ComfyUI：AI绘画与图像生成的高效工作流与效率提升指南

3.2 节点详解

1. Load Checkpoint (加载检查点)

这是一切的开始。它负责加载 .safetensors 或 .ckpt 格式的模型文件。

• 输出：MODEL (模型信息), CLIP (文本编码器), VAE (变分自编码器)。

2. CLIP Text Encode (文本编码)

需要两个节点：

• 正向：描述你想要的画面，例如 'masterpiece, best quality, 1girl, cyberpunk style'。
• 反向：描述你不想要的内容，例如 'low quality, bad anatomy, blurry'。

3. Empty Latent Image (空潜空间图像)

定义画布的大小和生成的数量。

• Width/Height: 图像分辨率。
• Batch Size: 一次生成多少张（这是效率的关键）。

4. KSampler (采样器)

这是 AI 绘画的大脑，负责去噪过程。

• Seed (种子)：决定随机性。-1 为随机。
• Steps (步数)：通常 20-30 步足够，过高会降低效率。
• CFG (引导系数)：提示词的遵循力度，通常 7.0 左右。
• Sampler Name: 推荐 DPM++ 2M Karras 或 Euler a。
• Scheduler (调度器): 推荐 Karras 或 Simple。

5. VAE Decode (解码)

将 KSampler 输出的'潜空间数据'（计算机理解的压缩信息）转换为人类可看的'像素数据'。

6. Save Image (保存)

将最终图像写入磁盘。

4. 利用 ComfyUI 提升 Stable Diffusion 的效率

ComfyUI 不仅仅是一个界面，它是一个优化引擎。以下是几种显著的效率提升策略。

4.1 批处理与显存优化

在 Automatic1111 中，批量生成往往会导致显存溢出（OOM）或速度急剧下降。ComfyUI 通过节点间的精准调度，优化了显存占用。

策略：调整 Batch Size 与 迭代次数

• 不要将 Batch Size 设置得过高（如 > 8），这会瞬间填满显存。
• 技巧：保持 Batch Size = 1 或 2，但在工作流外层使用循环控制，或者简单地多次点击'Queue Prompt'。ComfyUI 能够在上一个图生成的瞬间显存回收并开始下一个，维持高 GPU 占用率而非高显存占用率。

4.2 使用 Tiled VAE 与 Tiled Diffusion (分块处理)

当生成高分辨率图像（如 4k+）或使用大模型（SDXL）时，显存往往是瓶颈。

表格：不同 VAE 处理方式的显存占用对比

ComfyUI 实现代码逻辑 (JSON片段演示):
在使用 Tiled VAE 节点时，只需将标准 VAE Decode 替换为 Tiled VAE Decode 节点，并设置 tile_size 为 512 或 1024。

// 示例：将标准 VAE 替换为 Tiled VAE 的节点配置逻辑 { "class_type": "VAEDecode", // 原始节点 "inputs": { "samples": ["KSampler", 0], "vae": ["LoadCheckpoint", 2] } } // 变为： { "class_type": "Tiled VAE Decode", // 高效节点 "inputs": { "samples": ["KSampler", 0], "vae": ["LoadCheckpoint", 2], "tile_size": 512 // 关键参数：分块大小 } } 

4.3 工作流链式处理

ComfyUI 允许你构建一条生产线，无需人工干预即可完成'生成 -> 放大 -> 润色 -> 保存'。

Mermaid 流程图：自动化链式处理

graph LR subgraph Phase1_Generation [第一阶段: 基础生成] G1[Generate 512x512] --> G2[VAE Decode] end subgraph Phase2_Upscale [第二阶段: 智能放大] G2 --> U1[Image Upscale] U1 --> U2[Detail Fix Pass] end subgraph Phase3_Output [第三阶段: 输出] U2 --> S1[Save High Res] U2 --> S2[Preview] end style Phase1_Generation fill:#e1f5fe,stroke:#01579b style Phase2_Upscale fill:#fff9c4,stroke:#fbc02d style Phase3_Output fill:#e8f5e9,stroke:#2e7d32 

这种流程消除了人工保存图片、手动放入放大图、再手动输入提示词的繁琐过程。你只需点击一次'生成'，ComfyUI 就会像流水线一样源源不断地输出成品图。

5. 高级工作流实战：ControlNet 与 IP-Adapter

为了提升生成质量的可控性，我们需要引入外部控制信号。

5.1 ControlNet：精准构图

ControlNet 允许你使用边缘检测、深度图、姿态骨架等来约束图像生成。

实战场景：为线稿上色
假设你有一张黑白线稿，希望 AI 为其上色。

Prompt 示例:

Positive: masterpiece, best quality, vibrant colors, anime style, clean lines Negative: monochrome, grayscale, blurry, low quality 

工作流步骤:

1. Load Image: 加载线稿图。
2. ControlNet Apply: 加载 ControlNet 模型（如 control_v11p_sd15_scribble）。
3. 连接: 将 Load Image 连接到 ControlNet 的 image 输入端；将 ControlNet 的 output 连接到 KSampler 的 positive 或 negative 输入端（在 ComfyUI 中，ControlNet 通常作为一个辅助模型插入到 KSampler 之前）。

ComfyUI 关键节点逻辑:

graph LR Img[Load Image] --> CN[ControlNet Apply] Lora[Load Checkpoint] --> CN CN --> KS[KSampler] Txt[CLIP Encode] --> KS KS --> VAE[VAE Decode] VAE --> Save[Save Image] style CN fill:#ffcccb,stroke:#ff0000 

5.2 IP-Adapter：图像提示词

IP-Adapter 是一个革命性的节点，它允许你使用一张或多张图片作为'风格参考'，而不需要复杂的 Prompt 描述。

优势：

• 极大减少了 Prompt 调试时间。
• 能够精准复制特定角色或画风。

代码/配置示例:
你需要安装 ComfyUI_IPAdapter_plus 插件。

# 伪代码逻辑演示：IP-Adapter 的数据流向 # Load Image -> IPAdapter (Model + Image) -> Apply KSampler # 节点配置参数示意 ipadapter_params = { "weight": 0.8, # 参考权重，0-1，越高越像参考图 "start": 0.0, # 开始介入的时间步 "end": 1.0, # 结束介入的时间步 "fold_net": False # 是否使用更轻量的网络 } 

6. 自动化与后端集成：Python API 调用

这是 ComfyUI 相比其他 SD 界面最大的优势：API First。ComfyUI 自带一个本地服务器，允许你通过 JSON 或 WebSocket 发送工作流并获取图片。这使得将 AI 生成功能集成到游戏、App 或自动化脚本中变得极其简单。

6.1 启动 API 服务

python main.py --listen 

6.2 Python 脚本调用示例

以下是一个完整的 Python 脚本，用于连接 ComfyUI，发送一个简单的文生图任务，并保存结果。

import json import random import urllib.request import websocket # pip install websocket-client import uuid # ComfyUI 服务地址 server_address = "127.0.0.1:8188" client_id = str(uuid.uuid4()) def queue_prompt(prompt): p = {"prompt": prompt, "client_id": client_id} data = json.dumps(p).encode('utf-8') req = urllib.request.Request(f"http://{server_address}/prompt" , data=data) return json.loads(urllib.request.urlopen(req).read()) def get_history(prompt_id): with urllib.request.urlopen(f"http://{server_address}/history/{prompt_id}") as response: return json.loads(response.read()) def get_image(filename, subfolder, folder_type): data = {"filename": filename, "subfolder": subfolder, "type": folder_type} url_values = urllib.parse.urlencode(data) with urllib.request.urlopen(f"http://{server_address}/view?{url_values}") as response: return response.read() # 这是一个简单的文生图 Prompt (JSON 格式) # 该 JSON 可以通过 ComfyUI 界面点击 "Save (API Format)" 按钮直接获取" { "3": { "inputs": { "seed": 0, "steps": 20, "cfg": 8, "sampler_name": "euler", "scheduler": "normal", "denoise": 1, "model": ["4", 0], "positive": ["6", 0], "negative": ["7", 0], "latent_image": ["5", 0] }, "class_type": "KSampler" }, "4": { "inputs": { "ckpt_name": "v1-5-pruned-emaonly.safetensors" }, "class_type": "CheckpointLoaderSimple" }, "5": { "inputs": { "width": 512, "height": 512, "batch_size": 1 }, "class_type": "EmptyLatentImage" }, "6": { "inputs": { "text": "cyberpunk city, neon lights, rain, masterpiece, best quality", "clip": ["4", 1] }, "class_type": "CLIPTextEncode" }, "7": { "inputs": { "text": "bad quality, blurry", "clip": ["4", 1] }, "class_type": "CLIPTextEncode" }, "8": { "inputs": { "samples": ["3", 0], "vae": ["4", 2] }, "class_type": "VAEDecode" }, "9": { "inputs": { "filename_prefix": "ComfyUI_API_Output", "images": ["8", 0] }, "class_type": "SaveImage" } } """ # 执行任务 prompt = json.loads(prompt_text) prompt_id = queue_prompt(prompt)["prompt_id"] print(f"Task queued. ID: {prompt_id}") # 轮询检查进度 (实际项目中推荐使用 WebSocket 监听) # 这里简化处理 import time time.sleep(10) # 等待生成完成，具体时间取决于硬件 # 获取图片历史并保存 # 注意：实际生产环境需要更复杂的逻辑来监听 WebSocket 的 execution_success 消息 history = get_history(prompt_id) for node_id in history[prompt_id]['outputs']: if 'images' in history[prompt_id]['outputs'][node_id]: for image_data in history[prompt_id]['outputs'][node_id]['images']: image = get_image(image_data['filename'], image_data['subfolder'], image_data['type']) with open(f"output_{image_data['filename']}", 'wb') as f: f.write(image) print(f"Image saved: output_{image_data['filename']}") 

7. Prompt 工程与动态提示词

ComfyUI 在处理 Prompt 时比简单的文本框更灵活。

7.1 使用 Text 节点组合

不要在一个节点里写完所有东西。利用字符串连接节点动态构建 Prompt。

• String Literal: 'masterpiece, best quality'
• Text Concatenate: 将上述常量与用户输入的变量合并。
• Wildcard Manager (插件): 随机从文本文件中读取关键词（如随机选择天气、随机选择颜色）。

7.2 Prompt 示例库

风格化写实

Positive: (photorealistic:1.4), raw photo, 8k uhd, dslr, soft lighting, high quality, film grain, (hyperrealistic:1.2), 1girl, fashion portrait, looking at viewer Negative: (cartoon, anime, 3d render, illustration:1.3), painting, drawing, blur, lowres 

动漫风格

Positive: (anime style:1.2), vibrant colors, cel shading, makoto shinkai style, clouds, lens flare, 1girl, school uniform, standing in street Negative: (realistic:1.4), photograph, 3d, dark skin, messy lines 

3D 渲染风格

Positive: (3d render:1.3), unreal engine 5, octane render, cinema 4d, clay material, smooth texture, soft studio lighting, cute character, blind box style Negative: sketch, drawing, pencil, texture noise, low poly 

7.3 效率提示：动态 Prompt

在批量生成时，你可能希望保持构图不变，但改变画面主体。
方法：在 ComfyUI 中使用 Primitive Node 或者 Impact Pack 中的 Wildcard Choose 节点。
效果：无需停止生成，只需修改一个节点的值，后续生成的批次就会应用新的 Prompt。

8. 总结与展望

ComfyUI 代表了 AI 绘画工具的成熟化方向——从玩具变为生产力工具。

核心优势回顾

1. 流线型工作：通过节点连接，消除了重复操作。
2. 极高的资源利用率：Tiled 技术和精准的内存管理让 8GB 显卡也能跑 4K 大图。
3. 强大的扩展性：无论是接入 ControlNet 还是使用 Python API，ComfyUI 都提供了底层的控制权。

学习建议

• 从简单开始：先跑通最基础的文生图。
• 善用 Manager：安装 ComfyUI-Manager 插件，它是你扩展功能的入口。
• 参考社区：ComfyUI 的社区（如 Civitai, Reddit, GitHub）分享了海量的 .json 工作流文件。下载并分析这些文件是学习的最快途径。