先说明一个前提ComfyUI 确实有学习门槛但这套门槛主要来自“节点式操作”和“工作流思维”。一旦把关键名词和节点逻辑理解透日常出图效率、批量实验、复杂管线复现都会比传统 WebUI 顺手很多。本文会从安装部署开始一直讲到工作流搭建、插件配置、报错排查尽量把新手最常卡住的地方一次说清。无论你是刚接触 AI 绘画还是已经用过 WebUI 想迁移过来这篇文章都值得收藏备用。1. ComfyUI 是什么为什么越来越多人在用1.1 从“工作流”角度理解 ComfyUIComfyUI 是一个基于节点编辑器Node Editor的 Stable Diffusion 图形界面工具。和传统 WebUI 那种“填参数、点生成”的操作方式不同ComfyUI 把“文生图、图生图、模型加载、提示词处理、采样器、VAE 解码”等步骤拆成一个个节点然后用连线把这些节点串联成一张流程图。你看到的是一张可编辑的工作流Workflow而不是一堆孤立的设置项。这种设计带来的直接好处是每个步骤都可视化生成过程变得透明。同一个工作流可以无限复用换模型、换提示词、换采样器都很方便。复杂任务可以拆解成子流程例如先局部重绘再高清放大再修脸。出图过程中 GPU 做过什么、显存占用在哪里都能直观看到。1.2 ComfyUI 与 WebUI 的核心区别很多新手一开始会纠结我已经会用 WebUI 了还有必要学 ComfyUI 吗简单做个对比对比项ComfyUIWebUI操作方式节点连线可视化编辑表单参数点选为主上手难度初期有门槛熟悉后很高效初期友好功能都在界面上复杂工作流适合搭建、保存、复用适合轻度使用复杂流程依赖扩展显存占用相对灵活可精细控制整体封装较重出图速度同配置下通常更快依赖具体后端和优化项调试能力每个节点可单独查看输出黑盒式整体运行从实际使用体验来说如果你只是偶尔生成几张头像图WebUI 完全够用但如果你想深入研究 Stable Diffusion 的生成原理、做批量风格实验、复现社区的高质量工作流ComfyUI 几乎是绕不开的选择。1.3 常见应用场景文生图提示词加基础参数直接生成图片。图生图基于参考图做风格迁移、局部调整。局部重绘通过遮罩指定区域只重绘画面的一部分。高清放大低分辨率图放大减少细节崩坏。ControlNet 姿态控制根据骨架图、线稿、深度图约束生成结构。视频生成社区中已经出现大量基于 LTX、AnimateDiff 等模型的视频工作流。批量出图同一工作流批量替换提示词或批量处理图片。也就是说ComfyUI 本质上是一个“生成流水线编排器”你把它理解成一个可视化管道更准确。2. 准备工作硬件、软件与安装包选择2.1 硬件要求本地部署 ComfyUI 主要依赖显卡优先要满足的是显存和 CUDA 能力。建议的最低配置NVIDIA 显卡显存 4GB 以上。操作系统Windows 10/11 64 位Linux 或 macOS 也可以。内存16GB 以上。硬盘至少预留 30GB模型文件很容易占满空间。如果你的显卡显存低于 4GB也可以运行但需要开启低显存优化并且尽量使用小尺寸模型例如 SD 1.5 系列出图分辨率控制在 512x512 左右。如果你的电脑完全不具备 NVIDIA 显卡条件也可以使用 CPU 运行但速度会非常慢只适合验证流程不适合实际出图。2.2 版本说明ComfyUI 更新频率很高不同时期的界面、默认节点、内置功能会有差异。本文不会把某个版本写死而是以“当前常见版本”为例重点讲思路和配置方式。你下载时选择官方最新版即可核心操作不会因为小版本变化而完全失效。2.3 安装包怎么选新手安装 ComfyUI 通常有两种路线这里先说安装包类型具体安装步骤放在下一节。社区整合包国内社区常见的是“秋叶整合包”这类一键包通常已经打包好 Python 运行时、依赖库、常用插件、启动器解压即用。适合不想折腾环境的新手。官方版从 ComfyUI 官方 GitHub 仓库或官网下载搭配 Python 环境手动安装更干净升级更灵活适合有一定编程基础的用户。选择建议纯新手、只想快速出图可以先使用整合包跑通流程后再慢慢学习手动部署。如果要参与开发、写自定义节点、长期维护工作流建议尽早切换到官方版本自己管理环境和依赖。2.4 安装包下载注意事项我这里不提供具体网盘链接原因是整合包版本更新太快而且非官方打包内容可能存在安全问题。下载时请注意以下几点优先到官方 GitHub Releases 页面或作者的主页获取。如果是社区整合包尽量选择口碑好、更新频繁、评论区活跃的版本。下载完成后先做压缩包完整性检查避免解压失败。解压前关闭杀毒软件或添加白名单因为部分整合包包含 Python 运行环境和显卡加速库容易被误报。不建议从来源不明的网盘链接下载“破解版”“极速版”这类文件风险极高。3. 安装部署整合包与手动部署两种方式3.1 方式一整合包快速安装以常见的秋叶整合包为例安装步骤大致如下下载整合包压缩包。找一个剩余空间充足的磁盘例如 D 盘创建一个英文目录路径尽量别带中文和空格。将压缩包解压到该目录解压时间可能较长耐心等待。进入解压后的文件夹找到“启动器”或“A启动器.exe”之类的程序。双击运行启动器会自动检测环境并引导你启动服务。启动完成后浏览器会自动打开http://127.0.0.1:8188或者其他端口即进入 ComfyUI 界面。目录结构通常会包含下面几个核心文件夹ComfyUI/ ├── models/ # 模型主目录 │ ├── checkpoints/ # 主模型 │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── upscale_models/ # 放大模型 ├── custom_nodes/ # 自定义节点/插件目录 ├── input/ # 上传的输入图片 ├── output/ # 生成结果输出目录 └── python/ # 整合包自带的 Python 运行时需要特别强调models/checkpoints是存放主模型的位置。很多新手把模型下载好后直接丢在桌面然后在 ComfyUI 里找不到就是没有放到这个目录。3.2 方式二官方手动部署如果你希望环境尽量干净可以按下面方式手动部署。以 Windows NVIDIA 显卡为例。首先确认你已经安装了 Python 3.10 或 3.11并且已安装 Git。# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI然后创建虚拟环境并安装依赖# 创建虚拟环境 python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux/macOS 激活虚拟环境 # source venv/bin/activate安装 PyTorch。这里是重点不同显卡需要不同的安装命令# NVIDIA 显卡CUDA 12.1 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装完成后安装 ComfyUI 本身的依赖pip install -r requirements.txt启动服务python main.py可以看到类似输出Starting server To see the GUI go to: http://127.0.0.1:8188在浏览器中打开http://127.0.0.1:8188即可进入界面。3.3 整合包和官方版如何切换如果你先用整合包入门后来想切换回官方版并不需要删除整合包。你只需要注意模型目录和自定义节点目录的路径切换即可。最稳妥的做法是保留两个目录但不要把模型复制两份占用空间可以通过整理统一模型目录或者把两个版本的模型路径都映射到同一个models文件夹这个在最佳实践章节会详细说明。4. 核心概念拆解节点、模型、采样器、CFG在开始搭工作流之前必须先理解几个高频名词。很多报错和参数困惑都源于这里。4.1 什么是节点ComfyUI 的界面由一个个节点组成。每个节点承担一个独立功能节点上有输入和输出端口用户的连线就是把这些端口连接起来。常见的基础节点包括Load Checkpoint加载主模型输出条件、潜空间和 VAE。CLIP Text Encode把提示词编码成条件数据。KSampler采样器负责实际生成过程。Empty Latent Image定义生成图片的分辨率和批次大小。VAE Decode把潜空间数据解码成像素图像。Save Image保存图片到输出目录。一个最简单的文生图流程就是加载模型 → 写提示词 → 创建空潜空间 → 采样 → 解码 → 保存。4.2 模型的种类Checkpoint、LoRA、VAE很多新手会混用“模型”这个词实际上在 ComfyUI 中至少有三类常见模型。Checkpoint也叫大模型、底模是最核心的主模型它包含生成图片所需的大部分能力。常见的如 SD 1.5、SDXL、SD 3.5 等都属于这一类。文件名通常较大几个 GB 到十几个 GB 不等。LoRA 是一种轻量级微调模型体积小通常几十 MB 到两三百 MB。它不能独立生成图片必须配合主模型一起使用用来控制画风、角色、特定元素等。加载 LoRA 时要注意它通常有基础模型版本要求例如 SDXL 的 LoRA 不能直接用于 SD 1.5 主模型。VAE 负责图片色彩的还原。有些主模型内置了 VAE有些则需要单独加载。如果出的图发灰、发暗、颜色不对优先检查 VAE 是否正确加载。为了便于理解可以把三者的关系类比为Checkpoint素描底子。LoRA风格滤镜和特定角色配件。VAE最后的调色师。4.3 提示词怎么编ComfyUI 和 WebUI 的提示词格式类似但节点组织方式不同。正向提示词写你想要的元素1girl, masterpiece, best quality, detailed face, light smile, school uniform, classroom background, soft lighting反向提示词写你不想要的东西lowres, bad anatomy, bad hands, missing fingers, extra digits, blurry, jpeg artifactsCATEGORY 和标签不会直接影响生成但适当用逗号分割能让模型更准确地理解重点。质量形容词masterpiece、best quality 等仍然有用但没必要写一长串。4.4 采样器与步数KSampler 节点中有几个关键参数seed随机种子相同种子在相同条件下可复现同一结果。steps采样步数影响生成质量和速度通常 20-30 步。cfg提示词引导强度。sampler_name采样器名称。scheduler调度器类型。常见的 sampler_name 有Euler a简单快速动画风格效果不错。DPM 2M细节稳定适合多数工作流。DPM 2M Karras配合 Karras 调度器出图锐利。DPM SDE Karras细节丰富但速度偏慢。UniPC加速效果好多用于 generate 场景。调度器 scheduler 常见的有 normal、karras、exponential、sgm_uniform。个人经验是初学阶段固定用 DPM 2M karras 组合步数设 25先跑通流程再逐个尝试其他组合。4.5 CFG 到底是什么CFG 是 Classifier-Free Guidance 的缩写中文常称为提示词引导强度或分类器自由引导。它的作用是控制生成结果对提示词的“服从程度”CFG 值越低画面越自由但可能偏离提示词。CFG 值越高画面越贴合提示词但超过一定值后颜色会过曝、细节会失真。常见取值区间清爽插画风5-7默认推荐7-8高控制需求8-12不建议超过 15容易产生色彩过饱和、图像撕裂如果你看到出图颜色异常艳丽、画面发糊先验证 CFG 是不是设置过高了。5. 实战搭建第一个文生图工作流5.1 从模板开始第一次打开 ComfyUI 时通常会有默认工作流。如果你的界面空白先不要慌可以通过菜单加载一个默认模板。常用做法点击界面菜单中的“Load Default”。或者直接将工作流 JSON 文件拖入浏览器窗口。一个最基础的文生图工作流节点连接顺序如下Load Checkpoint ├── CLIP Text Encode (正) → KSampler └── CLIP Text Encode (负) → KSampler Empty Latent Image → KSampler → VAE Decode → Save Image注意 Load Checkpoint 有三个输出端口MODEL送进 KSampler 的模型端口。CLIP送进 CLIP Text Encode 节点用于编码提示词。VAE送进 VAE Decode 节点用于解码图片。首次操作最容易犯的错误就是端口连错。模型端口接模型CLIP 接提示词VAE 接解码不能乱连。5.2 工作流 JSON 示例如果你手上没有默认模板可以参考下面这个最简文生图工作流 JSON。把它保存为文本文件然后在 ComfyUI 界面直接拖入即可加载对应工作流。{ last_node_id: 6, last_link_id: 6, nodes: [ { id: 1, type: CheckpointLoaderSimple, pos: [50, 100], size: [320, 100], properties: {Node name for SR: CheckpointLoaderSimple}, widgets_values: [model.safetensors] }, { id: 2, type: CLIPTextEncode, pos: [450, 50], size: [400, 200], properties: {Node name for SR: CLIPTextEncode}, widgets_values: [1girl, masterpiece, best quality] }, { id: 3, type: CLIPTextEncode, pos: [450, 280], size: [400, 200], properties: {Node name for SR: CLIPTextEncode}, widgets_values: [lowres, bad anatomy, bad hands] }, { id: 4, type: EmptyLatentImage, pos: [50, 250], size: [320, 100], properties: {Node name for SR: EmptyLatentImage}, widgets_values: [512, 512, 1] }, { id: 5, type: KSampler, pos: [600, 300], size: [320, 260], properties: {Node name for SR: KSampler}, widgets_values: [0, 25, 7, euler_ancestral, normal, 1] }, { id: 6, type: VAEDecode, pos: [980, 300], size: [320, 100], properties: {Node name for SR: VAEDecode} }, { id: 7, type: SaveImage, pos: [1350, 300], size: [320, 400], properties: {Node name for SR: SaveImage}, widgets_values: [ComfyUI] } ], links: [ [1, 1, 1, 2, 0], [1, 0, 1, 5, 0], [2, 0, 2, 5, 3], [3, 0, 3, 5, 4], [4, 0, 4, 5, 1], [5, 0, 5, 6, 0], [1, 2, 1, 6, 0], [6, 0, 6, 7, 0] ] }需要说明的是JSON 中的模型名model.safetensors只是一个占位符你需要改成自己实际放入models/checkpoints目录的模型文件名。另外widgets_values的顺序可能会因版本不同而变化如果你的界面和这里不一致直接在界面上手动修改参数即可不必强求 JSON 完全一致。5.3 模型准备启动 ComfyUI 后在 Load Checkpoint 节点的下拉列表里如果看不到任何模型说明models/checkpoints目录是空的。你需要先准备一个主模型。模型获取渠道建议Hugging Face 上的模型仓库。C 站 Civitai 上的社区模型。各模型作者自己发布的网盘链接。下载后把模型文件通常是.safetensors或.ckpt放入ComfyUI/models/checkpoints/然后回到浏览器点击检查点节点上的刷新按钮就能在下拉列表里看到该模型。5.4 运行与验证设置好模型和提示词后点击界面右侧的“Queue Prompt”按钮也可以直接按快捷键CtrlEnter运行。正常情况下你会看到节点依次变亮采样器节点会出现进度条最后生成了图片并自动保存到ComfyUI/output/同时浏览器预览区会显示生成的图像。如果运行时报错“Failed to execute node”不要慌张这属于常见问题下一章会专门讲排错。5.5 保存工作流工作流是 ComfyUI 中最重要的资产。跑通第一次生成后立即保存工作流。推荐两种保存方式点击界面菜单中的 Save保存为.json文件。点击导出图片把工作流信息一并嵌入 PNG 图片以后把图片拖回 ComfyUI 即可还原整个工作流。第二种方式非常实用。社区里分享的工作流图片往往不是普通成品图它里面已经包含了节点结构、参数设置拖入即可使用。6. 实战进阶图生图、ControlNet 与插件安装6.1 将文生图工作流扩展为图生图图生图工作流相比文生图只需要修改两个地方用 Load Image 节点替换 Empty Latent Image。在 Load Image 和 KSampler 之间接入 VAE Encode 节点。VAE Encode 的作用是把输入的像素图片编码成潜空间数据让采样器基于这张图继续生成。连接顺序Load Image → VAE Encode → KSampler Checkerpoint 的 VAE 输出 → VAE EncodeLoad Image 节点上传图片后会输出 IMAGE 数据。VAE Encode 需要 IMAGE 和 VAE 两个输入然后将处理结果传回 KSampler 的 latent 输入端口。在 KSampler 中你可以通过调整 denoise 参数控制重绘幅度denoise 为 1.0完全重新生成和原图关系很小。denoise 为 0.5一半内容变化一半保留原结构。denoise 为 0.3 左右适合轻微美化、修复细节。新手最常问的一个问题是“我已经改低了 denoise为什么图还是变化很大”其实原因通常是图片分辨率过高导致 latent 采样空间过大建议先把输入图片缩放到 512x512 或 768x768 左右再实验。6.2 安装自定义节点和插件ComfyUI 的能力很大程度依赖自定义节点。插件的安装位置是ComfyUI/custom_nodes/安装方式通常有两种。第一种是 Git 方式在custom_nodes目录下执行cd custom_nodes git clone https://github.com/xxx/ComfyUI-ExampleNode.git然后重启 ComfyUI。第二种是安装 ComfyUI Manager通过管理器界面一键安装。安装 Manager 本身也需要把它的仓库放到custom_nodes目录下然后在 ComfyUI 界面顶部会出现 Manager 菜单可以通过它搜索、安装、更新各种插件。需要注意安装插件前最好确认它支持的 ComfyUI 版本和依赖条件。有些插件需要额外的 Python 包在 Manager 中通常会自动处理但手动 Git 安装时可能需要自己补装依赖。常用插件方向包括与 ControlNet 相关的插件辅助姿态、线稿控制。与放大相关的插件提升图片细节和分辨率。与视频生成相关的工作流插件例如社区中基于 Minimax H3、LTX 等模型的工作流。与效率提升相关的插件例如批量提示词、队列管理。建议新手不要一次性装太多插件。装得越多启动越慢插件之间冲突的概率也越高。先从最常用的两三个开始足够覆盖 80% 的需求。6.3 ControlNet 基本用法ControlNet 是控制生成结构的常用手段。它的使用思路是准备好参考图可以是线稿、骨架图、深度图、色块图。用对应预处理器提取特征。把提取到的特征作为条件额外输入到 KSampler。调节 ControlNet 的权重strength控制它对结果的影响程度。在 ComfyUI 中ControlNet 工作流通常会看到这样的节点Load Image ├── ControlNet Preprocessor └── ControlNetApplyAdvanced / ControlNetApply Load ControlNet Model → ControlNetApply → KSampler模型文件放在ComfyUI/models/controlnet/预处理器是一个比较吃版本和经验的部分建议直接先加载社区已发布的完整 ControlNet 工作流查看预处理器节点类型再去补装对应自定义节点比自己从零摸索效率高很多。6.4 生成视频的基本思路最近社区里生成视频的工作流非常多底层模型包括 LTX、AnimateDiff、以及 Minimax 相关视频生成方案等。使用思路通常包括加载一个支持视频生成的主模型或专用模型。准备好独立的关键帧图片或使用提示词驱动。使用视频采样节点替换普通 KSampler。通过视频解码节点输出 MP4 或 GIF。这类工作流通常依赖大量自定义节点新手建议直接下载社区已分享的完整工作流导入后按提示安装缺失节点再微调参数。7. 常见问题与排查思路ComfyUI 使用过程中报错不可避免。下面把最常见的几类问题整理成排查清单。7.1 节点报错Failed to execute node这是 ComfyUI 最常见的报错形式。界面上方会出现错误报告里面包含 node、exception_type、exception_message 等字段。例如# comfyui error report ## error details - **node**: KSampler - **exception_type**: RuntimeError - **exception_message**: CUDA out of memory排查步骤看 error details 中 node 字段是哪个节点报错定位到具体功能模块。看 exception_type如果是 CUDA out of memory说明显存不足优先减小分辨率、批次大小或换小模型。如果是 TypeError 或 AttributeError多半是插件版本和 ComfyUI 版本不匹配检查自定义节点是否需要更新。如果需要更多报错完整信息可以在启动命令中加入--show-image-debug或直接查看启动服务端的控制台输出。CUDA out of memory 是新手最高频的错误建议先把生成分辨率调到 512x512batch size 调到 1删除无关插件再逐步尝试。7.2 界面打开但模型下拉列表是空的可能原因模型没有放到models/checkpoints目录。放到了但格式不对只支持.safetensors和.ckpt。下拉列表没有刷新点击节点上的刷新按钮。目录权限问题确保 ComfyUI 进程可以读取该目录。7.3 图片颜色发灰、发暗、偏色优先检查 VAE。确认 Load Checkpoint 节点是否已经输出 VAE 到 VAE Decode。如果主模型内置 VAE 效果不佳可以单独下载匹配的 VAE 模型放入models/vae然后使用 VAE Loader 节点加载并连接到 VAE Decode。7.4 生成速度很慢常见原因使用了 SDE 类采样器速度本身偏慢。图片分辨率过高。显存不足导致系统退化为 CPU 计算。后台有其他进程占用 GPU 资源。没有使用 TensorRT 或 xformers 等优化。优化方向换用 Euler a 或 DPM 2M 这类快速采样器。降低分辨率先用低分辨率测试后期再用高清放大工作流。启动时添加参数python main.py --xformers。确认显卡驱动和 CUDA 版本匹配。7.5 启动失败或闪退如果是整合包优先检查目录路径是否包含中文或空格。其次是杀毒软件拦截可以把 ComfyUI 目录加入白名单。实在不行查看启动器日志文件根据日志报错搜索关键词。如果启动日志里出现 Python 相关错误多半是运行环境不完整最简单的解决方法是重新解压整合包或重新创建虚拟环境。7.6 虚拟内存设置建议如果你的电脑内存偏小例如 16GB 以下在运行大模型或视频工作流时系统可能提示内存不足。这时可以手动设置较大的虚拟内存也就是把部分磁盘空间当作内存使用。Windows 设置方式打开“此电脑”属性。进入“高级系统设置”。在“性能”下点击“设置”。切到“高级”选项卡点击“虚拟内存”的“更改”。取消勾选“自动管理所有驱动器的分页文件大小”。选择一个空间较大的 SSD 分区设置为自定义大小例如初始 32768MB最大 49152MB。注意虚拟内存仅能缓解内存不足问题不能替代真正的内存。长期大量跑图建议还是升级物理内存。7.7 常见问题汇总表问题现象常见原因解决思路Failed to execute node显存不足 / 参数错误 / 插件不兼容查看 error details锁定报错节点降低显存占用或更新插件模型下拉列表为空模型未放入 checkpoints 目录检查目录路径、刷新节点、确认文件格式图片发灰VAE 缺失或错误单独下载 VAE 并接入 VAE Decode生成极慢SDE 采样器 / 分辨率过高 / 显存溢出换快速采样器、降低分辨率、启用 xformers启动闪退路径含中文 / 杀毒拦截 / 环境损坏改英文目录、加白名单、重新解压或重建虚拟环境端口被占用8188 端口已被其他进程占用启动时使用--port 8090指定新端口8. 最佳实践与工程建议8.1 目录与文件管理ComfyUI 的模型越来越多以后最头疼的问题就是磁盘空间和文件整理。建议从一开始就做好规划不用的模型及时清理避免边下边忘。为模型文件重命名时保留关键信息例如sdxl_真实感_2.5d.safetensors一看就知道用途。不要把所有模型都放到 checkpoints 目录分类放到对应子目录。LoRA 文件命名尽量包含触发词和基础版本方便以后查找。工作流文件按日期和功能命名保存例如20260115_文生图_默认.json、20260115_图生图_重绘.json。8.2 工作流保存与版本管理强烈建议把工作流当作代码一样管理。可以用一个单独的文件夹专门存放工作流 JSON 文件并使用 Git 进行版本管理。每当你调整了一个关键参数把工作流另存为新版本不要覆盖原始版本。这样以后出图效果变差了还能回溯到之前的配置。8.3 安全边界使用自定义节点和社区整合包时要保持警惕不要随意运行来源不明的 Python 脚本。自定义节点本质上是可执行代码恶意节点可能窃取隐私或破坏系统。从 GitHub 官网或知名仓库安装插件。定期更新插件但不要盲目追求最新版本先看评论区反馈。涉及生产环境或企业内部使用 ComfyUI尽量使用隔离环境不要直接暴露到公网。8.4 参数调优思路不要每次出图都随机换参数。建议先固定一组基线参数例如尺寸512x512 或 768x768步数25采样器DPM 2M KarrasCFG7确定基线后每次只改变一个变量记录出图效果。这样做的好处是你能准确知道哪个参数影响了画面。很多人学了很久 ComfyUI 仍然调不好图就是因为同时调整了太多参数最后出了问题无法定位。8.5 日志与备忘建议在项目目录下建一个notes.txt或跑图日志.md每次记录使用的主模型和 LoRA。采样器、步数、CFG、种子。提示词关键内容。出图效果评价。遇到的坑和解决方案。看似多花了几分钟但对后续复现和排查问题非常有帮助。8.6 性能与显存优化几种常见的低显存压榨方式使用--lowvram启动参数让显存更节省地运行。使用--xformers优化注意力计算。优先选择 SD 1.5 小模型而不是 SDXL。生成时先用低分辨率最后用高分辨率放大节点。关闭正在占显存的其他程序例如浏览器大量标签页、游戏客户端。网络条件允许的话可以考虑使用国内镜像源加速模型下载和依赖安装。这个属于环境调优不影响工作流写法。8.7 与 WebUI 共存如果你之前一直用 WebUI在迁移到 ComfyUI 时不需要把 WebUI 卸载。两者可以共存只要模型目录分别配置即可。如果磁盘容量紧张你可以把 WebUI 的模型目录和 ComfyUI 的 models 目录软链接到一起共用同一套模型文件。这样切换工具时不会复制两份几 GB 的模型。思路示例# Windows 创建目录软链接管理员权限 mklink /J D:\ComfyUI\models\checkpoints D:\WebUI\models\Stable-diffusionLinux 则使用ln -s创建符号链接。9. 总结与下一步学习建议9.1 本文重点回顾到现在你应该已经掌握了 ComfyUI 的以下核心能力ComfyUI 与 WebUI 的差异以及节点式工作流的基本思维。整合包和官方版两种安装方式。模型Checkpoint、LoRA、VAE的区别与存放位置。提示词编写、采样器、CFG 等关键参数的含义。文生图、图生图、ControlNet、视频生成的基本工作流结构。常见报错和排查思路。目录管理、工作流保存、参数调优等工程化建议。9.2 下一步可以做什么如果你刚跑通第一个工作流接下来可以按这个顺序进阶复现一个社区分享的图生图工作流理解每个节点作用。尝试安装 ControlNet 相关的自定义节点做一个线稿上色工作流。做一次高清放大工作流把低分辨率图放大到高清。探索局部重绘功能用遮罩修复手部、脸部细节。研究批量提示词插件实现一次跑多组风格对比。关注视频生成工作流从动图开始再尝试短视频。9.3 一些建议ComfyUI 的学习曲线确实比 WebUI 陡峭但它的价值也正是在于那套可视化节点体系。刚开始连线的时候不要怕报错多失败几次报错就是最好的学习路径。每次遇到新报错把 node 字段和 exception 信息记录下来搜索时先搜英文关键字再结合中文社区教程对照理解。模型和工作流别贪多先把一套主打工作流跑熟再逐步扩展。安装插件前多想一步这个插件是否真的需要装得越多维护成本越高。希望这篇文章能帮你少走一些弯路。如果身边也有朋友正在 ComfyUI 门口犹豫可以把这份笔记分享给他一起把工作流玩明白。 ComfyUI入门指南：从安装部署到工作流搭建与报错排查
先说明一个前提ComfyUI 确实有学习门槛但这套门槛主要来自“节点式操作”和“工作流思维”。一旦把关键名词和节点逻辑理解透日常出图效率、批量实验、复杂管线复现都会比传统 WebUI 顺手很多。本文会从安装部署开始一直讲到工作流搭建、插件配置、报错排查尽量把新手最常卡住的地方一次说清。无论你是刚接触 AI 绘画还是已经用过 WebUI 想迁移过来这篇文章都值得收藏备用。1. ComfyUI 是什么为什么越来越多人在用1.1 从“工作流”角度理解 ComfyUIComfyUI 是一个基于节点编辑器Node Editor的 Stable Diffusion 图形界面工具。和传统 WebUI 那种“填参数、点生成”的操作方式不同ComfyUI 把“文生图、图生图、模型加载、提示词处理、采样器、VAE 解码”等步骤拆成一个个节点然后用连线把这些节点串联成一张流程图。你看到的是一张可编辑的工作流Workflow而不是一堆孤立的设置项。这种设计带来的直接好处是每个步骤都可视化生成过程变得透明。同一个工作流可以无限复用换模型、换提示词、换采样器都很方便。复杂任务可以拆解成子流程例如先局部重绘再高清放大再修脸。出图过程中 GPU 做过什么、显存占用在哪里都能直观看到。1.2 ComfyUI 与 WebUI 的核心区别很多新手一开始会纠结我已经会用 WebUI 了还有必要学 ComfyUI 吗简单做个对比对比项ComfyUIWebUI操作方式节点连线可视化编辑表单参数点选为主上手难度初期有门槛熟悉后很高效初期友好功能都在界面上复杂工作流适合搭建、保存、复用适合轻度使用复杂流程依赖扩展显存占用相对灵活可精细控制整体封装较重出图速度同配置下通常更快依赖具体后端和优化项调试能力每个节点可单独查看输出黑盒式整体运行从实际使用体验来说如果你只是偶尔生成几张头像图WebUI 完全够用但如果你想深入研究 Stable Diffusion 的生成原理、做批量风格实验、复现社区的高质量工作流ComfyUI 几乎是绕不开的选择。1.3 常见应用场景文生图提示词加基础参数直接生成图片。图生图基于参考图做风格迁移、局部调整。局部重绘通过遮罩指定区域只重绘画面的一部分。高清放大低分辨率图放大减少细节崩坏。ControlNet 姿态控制根据骨架图、线稿、深度图约束生成结构。视频生成社区中已经出现大量基于 LTX、AnimateDiff 等模型的视频工作流。批量出图同一工作流批量替换提示词或批量处理图片。也就是说ComfyUI 本质上是一个“生成流水线编排器”你把它理解成一个可视化管道更准确。2. 准备工作硬件、软件与安装包选择2.1 硬件要求本地部署 ComfyUI 主要依赖显卡优先要满足的是显存和 CUDA 能力。建议的最低配置NVIDIA 显卡显存 4GB 以上。操作系统Windows 10/11 64 位Linux 或 macOS 也可以。内存16GB 以上。硬盘至少预留 30GB模型文件很容易占满空间。如果你的显卡显存低于 4GB也可以运行但需要开启低显存优化并且尽量使用小尺寸模型例如 SD 1.5 系列出图分辨率控制在 512x512 左右。如果你的电脑完全不具备 NVIDIA 显卡条件也可以使用 CPU 运行但速度会非常慢只适合验证流程不适合实际出图。2.2 版本说明ComfyUI 更新频率很高不同时期的界面、默认节点、内置功能会有差异。本文不会把某个版本写死而是以“当前常见版本”为例重点讲思路和配置方式。你下载时选择官方最新版即可核心操作不会因为小版本变化而完全失效。2.3 安装包怎么选新手安装 ComfyUI 通常有两种路线这里先说安装包类型具体安装步骤放在下一节。社区整合包国内社区常见的是“秋叶整合包”这类一键包通常已经打包好 Python 运行时、依赖库、常用插件、启动器解压即用。适合不想折腾环境的新手。官方版从 ComfyUI 官方 GitHub 仓库或官网下载搭配 Python 环境手动安装更干净升级更灵活适合有一定编程基础的用户。选择建议纯新手、只想快速出图可以先使用整合包跑通流程后再慢慢学习手动部署。如果要参与开发、写自定义节点、长期维护工作流建议尽早切换到官方版本自己管理环境和依赖。2.4 安装包下载注意事项我这里不提供具体网盘链接原因是整合包版本更新太快而且非官方打包内容可能存在安全问题。下载时请注意以下几点优先到官方 GitHub Releases 页面或作者的主页获取。如果是社区整合包尽量选择口碑好、更新频繁、评论区活跃的版本。下载完成后先做压缩包完整性检查避免解压失败。解压前关闭杀毒软件或添加白名单因为部分整合包包含 Python 运行环境和显卡加速库容易被误报。不建议从来源不明的网盘链接下载“破解版”“极速版”这类文件风险极高。3. 安装部署整合包与手动部署两种方式3.1 方式一整合包快速安装以常见的秋叶整合包为例安装步骤大致如下下载整合包压缩包。找一个剩余空间充足的磁盘例如 D 盘创建一个英文目录路径尽量别带中文和空格。将压缩包解压到该目录解压时间可能较长耐心等待。进入解压后的文件夹找到“启动器”或“A启动器.exe”之类的程序。双击运行启动器会自动检测环境并引导你启动服务。启动完成后浏览器会自动打开http://127.0.0.1:8188或者其他端口即进入 ComfyUI 界面。目录结构通常会包含下面几个核心文件夹ComfyUI/ ├── models/ # 模型主目录 │ ├── checkpoints/ # 主模型 │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── upscale_models/ # 放大模型 ├── custom_nodes/ # 自定义节点/插件目录 ├── input/ # 上传的输入图片 ├── output/ # 生成结果输出目录 └── python/ # 整合包自带的 Python 运行时需要特别强调models/checkpoints是存放主模型的位置。很多新手把模型下载好后直接丢在桌面然后在 ComfyUI 里找不到就是没有放到这个目录。3.2 方式二官方手动部署如果你希望环境尽量干净可以按下面方式手动部署。以 Windows NVIDIA 显卡为例。首先确认你已经安装了 Python 3.10 或 3.11并且已安装 Git。# 克隆官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI然后创建虚拟环境并安装依赖# 创建虚拟环境 python -m venv venv # Windows 激活虚拟环境 venv\Scripts\activate # Linux/macOS 激活虚拟环境 # source venv/bin/activate安装 PyTorch。这里是重点不同显卡需要不同的安装命令# NVIDIA 显卡CUDA 12.1 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装完成后安装 ComfyUI 本身的依赖pip install -r requirements.txt启动服务python main.py可以看到类似输出Starting server To see the GUI go to: http://127.0.0.1:8188在浏览器中打开http://127.0.0.1:8188即可进入界面。3.3 整合包和官方版如何切换如果你先用整合包入门后来想切换回官方版并不需要删除整合包。你只需要注意模型目录和自定义节点目录的路径切换即可。最稳妥的做法是保留两个目录但不要把模型复制两份占用空间可以通过整理统一模型目录或者把两个版本的模型路径都映射到同一个models文件夹这个在最佳实践章节会详细说明。4. 核心概念拆解节点、模型、采样器、CFG在开始搭工作流之前必须先理解几个高频名词。很多报错和参数困惑都源于这里。4.1 什么是节点ComfyUI 的界面由一个个节点组成。每个节点承担一个独立功能节点上有输入和输出端口用户的连线就是把这些端口连接起来。常见的基础节点包括Load Checkpoint加载主模型输出条件、潜空间和 VAE。CLIP Text Encode把提示词编码成条件数据。KSampler采样器负责实际生成过程。Empty Latent Image定义生成图片的分辨率和批次大小。VAE Decode把潜空间数据解码成像素图像。Save Image保存图片到输出目录。一个最简单的文生图流程就是加载模型 → 写提示词 → 创建空潜空间 → 采样 → 解码 → 保存。4.2 模型的种类Checkpoint、LoRA、VAE很多新手会混用“模型”这个词实际上在 ComfyUI 中至少有三类常见模型。Checkpoint也叫大模型、底模是最核心的主模型它包含生成图片所需的大部分能力。常见的如 SD 1.5、SDXL、SD 3.5 等都属于这一类。文件名通常较大几个 GB 到十几个 GB 不等。LoRA 是一种轻量级微调模型体积小通常几十 MB 到两三百 MB。它不能独立生成图片必须配合主模型一起使用用来控制画风、角色、特定元素等。加载 LoRA 时要注意它通常有基础模型版本要求例如 SDXL 的 LoRA 不能直接用于 SD 1.5 主模型。VAE 负责图片色彩的还原。有些主模型内置了 VAE有些则需要单独加载。如果出的图发灰、发暗、颜色不对优先检查 VAE 是否正确加载。为了便于理解可以把三者的关系类比为Checkpoint素描底子。LoRA风格滤镜和特定角色配件。VAE最后的调色师。4.3 提示词怎么编ComfyUI 和 WebUI 的提示词格式类似但节点组织方式不同。正向提示词写你想要的元素1girl, masterpiece, best quality, detailed face, light smile, school uniform, classroom background, soft lighting反向提示词写你不想要的东西lowres, bad anatomy, bad hands, missing fingers, extra digits, blurry, jpeg artifactsCATEGORY 和标签不会直接影响生成但适当用逗号分割能让模型更准确地理解重点。质量形容词masterpiece、best quality 等仍然有用但没必要写一长串。4.4 采样器与步数KSampler 节点中有几个关键参数seed随机种子相同种子在相同条件下可复现同一结果。steps采样步数影响生成质量和速度通常 20-30 步。cfg提示词引导强度。sampler_name采样器名称。scheduler调度器类型。常见的 sampler_name 有Euler a简单快速动画风格效果不错。DPM 2M细节稳定适合多数工作流。DPM 2M Karras配合 Karras 调度器出图锐利。DPM SDE Karras细节丰富但速度偏慢。UniPC加速效果好多用于 generate 场景。调度器 scheduler 常见的有 normal、karras、exponential、sgm_uniform。个人经验是初学阶段固定用 DPM 2M karras 组合步数设 25先跑通流程再逐个尝试其他组合。4.5 CFG 到底是什么CFG 是 Classifier-Free Guidance 的缩写中文常称为提示词引导强度或分类器自由引导。它的作用是控制生成结果对提示词的“服从程度”CFG 值越低画面越自由但可能偏离提示词。CFG 值越高画面越贴合提示词但超过一定值后颜色会过曝、细节会失真。常见取值区间清爽插画风5-7默认推荐7-8高控制需求8-12不建议超过 15容易产生色彩过饱和、图像撕裂如果你看到出图颜色异常艳丽、画面发糊先验证 CFG 是不是设置过高了。5. 实战搭建第一个文生图工作流5.1 从模板开始第一次打开 ComfyUI 时通常会有默认工作流。如果你的界面空白先不要慌可以通过菜单加载一个默认模板。常用做法点击界面菜单中的“Load Default”。或者直接将工作流 JSON 文件拖入浏览器窗口。一个最基础的文生图工作流节点连接顺序如下Load Checkpoint ├── CLIP Text Encode (正) → KSampler └── CLIP Text Encode (负) → KSampler Empty Latent Image → KSampler → VAE Decode → Save Image注意 Load Checkpoint 有三个输出端口MODEL送进 KSampler 的模型端口。CLIP送进 CLIP Text Encode 节点用于编码提示词。VAE送进 VAE Decode 节点用于解码图片。首次操作最容易犯的错误就是端口连错。模型端口接模型CLIP 接提示词VAE 接解码不能乱连。5.2 工作流 JSON 示例如果你手上没有默认模板可以参考下面这个最简文生图工作流 JSON。把它保存为文本文件然后在 ComfyUI 界面直接拖入即可加载对应工作流。{ last_node_id: 6, last_link_id: 6, nodes: [ { id: 1, type: CheckpointLoaderSimple, pos: [50, 100], size: [320, 100], properties: {Node name for SR: CheckpointLoaderSimple}, widgets_values: [model.safetensors] }, { id: 2, type: CLIPTextEncode, pos: [450, 50], size: [400, 200], properties: {Node name for SR: CLIPTextEncode}, widgets_values: [1girl, masterpiece, best quality] }, { id: 3, type: CLIPTextEncode, pos: [450, 280], size: [400, 200], properties: {Node name for SR: CLIPTextEncode}, widgets_values: [lowres, bad anatomy, bad hands] }, { id: 4, type: EmptyLatentImage, pos: [50, 250], size: [320, 100], properties: {Node name for SR: EmptyLatentImage}, widgets_values: [512, 512, 1] }, { id: 5, type: KSampler, pos: [600, 300], size: [320, 260], properties: {Node name for SR: KSampler}, widgets_values: [0, 25, 7, euler_ancestral, normal, 1] }, { id: 6, type: VAEDecode, pos: [980, 300], size: [320, 100], properties: {Node name for SR: VAEDecode} }, { id: 7, type: SaveImage, pos: [1350, 300], size: [320, 400], properties: {Node name for SR: SaveImage}, widgets_values: [ComfyUI] } ], links: [ [1, 1, 1, 2, 0], [1, 0, 1, 5, 0], [2, 0, 2, 5, 3], [3, 0, 3, 5, 4], [4, 0, 4, 5, 1], [5, 0, 5, 6, 0], [1, 2, 1, 6, 0], [6, 0, 6, 7, 0] ] }需要说明的是JSON 中的模型名model.safetensors只是一个占位符你需要改成自己实际放入models/checkpoints目录的模型文件名。另外widgets_values的顺序可能会因版本不同而变化如果你的界面和这里不一致直接在界面上手动修改参数即可不必强求 JSON 完全一致。5.3 模型准备启动 ComfyUI 后在 Load Checkpoint 节点的下拉列表里如果看不到任何模型说明models/checkpoints目录是空的。你需要先准备一个主模型。模型获取渠道建议Hugging Face 上的模型仓库。C 站 Civitai 上的社区模型。各模型作者自己发布的网盘链接。下载后把模型文件通常是.safetensors或.ckpt放入ComfyUI/models/checkpoints/然后回到浏览器点击检查点节点上的刷新按钮就能在下拉列表里看到该模型。5.4 运行与验证设置好模型和提示词后点击界面右侧的“Queue Prompt”按钮也可以直接按快捷键CtrlEnter运行。正常情况下你会看到节点依次变亮采样器节点会出现进度条最后生成了图片并自动保存到ComfyUI/output/同时浏览器预览区会显示生成的图像。如果运行时报错“Failed to execute node”不要慌张这属于常见问题下一章会专门讲排错。5.5 保存工作流工作流是 ComfyUI 中最重要的资产。跑通第一次生成后立即保存工作流。推荐两种保存方式点击界面菜单中的 Save保存为.json文件。点击导出图片把工作流信息一并嵌入 PNG 图片以后把图片拖回 ComfyUI 即可还原整个工作流。第二种方式非常实用。社区里分享的工作流图片往往不是普通成品图它里面已经包含了节点结构、参数设置拖入即可使用。6. 实战进阶图生图、ControlNet 与插件安装6.1 将文生图工作流扩展为图生图图生图工作流相比文生图只需要修改两个地方用 Load Image 节点替换 Empty Latent Image。在 Load Image 和 KSampler 之间接入 VAE Encode 节点。VAE Encode 的作用是把输入的像素图片编码成潜空间数据让采样器基于这张图继续生成。连接顺序Load Image → VAE Encode → KSampler Checkerpoint 的 VAE 输出 → VAE EncodeLoad Image 节点上传图片后会输出 IMAGE 数据。VAE Encode 需要 IMAGE 和 VAE 两个输入然后将处理结果传回 KSampler 的 latent 输入端口。在 KSampler 中你可以通过调整 denoise 参数控制重绘幅度denoise 为 1.0完全重新生成和原图关系很小。denoise 为 0.5一半内容变化一半保留原结构。denoise 为 0.3 左右适合轻微美化、修复细节。新手最常问的一个问题是“我已经改低了 denoise为什么图还是变化很大”其实原因通常是图片分辨率过高导致 latent 采样空间过大建议先把输入图片缩放到 512x512 或 768x768 左右再实验。6.2 安装自定义节点和插件ComfyUI 的能力很大程度依赖自定义节点。插件的安装位置是ComfyUI/custom_nodes/安装方式通常有两种。第一种是 Git 方式在custom_nodes目录下执行cd custom_nodes git clone https://github.com/xxx/ComfyUI-ExampleNode.git然后重启 ComfyUI。第二种是安装 ComfyUI Manager通过管理器界面一键安装。安装 Manager 本身也需要把它的仓库放到custom_nodes目录下然后在 ComfyUI 界面顶部会出现 Manager 菜单可以通过它搜索、安装、更新各种插件。需要注意安装插件前最好确认它支持的 ComfyUI 版本和依赖条件。有些插件需要额外的 Python 包在 Manager 中通常会自动处理但手动 Git 安装时可能需要自己补装依赖。常用插件方向包括与 ControlNet 相关的插件辅助姿态、线稿控制。与放大相关的插件提升图片细节和分辨率。与视频生成相关的工作流插件例如社区中基于 Minimax H3、LTX 等模型的工作流。与效率提升相关的插件例如批量提示词、队列管理。建议新手不要一次性装太多插件。装得越多启动越慢插件之间冲突的概率也越高。先从最常用的两三个开始足够覆盖 80% 的需求。6.3 ControlNet 基本用法ControlNet 是控制生成结构的常用手段。它的使用思路是准备好参考图可以是线稿、骨架图、深度图、色块图。用对应预处理器提取特征。把提取到的特征作为条件额外输入到 KSampler。调节 ControlNet 的权重strength控制它对结果的影响程度。在 ComfyUI 中ControlNet 工作流通常会看到这样的节点Load Image ├── ControlNet Preprocessor └── ControlNetApplyAdvanced / ControlNetApply Load ControlNet Model → ControlNetApply → KSampler模型文件放在ComfyUI/models/controlnet/预处理器是一个比较吃版本和经验的部分建议直接先加载社区已发布的完整 ControlNet 工作流查看预处理器节点类型再去补装对应自定义节点比自己从零摸索效率高很多。6.4 生成视频的基本思路最近社区里生成视频的工作流非常多底层模型包括 LTX、AnimateDiff、以及 Minimax 相关视频生成方案等。使用思路通常包括加载一个支持视频生成的主模型或专用模型。准备好独立的关键帧图片或使用提示词驱动。使用视频采样节点替换普通 KSampler。通过视频解码节点输出 MP4 或 GIF。这类工作流通常依赖大量自定义节点新手建议直接下载社区已分享的完整工作流导入后按提示安装缺失节点再微调参数。7. 常见问题与排查思路ComfyUI 使用过程中报错不可避免。下面把最常见的几类问题整理成排查清单。7.1 节点报错Failed to execute node这是 ComfyUI 最常见的报错形式。界面上方会出现错误报告里面包含 node、exception_type、exception_message 等字段。例如# comfyui error report ## error details - **node**: KSampler - **exception_type**: RuntimeError - **exception_message**: CUDA out of memory排查步骤看 error details 中 node 字段是哪个节点报错定位到具体功能模块。看 exception_type如果是 CUDA out of memory说明显存不足优先减小分辨率、批次大小或换小模型。如果是 TypeError 或 AttributeError多半是插件版本和 ComfyUI 版本不匹配检查自定义节点是否需要更新。如果需要更多报错完整信息可以在启动命令中加入--show-image-debug或直接查看启动服务端的控制台输出。CUDA out of memory 是新手最高频的错误建议先把生成分辨率调到 512x512batch size 调到 1删除无关插件再逐步尝试。7.2 界面打开但模型下拉列表是空的可能原因模型没有放到models/checkpoints目录。放到了但格式不对只支持.safetensors和.ckpt。下拉列表没有刷新点击节点上的刷新按钮。目录权限问题确保 ComfyUI 进程可以读取该目录。7.3 图片颜色发灰、发暗、偏色优先检查 VAE。确认 Load Checkpoint 节点是否已经输出 VAE 到 VAE Decode。如果主模型内置 VAE 效果不佳可以单独下载匹配的 VAE 模型放入models/vae然后使用 VAE Loader 节点加载并连接到 VAE Decode。7.4 生成速度很慢常见原因使用了 SDE 类采样器速度本身偏慢。图片分辨率过高。显存不足导致系统退化为 CPU 计算。后台有其他进程占用 GPU 资源。没有使用 TensorRT 或 xformers 等优化。优化方向换用 Euler a 或 DPM 2M 这类快速采样器。降低分辨率先用低分辨率测试后期再用高清放大工作流。启动时添加参数python main.py --xformers。确认显卡驱动和 CUDA 版本匹配。7.5 启动失败或闪退如果是整合包优先检查目录路径是否包含中文或空格。其次是杀毒软件拦截可以把 ComfyUI 目录加入白名单。实在不行查看启动器日志文件根据日志报错搜索关键词。如果启动日志里出现 Python 相关错误多半是运行环境不完整最简单的解决方法是重新解压整合包或重新创建虚拟环境。7.6 虚拟内存设置建议如果你的电脑内存偏小例如 16GB 以下在运行大模型或视频工作流时系统可能提示内存不足。这时可以手动设置较大的虚拟内存也就是把部分磁盘空间当作内存使用。Windows 设置方式打开“此电脑”属性。进入“高级系统设置”。在“性能”下点击“设置”。切到“高级”选项卡点击“虚拟内存”的“更改”。取消勾选“自动管理所有驱动器的分页文件大小”。选择一个空间较大的 SSD 分区设置为自定义大小例如初始 32768MB最大 49152MB。注意虚拟内存仅能缓解内存不足问题不能替代真正的内存。长期大量跑图建议还是升级物理内存。7.7 常见问题汇总表问题现象常见原因解决思路Failed to execute node显存不足 / 参数错误 / 插件不兼容查看 error details锁定报错节点降低显存占用或更新插件模型下拉列表为空模型未放入 checkpoints 目录检查目录路径、刷新节点、确认文件格式图片发灰VAE 缺失或错误单独下载 VAE 并接入 VAE Decode生成极慢SDE 采样器 / 分辨率过高 / 显存溢出换快速采样器、降低分辨率、启用 xformers启动闪退路径含中文 / 杀毒拦截 / 环境损坏改英文目录、加白名单、重新解压或重建虚拟环境端口被占用8188 端口已被其他进程占用启动时使用--port 8090指定新端口8. 最佳实践与工程建议8.1 目录与文件管理ComfyUI 的模型越来越多以后最头疼的问题就是磁盘空间和文件整理。建议从一开始就做好规划不用的模型及时清理避免边下边忘。为模型文件重命名时保留关键信息例如sdxl_真实感_2.5d.safetensors一看就知道用途。不要把所有模型都放到 checkpoints 目录分类放到对应子目录。LoRA 文件命名尽量包含触发词和基础版本方便以后查找。工作流文件按日期和功能命名保存例如20260115_文生图_默认.json、20260115_图生图_重绘.json。8.2 工作流保存与版本管理强烈建议把工作流当作代码一样管理。可以用一个单独的文件夹专门存放工作流 JSON 文件并使用 Git 进行版本管理。每当你调整了一个关键参数把工作流另存为新版本不要覆盖原始版本。这样以后出图效果变差了还能回溯到之前的配置。8.3 安全边界使用自定义节点和社区整合包时要保持警惕不要随意运行来源不明的 Python 脚本。自定义节点本质上是可执行代码恶意节点可能窃取隐私或破坏系统。从 GitHub 官网或知名仓库安装插件。定期更新插件但不要盲目追求最新版本先看评论区反馈。涉及生产环境或企业内部使用 ComfyUI尽量使用隔离环境不要直接暴露到公网。8.4 参数调优思路不要每次出图都随机换参数。建议先固定一组基线参数例如尺寸512x512 或 768x768步数25采样器DPM 2M KarrasCFG7确定基线后每次只改变一个变量记录出图效果。这样做的好处是你能准确知道哪个参数影响了画面。很多人学了很久 ComfyUI 仍然调不好图就是因为同时调整了太多参数最后出了问题无法定位。8.5 日志与备忘建议在项目目录下建一个notes.txt或跑图日志.md每次记录使用的主模型和 LoRA。采样器、步数、CFG、种子。提示词关键内容。出图效果评价。遇到的坑和解决方案。看似多花了几分钟但对后续复现和排查问题非常有帮助。8.6 性能与显存优化几种常见的低显存压榨方式使用--lowvram启动参数让显存更节省地运行。使用--xformers优化注意力计算。优先选择 SD 1.5 小模型而不是 SDXL。生成时先用低分辨率最后用高分辨率放大节点。关闭正在占显存的其他程序例如浏览器大量标签页、游戏客户端。网络条件允许的话可以考虑使用国内镜像源加速模型下载和依赖安装。这个属于环境调优不影响工作流写法。8.7 与 WebUI 共存如果你之前一直用 WebUI在迁移到 ComfyUI 时不需要把 WebUI 卸载。两者可以共存只要模型目录分别配置即可。如果磁盘容量紧张你可以把 WebUI 的模型目录和 ComfyUI 的 models 目录软链接到一起共用同一套模型文件。这样切换工具时不会复制两份几 GB 的模型。思路示例# Windows 创建目录软链接管理员权限 mklink /J D:\ComfyUI\models\checkpoints D:\WebUI\models\Stable-diffusionLinux 则使用ln -s创建符号链接。9. 总结与下一步学习建议9.1 本文重点回顾到现在你应该已经掌握了 ComfyUI 的以下核心能力ComfyUI 与 WebUI 的差异以及节点式工作流的基本思维。整合包和官方版两种安装方式。模型Checkpoint、LoRA、VAE的区别与存放位置。提示词编写、采样器、CFG 等关键参数的含义。文生图、图生图、ControlNet、视频生成的基本工作流结构。常见报错和排查思路。目录管理、工作流保存、参数调优等工程化建议。9.2 下一步可以做什么如果你刚跑通第一个工作流接下来可以按这个顺序进阶复现一个社区分享的图生图工作流理解每个节点作用。尝试安装 ControlNet 相关的自定义节点做一个线稿上色工作流。做一次高清放大工作流把低分辨率图放大到高清。探索局部重绘功能用遮罩修复手部、脸部细节。研究批量提示词插件实现一次跑多组风格对比。关注视频生成工作流从动图开始再尝试短视频。9.3 一些建议ComfyUI 的学习曲线确实比 WebUI 陡峭但它的价值也正是在于那套可视化节点体系。刚开始连线的时候不要怕报错多失败几次报错就是最好的学习路径。每次遇到新报错把 node 字段和 exception 信息记录下来搜索时先搜英文关键字再结合中文社区教程对照理解。模型和工作流别贪多先把一套主打工作流跑熟再逐步扩展。安装插件前多想一步这个插件是否真的需要装得越多维护成本越高。希望这篇文章能帮你少走一些弯路。如果身边也有朋友正在 ComfyUI 门口犹豫可以把这份笔记分享给他一起把工作流玩明白。