如果你觉得 Stable Diffusion WebUI 的随机性太强、参数调了半天不知道哪里在起作用，ComfyUI 就是答案。它把 AI 绘画的每一步拆成可视化节点——文本编码、模型加载、采样、解码——你能看到数据怎么流，哪里调了什么，效果为什么变了。2026 年 ComfyUI 已成为专业 AI 绘画的首选工具。

ComfyUI vs WebUI：为什么选节点式

  • 可视化追踪：每个节点都能预览中间结果，出图不对时能精确定位是哪一步出了问题
  • 工作流复用：一张图的全部参数和连接关系保存在 JSON 中，导入即复现，团队协作零成本
  • 资源效率：按需执行设计，比 WebUI 占用更少显存，同配置下能跑更高分辨率
  • 生态丰富：ComfyUI Manager 一键安装数百个自定义节点，ControlNet、LoRA、放大、修复全覆盖

第一步：安装 ComfyUI

Windows 用户推荐两种方式：

  1. 秋叶整合包（推荐新手）：解压即用，内置常用插件和模型。下载后解压到不含中文的路径（如 D:\AI\ComfyUI），双击 run_nvidia_gpu.bat 启动
  2. 官方 Desktop App：2025 年发布的桌面版，自带 Python 环境和模型下载器。从 comfyui.org 下载安装包，20 分钟内出图
  3. Mac 用户：brew install comfyui 或下载 Mac 版整合包，M1/M2/M3 芯片有良好优化

启动后浏览器访问 http://127.0.0.1:8188，看到节点画布即安装成功。首次使用需下载模型：把 .safetensors 文件放到 ComfyUI/models/checkpoints/ 目录。新手推荐 SD 1.5 或 SDXL 基础模型。

第二步：理解 5 个核心节点

ComfyUI 的文生图工作流由 5 个核心节点组成，理解它们就掌握了 80% 的用法：

  • Load Checkpoint：加载基础模型，输出 MODEL（模型）、CLIP（文本编码器）、VAE（解码器）三路信号
  • CLIP Text Encode（×2）：把提示词编码为 AI 能理解的向量。正面提示词描述你想要的，负面提示词排除不想要的
  • Empty Latent Image：设置输出图片的宽高和批次。SD 1.5 用 512×512，SDXL 用 1024×1024
  • KSampler：核心引擎，接收模型、提示词、潜空间图像，执行去噪采样生成图片。Steps/CFG/Sampler 都在这里调
  • VAE Decode + Save Image：把潜空间数据解码为可视图像并保存到 output 目录

第三步：搭建第一个工作流

节点连接顺序（数据从左到右流动）：

  1. Load Checkpoint 的 MODEL → KSampler 的 model 输入
  2. Load Checkpoint 的 CLIP → 两个 CLIP Text Encode 的 clip 输入
  3. 正面 CLIP Text Encode 的 CONDITIONING → KSampler 的 positive
  4. 负面 CLIP Text Encode 的 CONDITIONING → KSampler 的 negative
  5. Empty Latent Image 的 LATENT → KSampler 的 latent_image
  6. KSampler 的 LATENT → VAEDecode 的 samples
  7. Load Checkpoint 的 VAE → VAEDecode 的 vae
  8. VAEDecode 的 IMAGE → Save Image 的 images

连接完成后，在 CLIP Text Encode 中输入提示词，点击 Queue Prompt 即可生成。

第四步：KSampler 参数详解

KSampler 是影响出图质量最关键的节点，5 个核心参数：

  • Steps（步数）：去噪迭代次数。20-30 步够用，超过 40 步收益递减。步数太少画面粗糙，太多浪费时间
  • CFG Scale（提示词遵循度）：值越高越忠实于提示词，但太高会画面僵硬。推荐 7-9，写实风格可降到 4-6
  • Sampler（采样器）：推荐 dpmpp_2m，速度和质量平衡最佳。euler_a 适合快速测试，dpmpp_sde_karras 出图质量最高但慢
  • Scheduler（调度器）：normal 默认即可，karras 在高步数时效果更好
  • Denoise（去噪强度）：1.0 = 完全从头生成，图生图时降到 0.3-0.7 保留原图结构

实测：dpmpp_2m + 25 步 + CFG 7 的组合，比 euler_a + 30 步节省 30% 时间，质量相当。

第五步：LoRA 叠加与风格混合

LoRA 是微调模型，通常 50-200MB，能给基础模型添加特定风格或角色。使用 LoraLoader 节点：

  • 添加 LoraLoader 节点，连接在 Load Checkpoint 和 KSampler 之间
  • 选择 LoRA 文件（放在 models/loras/ 目录），设置 strength（推荐 0.6-0.8）
  • 多 LoRA 叠加：串联多个 LoraLoader，后加载的权重影响更大，总强度建议不超过 1.5
  • 资源推荐：CivitAI（风格最全）、哩布哩布（亚洲审美）、HuggingFace（官方认证）

典型组合：基础模型 revAnimated + 盲盒风格 LoRA(0.7) + 细节增强 LoRA(0.3) + 光影 LoRA(0.2)，能出非常精致的二次元风格。

第六步：ControlNet 精准构图控制

ControlNet 让你用参考图控制生成结果的构图、姿势、线稿。添加 ControlNet 节点链：

  1. 添加 Load Image 节点，上传参考图
  2. 添加 ControlNet 预处理器（如 OpenPose 提取姿态、Canny 提取边缘线稿）
  3. 添加 ControlNet Apply 节点，连接预处理结果和 ControlNet 模型
  4. 将 Conditioning 输出连接到 KSampler 的 positive 输入

常用 ControlNet 类型：OpenPose（人物姿态）、Canny（边缘线稿）、Depth（深度图）、Tile（细节重构）。安装 ControlNet 预处理器插件：通过 ComfyUI Manager 搜索「ControlNet Preprocessors」安装。

第七步：性能优化与常见问题

  • 显存不足：启动时加 --lowvram 参数，或用 --medvram 平衡。512×512 比 1024×1024 节省约 75% 显存
  • 出图全黑/全绿：VAE 配置问题，检查 VAEDecode 是否正确连接，尝试更换 VAE 模型
  • 生成速度慢：确认终端输出显示 GPU 加速（不是 CPU），启用 xformers 优化（NVIDIA 显卡）
  • 必备插件：ComfyUI Manager（插件管理）、Impact Pack（人脸修复/背景移除）、WAS Node Suite（100+ 实用节点）
  • 工作流管理：养成保存成功工作流的习惯（保存为 JSON），用 Workflow Manager 分类管理
ComfyUI 的学习曲线比 WebUI 陡，但一旦理解了节点思维，你会发现自己对画面的控制力提升了几个量级。专业用户几乎都用 ComfyUI，这不是没有原因的。