ComfyUI 是当前 AI 绘画和 AI 视频生成领域非常值得系统学习的工作流工具。它和普通画图软件不同核心是节点式工作流把加载模型、写提示词、采样、解码、保存这些步骤拆成节点用连线串起来组成一个可复用、可分享、可修改的流程图。这份教程按 2026 年新手入门最实用的路径来整理目标很直接让一个完全没用过 ComfyUI 的人从安装开始逐步做到自己搭文生图、图生图、局部重绘再跑通 AI 视频生成工作流最后能处理社区工作流最常见的“缺失节点”“缺失包”报错。如果你之前用过 Stable Diffusion WebUI会发现两者思路差别很大。ComfyUI 的每一步数据流更透明报错后也更容易定位是模型没加载成功还是提示词没接好还是采样参数不对。如果你是第一次接触 AI 绘画也不用被节点图吓住。按下面这条路线走绝大多数环境问题、模型问题、节点问题都是可预判的。1. 先搞懂 ComfyUI 解决什么问题再决定要不要学1.1 为什么现在很多人从 WebUI 转向 ComfyUI先给结论ComfyUI 的核心优势不是单张图片画得比 WebUI 好而是把整个生成过程变成了可视化、可复用的工作流。WebUI 的做法是把功能都做成界面按钮操作路径相对固定。ComfyUI 则把每个步骤拆成独立节点。比如“加载模型”是一个节点“写正面提示词”是一个节点“写负面提示词”是另一个节点“采样”又是一个节点。节点之间用连线连接数据沿着线按顺序流动。这个差异带来的实际好处很明显改流程不用翻设置直接换节点或改连线。同一个工作流文件可以完整复现换电脑也不怕设置丢失。社区分享的工作流拖进界面就能看到作者的完整搭建思路。局部重绘、ControlNet、AI 视频生成这类复杂任务可以更精细地控制数据流。所以如果你想长期用 AI 绘画做内容或者准备接触 AI 视频生成ComfyUI 是值得投入时间掌握的。1.2 新手最容易理解的节点运行原理可以把 ComfyUI 想象成一条流水线。图片不是凭空冒出来的它先被“加载模型”节点读取再通过“CLIP 文本编码”节点把提示词转换成模型能理解的数值接着由“空图像”节点创建一张初始画布然后“采样器”节点在这个画布上逐步去噪、生成图像信息最后由“VAE 解码”节点还原成真正的图片经过“保存图像”节点写入硬盘。看一个工作流时不需要把每个节点都背下来第一步是找到数据从哪来、到哪去。只要这条链路清晰再复杂的工作流也能看懂。1.3 哪些人适合学哪些人可以绕开ComfyUI 并不适合所有人。如果你只是随手生成一张图不想研究任何参数直接用 WebUI 或在线工具更省事。但如果你希望把 AI 绘画和 AI 视频生成做成一套稳定、可复现、能反复调整的流程或者想参考社区工作流做二次扩展ComfyUI 是更合适的选择。新手最容易被劝退的其实不是节点数量多而是不知道“一个节点到底要接什么”。解决这个问题最有效的办法不是看一堆理论而是抄成熟工作流。先跑通再理解最后改。这是最省力的路线。2. 安装部署先按整合包跑通再考虑手动搭建2.1 硬件条件普通显卡能玩到什么程度运行 ComfyUI 主要依赖显卡、显存、内存和磁盘。显卡方面NVIDIA 显卡最省心因为 CUDA 生态最成熟大部分节点默认按 CUDA 设计。没有 NVIDIA 显卡也能跑但部分自定义节点可能需要额外配置速度也会受影响。显存方面如果你主要做 AI 绘画8GB 显存是比较舒服的起点可以稳定运行大部分文生图、图生图工作流。如果经常把分辨率拉到 1024 以上或者同时使用 ControlNet、IPAdapter 这类辅助节点8GB 会开始紧张。12GB 和 16GB 会更从容。很多人会问 3060 能不能跑 AI 视频生成。以常见的本地视频生成模型为例3060 12GB 可以跑但需要控制分辨率和帧数。比如生成 480p 左右、几秒钟的短视频可以尝试。如果直接生成 1080p 长视频大概率爆显存或者速度慢到不实用。内存方面16GB 是基础32GB 更稳。因为加载模型、处理视频帧、执行局部重绘时内存占用会明显上升。磁盘方面模型文件普遍是几个 GB 到十几 GB视频模型可能更大建议预留 100GB 以上空闲空间并尽量把模型放在固态硬盘上。否则加载模型和工作流的速度会非常影响体验。2.2 整合包和手动部署怎么选2026 年的新手我建议先使用社区整合包。最常见的包括“秋叶一键整合包”这类方案。整合包的好处是Python 环境、依赖库、ComfyUI 本体、常用模型、基础插件都已经配置好下载解压、启动、跑默认工作流就能直接看到效果。整合包不是官方发布但它解决了新手最大的痛点依赖环境。很多人在手动部署阶段卡住不是 ComfyUI 本身有问题而是 Python 版本不匹配、依赖包缺失、显卡驱动对不上。整合包把这些坑提前填平了。手动部署适合哪些人如果你准备深度定制、要在服务器上部署、或者需要频繁切换不同实验环境那值得学会手动部署。基本思路是克隆官方仓库创建 Python 虚拟环境安装依赖再启动。手动部署更灵活但对排错能力要求更高。我建议的顺序是先整合包跑通确认自己确实需要 ComfyUI再找时间手动部署一遍。即使手动部署失败也不会影响学习主线。2.3 启动后第一件事检查模型和界面启动完成后第一件事不是急着搭工作流而是先跑默认例子。ComfyUI 首次打开通常自带一个文生图工作流。你只需要确认三件事界面能正常打开。默认模型能加载。点击生成后能出图。如果三点都正常说明基础环境没问题。之后再逐步换成自己下载的模型和别人的工作流。这里有一个容易忽略的提醒很多新手拿到工作流文件后直接拖进去发现一堆红色节点或者报“请安装缺失的包以使用此工作流”。这不是 ComfyUI 坏了而是工作流用到的自定义节点、模型或依赖本地没有。这个问题后面单独讲。先记住看到红节点不要慌按缺失信息一步步补。3. 理解工作流核心节点、连线、模型3.1 节点怎么分类连线怎么理解ComfyUI 的节点可以粗略分成几类加载类加载模型、加载图片、加载视频。编码类把文本、图像转换成模型能理解的中间表示。生成类创建潜空间图像、执行采样。解码类把潜空间数据还原成像素图。保存预览类保存图片、输出视频、预览结果。每个节点都有输入接口和输出接口。连线就是把上一节点的输出接到下一节点的输入。可以把节点理解成标准接口的积木只要接口类型匹配数据就能往下传。新手搭工作流时最容易出现的问题是“找不到某个节点”。解决办法双击界面空白处输入关键词搜索。像 CheckpointLoaderSimple、CLIPTextEncode、KSampler、VAEDecode、SaveImage 这几种基础节点名最好能记住。记不住也没关系用多了自然熟了。3.2 模型类型和放置目录ComfyUI 运行时最重要的资源是模型。模型文件通常以 .safetensors 或 .ckpt 结尾里面包含了大模型的主要能力。常见目录结构如下ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型 │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── ipadapter/ # IPAdapter 相关权重 └── custom_nodes/ # 自定义节点下载模型后放到对应目录启动 ComfyUI 时加载节点的下拉列表里就能看到。如果看不到先检查目录是否正确再检查模型文件是否下载完整。有时文件损坏或没下载完也会导致加载失败。3.3 如何判断一个工作流能不能直接运行拿到一个工作流文件先别急着点运行。按这个顺序快速检查是否有红色节点。有红节点说明缺少自定义节点或依赖需要先补装。是否有模型节点显示为空。显示为空说明本地没有对应模型或者模型不在默认目录。是否有连线断开。连线断开说明工作流不完整或者分享者手动删除了部分节点。看基础参数。分辨率、步数、批次数是否在显卡承受范围内。以上都正常再点运行。如果报错优先看控制台日志。ComfyUI 的日志比 WebUI 更直接通常会把缺失的节点名、依赖包名、模型路径都写在里面。4. 从零搭建第一个文生图工作流4.1 最小工作流需要哪些节点第一次搭工作流建议搭一个最标准、最精简的文生图流程。需要这 7 个节点CheckpointLoaderSimple加载大模型。CLIPTextEncode写正面提示词。CLIPTextEncode再取一个写负面提示词。EmptyLatentImage创建一张空的潜空间图像。KSampler执行扩散采样。VAEDecode把潜空间结果解码成图片。SaveImage保存图片。这 7 个节点组合起来就是一个可运行的闭环。4.2 搭建步骤和关键参数第一步在画布空白处双击输入 CheckpointLoaderSimple选择后它出现在画布上。节点下拉框会默认选中一个模型新手阶段先用默认。第二步搜索 CLIPTextEncode创建两个。一个写正面提示词一个写负面提示词。第三步搜索 EmptyLatentImage设置宽高。初学阶段建议 512x512 或 768x768不要一上来直接 1024x1024。原因很简单分辨率越高采样耗时越长显存占用越大出问题时排查难度也越高。第四步搜索 KSampler配置几个关键参数seed随机种子。每次变化种子生成的图片不同。固定种子配合相同提示词和参数可以复现同一张图。steps采样步数。常见范围 20 到 30。步数越高不一定质量越高但耗时一定更长。cfg提示词引导强度。常见范围 5 到 8。太高画面可能失真太低可能偏离提示词。sampler_name采样器名称。入门用默认即可不用逐个研究。scheduler调度器同样用默认。denoise文生图流程一般保持 1.0。第五步搜索 VAEDecode把 KSampler 的输出接进去。第六步搜索 SaveImage接到 VAEDecode 之后。连线关系如下CheckpointLoaderSimple 的 MODEL 输出接 KSampler 的 model 输入。CheckpointLoaderSimple 的 CLIP 输出分别接两个 CLIPTextEncode 的 clip 输入。两个 CLIPTextEncode 的 conditioning 输出分别接 KSampler 的 positive 和 negative 输入。EmptyLatentImage 的 latent 输出接 KSampler 的 latent_image 输入。KSampler 的 LATENT 输出接 VAEDecode 的 samples 输入。CheckpointLoaderSimple 的 VAE 输出接 VAEDecode 的 vae 输入。VAEDecode 的 IMAGE 输出接 SaveImage 的 images 输入。4.3 第一次出图的验收标准跑通之后不要只看“出了一张图”就结束。建议做三个测试修改提示词重新生成看图片是否明显变化。点击 seed 旁边的随机按钮重新生成看是否得到不同结果。换一个模型重新生成确认模型切换正常。三个测试都通过说明基础工作流是稳定可用的。如果某个测试没通过比如换模型后报错优先检查模型文件是否完整。5. 图生图、局部重绘和批量生成5.1 图生图工作流怎么搭图生图和文生图最大的区别不是从空图像开始而是从一张已有图片开始。做法是在文生图工作流基础上把 EmptyLatentImage 替换成 LoadImage 加 VAE Encode。流程是用 LoadImage 加载图片。把图片通过 VAE Encode 转换为潜空间数据。把 VAE Encode 的 LATENT 输出接入 KSampler 的 latent_image 输入。这样 KSampler 不再从空白开始生成而是在原图基础上加工。关键参数是 denoise它表示在原图基础上做多大程度的修改。denoise 在 0.3 到 0.5 之间轻度风格迁移、细节修复。denoise 在 0.6 到 0.8 之间画面会有明显变化。denoise 接近 1.0几乎等于重新生成。新手测试图生图时建议先把 denoise 调到 0.5 左右看效果再决定往哪个方向调。5.2 局部重绘的蒙版节点局部重绘需求很常见只改脸、改手、换背景其余区域保持不变。ComfyUI 里实现局部重绘有几种常见方式最基础的是蒙版思路。先在图片上涂出需要重绘的区域然后通过 Set Latent Noise Mask 这类节点把蒙版信息传给采样器。这样 KSampler 只重绘蒙版覆盖的区域蒙版之外保持原样。局部重绘对新手来说是一个明显分水岭。如果能在一个工作流里同时控制“哪些区域重绘”“denoise 调多少”“是否引入原图结构”基本就理解了节点数据流的本质。5.3 批量生成时要注意什么基础工作流跑通后批量生成是效率关键。ComfyUI 里批量生成有两种常见方式在 EmptyLatentImage 的 batch_size 中调大批量数。使用队列功能一次排队多个任务。实际建议不要一上来就把 batch_size 调到 8 或 16。先跑一条确认出图稳定再逐步增加。因为 batch_size 增大后显存占用和处理时间都会同步上升一旦中途爆显存整个批次可能全部失败。批量任务还有一个容易踩的坑输出文件命名。如果多个任务使用同一个保存节点文件名冲突可能覆盖之前的结果。批量任务开始前最好设置好输出目录和文件名前缀。SaveImage 节点通常可以通过参数控制文件名格式务必提前确认。如果要长时间批量跑比如连续生成几十张图建议盯住两个指标显存占用和日志打印速度。任务卡住时先看显存是否被打满再看节点是否一直没返回结果。6. AI 视频生成工作流入门6.1 视频生成工作流的两种常见路径ComfyUI 里的 AI 视频生成大致有两种方向。第一种是图生视频。给一张起始图片让模型根据这张图和提示词生成一段连续视频。你提供第一帧模型补出后续帧。这类工作流对视频模型能力要求较高分辨率、帧数、运动幅度都由模型能力决定。第二种是动画化思路。给模型一组图片让它生成风格统一的连贯动画帧再合成视频。这种工作流更适合动画场景但每一帧的稳定性要求很高需要做帧间控制。6.2 视频工作流需要哪些节点和模型视频工作流比文生图复杂得多常见节点包括视频模型加载节点加载视频生成模型权重。图像编码节点把输入图片编码成潜空间数据。帧序列处理节点控制帧数、帧率、分辨率。KSampler 采样节点类似图像采样但输入输出变成连续帧。视频解码和保存节点把潜空间帧解码并输出成视频文件。导入社区视频工作流时新手最常遇到的报错就是“请安装缺失的包”。很多视频节点来自第三方插件不在 ComfyUI 默认安装范围内。需要根据报错提示找到对应的自定义节点仓库安装到 ComfyUI/custom_nodes 目录重启 ComfyUI 再加载工作流。6.3 3060 这类中端显卡能跑到什么程度以 3060 12GB 为代表的中端显卡跑 AI 视频生成是可行的但一定要控制预期。建议的参数起点分辨率尽量控制在 512 或 640 级别别一开始就尝试 1080p。帧数先做 16 到 24 帧时长只有一两秒用来验证流程能跑通。帧率常见 8 到 12 帧每秒生成结果看起来像连续动画。更高帧率意味着更多帧显存压力会明显增加。流程跑通后再根据显存余量逐步提高分辨率或帧数。如果爆显存优先降分辨率因为分辨率对显存的影响比帧数更直接。这里说实话视频生成速度并不会太快。中端显卡生成几秒短视频往往需要几分钟甚至更久。这不是 ComfyUI 的缺陷而是视频模型本身计算量就大。做视频工作流心态上要接受“等待时间较长”这个事实先把单条视频跑通再考虑批量。7. 导入社区工作流缺失节点和缺失包到底怎么解决7.1 工作流的导入方式社区下载的工作流文件常见格式是 .json 或 .png。两种都可以导入。.json 文件打开 ComfyUI 界面后直接把文件拖进浏览器窗口或者通过界面菜单加载。.png 文件更常见。很多作者会把工作流信息嵌入到生成图片的 PNG 中。把图片拖进 ComfyUI 窗口ComfyUI 会自动识别里面的工作流信息并还原节点图。不过要注意PNG 导入还原的是“图片对应的生成参数”不一定包含作者保存的所有节点。如果还原出来的节点不完整可能要找作者分享的完整 JSON 文件。7.2 “请安装缺失的包”到底是什么意思社区工作流报“请安装缺失的包以使用此工作流”的时候它其实在说两件事这个工作流用到了你本地没有的自定义节点。自定义节点内部又依赖某些 Python 包你本地也没有。先处理自定义节点。ComfyUI 的自定义节点放在 ComfyUI/custom_nodes 目录下。安装方式通常是 git clone 对应的插件仓库或者在 ComfyUI Manager 里搜索并安装。再处理缺失的 Python 包。很多自定义节点会在自己的目录下附带 requirements.txt报错提示会告诉你“在你的 python 环境中运行某个命令”。你需要在 ComfyUI 所在 Python 环境里执行安装命令。使用整合包时注意要用整合包自带的 Python 解释器执行而不是系统 Python。一个常见的流程示例# 进入自定义节点目录 cd ComfyUI/custom_nodes/某个插件目录 # 激活 ComfyUI 的 Python 环境后安装依赖 pip install -r requirements.txt7.3 缺失节点和缺失模型的排查顺序我的排查顺序比较固定先看控制台日志找出第一个报错点。不要被后面刷屏的红字干扰重点看最早出现的那个。如果提示缺失节点去 ComfyUI Manager 或 custom_nodes 目录补装。重新启动 ComfyUI再次加载工作流。如果还报错检查模型路径。很多工作流引用了特定模型本地没有时加载节点会显示为红色或空。模型文件补齐后再次运行。如果仍失败看是不是依赖包版本和当前环境冲突可以尝试在插件目录下单独执行依赖安装。这个顺序可以解决绝大多数工作流导入问题。真正难排查的不是“缺什么”而是“不缺东西但报错”。这类问题通常和版本兼容性有关需要看详细报错信息中的 Python 异常原因。8. 常见报错和性能优化8.1 启动失败和依赖问题启动失败集中在几个方面Python 版本不兼容。ComfyUI 对 Python 版本有要求太高太低都可能出问题。缺少编译工具或 CUDA 组件。NVIDIA 显卡需要匹配的驱动和 PyTorch 版本。端口被占用。ComfyUI 默认使用 8188 端口如果被其他程序占用启动会失败。整合包用户遇到的启动问题通常少一些因为环境已固定。手动部署用户遇到问题要按日志从下往上找看具体的 ImportError 或 ModuleNotFoundError。8.2 显存不足和生成卡住显存不足有两种表现。一种是在启动或加载时报torch.cuda.OutOfMemoryError直接告诉你显存不够。另一种是生成到中途卡住显存占用涨满后程序假死。建议这样做把分辨率降下来。把 batch_size 调到 1。关闭其他占用显存的应用包括浏览器里的硬件加速。必要时通过启动参数开启低显存模式。生成卡住时先不要频繁点击生成按钮那样会让多个任务排队显存压力更大。应该先到任务队列清空排队任务再检查资源占用。8.3 控制台日志和参数排查控制台日志是排查问题的最重要入口。新手遇到报错先做基础判断红色文字的第一行通常是错误类型比如找不到文件、找不到模块、显存不足。如果某一行出现节点名说明是那个节点执行时报错。如果是模型加载报错检查模型是否完整、路径是否正确、是否放错目录。一个适合多数场景的排查顺序输入输出是否正常图片有没有加载成功保存目录是否有权限。模型是否正常先用自己确认能跑的模型测试。参数是否合理分辨率、步数、batch_size、denoise 是否超范围。环境依赖自定义节点和 Python 包版本。硬件资源显存、内存、磁盘空间。大多数情况下问题不在模型本身而在输入图片、路径、权限、依赖版本或参数范围。所以不要一报错就重装整个软件先按这个顺序排查。8.4 几个提升效率的习惯最后说几个提升日常使用效率的习惯。第一养成维护稳定基础工作流的习惯。熟悉 ComfyUI 后把常用模板保存下来比如文生图模板、图生图模板、局部重绘模板、视频生成模板。每次工作从模板复制而不是在空白画布重搭。第二定期清理输出目录。批量生成的图片和视频非常占空间如果不清理磁盘可能不知不觉就满了。建议每次批量任务结束后检查一次输出目录。第三学会看工作流 JSON 文件。用文本编辑器打开 .json 文件能看到节点、连线和参数的描述。理解这个结构之后甚至可以手工修改工作流不一定每次都在界面里拖节点。我个人更建议把学习分成三个阶段。第一阶段用整合包跑通默认工作流建立信心。第二阶段照着经典工作流搭建文生图、图生图、局部重绘理解节点间的关系。第三阶段再碰视频生成和复杂插件。到这一步你遇到的大部分问题都不再是“完全看不懂”的问题而是可以通过日志和排查顺序解决的实际问题。踩过几次坑之后就会发现很多问题不是工具能力不够而是前置环境和输入材料没有处理干净。
ComfyUI新手入门：从节点式工作流到AI视频生成全攻略
ComfyUI 是当前 AI 绘画和 AI 视频生成领域非常值得系统学习的工作流工具。它和普通画图软件不同核心是节点式工作流把加载模型、写提示词、采样、解码、保存这些步骤拆成节点用连线串起来组成一个可复用、可分享、可修改的流程图。这份教程按 2026 年新手入门最实用的路径来整理目标很直接让一个完全没用过 ComfyUI 的人从安装开始逐步做到自己搭文生图、图生图、局部重绘再跑通 AI 视频生成工作流最后能处理社区工作流最常见的“缺失节点”“缺失包”报错。如果你之前用过 Stable Diffusion WebUI会发现两者思路差别很大。ComfyUI 的每一步数据流更透明报错后也更容易定位是模型没加载成功还是提示词没接好还是采样参数不对。如果你是第一次接触 AI 绘画也不用被节点图吓住。按下面这条路线走绝大多数环境问题、模型问题、节点问题都是可预判的。1. 先搞懂 ComfyUI 解决什么问题再决定要不要学1.1 为什么现在很多人从 WebUI 转向 ComfyUI先给结论ComfyUI 的核心优势不是单张图片画得比 WebUI 好而是把整个生成过程变成了可视化、可复用的工作流。WebUI 的做法是把功能都做成界面按钮操作路径相对固定。ComfyUI 则把每个步骤拆成独立节点。比如“加载模型”是一个节点“写正面提示词”是一个节点“写负面提示词”是另一个节点“采样”又是一个节点。节点之间用连线连接数据沿着线按顺序流动。这个差异带来的实际好处很明显改流程不用翻设置直接换节点或改连线。同一个工作流文件可以完整复现换电脑也不怕设置丢失。社区分享的工作流拖进界面就能看到作者的完整搭建思路。局部重绘、ControlNet、AI 视频生成这类复杂任务可以更精细地控制数据流。所以如果你想长期用 AI 绘画做内容或者准备接触 AI 视频生成ComfyUI 是值得投入时间掌握的。1.2 新手最容易理解的节点运行原理可以把 ComfyUI 想象成一条流水线。图片不是凭空冒出来的它先被“加载模型”节点读取再通过“CLIP 文本编码”节点把提示词转换成模型能理解的数值接着由“空图像”节点创建一张初始画布然后“采样器”节点在这个画布上逐步去噪、生成图像信息最后由“VAE 解码”节点还原成真正的图片经过“保存图像”节点写入硬盘。看一个工作流时不需要把每个节点都背下来第一步是找到数据从哪来、到哪去。只要这条链路清晰再复杂的工作流也能看懂。1.3 哪些人适合学哪些人可以绕开ComfyUI 并不适合所有人。如果你只是随手生成一张图不想研究任何参数直接用 WebUI 或在线工具更省事。但如果你希望把 AI 绘画和 AI 视频生成做成一套稳定、可复现、能反复调整的流程或者想参考社区工作流做二次扩展ComfyUI 是更合适的选择。新手最容易被劝退的其实不是节点数量多而是不知道“一个节点到底要接什么”。解决这个问题最有效的办法不是看一堆理论而是抄成熟工作流。先跑通再理解最后改。这是最省力的路线。2. 安装部署先按整合包跑通再考虑手动搭建2.1 硬件条件普通显卡能玩到什么程度运行 ComfyUI 主要依赖显卡、显存、内存和磁盘。显卡方面NVIDIA 显卡最省心因为 CUDA 生态最成熟大部分节点默认按 CUDA 设计。没有 NVIDIA 显卡也能跑但部分自定义节点可能需要额外配置速度也会受影响。显存方面如果你主要做 AI 绘画8GB 显存是比较舒服的起点可以稳定运行大部分文生图、图生图工作流。如果经常把分辨率拉到 1024 以上或者同时使用 ControlNet、IPAdapter 这类辅助节点8GB 会开始紧张。12GB 和 16GB 会更从容。很多人会问 3060 能不能跑 AI 视频生成。以常见的本地视频生成模型为例3060 12GB 可以跑但需要控制分辨率和帧数。比如生成 480p 左右、几秒钟的短视频可以尝试。如果直接生成 1080p 长视频大概率爆显存或者速度慢到不实用。内存方面16GB 是基础32GB 更稳。因为加载模型、处理视频帧、执行局部重绘时内存占用会明显上升。磁盘方面模型文件普遍是几个 GB 到十几 GB视频模型可能更大建议预留 100GB 以上空闲空间并尽量把模型放在固态硬盘上。否则加载模型和工作流的速度会非常影响体验。2.2 整合包和手动部署怎么选2026 年的新手我建议先使用社区整合包。最常见的包括“秋叶一键整合包”这类方案。整合包的好处是Python 环境、依赖库、ComfyUI 本体、常用模型、基础插件都已经配置好下载解压、启动、跑默认工作流就能直接看到效果。整合包不是官方发布但它解决了新手最大的痛点依赖环境。很多人在手动部署阶段卡住不是 ComfyUI 本身有问题而是 Python 版本不匹配、依赖包缺失、显卡驱动对不上。整合包把这些坑提前填平了。手动部署适合哪些人如果你准备深度定制、要在服务器上部署、或者需要频繁切换不同实验环境那值得学会手动部署。基本思路是克隆官方仓库创建 Python 虚拟环境安装依赖再启动。手动部署更灵活但对排错能力要求更高。我建议的顺序是先整合包跑通确认自己确实需要 ComfyUI再找时间手动部署一遍。即使手动部署失败也不会影响学习主线。2.3 启动后第一件事检查模型和界面启动完成后第一件事不是急着搭工作流而是先跑默认例子。ComfyUI 首次打开通常自带一个文生图工作流。你只需要确认三件事界面能正常打开。默认模型能加载。点击生成后能出图。如果三点都正常说明基础环境没问题。之后再逐步换成自己下载的模型和别人的工作流。这里有一个容易忽略的提醒很多新手拿到工作流文件后直接拖进去发现一堆红色节点或者报“请安装缺失的包以使用此工作流”。这不是 ComfyUI 坏了而是工作流用到的自定义节点、模型或依赖本地没有。这个问题后面单独讲。先记住看到红节点不要慌按缺失信息一步步补。3. 理解工作流核心节点、连线、模型3.1 节点怎么分类连线怎么理解ComfyUI 的节点可以粗略分成几类加载类加载模型、加载图片、加载视频。编码类把文本、图像转换成模型能理解的中间表示。生成类创建潜空间图像、执行采样。解码类把潜空间数据还原成像素图。保存预览类保存图片、输出视频、预览结果。每个节点都有输入接口和输出接口。连线就是把上一节点的输出接到下一节点的输入。可以把节点理解成标准接口的积木只要接口类型匹配数据就能往下传。新手搭工作流时最容易出现的问题是“找不到某个节点”。解决办法双击界面空白处输入关键词搜索。像 CheckpointLoaderSimple、CLIPTextEncode、KSampler、VAEDecode、SaveImage 这几种基础节点名最好能记住。记不住也没关系用多了自然熟了。3.2 模型类型和放置目录ComfyUI 运行时最重要的资源是模型。模型文件通常以 .safetensors 或 .ckpt 结尾里面包含了大模型的主要能力。常见目录结构如下ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型 │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── ipadapter/ # IPAdapter 相关权重 └── custom_nodes/ # 自定义节点下载模型后放到对应目录启动 ComfyUI 时加载节点的下拉列表里就能看到。如果看不到先检查目录是否正确再检查模型文件是否下载完整。有时文件损坏或没下载完也会导致加载失败。3.3 如何判断一个工作流能不能直接运行拿到一个工作流文件先别急着点运行。按这个顺序快速检查是否有红色节点。有红节点说明缺少自定义节点或依赖需要先补装。是否有模型节点显示为空。显示为空说明本地没有对应模型或者模型不在默认目录。是否有连线断开。连线断开说明工作流不完整或者分享者手动删除了部分节点。看基础参数。分辨率、步数、批次数是否在显卡承受范围内。以上都正常再点运行。如果报错优先看控制台日志。ComfyUI 的日志比 WebUI 更直接通常会把缺失的节点名、依赖包名、模型路径都写在里面。4. 从零搭建第一个文生图工作流4.1 最小工作流需要哪些节点第一次搭工作流建议搭一个最标准、最精简的文生图流程。需要这 7 个节点CheckpointLoaderSimple加载大模型。CLIPTextEncode写正面提示词。CLIPTextEncode再取一个写负面提示词。EmptyLatentImage创建一张空的潜空间图像。KSampler执行扩散采样。VAEDecode把潜空间结果解码成图片。SaveImage保存图片。这 7 个节点组合起来就是一个可运行的闭环。4.2 搭建步骤和关键参数第一步在画布空白处双击输入 CheckpointLoaderSimple选择后它出现在画布上。节点下拉框会默认选中一个模型新手阶段先用默认。第二步搜索 CLIPTextEncode创建两个。一个写正面提示词一个写负面提示词。第三步搜索 EmptyLatentImage设置宽高。初学阶段建议 512x512 或 768x768不要一上来直接 1024x1024。原因很简单分辨率越高采样耗时越长显存占用越大出问题时排查难度也越高。第四步搜索 KSampler配置几个关键参数seed随机种子。每次变化种子生成的图片不同。固定种子配合相同提示词和参数可以复现同一张图。steps采样步数。常见范围 20 到 30。步数越高不一定质量越高但耗时一定更长。cfg提示词引导强度。常见范围 5 到 8。太高画面可能失真太低可能偏离提示词。sampler_name采样器名称。入门用默认即可不用逐个研究。scheduler调度器同样用默认。denoise文生图流程一般保持 1.0。第五步搜索 VAEDecode把 KSampler 的输出接进去。第六步搜索 SaveImage接到 VAEDecode 之后。连线关系如下CheckpointLoaderSimple 的 MODEL 输出接 KSampler 的 model 输入。CheckpointLoaderSimple 的 CLIP 输出分别接两个 CLIPTextEncode 的 clip 输入。两个 CLIPTextEncode 的 conditioning 输出分别接 KSampler 的 positive 和 negative 输入。EmptyLatentImage 的 latent 输出接 KSampler 的 latent_image 输入。KSampler 的 LATENT 输出接 VAEDecode 的 samples 输入。CheckpointLoaderSimple 的 VAE 输出接 VAEDecode 的 vae 输入。VAEDecode 的 IMAGE 输出接 SaveImage 的 images 输入。4.3 第一次出图的验收标准跑通之后不要只看“出了一张图”就结束。建议做三个测试修改提示词重新生成看图片是否明显变化。点击 seed 旁边的随机按钮重新生成看是否得到不同结果。换一个模型重新生成确认模型切换正常。三个测试都通过说明基础工作流是稳定可用的。如果某个测试没通过比如换模型后报错优先检查模型文件是否完整。5. 图生图、局部重绘和批量生成5.1 图生图工作流怎么搭图生图和文生图最大的区别不是从空图像开始而是从一张已有图片开始。做法是在文生图工作流基础上把 EmptyLatentImage 替换成 LoadImage 加 VAE Encode。流程是用 LoadImage 加载图片。把图片通过 VAE Encode 转换为潜空间数据。把 VAE Encode 的 LATENT 输出接入 KSampler 的 latent_image 输入。这样 KSampler 不再从空白开始生成而是在原图基础上加工。关键参数是 denoise它表示在原图基础上做多大程度的修改。denoise 在 0.3 到 0.5 之间轻度风格迁移、细节修复。denoise 在 0.6 到 0.8 之间画面会有明显变化。denoise 接近 1.0几乎等于重新生成。新手测试图生图时建议先把 denoise 调到 0.5 左右看效果再决定往哪个方向调。5.2 局部重绘的蒙版节点局部重绘需求很常见只改脸、改手、换背景其余区域保持不变。ComfyUI 里实现局部重绘有几种常见方式最基础的是蒙版思路。先在图片上涂出需要重绘的区域然后通过 Set Latent Noise Mask 这类节点把蒙版信息传给采样器。这样 KSampler 只重绘蒙版覆盖的区域蒙版之外保持原样。局部重绘对新手来说是一个明显分水岭。如果能在一个工作流里同时控制“哪些区域重绘”“denoise 调多少”“是否引入原图结构”基本就理解了节点数据流的本质。5.3 批量生成时要注意什么基础工作流跑通后批量生成是效率关键。ComfyUI 里批量生成有两种常见方式在 EmptyLatentImage 的 batch_size 中调大批量数。使用队列功能一次排队多个任务。实际建议不要一上来就把 batch_size 调到 8 或 16。先跑一条确认出图稳定再逐步增加。因为 batch_size 增大后显存占用和处理时间都会同步上升一旦中途爆显存整个批次可能全部失败。批量任务还有一个容易踩的坑输出文件命名。如果多个任务使用同一个保存节点文件名冲突可能覆盖之前的结果。批量任务开始前最好设置好输出目录和文件名前缀。SaveImage 节点通常可以通过参数控制文件名格式务必提前确认。如果要长时间批量跑比如连续生成几十张图建议盯住两个指标显存占用和日志打印速度。任务卡住时先看显存是否被打满再看节点是否一直没返回结果。6. AI 视频生成工作流入门6.1 视频生成工作流的两种常见路径ComfyUI 里的 AI 视频生成大致有两种方向。第一种是图生视频。给一张起始图片让模型根据这张图和提示词生成一段连续视频。你提供第一帧模型补出后续帧。这类工作流对视频模型能力要求较高分辨率、帧数、运动幅度都由模型能力决定。第二种是动画化思路。给模型一组图片让它生成风格统一的连贯动画帧再合成视频。这种工作流更适合动画场景但每一帧的稳定性要求很高需要做帧间控制。6.2 视频工作流需要哪些节点和模型视频工作流比文生图复杂得多常见节点包括视频模型加载节点加载视频生成模型权重。图像编码节点把输入图片编码成潜空间数据。帧序列处理节点控制帧数、帧率、分辨率。KSampler 采样节点类似图像采样但输入输出变成连续帧。视频解码和保存节点把潜空间帧解码并输出成视频文件。导入社区视频工作流时新手最常遇到的报错就是“请安装缺失的包”。很多视频节点来自第三方插件不在 ComfyUI 默认安装范围内。需要根据报错提示找到对应的自定义节点仓库安装到 ComfyUI/custom_nodes 目录重启 ComfyUI 再加载工作流。6.3 3060 这类中端显卡能跑到什么程度以 3060 12GB 为代表的中端显卡跑 AI 视频生成是可行的但一定要控制预期。建议的参数起点分辨率尽量控制在 512 或 640 级别别一开始就尝试 1080p。帧数先做 16 到 24 帧时长只有一两秒用来验证流程能跑通。帧率常见 8 到 12 帧每秒生成结果看起来像连续动画。更高帧率意味着更多帧显存压力会明显增加。流程跑通后再根据显存余量逐步提高分辨率或帧数。如果爆显存优先降分辨率因为分辨率对显存的影响比帧数更直接。这里说实话视频生成速度并不会太快。中端显卡生成几秒短视频往往需要几分钟甚至更久。这不是 ComfyUI 的缺陷而是视频模型本身计算量就大。做视频工作流心态上要接受“等待时间较长”这个事实先把单条视频跑通再考虑批量。7. 导入社区工作流缺失节点和缺失包到底怎么解决7.1 工作流的导入方式社区下载的工作流文件常见格式是 .json 或 .png。两种都可以导入。.json 文件打开 ComfyUI 界面后直接把文件拖进浏览器窗口或者通过界面菜单加载。.png 文件更常见。很多作者会把工作流信息嵌入到生成图片的 PNG 中。把图片拖进 ComfyUI 窗口ComfyUI 会自动识别里面的工作流信息并还原节点图。不过要注意PNG 导入还原的是“图片对应的生成参数”不一定包含作者保存的所有节点。如果还原出来的节点不完整可能要找作者分享的完整 JSON 文件。7.2 “请安装缺失的包”到底是什么意思社区工作流报“请安装缺失的包以使用此工作流”的时候它其实在说两件事这个工作流用到了你本地没有的自定义节点。自定义节点内部又依赖某些 Python 包你本地也没有。先处理自定义节点。ComfyUI 的自定义节点放在 ComfyUI/custom_nodes 目录下。安装方式通常是 git clone 对应的插件仓库或者在 ComfyUI Manager 里搜索并安装。再处理缺失的 Python 包。很多自定义节点会在自己的目录下附带 requirements.txt报错提示会告诉你“在你的 python 环境中运行某个命令”。你需要在 ComfyUI 所在 Python 环境里执行安装命令。使用整合包时注意要用整合包自带的 Python 解释器执行而不是系统 Python。一个常见的流程示例# 进入自定义节点目录 cd ComfyUI/custom_nodes/某个插件目录 # 激活 ComfyUI 的 Python 环境后安装依赖 pip install -r requirements.txt7.3 缺失节点和缺失模型的排查顺序我的排查顺序比较固定先看控制台日志找出第一个报错点。不要被后面刷屏的红字干扰重点看最早出现的那个。如果提示缺失节点去 ComfyUI Manager 或 custom_nodes 目录补装。重新启动 ComfyUI再次加载工作流。如果还报错检查模型路径。很多工作流引用了特定模型本地没有时加载节点会显示为红色或空。模型文件补齐后再次运行。如果仍失败看是不是依赖包版本和当前环境冲突可以尝试在插件目录下单独执行依赖安装。这个顺序可以解决绝大多数工作流导入问题。真正难排查的不是“缺什么”而是“不缺东西但报错”。这类问题通常和版本兼容性有关需要看详细报错信息中的 Python 异常原因。8. 常见报错和性能优化8.1 启动失败和依赖问题启动失败集中在几个方面Python 版本不兼容。ComfyUI 对 Python 版本有要求太高太低都可能出问题。缺少编译工具或 CUDA 组件。NVIDIA 显卡需要匹配的驱动和 PyTorch 版本。端口被占用。ComfyUI 默认使用 8188 端口如果被其他程序占用启动会失败。整合包用户遇到的启动问题通常少一些因为环境已固定。手动部署用户遇到问题要按日志从下往上找看具体的 ImportError 或 ModuleNotFoundError。8.2 显存不足和生成卡住显存不足有两种表现。一种是在启动或加载时报torch.cuda.OutOfMemoryError直接告诉你显存不够。另一种是生成到中途卡住显存占用涨满后程序假死。建议这样做把分辨率降下来。把 batch_size 调到 1。关闭其他占用显存的应用包括浏览器里的硬件加速。必要时通过启动参数开启低显存模式。生成卡住时先不要频繁点击生成按钮那样会让多个任务排队显存压力更大。应该先到任务队列清空排队任务再检查资源占用。8.3 控制台日志和参数排查控制台日志是排查问题的最重要入口。新手遇到报错先做基础判断红色文字的第一行通常是错误类型比如找不到文件、找不到模块、显存不足。如果某一行出现节点名说明是那个节点执行时报错。如果是模型加载报错检查模型是否完整、路径是否正确、是否放错目录。一个适合多数场景的排查顺序输入输出是否正常图片有没有加载成功保存目录是否有权限。模型是否正常先用自己确认能跑的模型测试。参数是否合理分辨率、步数、batch_size、denoise 是否超范围。环境依赖自定义节点和 Python 包版本。硬件资源显存、内存、磁盘空间。大多数情况下问题不在模型本身而在输入图片、路径、权限、依赖版本或参数范围。所以不要一报错就重装整个软件先按这个顺序排查。8.4 几个提升效率的习惯最后说几个提升日常使用效率的习惯。第一养成维护稳定基础工作流的习惯。熟悉 ComfyUI 后把常用模板保存下来比如文生图模板、图生图模板、局部重绘模板、视频生成模板。每次工作从模板复制而不是在空白画布重搭。第二定期清理输出目录。批量生成的图片和视频非常占空间如果不清理磁盘可能不知不觉就满了。建议每次批量任务结束后检查一次输出目录。第三学会看工作流 JSON 文件。用文本编辑器打开 .json 文件能看到节点、连线和参数的描述。理解这个结构之后甚至可以手工修改工作流不一定每次都在界面里拖节点。我个人更建议把学习分成三个阶段。第一阶段用整合包跑通默认工作流建立信心。第二阶段照着经典工作流搭建文生图、图生图、局部重绘理解节点间的关系。第三阶段再碰视频生成和复杂插件。到这一步你遇到的大部分问题都不再是“完全看不懂”的问题而是可以通过日志和排查顺序解决的实际问题。踩过几次坑之后就会发现很多问题不是工具能力不够而是前置环境和输入材料没有处理干净。