法只有节点化工作流能轻松实现。WebUI虽然也能通过某些脚本模拟但配置极其繁琐。7.2 从新手到熟练的路径规划要我说学习ComfyUI的最佳路径是先完全复制官方模板并跑通然后手动重建这个模板——从空白工作区拉出每个节点逐个连线感受数据是怎么流向的。接着尝试修改采样器和步数观察效果差别。熟悉之后再往里面加LoRA、加ControlNet、加Tiled VAE。这个学习过程中记住一点不要一开始就下载一堆千奇百怪的自定义节点。我有段时间接入了几十个插件看起来功能强大实际上工作流复杂到后期自己都看不懂。节点化的本质是逻辑清晰插件越多越容易破坏这种清晰。先精通核心节点再按需扩展这也是为什么我在文初强调节点式AI创作的核心优势是掌控感而不是堆砌功能。8. 最后的经验之谈与不算技巧的技巧我在RTX 2060上折腾ComfyUI也有一段时间了最大的感受是显卡不够好确实会限制上限但不会限制你理解创作流程。节点式工作流把生成过程变成可以随时翻看的图纸这本身就是适合低显存用户的理想学习工具——因为你能看到每一步占了多少显存、每一步卡在哪这种直观的印象比任何教程都深刻。如果你现在还在犹豫我给一个最朴素的建议先用一张SD1.5模型配上文中的优化参数把基础文生图工作流跑顺然后花一个晚上时间把所有节点挨个删掉再重新搭一遍。这个过程做完你会发现ComfyUI不再是什么神秘工具它就是一张你随时能改写的流程图。很多人以为AI绘画拼的是显卡其实拼的是你对管线每个环节的理解而ComfyUI恰好把这条线完整地摆在了你面前。