课程目标

学完本课，你将能够：

  • 理解 ComfyUI 的节点式架构
  • 创建基础的图像生成工作流
  • 保存和加载工作流文件
  • 识别常见节点类型和连接方式

什么是 ComfyUI？

ComfyUI 是一个基于节点的 Stable Diffusion GUI。与传统的表单式界面（如 AUTOMATIC1111）不同，ComfyUI 使用可视化节点图来构建图像生成流程。

为什么选择节点式？

优势：

  • 可视化数据流：你能看到数据如何从模型流向采样器再到输出
  • 灵活性：可以插入自定义步骤（如 LoRA、ControlNet、后处理）
  • 可复用：工作流可保存为 JSON，分享给他人
  • 调试友好：每个节点的输出都可以单独检查

劣势：

  • 学习曲线比表单式界面陡峭
  • 初始设置可能看起来复杂

核心概念：节点

节点是 ComfyUI 的基本单位。每个节点执行一个特定任务。

常见节点类型

节点名称功能输入输出
Load Checkpoint加载 SD 模型模型文件名MODEL, CLIP, VAE
CLIP Text Encode将提示词编码文本 + CLIPCONDITIONING
KSampler生成图像（采样）模型 + 条件 + 潜空间LATENT
VAE Decode解码潜空间为图像LATENT + VAEIMAGE
Save Image保存图像到磁盘IMAGE-

节点连接规则

节点通过**插槽（socket）**连接：

  • 左侧插槽：输入
  • 右侧插槽：输出
  • 颜色编码：相同颜色的插槽可以连接

例如：

Load Checkpoint [MODEL输出] → KSampler [MODEL输入]

只有类型匹配的插槽才能连接。尝试连接不兼容类型时，ComfyUI 会拒绝连接。

第一个工作流：Text-to-Image

让我们构建最基础的 txt2img 工作流。

步骤 1：加载模型

  1. 右键 → Add Node → loaders → Load Checkpoint
  2. 在节点中选择你的 SD 模型（如 sd_v1-5.safetensors）
  3. 这会输出三个接口：
    • MODEL：神经网络权重
    • CLIP：文本编码器
    • VAE：图像编解码器

步骤 2：编码提示词

正面提示：

  1. Add Node → conditioning → CLIP Text Encode (Prompt)
  2. 连接 Load Checkpoint 的 CLIP 输出到此节点的 CLIP 输入
  3. 在文本框输入：a beautiful landscape, detailed, high quality

负面提示：

  1. 再添加一个 CLIP Text Encode (Prompt) 节点
  2. 连接相同的 CLIP 输出
  3. 输入：blurry, low quality, distorted

步骤 3：采样器（生成图像）

  1. Add Node → sampling → KSampler
  2. 连接：
    • Load Checkpoint 的 MODEL → KSampler 的 model
    • 正面提示的输出 → positive
    • 负面提示的输出 → negative
  3. 参数设置：
    • seed：随机种子（随机或固定）
    • steps：20（采样步数，越多越精细但越慢）
    • cfg：7.0（提示词遵循强度）
    • sampler_name：euler（采样算法）
    • scheduler：normal
    • denoise：1.0（降噪强度，1.0 = 完全重新生成）

步骤 4：解码潜空间

KSampler 输出的是潜空间表示（LATENT），需要解码为可见图像：

  1. Add Node → latent → VAE Decode
  2. 连接：
    • KSampler 的 LATENT 输出 → VAE Decode 的 samples 输入
    • Load Checkpoint 的 VAE 输出 → VAE Decode 的 vae 输入

步骤 5：保存图像

  1. Add Node → image → Save Image
  2. 连接 VAE Decode 的 IMAGE 输出
  3. 设置文件名前缀（可选）

步骤 6：执行

点击右侧的 Queue Prompt 按钮。ComfyUI 会按节点依赖关系执行工作流，最终在输出文件夹生成图像。

数据流可视化

[Load Checkpoint]
    ├─ MODEL ──────┐
    ├─ CLIP ───┬───┼──────┐
    └─ VAE ────│───│──┐   │
               │   │  │   │
    [正面提示词]  │  │   │
    [负面提示词]  │  │   │
               │   │  │   │
               └───┴──┘   │
                   │      │
              [KSampler]  │
                   │      │
                LATENT    │
                   │      │
              [VAE Decode]│
                   │      │
                 IMAGE ───┘
                   │
              [Save Image]

保存工作流

  1. 菜单 → Save → 输入文件名 → 保存为 .json
  2. 分享：将 JSON 文件发给他人，他们可以直接加载

注意：工作流 JSON 不包含模型文件，只包含节点配置和连接关系。

常见问题

Q: 节点连接失败？

A: 检查插槽颜色。只有相同颜色（类型）的插槽才能连接。

Q: 为什么需要两个 CLIP Text Encode 节点？

A: 一个用于正面提示（你想要的），一个用于负面提示（你不想要的）。采样器需要两者来引导生成。

Q: VAE 有什么用？

A: VAE 负责在像素空间和潜空间之间转换。Stable Diffusion 在潜空间工作（更高效），最后需要 VAE 解码回可见图像。

Q: 可以不保存图像直接预览吗？

A: 可以。添加 Preview Image 节点而非 Save Image，图像会在界面显示而不保存到磁盘。

下一课预告

第 2 课：进阶采样：LoRA、ControlNet 和多步工作流

我们将学习：

  • 如何叠加 LoRA 模型微调风格
  • ControlNet 如何控制构图
  • 多次采样（refine 流程）

练习

  1. 修改提示词，生成不同风格的图像
  2. 调整 CFG 值（3-15），观察对图像的影响
  3. 尝试不同采样器（euler、dpm++、heun）
  4. 保存你的第一个工作流，命名为 basic-txt2img.json

课程文件：