ComfyUI：AI 绘画与图像生成的高效工作流

必备插件安装：

1. 汉化插件：在管理器中搜索'AIGODLIKE Translation'安装
2. 工作流管理器：安装 ComfyUI-Workspace-Manager，可视化管理模型库

ComfyUI-Manager：插件管理器，提供一站式安装

git clone https://github.com/ltdrdata/ComfyUI-Manager.git 

三、核心工作流构建：从文生图到精细化控制

3.1 基础文生图工作流

一个最简化的文生图流程包含 5 个核心节点，揭示了 Stable Diffusion 的基本原理。

工作流构建步骤：

1. 添加 CheckpointLoaderSimple 节点：加载主模型
   • 右键画布 → 搜索'CheckpointLoaderSimple'
   • 在 ckpt_name 下拉菜单中选择已放置的模型
2. 添加 CLIP 文本编码器节点（两个）：
   • 分别处理正向与负向提示词
   • 将 CheckpointLoaderSimple 的 CLIP 输出连接到两者的 clip 输入
3. 添加 EmptyLatentImage 节点：定义生成图像尺寸
   • 设置 width 和 height（SD1.5 建议 512x512，SDXL 建议 1024x1024）
4. 添加 KSampler 节点：核心采样器
   • 连接 model 输入到 CheckpointLoaderSimple 的 MODEL 输出
   • 连接 positive 和 negative 到两个 CLIP 编码器的输出
   • 连接 latent_image 到 EmptyLatentImage 的输出
   • 参数设置建议：
     • steps：20-35（平衡速度与质量）
     • cfg：7-8（提示词跟随程度）
     • sampler_name：dpmpp_2m（稳定）或 euler_a（快速）
     • denoise：1.0（全强度去噪）
5. 添加 VAEDecode 节点：将潜在空间解码为像素图像
   • 连接 samples 到 KSampler 的输出
   • 连接 vae 到 CheckpointLoaderSimple 的 VAE 输出
6. 添加 SaveImage 节点：保存最终结果
   • 连接 images 到 VAEDecode 的输出

完成后，点击 Queue Prompt 按钮开始生成。

3.2 提示词工程实战技巧

在 ComfyUI 中，提示词的编写原则与传统 WebUI 相似，但节点化流程让你能更精细地控制其作用方式。

高级提示词策略：

• 分层提示：使用多个 CLIP 文本编码器节点，为不同主题分配不同权重
• 顺序敏感：关键描述词置于提示词前端，影响更强
• 负面提示精准化：针对常见问题（如'多余手指'、'扭曲面部'）设置专用负面节点

3.3 SDXL 工作流：基础 + 精炼双阶段

SDXL 作为新一代模型，其工作流略有不同，常采用基础生成 + 精炼增强的双阶段模式：

1. 基础阶段：使用 SDXL 基础模型生成 1024x1024 图像
2. 精炼阶段：将基础输出作为潜变量，输入到 SDXL 精炼器进行细节增强

这种两阶段流程能显著提升高分辨率下的细节质量与一致性。

四、高级应用：ControlNet 与 LoRA 的集成

4.1 ControlNet 精准控制

ControlNet 是 ComfyUI 中实现构图控制的关键技术，通过预处理器提取参考图像的结构信息，引导生成过程。

常用 ControlNet 类型及应用场景：

集成 ControlNet 的工作流扩展： 在基础文生图流程中，添加以下节点：

1. ControlNetLoader：加载 ControlNet 模型
2. 对应的预处理器节点（如 CannyEdgePreprocessor）
3. ApplyControlNet：将控制条件应用到 KSampler

4.2 LoRA 风格微调

LoRA（Low-Rank Adaptation）模型用于微调风格或主题，占用空间小，效果显著。

使用要点：

1. 在 CheckpointLoader 后添加 LoraLoader 节点
2. 连接至模型流，设置强度（通常 0.6-0.8）
3. 多 LoRA 堆叠：可串联多个 LoraLoader，但需注意风格冲突，建议降低各自强度

五、实战案例：构建人像摄影工作流

让我们通过一个实际案例，整合前述技术，构建一个可用于商业人像摄影的完整工作流。

5.1 工作流设计目标

• 输入：主题描述 + 参考姿势图像
• 输出：符合姿势的高质量人像
• 特性：保持面部一致性、可控光影、背景分离

5.2 节点架构

{
  "工作流结构": {
    "输入模块": ["CheckpointLoader: 加载 SDXL 人像特化模型", "正面提示词 CLIP 编码器", "负面提示词 CLIP 编码器", "参考图像输入（用于 OpenPose）"],
    "控制模块": ["OpenPose 预处理器", "ControlNetLoader (openpose 模型)", "ApplyControlNet"],
    "生成模块": ["KSampler (基础阶段)", "KSampler (精炼阶段，可选)", "面部修复节点（可选）"],
    "后处理模块": ["VAEDecode", "高清放大节点", "色彩校正节点", "SaveImage"]
  }
}

5.3 关键参数配置

1. 双 KSampler 策略：
   • 第一阶段：steps=25, cfg=7.5，生成基础图像
   • 第二阶段：steps=15, cfg=5.0，以低去噪强度 (0.2-0.3) 微调细节
2. OpenPose 控制权重：初始设为 0.9，若姿势过于僵硬可降至 0.7
3. 面部修复：添加 FaceDetailer 节点，自动检测并增强面部区域

六、性能优化与故障排除

6.1 显存管理技巧

ComfyUI 工作流可能占用大量显存，尤其是复杂流程或多 ControlNet 情况。

优化策略：

1. 启用–medvram 参数：修改启动脚本，添加此参数可减少显存占用
2. 使用 fp16 精度：多数现代模型支持半精度计算，显存减半，质量损失可忽略
3. 分阶段生成：将单一大工作流拆分为多个子工作流，分步执行
4. 及时清理节点：断开不再使用的节点连接，某些节点即使未连接也会占用显存

6.2 常见问题解决

七、未来展望：ComfyUI 生态与发展趋势

7.1 新兴模型集成

随着 AI 绘画技术快速发展，ComfyUI 正积极集成最新模型：

• FLUX.1：由 Stable Diffusion 原团队开发，性能媲美 Midjourney V6，已在 ComfyUI 中可用
• SD3：下一代 Stable Diffusion 模型，预计将带来更强的提示词理解和生成能力
• SVD（Stable Video Diffusion）：图像到视频生成，扩展创作维度

7.2 工作流分享与社区

ComfyUI 的工作流共享文化是其生态的重要部分：

• 标准化：工作流 JSON 文件便于分享、学习与复现
• 商业化：高质量工作流模板正成为新的数字商品

7.3 跨平台集成深化

未来 ComfyUI 将进一步加强与专业工具的整合：

• Blender：3D 渲染与 AI 生成的深度结合
• Photoshop：通过插件实现无缝衔接
• 游戏引擎：实时生成游戏资产的工作流

结语：从工具掌握到思维转变

ComfyUI 不仅仅是一个软件界面，更代表了一种模块化、可视化、可复现的 AI 绘画方法论。它可能初期学习曲线较陡，但一旦掌握，你将获得对 Stable Diffusion 空前的控制能力。

对于不同用户，学习路径建议如下：

• 初学者：从秋叶整合包开始，使用预设工作流，逐步理解节点功能
• 进阶用户：探索 ControlNet、多模型集成等高级功能，构建个性化工作流
• 专业创作者：开发自定义节点，优化性能，建立可重复使用的生产管线

无论你是 AI 绘画爱好者、数字艺术家还是商业设计师，ComfyUI 都能为你打开一扇新的大门——在这里，每一次生成都是可解释、可调整、可优化的理性创作过程。

现在，打开 ComfyUI，开始构建你的第一个工作流吧。每一次节点的连接，都是对 AI 绘画原理的一次深入理解；每一次参数的调整，都是向理想图像迈出的一步。