ComfyUI工作流搭建入门指南：从节点基础到AI视频生成-港品优选

经常有读者私信问我：ComfyUI 到底该怎么入门？为什么下载了整合包，打开后面对一张空白画布、一堆节点完全不知道从何下手？今天这篇教程就围绕 ComfyUI 工作流搭建，从安装部署、节点概念、文生图、图生图，到 AI 视频生成和常见报错排查，完整走一遍。内容不掺杂水分，适合零基础入门，也适合已经用过 WebUI 但想转到 ComfyUI 的朋友。

1. ComfyUI 到底是什么？为什么要学节点式工作流

1.1 ComfyUI 与 WebUI 的差异

AI 绘画领域有一个大家更熟悉的名字：Stable Diffusion WebUI（简称 WebUI）。WebUI 把生成图片的过程封装成一个网页表单，左侧填提示词，右侧设置参数，点击生成就能出图，学习成本非常低。

ComfyUI 则完全不同。它把整个 AI 绘画过程拆散成一个个节点，每个节点只负责一件事，比如“加载模型”“输入提示词”“采样器”“保存图片”。用户需要把这些节点用连线串起来，才能拼出一条完整的“生产流水线”。从使用体验上看：

对比项	WebUI	ComfyUI
上手难度	低，适合新手	中等，需要理解节点逻辑
流程透明度	黑盒，参数藏在页面中	白盒，每一步都可视化
批量处理能力	一般	强，可以自由控制队列
显存占用	相对较高	可以通过流程优化降低
高级玩法	依赖插件	天然支持自由拼装节点

ComfyUI 最大的优势是“把所有逻辑摊开给人看”。同样是文生图，WebUI 只告诉你“我生成了一张图”，而 ComfyUI 能让你看到：

提示词是如何被编码的；
模型在什么尺寸下工作；
采样器用了什么算法和步数；
图片解码后如何输出。

这些细节对想要深入 AI 绘画、甚至做二次开发的用户来说，非常有用。

1.2 ComfyUI 适合哪些人

我通常会把 ComfyUI 的受众分成三类：

零基础新手：想在本地免费跑 AI 绘画，不在意底层原理，只要能跟着教程把工作流跑通。
WebUI 转用户：已经有 Stable Diffusion 基础，想体验更灵活的工作流，希望保留已有模型和 LoRA。
进阶玩家和开发者：需要搭建复杂的 ControlNet 控制、视频生成、批量出图，甚至想自研节点、嵌入业务系统。

这类读者都可以从本文学到东西。新手可以按顺序阅读，有基础的朋友可以直接跳到第 4 节看实战工作流，或跳到第 8 节看排查思路。

1.3 本文的路线规划

本文按一条完整的学习链路来组织：

先了解 ComfyUI 的工作方式和核心概念；
完成本地安装和基础配置；
从默认工作流开始跑通第一张图；
搭建图生图和局部重绘工作流；
了解 AI 视频生成工作流的搭建思路；
最后给出高频报错排查方法和工程化建议。

整体目标是让你学完后，不仅能跑通别人的工作流，还能自己看懂节点、修改参数，并组合出新的工作流。

2. 环境准备与安装方式

2.1 硬件与软件要求

ComfyUI 是本地部署工具，本机算力直接决定生成效率。下面是一份参考要求，版本不同会有差异，重点看你的显卡显存和驱动情况：

显卡：NVIDIA 显卡优先，显存建议 4GB 以上。8GB 可以比较流畅地跑 512x512、768x768 文生图；12GB 以上可以跑更大分辨率或视频生成。
操作系统：Windows 10/11 最常见，Linux 和 macOS 也可以运行。
Python：如果使用官方源码启动，需要 Python 3.10 或更高版本。
CUDA 与显卡驱动：建议安装较新的 NVIDIA 驱动，让 PyTorch 能正常调用 GPU。
硬盘空间：Stable Diffusion 基础模型动辄 2GB 到 7GB，建议预留 50GB 以上空间。

需要特别说明：显卡不是 NVIDIA 也能跑，比如 AMD 显卡和 Apple Silicon 芯片可以走相应分支，但配置成本更高。新手入门建议优先选择 NVIDIA 显卡环境，能少踩很多坑。

2.2 安装方式：整合包与官方源码

ComfyUI 的安装主要有两条路线，可以根据自己情况选。

路线一：使用整合包

国内社区有很多一键整合包，比如“秋叶 ComfyUI 整合包”。这类包的好处是 Python、依赖、模型目录、常用插件基本预装好了，解压后直接启动，适合零基础用户。

整合包的使用步骤一般是：

下载整合包压缩包；
解压到本地目录；
双击启动脚本，如A启动器.exe或run_nvidia_gpu.bat；
启动后浏览器自动打开http://127.0.0.1:8188。

需要提醒的是，整合包版本更新、模型来源参差不齐，下载时要注意来源可信度。如果已经会使用 Python 环境，更建议走官方源码路线。

路线二：官方源码安装

官方源码安装流程也不复杂，大致如下：

# 1. 克隆项目代码 git clone https://github.com/comfyanonymous/ComfyUI.git # 2. 进入目录 cd ComfyUI # 3. 创建虚拟环境（推荐） python -m venv venv # 4. 激活虚拟环境 # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate # 5. 安装 PyTorch 相关依赖 # 如果使用 NVIDIA GPU，建议先安装对应 CUDA 版本的 PyTorch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 # 6. 安装 ComfyUI 其他依赖 pip install -r requirements.txt

安装完成后，同样启动服务：

python main.py

启动成功后会看到类似输出：

Starting server To see the GUI go to: http://127.0.0.1:8188

在浏览器打开这个地址，就进入 ComfyUI 界面了。

如果整合包和官方源码都成功跑起来，不建议两台电脑同时都折腾，选一套自己最熟练的方式固定下来即可。

2.3 启动后的界面简介

第一次打开 ComfyUI，你可能会觉得界面有点简陋。它不像 WebUI 一样有华丽的按钮，而是只有一张空白画布和顶部一排菜单。

核心区域包括：

左上角菜单：可以加载工作流、保存工作流、查看节点列表。
中央画布：节点放在这里，用连线连接。
右键菜单：在画布空白处右键，可以新建节点。
侧面/底部面板：部分版本有模型信息、节点管理器入口。

首次打开默认展示的通常是一套完整的文生图工作流，能直接生成图片。这也引出了我们第 3 节要讲的核心概念。

3. ComfyUI 核心概念：节点、连线、工作流

3.1 节点三要素

先把问题简化：ComfyUI 里所有东西都可以理解为节点。每个节点有三个关键要素——输入、配置参数、输出。

以最常见的KSampler节点为例：

输入：模型、正向提示词、负向提示词、潜空间图像、噪声种子等。
参数：步数（steps）、采样器名称（sampler_name）、调度器（scheduler）、降噪强度（denoise）等。
输出：处理后的潜空间图像。

节点与节点之间通过连线传递数据。比如Load Checkpoint节点把模型输出给KSampler，CLIP Text Encode节点把提示词编码后也传给KSampler。最终KSampler的生成结果再交给VAE Decode节点解码成图片，最后通过Save Image节点保存。

这个过程看似复杂，实际上就是一条流水线：

加载模型 -> 提示词编码 -> 潜空间采样 -> VAE解码 -> 保存图片

3.2 数据流与类型检查

ComfyUI 的每条连线都有数据类型。常见的数据类型有：

MODEL：Stable Diffusion 模型。
CLIP：文本编码器。
VAE：变分自编码器，用于潜空间和像素空间互相转换。
LATENT：潜空间图像数据。
IMAGE：像素空间图片数据。
CONDITIONING：条件向量，即编码后的提示词。

连线时，输出端口和输入端口的数据类型必须匹配。比如你不能把IMAGE类型的图片直接接到需要LATENT的节点上。如果你连线后发现UI拒绝连接，通常就是类型不匹配。

理解数据类型以后，阅读别人的工作流会轻松很多。看到一条连接线，你先判断它传递的是什么类型，自然就明白这个环节在做什么。

3.3 为什么 ComfyUI 用节点而不是参数面板

很多人会问：为什么非要用节点？WebUI 填表格多方便？

用节点最大的好处是“自由组合”。在 WebUI 中，功能被固定在页面里，某些组合可能根本做不到。但在 ComfyUI 中，节点可以随意增删、替换、串联。

举个例子：

如果你想先生成一张图、再放大、再局部重绘，WebUI 需要切换多个页面或依赖脚本；
ComfyUI 只需要把对应节点按顺序连起来，一次跑完。

再比如，你想对比同一提示词在三个不同采样器下的效果。WebUI 要做三次，ComfyUI 可以通过复制采样器分支并重排输出实现流程化对比。这种优势在复杂任务下非常显著。

4. 从零搭建第一套文生图工作流

4.1 认识默认工作流

启动 ComfyUI 后，如果画布上没有内容，可以通过菜单加载默认工作流。不同版本入口可能略有区别，一般在左上角菜单可以找到Load Default或直接打开ComfyUI首页时自带。

默认工作流通常是文生图，节点包括：

Load Checkpoint：加载底模。
CLIP Text Encode (Prompt)：正向提示词。
CLIP Text Encode (Negative Prompt)：负向提示词。
Empty Latent Image：设置生成尺寸和批次数。
KSampler：执行采样生成。
VAE Decode：解码潜空间为像素图。
Save Image：保存图片。

4.2 替换模型并生成第一张图

在Load Checkpoint节点上，点击模型名称旁的下拉框，选择你已经放到models/checkpoints目录下的模型。如果目录为空，你需要先准备一个 Stable Diffusion 模型文件。

常见模型文件格式有.safetensors和.ckpt。下载后放到 ComfyUI 的models/checkpoints目录：

ComfyUI/ └── models/ └── checkpoints/ └── dreamshaper_8.safetensors

放好后，回到界面，如果模型下拉框中没看到新模型，可以点击刷新按钮，或者重启 ComfyUI。

接着在Positive Prompt节点输入你想要的内容，例如：

a beautiful girl, digital art, soft lighting, detailed face, masterpiece, best quality

负向提示词输入一些希望避免的内容：

bad anatomy, bad hands, extra fingers, watermark, text, blurry, low quality

Empty Latent Image节点中设置宽高，比如 512x512。然后点击 KSampler 节点旁的Queue Prompt按钮，等待生成。

如果一切正常，右侧Save Image节点下会出现生成的图片。这就完成了第一次 ComfyUI 文生图。

4.3 关键参数讲解

当第一次出图成功后，可以开始研究参数了。

seed：随机种子，控制生成噪声的起点。固定 seed 可以在相同参数下复现相似图片。
steps：采样步数，越多通常质量越好，但速度更慢。一般 20 到 30 步足够。
cfg：提示词引导强度，默认 7.0 左右。越高越贴合提示词，但过高会过曝或颜色失真。
sampler_name：采样器算法名称，如euler、dpmpp_2m、uni_pc等。
scheduler：噪声调度器，如normal、karras、exponential。
denoise：降噪强度，文生图通常为 1.0，图生图时可以设置小于 1.0 来控制变化幅度。

新手不需要记住所有采样器的区别，建议先用默认值，等熟悉工作流后，再逐步尝试不同的组合。

4.4 保存与复用工作流

ComfyUI 支持把当前画布保存为 JSON 文件，方便以后复用。

在左上角菜单点击Save，把工作流保存到本地。保存后文件通常是一个.json文件。别人分享的.json工作流也可以通过Load加载。

加载别人的工作流时，最常遇到的问题就是“缺少模型”或“缺少自定义节点”。这时候界面会弹出一堆红色节点，不要慌，第 8 节会专门讲怎么处理。

5. 实战：图生图与局部重绘工作流

5.1 图生图核心节点

图生图与文生图的差别在于输入。文生图用Empty Latent Image生成空白潜空间，图生图则先把一张输入图片编码成潜空间，再采样。

核心节点组合如下：

Load Image -> VAE Encode -> KSampler -> VAE Decode -> Save Image

具体操作步骤：

添加Load Image节点，选择一张本地图片；
添加VAE Encode节点，将图片编码为潜空间；
从Load Checkpoint把 VAE 接入VAE Encode；
把VAE Encode输出的LATENT接到KSampler的latent输入；
关键一步：把KSampler的denoise设置为 0.3 到 0.6，控制生成图片与输入图片的相似度。

denoise的数值越小，生成结果越接近原图；越大，则改动越明显。如果denoise是 1.0，图生图几乎等同于重新生成一张图，只是把原图作为初始噪声参考。

5.2 局部重绘与蒙版重绘

局部重绘常用于“只改动图中某个区域”，比如给人像换脸、修手、去掉画面杂物。

在 ComfyUI 中，局部重绘的关键是Set Latent Noise Mask节点，或直接使用图像编辑型节点组。流程通常为：

用Load Image加载原图；
在图片节点上绘制蒙版，标记需要重绘的区域；
将原图编码为潜空间；
通过蒙版节点把重绘区域标记出来；
传入 KSampler 进行采样；
解码保存。

具体蒙版操作与版本关系较大。有些版本直接在Load Image节点上支持绘制蒙版，画黑色的地方表示不重绘，白色区域表示重绘。如果你使用的是整合包，画蒙版的方式一般和 WebUI 类似。

需要特别注意的是：局部重绘的denoise控制区域变化强度，通常设置在 0.7 到 0.9，这样既能让重绘区域生成新内容，又不会和周围环境差异太明显。

5.3 用 ControlNet 辅助生成

如果想进一步控制生成结构，比如精确控制人物姿态、构图线稿，可以引入 ControlNet。

ControlNet 的模型通常放在：

ComfyUI/ └── models/ └── controlnet/

在 ComfyUI 中，ControlNet 相关节点一般以ControlNetLoader和ControlNetApply为核心。大致结构如下：

Load Image -> ControlNetLoader(controlnet模型) -> ControlNetApply(条件输入) | CLIP Text Encode -> KSampler <-------------------------+

ControlNetApply会把 ControlNet 的控制信息注入到条件向量中，从而影响采样过程。常见的 ControlNet 类型包括：

canny：边缘控制；
depth：深度图控制；
openpose：姿态控制；
lineart：线稿控制。

使用 ControlNet 前需要下载对应模型，并在工作流中正确选择模型类型。新手不需要一开始就深入学习 ControlNet，图生图和重绘掌握后，再逐步尝试。

6. AI 视频生成工作流入门

6.1 视频生成原理简述

ComfyUI 不只用来做 AI 绘画，也可以搭建 AI 视频生成工作流。目前社区常见思路有两类：

基于 AnimateDiff：在 Stable Diffusion 潜空间中增加时间维度，连续生成多帧图片，再合成视频。
基于独立视频生成模型：如社区中常见的一些本地视频生成模型，它们输入文本或首帧，输出短视频片段。

不管哪种思路，底层逻辑都可以理解为“用生成模型批量生成连续帧，再拼接成视频”。因此，AI 视频生成对显存的要求比文生图高得多，需要提前评估硬件能力。

6.2 AnimateDiff 相关节点示例

在 ComfyUI 中使用 AnimateDiff，通常需要安装额外节点，比如ComfyUI-AnimateDiff-Evolved。安装后，节点列表中会出现AnimateDiff Loader、AnimateDiff Sampler Settings等节点。

一个简化的视频生成工作流思路如下：

加载模型；
用 AnimateDiff Loader 把模型包装成支持视频序列的形式；
设置视频帧数、上下文长度等参数；
通过常规 KSampler 生成潜空间序列；
用 Video VAE 或逐帧解码方式输出帧序列；
最后通过视频保存节点合成视频文件。

例如，某些工作流中会看到类似这样的参数设置：

frames：16 或 24，表示生成视频帧数；
fps：8 或 12，表示播放帧率；
context_length：控制一次处理多少帧，显存有限时可以调小。

由于不同版本的 AnimateDiff 节点差异较大，具体节点名称和连接方式请以你安装的插件说明为准。核心思路是先“增加时间维度”，再“连续采样”，最后“合成视频”。

6.3 显存不足时的降配方案

如果你只有 6GB 或 8GB 显存，运行视频生成工作流很容易出现显存不足报错。可以考虑下面几个降配思路：

降低分辨率：把单帧分辨率从 512x512 降到 384x384，显存占用会明显下降；
减少帧数：先生成 8 帧验证效果，再逐步增加；
关闭多余节点：卸载不用的 VAE 解码、模型加载分支；
使用--lowvram启动：ComfyUI 支持低显存模式，牺牲一点速度换取稳定；
使用轻量模型：尽量选小版本模型，而不是 7GB 以上的大模型。

如果调整后仍然跑不动，最稳妥的办法是先用文生图工作流验证构图，再尝试生成视频。

6.4 合规与版权提醒

AI 视频生成属于 AI 生成内容，使用时要特别注意合规问题：

使用开源模型时，确认模型许可协议是否允许商用；
不要用真实人物形象生成视频，避免侵权和肖像权纠纷；
不要生成和传播违法、暴力、低俗内容；
在公开平台发布 AI 生成视频时，建议明确标注“AI 生成”。

ComfyUI 是本地运行的开放工具，能不能合法、合理地使用，取决于使用者本人。这一点希望每位读者都能重视。

7. 模型管理与常用节点补充

7.1 模型目录结构

ComfyUI 的模型目录默认在models文件夹下，不同模型类型对应不同子目录：

models/ ├── checkpoints/ # 主模型，包含生成所需的全部能力 ├── loras/ # LoRA 微调模型 ├── vae/ # VAE 模型 ├── controlnet/ # ControlNet 模型 ├── embeddings/ # 文本嵌入，如负面 embedding ├── upscale_models/ # 放大模型 └── unet/ # 部分新模型格式适用

如果你用的是整合包，目录通常已经建好。用官方源码的话，需要自己确认这些目录是否存在，没有就手动创建。

7.2 模型下载与命名规范

模型文件下载后放入对应目录即可。这里给出几个建议：

模型文件名尽量保持英文和数字，避免中文、空格和特殊符号；
下载后可以用记事本记录模型来源，防止后期混淆；
模型文件的hash可以在社区查看，防止下载到损坏或恶意文件；
大模型尽量从可信渠道下载，不建议从不明网站下载来路不明的.ckpt文件。

很多新手喜欢把所有模型塞进checkpoints，导致列表很长。建议只保留常用的几个底模，其他模型可以在使用时再放回目录。

7.3 插件与自定义节点管理

ComfyUI 的原生节点只是基础，很多高级工作流依赖自定义节点。社区中常用ComfyUI-Manager插件来管理节点，安装后可以在界面内搜索、安装、更新自定义节点。

使用 Manager 的注意事项：

安装节点前看清作者和支持的 ComfyUI 版本；
部分节点需要额外pip依赖，安装失败时会提示；
不要一次性安装太多不熟悉的节点，很容易引起环境冲突；
更新节点前建议先备份当前工作流。

当加载一个远程工作流提示缺少节点时，可以先用 Manager 搜索节点名，一键安装缺少的扩展。如果搜索不到，再回到作者说明页手动安装。

8. 常见问题与排查思路

8.1 报错“请安装缺失的包以使用此工作流”

加载一些工作流时，页面会提示：

请安装缺失的包以使用此工作流。要安装缺失的节点，请先在你的 Python 环境中运行...

这个报错的意思是：当前工作流依赖的自定义节点没有安装，或者某些 Python 依赖包缺失。

处理顺序如下：

先用ComfyUI-Manager检查并安装缺失节点；
如果自定义节点已安装但仍有包缺失，进入 ComfyUI 虚拟环境执行：

pip install 包名

安装完成后重启 ComfyUI；
重新加载工作流，看是否还有红色报错节点。

如果仍无法解决，建议查看报错终端中的完整堆栈信息，确认卡在哪个包上，再单独安装。

这里有一个原则：不要盲选“自动安装全部依赖”。有些依赖会和现有环境冲突，尽量按报错信息精确安装。

8.2 自定义节点显示红色

节点显示红色说明加载失败，常见原因有：

节点代码版本和当前 ComfyUI 版本不兼容；
节点缺少第三方依赖；
节点缓存未刷新。

排查方法：

点击红色节点查看控制台报错；
在ComfyUI-Manager中查看节点是否正常；
更新该节点到最新版本；
如果问题依旧，考虑该作者是否有更新分支或其他替代节点。

8.3 显存不足 OOM

报错通常包含OutOfMemoryError或CUDA out of memory。可能原因和解决方案如下表所示：

问题现象	常见原因	解决思路
生成时报显存不足	分辨率过高 / 模型过大	降低分辨率，或换小模型
批量处理时报错	批次数过多	把 batch_size 降为 1
加载工作流后占用高	多个模型被同时加载	删除多余模型加载节点
视频生成时 OOM	帧数过多	减少帧数，关闭实时预览

另外可以尝试在启动命令中加上低显存参数：

python main.py --lowvram

如果你的显卡显存是 4GB 或 6GB，这个参数能在一定程度上降低加载压力，但生成速度会变慢。

8.4 生成速度过慢

速度慢通常不是错误，而是硬件限制。优先排查以下几点：

确认 PyTorch 真的在用 GPU，而不是 CPU；
确认没有开启过多后台程序占用显存；
确认采样步数是否设置过高，如 50 步以上；
确认分辨率是否过大；
确认是否加载了超大模型，而当前任务并不需要。

在 NVIDIA 显卡上，可以通过任务管理器查看 GPU 利用率。如果利用率接近 100%，说明计算资源确实饱和了；如果 GPU 利用率很低而 CPU 很高，则可能是节点代码或依赖安装有问题。

9. 最佳实践与工程建议

9.1 工作流管理方法

工作流文件越攒越多时，管理就变得重要。我个人的习惯是：

按用途建立目录，比如text2img、img2img、video、test；
命名时带日期和模型名，如20260201_portrait_sd15.json；
分享工作流前，删除不必要的节点和敏感信息；
工作流中写明关键参数，方便自己后期复盘。

9.2 模型安全与版本选择

模型安全是很多人忽略的问题。推荐遵循以下原则：

优先下载.safetensors格式模型，不推荐执行.ckpt格式中可能包含的未知代码；
从模型社区或作者官方页面下载，减少恶意模型风险；
定期检查模型是否损坏，可以用工具计算hash和作者公布值对比；
新版本 ComfyUI 发布后，不要立即升级，先观察社区反馈，避免破坏现有工作流。

9.3 批量生成与队列调度

ComfyUI 原生支持队列生成。你可以一次插入多个任务到队列，也可以连出多个分支同时生成。工程上建议：

批量生成前，先用 1 到 2 张图测试参数；
大批量生成时定时检查输出，避免浪费算力；
出图结果及时归档，避免堆在一堆文件里难以分辨；
如果需要写脚本批量调用，可以研究 ComfyUI 的 API 模式，把工作流发布为接口。

9.4 合规与版权意识

最后想强调一点：技术本身是中立的，但使用方式需要承担法律和道德责任。

ComfyUI 可以本地运行、自由组合，但这不意味着可以随意处理他人作品、随意使用真实人物肖像、随意大规模生成低质量同质化内容。以下几条建议非常实际：

使用他人创作的模型、LoRA、ControlNet 前，先看授权说明；
生成的人物图不要冒充真实人物，尤其是新闻、商业场景；
在公开平台发布前，建议标注“AI 生成”；
不要绕过模型作者的付费授权机制，也不要用盗版模型。

合法的技术边界内做创作，才是可持续的玩法。

10. 总结与下一步学习方向

这篇文章从最基础的 ComfyUI 概念讲到安装部署，再到文生图、图生图、局部重绘、ControlNet、视频生成，最后整理了常见报错和工程建议，算是一条比较完整的新手入门路线。

学完这些内容后，你应该已经能做到：

理解节点式工作流的基本逻辑；
完成 ComfyUI 的本地搭建和模型部署；
跑通文生图和图生图工作流；
根据报错信息定位节点或依赖问题；
看懂别人分享的工作流，并能做简单修改。

接下来建议按自己的兴趣选择进阶方向：

想改善画质：研究高清放大、超分模型、VAE 替换；
想精细控制：深入学习 ControlNet 的各种模型；
想做视频：研究 AnimateDiff 或本地视频生成模型的参数；
想提高效率：学习 ComfyUI API 调用和批量生成脚本。

如果你看完这篇文章，能亲手跑通第一张图，或者成功把一个陌生工作流跑起来，那入门这一步就算完成了。后面更多高级玩法，都是在节点拼接和参数调试中慢慢摸索出来的。多存几个好用的工作流，多分析别人节点的连接逻辑，比背任何参数表都管用。

企业官网建设流程全解析