这次我们来看一套完整的 ComfyUI 工作流搭建教程。ComfyUI 作为 Stable Diffusion 的节点式图形界面工具相比传统 WebUI 提供了更灵活的可视化流程控制能力。这套教程覆盖从本地环境部署、插件安装到节点搭建的全流程目标是让用户能够手把手学会用 ComfyUI 高效出图出视频。ComfyUI 的核心优势在于工作流可保存、可复用支持复杂任务链式执行适合需要批量生成、流程标准化或自定义推理管道的场景。对于显存要求ComfyUI 本身比较轻量但实际占用取决于加载的模型和节点复杂度通常 4G 显存可运行基础文生图6G 以上可体验多数常用功能。它支持 CPU 模式也兼容 AMD 显卡通过 DirectML 或 ROCm老显卡和 50 系新卡都能用。启动方式上有一键整合包和源码部署两种选择整合包适合快速上手源码部署更灵活。接口方面ComfyUI 自带 API 服务支持远程调用和批量任务调度。本文将带读者完成 ComfyUI 的完整部署和功能验证包括环境准备、整合包启动、插件管理、基础工作流搭建、文生图/图生视频测试、API 调用和性能观察。重点会放在实操细节和排查方法上确保读者能独立搭建可用的 ComfyUI 环境。1. 核心能力速览能力项说明项目类型Stable Diffusion 图形化节点工作流工具开源地址GitHub - comfyanonymous/ComfyUI主要功能文生图、图生图、局部重绘、视频生成、工作流定制、批量任务推荐硬件4G 显存GPU 模式或 8G 内存CPU 模式显存占用基础工作流约 3-4G加载大模型后 5-8G依分辨率和工作流复杂度而定支持平台Windows / Linux / macOSCPU 或 GPU启动方式一键整合包秋叶版等或源码 依赖安装API 支持内置 HTTP API支持同步/异步任务提交、进度查询、结果获取批量任务支持目录批量处理、队列任务、工作流参数批量传入适合场景本地测试、内容生产、工作流实验、API 服务集成2. 适用场景与使用边界ComfyUI 适合以下几类用户需要可视化设计 Stable Diffusion 工作流的研究者或创作者希望将生成流程标准化、可复用的团队或项目需要批量生成图片/视频且要求参数一致性的场景想通过 API 将生成能力集成到自有工具的开发者它能解决的问题包括复杂生成流程的可视化搭建与调试多模型串联如先超分后修复条件控制ControlNet、IP-Adapter 等多条件输入长视频生成的分段处理与一致性维护使用边界需要注意ComfyUI 不包含模型文件需自行下载放置到正确目录节点式操作有一定学习成本不适合追求极简操作的用户工作流调试需要耐心节点连接错误可能导致生成失败涉及人脸、版权素材时必须确保输入内容符合授权规范3. 环境准备与前置条件在开始安装前请确认本地环境满足以下条件操作系统Windows 10/11推荐、LinuxUbuntu 20.04、macOS1264 位系统预留 10GB 以上磁盘空间用于模型和依赖Python 环境Python 3.8-3.11推荐 3.10可使用 Miniconda 或官方 Python 发行版确保 pip 版本最新pip install --upgrade pip显卡与驱动NVIDIA 显卡驱动版本 470CUDA 11.3-12.4推荐 11.8AMD 显卡最新驱动可选 DirectMLWindows或 ROCmLinux集成显卡/无独立显卡使用 CPU 模式速度较慢但可用依赖工具Git用于源码部署和插件安装7-Zip 或 Bandizip用于解压模型文件现代浏览器Chrome 90、Edge 90、Firefox 88端口占用检查默认端口 8188如被占用需修改启动参数检查命令Windowsnetstat -ano | findstr :8188检查命令Linux/macOSlsof -i :81884. 安装部署与启动方式ComfyUI 提供两种主要部署方式秋叶整合包推荐新手和源码部署推荐定制化用户。4.1 秋叶整合包一键启动整合包已包含 Python 环境、依赖库和常用插件解压即可用。下载与解压从可靠来源下载最新秋叶 ComfyUI 整合包如 ComfyUI_windows_portable_nvidia.zip解压到不含中文和空格的路径例如D:\ComfyUI目录结构说明ComfyUI/ ├── python_embeded/ # 内置 Python 环境 ├── comfyui/ # ComfyUI 主程序 ├── models/ # 模型存放目录 │ ├── checkpoints/ # 大模型.safetensors 或 .ckpt │ ├── lora/ # LoRA 模型 │ ├── controlnet/ # ControlNet 模型 │ └── vae/ # VAE 模型 ├── output/ # 生成结果默认输出目录 └── run_nvidia_gpu.bat # GPU 启动脚本启动步骤双击run_nvidia_gpu.bat等待依赖检查和服务启动命令行窗口显示 Starting server 和 To see the GUI go to: http://127.0.0.1:8188 即表示成功浏览器访问http://127.0.0.1:8188进入 ComfyUI 界面自定义端口启动编辑run_nvidia_gpu.bat修改--port参数echo off cd comfyui python_embeded\python.exe main.py --port 7890 pause4.2 源码部署方式适合需要最新版本或自定义插件的用户。克隆源码git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI创建虚拟环境可选但推荐conda create -n comfyui python3.10 conda activate comfyui安装依赖pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt启动服务python main.py --port 8188模型文件放置将下载的模型文件按类型放入models对应子目录大模型models/checkpoints/LoRAmodels/lora/ControlNetmodels/controlnet/VAEmodels/vae/5. 插件安装与管理ComfyUI 通过插件扩展功能常用插件包括管理器、节点包、主题等。5.1 使用 ComfyUI Manager 管理插件ComfyUI Manager 是必备插件提供图形化插件安装/更新界面。安装方法进入 ComfyUI 界面点击右上角 Settings → Install Custom Nodes在 URL 输入框粘贴https://github.com/ltdrdata/ComfyUI-Manager.git点击 Install 并重启 ComfyUI通过 Manager 安装其他插件重启后界面出现 Manager 按钮点击进入在 Install Custom Nodes 标签页搜索需要的插件点击 Install 安装如提示重启则重启 ComfyUI5.2 常用插件推荐工作流增强ComfyUI-Impact-Pack大量实用节点包括检测器、分段器、重绘等ComfyUI-Advanced-ControlNet增强 ControlNet 控制能力ComfyUI-InstantIDInstantID 人脸替换节点视频生成ComfyUI-VideoHelperSuite视频加载、合成、帧处理工具AnimateDiff-Evolved动画生成与运动控制界面优化ComfyUI-Impact-Pack自带主题和布局优化ComfyUI-Custom-Scripts自定义脚本支持模型支持ComfyUI-IPAdapter-PlusIP-Adapter 多模态适配ComfyUI-MuseVMuseV 视频生成支持5.3 手动安装插件对于不在 Manager 列表的插件可手动安装# 进入 ComfyUI 自定义节点目录 cd ComfyUI/custom_nodes # 克隆插件仓库 git clone https://github.com/作者/插件名.git # 重启 ComfyUI 服务安装后可在 Add Node 菜单或节点搜索框找到新节点。6. 基础工作流搭建与出图测试下面通过一个完整文生图工作流熟悉节点连接逻辑和参数设置。6.1 创建基础文生图工作流节点组成Load Checkpoint加载大模型CLIP Text Encode (Prompt)正向提示词编码CLIP Text Encode (Negative Prompt)负向提示词编码Empty Latent Image生成空白潜空间图像KSampler采样器控制生成步骤和参数VAE Decode将潜空间图像解码为像素图像Save Image保存生成结果连接步骤右键画布 → Add Node → loaders → Checkpoint Loader添加 CLIP Text Encode 节点两个分别标注为 Positive 和 Negative添加 latent → Empty Latent Image 设置宽高如 512x512添加 sampling → KSampler 设置步骤20、CFG7.5、采样器Euler a添加 latent → VAE Decode添加 image → Save Image节点连接顺序Checkpoint Loader → CLIP Text Encode (clip)Checkpoint Loader → KSampler (model)Checkpoint Loader → VAE Decode (vae)CLIP Text Encode (Positive) → KSampler (positive)CLIP Text Encode (Negative) → KSampler (negative)Empty Latent Image → KSampler (latent_image)KSampler → VAE Decode (samples)VAE Decode → Save Image (images)参数设置示例{ positive_prompt: masterpiece, best quality, 1girl, cherry blossoms, negative_prompt: lowres, bad anatomy, bad hands, text, error, width: 512, height: 512, steps: 20, cfg: 7.5, sampler: euler_ancestral, scheduler: normal }6.2 执行生成与结果验证点击 Queue Prompt 提交任务观察右下角进度条等待生成完成生成完成后Save Image 节点显示预览图右键 Save Image 节点 → Open Image 查看大图图像保存到output目录文件名含时间戳成功判断标准进度条完整走完无错误提示生成图像符合提示词描述图像无明显扭曲、色块、重复图案输出目录有新文件生成6.3 工作流保存与加载保存工作流点击 Save 按钮保存为.json文件工作流文件包含所有节点配置和连接关系加载工作流点击 Load 按钮选择之前保存的.json文件或直接拖拽.json文件到 ComfyUI 画布分享工作流工作流文件可分享给其他 ComfyUI 用户需确保对方有相同模型和插件7. 高级工作流图生视频与批量处理在文生图基础上引入图片输入、视频生成和批量任务能力。7.1 图生视频工作流搭建新增节点Load Image加载输入图片VAE Encode将像素图像编码为潜空间Load Checkpoint视频模型如 AnimateDiff 模型AnimateDiff Loader加载运动模块AnimateDiff Sample视频采样器VAE Decode批量解码视频帧序列Save Image批量保存多帧或生成视频连接逻辑Load Image → VAE Encode 得到潜空间原工作流中的 Empty Latent Image 替换为 VAE Encode 输出添加 AnimateDiff 相关节点到 KSampler 前后调整采样器总帧数如 16 帧和帧率如 8fps参数注意事项视频生成显存占用较高建议从 16 帧 256x256 开始测试可使用视频模型专用 checkpoint如 AnimateDiff 兼容模型输出为图像序列需通过 FFmpeg 或视频工具合成视频7.2 批量任务处理ComfyUI 支持多种批量处理方式目录批量处理使用 Load Image (Batch) 节点加载整个目录图片配置输入目录路径和文件过滤规则每个输入图片独立执行工作流结果保存到输出目录参数批量测试使用 Primitive 节点生成参数列表如不同 CFG 值连接至 KSampler 对应输入端口一次提交生成多个参数组合的结果队列批量任务通过 API 接口连续提交多个任务ComfyUI 自动排队执行支持优先级设置适合集成到自动化脚本或生产环境7.3 工作流优化技巧节点组织使用 Reroute 节点简化连接线对相关节点分组并添加注释框常用子工作流保存为模板节点性能优化使用 Checkpoint Loader (Simple) 减少模型重复加载对大模型使用 Model Merging 节点预融合 LoRA调整 KSampler 的denoise参数控制重绘强度错误处理为关键节点添加 Try-Except 逻辑如有相关插件使用 Image Scale 节点限制输出分辨率避免显存溢出保存工作流前测试所有连接确保无断裂8. 接口 API 与批量任务集成ComfyUI 内置完整的 HTTP API支持本地和远程调用。8.1 API 服务启动启动参数# 启用 API 并允许远程访问 python main.py --port 8188 --listen # 指定 IP 地址如局域网访问 python main.py --port 8188 --listen 0.0.0.0API 文档访问启动后访问http://127.0.0.1:8188/docs查看交互式 API 文档。8.2 基本 API 调用示例获取工作流定义curl -X GET http://127.0.0.1:8188/workflows提交生成任务import requests import json # 工作流 JSON 数据从 ComfyUI 界面 Save 获取 with open(workflow_api.json, r) as f: workflow_data json.load(f) # 提交任务 url http://127.0.0.1:8188/prompt response requests.post(url, json{prompt: workflow_data}) prompt_id response.json()[prompt_id] print(f任务 ID: {prompt_id})查询任务状态# 查询任务执行状态 status_url fhttp://127.0.0.1:8188/history/{prompt_id} status_response requests.get(status_url) if status_response.status_code 200: history status_response.json() if prompt_id in history: print(任务已完成) # 提取输出图像等信息 outputs history[prompt_id][outputs] else: print(任务执行中或未找到)批量任务示例import os import glob # 批量处理目录中的所有图片 input_dir ./input_images image_files glob.glob(os.path.join(input_dir, *.jpg)) for i, image_file in enumerate(image_files): # 动态修改工作流中的图片路径 workflow_data[3][inputs][image] image_file # 提交任务 response requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow_data}) if response.status_code 200: print(f已提交任务 {i1}/{len(image_files)}) else: print(f任务 {i1} 提交失败)8.3 高级 API 功能异步任务处理# 提交异步任务立即返回通过 WebSocket 或轮询获取结果 async_response requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow_data, client_id: my_client})工作流参数动态替换# 在提交前动态修改工作流参数 def update_workflow_params(workflow, prompt_text, width, height): # 找到 CLIP Text Encode 节点根据实际节点 ID text_node_id 6 # 需要根据实际工作流调整 workflow[text_node_id][inputs][text] prompt_text # 找到 Empty Latent Image 节点 latent_node_id 5 workflow[latent_node_id][inputs][width] width workflow[latent_node_id][inputs][height] height return workflow结果回调通知# 设置 Webhook 接收生成完成通知 webhook_workflow workflow_data.copy() webhook_workflow[extra_data] { client_id: my_client, webhook_url: https://my-server.com/comfyui-callback }9. 资源占用与性能观察了解 ComfyUI 运行时资源消耗有助于优化工作流和硬件配置。9.1 显存占用观察Windows 任务管理器打开任务管理器 → 性能 → GPU观察 专用 GPU 内存 使用情况基础工作流3-4GB加载大模型后5-8GB视频生成8-12GB依分辨率和帧数nvidia-smi 监控命令行# 实时监控 GPU 使用情况 nvidia-smi -l 1 # 输出示例 # | GPU Name Persistence-M | Memory-Usage | GPU-Util Compute M | # | 0 NVIDIA GeForce RTX 4060 | 6454MiB / 8192MiB | 45% Default |显存优化技巧使用--lowvram或--novram启动参数降低显存占用工作流中及时断开不再使用的节点连接对大分辨率图像使用 Image Scale 节点先降采样启用模型缓存--gpu-only或--cpu-offload9.2 CPU 与内存使用CPU 模式性能启动参数--cpu生成速度比 GPU 慢 5-10 倍适合模型测试或低负载场景内存占用较高建议 16GB RAM内存监控Windows任务管理器 → 性能 → 内存Linuxtop或htop命令典型占用基础 2-3GB大模型加载后 4-6GB9.3 生成速度测试测试工作流使用标准文生图工作流固定参数分辨率512x512步数20采样器Euler a批量数1速度参考RTX 4060 12GB文生图2-4 秒/张图生图3-5 秒/张视频生成16 帧30-60 秒性能优化方向使用更快的采样器Euler a、DPM 2M Karras降低采样步数20 步→15 步质量损失需测试启用 xFormers 或 SDPA 注意力优化使用 TensorRT 加速需要额外配置10. 常见问题与排查方法问题现象可能原因排查方式解决方案启动时报 Python 错误Python 版本不兼容或依赖缺失查看错误日志具体内容使用推荐 Python 版本重装依赖页面访问空白或错误端口冲突或服务未正常启动检查端口占用查看启动日志更换端口确认服务启动完成加载模型失败模型文件损坏或路径错误检查模型文件 MD5确认路径重新下载模型检查目录结构生成结果全黑/全灰VAE 未正确连接或模型不兼容检查 VAE 节点连接尝试不同 VAE确保 VAE Decode 连接正确更换 VAE显存不足报错工作流过复杂或分辨率太高监控显存使用简化工作流降低分辨率使用--lowvram插件节点不显示插件安装失败或版本冲突检查自定义节点目录查看日志重新安装插件检查兼容性API 调用超时网络问题或任务队列阻塞检查服务状态查看任务队列增加超时时间清理任务队列生成图像质量差提示词不当或模型问题测试简单提示词更换模型优化提示词使用高质量模型详细排查步骤示例问题启动后页面无法访问检查服务是否启动成功命令行窗口应显示 Starting server 和访问地址如无相关信息查看具体错误日志检查端口占用# Windows netstat -ano | findstr :8188 # Linux/macOS lsof -i :8188更换端口启动python main.py --port 7890问题生成时报显存不足监控当前显存使用nvidia-smi降低工作流复杂度减少同时加载的模型数量降低生成分辨率如 512x512→384x384减少采样步数如 20→15使用显存优化参数启动python main.py --lowvram # 或 python main.py --cpu-offload问题插件功能异常检查插件是否正确安装确认custom_nodes目录有对应插件文件夹检查插件要求的依赖是否安装查看 ComfyUI 启动日志日志中会显示插件加载状态和错误信息临时禁用冲突插件重命名插件目录或移动到其他地方逐个启用插件定位问题源11. 最佳实践与使用建议工作流设计原则保持工作流模块化常用功能封装为子工作流为关键参数添加输入节点便于动态调整使用注释节点说明复杂节点组的功能定期保存工作流版本便于回溯和分享模型文件管理按类型分类存放checkpoints、loras、controlnet、vae使用有意义的文件名包含模型版本和用途定期清理不再使用的模型节省磁盘空间重要模型备份到云存储或外部硬盘生成质量优化使用高质量基础模型如 SDXL 1.0合理组合 LoRA 和 ControlNet避免过度约束测试不同采样器和 CFG scale 的组合对重要输出进行多轮生成和人工筛选批量任务安全批量处理前先用单张图片测试工作流稳定性设置合理的任务超时时间避免资源耗尽为批量任务添加进度日志和错误重试机制输出文件使用有意义的命名规则便于后续处理合规使用提醒生成内容需遵守版权和肖像权相关法律法规商业使用前确认模型许可证允许相应用途涉及真人肖像需获得明确授权不要生成违法、侵权或不良内容ComfyUI 工作流搭建确实有一定学习曲线但一旦掌握就能极大提升生成效率和控制精度。建议从简单文生图开始逐步尝试图生图、ControlNet、视频生成等复杂功能。关键是多动手实践遇到问题参考本文排查方法或到社区寻求帮助。这套教程提供的从环境部署到高级工作流的完整路径应该能帮助读者快速上手 ComfyUI。实际使用中最重要的是根据自身需求灵活调整工作流找到最适合的高效生成方案。 ComfyUI完整部署与工作流搭建：从环境配置到API集成实战
这次我们来看一套完整的 ComfyUI 工作流搭建教程。ComfyUI 作为 Stable Diffusion 的节点式图形界面工具相比传统 WebUI 提供了更灵活的可视化流程控制能力。这套教程覆盖从本地环境部署、插件安装到节点搭建的全流程目标是让用户能够手把手学会用 ComfyUI 高效出图出视频。ComfyUI 的核心优势在于工作流可保存、可复用支持复杂任务链式执行适合需要批量生成、流程标准化或自定义推理管道的场景。对于显存要求ComfyUI 本身比较轻量但实际占用取决于加载的模型和节点复杂度通常 4G 显存可运行基础文生图6G 以上可体验多数常用功能。它支持 CPU 模式也兼容 AMD 显卡通过 DirectML 或 ROCm老显卡和 50 系新卡都能用。启动方式上有一键整合包和源码部署两种选择整合包适合快速上手源码部署更灵活。接口方面ComfyUI 自带 API 服务支持远程调用和批量任务调度。本文将带读者完成 ComfyUI 的完整部署和功能验证包括环境准备、整合包启动、插件管理、基础工作流搭建、文生图/图生视频测试、API 调用和性能观察。重点会放在实操细节和排查方法上确保读者能独立搭建可用的 ComfyUI 环境。1. 核心能力速览能力项说明项目类型Stable Diffusion 图形化节点工作流工具开源地址GitHub - comfyanonymous/ComfyUI主要功能文生图、图生图、局部重绘、视频生成、工作流定制、批量任务推荐硬件4G 显存GPU 模式或 8G 内存CPU 模式显存占用基础工作流约 3-4G加载大模型后 5-8G依分辨率和工作流复杂度而定支持平台Windows / Linux / macOSCPU 或 GPU启动方式一键整合包秋叶版等或源码 依赖安装API 支持内置 HTTP API支持同步/异步任务提交、进度查询、结果获取批量任务支持目录批量处理、队列任务、工作流参数批量传入适合场景本地测试、内容生产、工作流实验、API 服务集成2. 适用场景与使用边界ComfyUI 适合以下几类用户需要可视化设计 Stable Diffusion 工作流的研究者或创作者希望将生成流程标准化、可复用的团队或项目需要批量生成图片/视频且要求参数一致性的场景想通过 API 将生成能力集成到自有工具的开发者它能解决的问题包括复杂生成流程的可视化搭建与调试多模型串联如先超分后修复条件控制ControlNet、IP-Adapter 等多条件输入长视频生成的分段处理与一致性维护使用边界需要注意ComfyUI 不包含模型文件需自行下载放置到正确目录节点式操作有一定学习成本不适合追求极简操作的用户工作流调试需要耐心节点连接错误可能导致生成失败涉及人脸、版权素材时必须确保输入内容符合授权规范3. 环境准备与前置条件在开始安装前请确认本地环境满足以下条件操作系统Windows 10/11推荐、LinuxUbuntu 20.04、macOS1264 位系统预留 10GB 以上磁盘空间用于模型和依赖Python 环境Python 3.8-3.11推荐 3.10可使用 Miniconda 或官方 Python 发行版确保 pip 版本最新pip install --upgrade pip显卡与驱动NVIDIA 显卡驱动版本 470CUDA 11.3-12.4推荐 11.8AMD 显卡最新驱动可选 DirectMLWindows或 ROCmLinux集成显卡/无独立显卡使用 CPU 模式速度较慢但可用依赖工具Git用于源码部署和插件安装7-Zip 或 Bandizip用于解压模型文件现代浏览器Chrome 90、Edge 90、Firefox 88端口占用检查默认端口 8188如被占用需修改启动参数检查命令Windowsnetstat -ano | findstr :8188检查命令Linux/macOSlsof -i :81884. 安装部署与启动方式ComfyUI 提供两种主要部署方式秋叶整合包推荐新手和源码部署推荐定制化用户。4.1 秋叶整合包一键启动整合包已包含 Python 环境、依赖库和常用插件解压即可用。下载与解压从可靠来源下载最新秋叶 ComfyUI 整合包如 ComfyUI_windows_portable_nvidia.zip解压到不含中文和空格的路径例如D:\ComfyUI目录结构说明ComfyUI/ ├── python_embeded/ # 内置 Python 环境 ├── comfyui/ # ComfyUI 主程序 ├── models/ # 模型存放目录 │ ├── checkpoints/ # 大模型.safetensors 或 .ckpt │ ├── lora/ # LoRA 模型 │ ├── controlnet/ # ControlNet 模型 │ └── vae/ # VAE 模型 ├── output/ # 生成结果默认输出目录 └── run_nvidia_gpu.bat # GPU 启动脚本启动步骤双击run_nvidia_gpu.bat等待依赖检查和服务启动命令行窗口显示 Starting server 和 To see the GUI go to: http://127.0.0.1:8188 即表示成功浏览器访问http://127.0.0.1:8188进入 ComfyUI 界面自定义端口启动编辑run_nvidia_gpu.bat修改--port参数echo off cd comfyui python_embeded\python.exe main.py --port 7890 pause4.2 源码部署方式适合需要最新版本或自定义插件的用户。克隆源码git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI创建虚拟环境可选但推荐conda create -n comfyui python3.10 conda activate comfyui安装依赖pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt启动服务python main.py --port 8188模型文件放置将下载的模型文件按类型放入models对应子目录大模型models/checkpoints/LoRAmodels/lora/ControlNetmodels/controlnet/VAEmodels/vae/5. 插件安装与管理ComfyUI 通过插件扩展功能常用插件包括管理器、节点包、主题等。5.1 使用 ComfyUI Manager 管理插件ComfyUI Manager 是必备插件提供图形化插件安装/更新界面。安装方法进入 ComfyUI 界面点击右上角 Settings → Install Custom Nodes在 URL 输入框粘贴https://github.com/ltdrdata/ComfyUI-Manager.git点击 Install 并重启 ComfyUI通过 Manager 安装其他插件重启后界面出现 Manager 按钮点击进入在 Install Custom Nodes 标签页搜索需要的插件点击 Install 安装如提示重启则重启 ComfyUI5.2 常用插件推荐工作流增强ComfyUI-Impact-Pack大量实用节点包括检测器、分段器、重绘等ComfyUI-Advanced-ControlNet增强 ControlNet 控制能力ComfyUI-InstantIDInstantID 人脸替换节点视频生成ComfyUI-VideoHelperSuite视频加载、合成、帧处理工具AnimateDiff-Evolved动画生成与运动控制界面优化ComfyUI-Impact-Pack自带主题和布局优化ComfyUI-Custom-Scripts自定义脚本支持模型支持ComfyUI-IPAdapter-PlusIP-Adapter 多模态适配ComfyUI-MuseVMuseV 视频生成支持5.3 手动安装插件对于不在 Manager 列表的插件可手动安装# 进入 ComfyUI 自定义节点目录 cd ComfyUI/custom_nodes # 克隆插件仓库 git clone https://github.com/作者/插件名.git # 重启 ComfyUI 服务安装后可在 Add Node 菜单或节点搜索框找到新节点。6. 基础工作流搭建与出图测试下面通过一个完整文生图工作流熟悉节点连接逻辑和参数设置。6.1 创建基础文生图工作流节点组成Load Checkpoint加载大模型CLIP Text Encode (Prompt)正向提示词编码CLIP Text Encode (Negative Prompt)负向提示词编码Empty Latent Image生成空白潜空间图像KSampler采样器控制生成步骤和参数VAE Decode将潜空间图像解码为像素图像Save Image保存生成结果连接步骤右键画布 → Add Node → loaders → Checkpoint Loader添加 CLIP Text Encode 节点两个分别标注为 Positive 和 Negative添加 latent → Empty Latent Image 设置宽高如 512x512添加 sampling → KSampler 设置步骤20、CFG7.5、采样器Euler a添加 latent → VAE Decode添加 image → Save Image节点连接顺序Checkpoint Loader → CLIP Text Encode (clip)Checkpoint Loader → KSampler (model)Checkpoint Loader → VAE Decode (vae)CLIP Text Encode (Positive) → KSampler (positive)CLIP Text Encode (Negative) → KSampler (negative)Empty Latent Image → KSampler (latent_image)KSampler → VAE Decode (samples)VAE Decode → Save Image (images)参数设置示例{ positive_prompt: masterpiece, best quality, 1girl, cherry blossoms, negative_prompt: lowres, bad anatomy, bad hands, text, error, width: 512, height: 512, steps: 20, cfg: 7.5, sampler: euler_ancestral, scheduler: normal }6.2 执行生成与结果验证点击 Queue Prompt 提交任务观察右下角进度条等待生成完成生成完成后Save Image 节点显示预览图右键 Save Image 节点 → Open Image 查看大图图像保存到output目录文件名含时间戳成功判断标准进度条完整走完无错误提示生成图像符合提示词描述图像无明显扭曲、色块、重复图案输出目录有新文件生成6.3 工作流保存与加载保存工作流点击 Save 按钮保存为.json文件工作流文件包含所有节点配置和连接关系加载工作流点击 Load 按钮选择之前保存的.json文件或直接拖拽.json文件到 ComfyUI 画布分享工作流工作流文件可分享给其他 ComfyUI 用户需确保对方有相同模型和插件7. 高级工作流图生视频与批量处理在文生图基础上引入图片输入、视频生成和批量任务能力。7.1 图生视频工作流搭建新增节点Load Image加载输入图片VAE Encode将像素图像编码为潜空间Load Checkpoint视频模型如 AnimateDiff 模型AnimateDiff Loader加载运动模块AnimateDiff Sample视频采样器VAE Decode批量解码视频帧序列Save Image批量保存多帧或生成视频连接逻辑Load Image → VAE Encode 得到潜空间原工作流中的 Empty Latent Image 替换为 VAE Encode 输出添加 AnimateDiff 相关节点到 KSampler 前后调整采样器总帧数如 16 帧和帧率如 8fps参数注意事项视频生成显存占用较高建议从 16 帧 256x256 开始测试可使用视频模型专用 checkpoint如 AnimateDiff 兼容模型输出为图像序列需通过 FFmpeg 或视频工具合成视频7.2 批量任务处理ComfyUI 支持多种批量处理方式目录批量处理使用 Load Image (Batch) 节点加载整个目录图片配置输入目录路径和文件过滤规则每个输入图片独立执行工作流结果保存到输出目录参数批量测试使用 Primitive 节点生成参数列表如不同 CFG 值连接至 KSampler 对应输入端口一次提交生成多个参数组合的结果队列批量任务通过 API 接口连续提交多个任务ComfyUI 自动排队执行支持优先级设置适合集成到自动化脚本或生产环境7.3 工作流优化技巧节点组织使用 Reroute 节点简化连接线对相关节点分组并添加注释框常用子工作流保存为模板节点性能优化使用 Checkpoint Loader (Simple) 减少模型重复加载对大模型使用 Model Merging 节点预融合 LoRA调整 KSampler 的denoise参数控制重绘强度错误处理为关键节点添加 Try-Except 逻辑如有相关插件使用 Image Scale 节点限制输出分辨率避免显存溢出保存工作流前测试所有连接确保无断裂8. 接口 API 与批量任务集成ComfyUI 内置完整的 HTTP API支持本地和远程调用。8.1 API 服务启动启动参数# 启用 API 并允许远程访问 python main.py --port 8188 --listen # 指定 IP 地址如局域网访问 python main.py --port 8188 --listen 0.0.0.0API 文档访问启动后访问http://127.0.0.1:8188/docs查看交互式 API 文档。8.2 基本 API 调用示例获取工作流定义curl -X GET http://127.0.0.1:8188/workflows提交生成任务import requests import json # 工作流 JSON 数据从 ComfyUI 界面 Save 获取 with open(workflow_api.json, r) as f: workflow_data json.load(f) # 提交任务 url http://127.0.0.1:8188/prompt response requests.post(url, json{prompt: workflow_data}) prompt_id response.json()[prompt_id] print(f任务 ID: {prompt_id})查询任务状态# 查询任务执行状态 status_url fhttp://127.0.0.1:8188/history/{prompt_id} status_response requests.get(status_url) if status_response.status_code 200: history status_response.json() if prompt_id in history: print(任务已完成) # 提取输出图像等信息 outputs history[prompt_id][outputs] else: print(任务执行中或未找到)批量任务示例import os import glob # 批量处理目录中的所有图片 input_dir ./input_images image_files glob.glob(os.path.join(input_dir, *.jpg)) for i, image_file in enumerate(image_files): # 动态修改工作流中的图片路径 workflow_data[3][inputs][image] image_file # 提交任务 response requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow_data}) if response.status_code 200: print(f已提交任务 {i1}/{len(image_files)}) else: print(f任务 {i1} 提交失败)8.3 高级 API 功能异步任务处理# 提交异步任务立即返回通过 WebSocket 或轮询获取结果 async_response requests.post(http://127.0.0.1:8188/prompt, json{prompt: workflow_data, client_id: my_client})工作流参数动态替换# 在提交前动态修改工作流参数 def update_workflow_params(workflow, prompt_text, width, height): # 找到 CLIP Text Encode 节点根据实际节点 ID text_node_id 6 # 需要根据实际工作流调整 workflow[text_node_id][inputs][text] prompt_text # 找到 Empty Latent Image 节点 latent_node_id 5 workflow[latent_node_id][inputs][width] width workflow[latent_node_id][inputs][height] height return workflow结果回调通知# 设置 Webhook 接收生成完成通知 webhook_workflow workflow_data.copy() webhook_workflow[extra_data] { client_id: my_client, webhook_url: https://my-server.com/comfyui-callback }9. 资源占用与性能观察了解 ComfyUI 运行时资源消耗有助于优化工作流和硬件配置。9.1 显存占用观察Windows 任务管理器打开任务管理器 → 性能 → GPU观察 专用 GPU 内存 使用情况基础工作流3-4GB加载大模型后5-8GB视频生成8-12GB依分辨率和帧数nvidia-smi 监控命令行# 实时监控 GPU 使用情况 nvidia-smi -l 1 # 输出示例 # | GPU Name Persistence-M | Memory-Usage | GPU-Util Compute M | # | 0 NVIDIA GeForce RTX 4060 | 6454MiB / 8192MiB | 45% Default |显存优化技巧使用--lowvram或--novram启动参数降低显存占用工作流中及时断开不再使用的节点连接对大分辨率图像使用 Image Scale 节点先降采样启用模型缓存--gpu-only或--cpu-offload9.2 CPU 与内存使用CPU 模式性能启动参数--cpu生成速度比 GPU 慢 5-10 倍适合模型测试或低负载场景内存占用较高建议 16GB RAM内存监控Windows任务管理器 → 性能 → 内存Linuxtop或htop命令典型占用基础 2-3GB大模型加载后 4-6GB9.3 生成速度测试测试工作流使用标准文生图工作流固定参数分辨率512x512步数20采样器Euler a批量数1速度参考RTX 4060 12GB文生图2-4 秒/张图生图3-5 秒/张视频生成16 帧30-60 秒性能优化方向使用更快的采样器Euler a、DPM 2M Karras降低采样步数20 步→15 步质量损失需测试启用 xFormers 或 SDPA 注意力优化使用 TensorRT 加速需要额外配置10. 常见问题与排查方法问题现象可能原因排查方式解决方案启动时报 Python 错误Python 版本不兼容或依赖缺失查看错误日志具体内容使用推荐 Python 版本重装依赖页面访问空白或错误端口冲突或服务未正常启动检查端口占用查看启动日志更换端口确认服务启动完成加载模型失败模型文件损坏或路径错误检查模型文件 MD5确认路径重新下载模型检查目录结构生成结果全黑/全灰VAE 未正确连接或模型不兼容检查 VAE 节点连接尝试不同 VAE确保 VAE Decode 连接正确更换 VAE显存不足报错工作流过复杂或分辨率太高监控显存使用简化工作流降低分辨率使用--lowvram插件节点不显示插件安装失败或版本冲突检查自定义节点目录查看日志重新安装插件检查兼容性API 调用超时网络问题或任务队列阻塞检查服务状态查看任务队列增加超时时间清理任务队列生成图像质量差提示词不当或模型问题测试简单提示词更换模型优化提示词使用高质量模型详细排查步骤示例问题启动后页面无法访问检查服务是否启动成功命令行窗口应显示 Starting server 和访问地址如无相关信息查看具体错误日志检查端口占用# Windows netstat -ano | findstr :8188 # Linux/macOS lsof -i :8188更换端口启动python main.py --port 7890问题生成时报显存不足监控当前显存使用nvidia-smi降低工作流复杂度减少同时加载的模型数量降低生成分辨率如 512x512→384x384减少采样步数如 20→15使用显存优化参数启动python main.py --lowvram # 或 python main.py --cpu-offload问题插件功能异常检查插件是否正确安装确认custom_nodes目录有对应插件文件夹检查插件要求的依赖是否安装查看 ComfyUI 启动日志日志中会显示插件加载状态和错误信息临时禁用冲突插件重命名插件目录或移动到其他地方逐个启用插件定位问题源11. 最佳实践与使用建议工作流设计原则保持工作流模块化常用功能封装为子工作流为关键参数添加输入节点便于动态调整使用注释节点说明复杂节点组的功能定期保存工作流版本便于回溯和分享模型文件管理按类型分类存放checkpoints、loras、controlnet、vae使用有意义的文件名包含模型版本和用途定期清理不再使用的模型节省磁盘空间重要模型备份到云存储或外部硬盘生成质量优化使用高质量基础模型如 SDXL 1.0合理组合 LoRA 和 ControlNet避免过度约束测试不同采样器和 CFG scale 的组合对重要输出进行多轮生成和人工筛选批量任务安全批量处理前先用单张图片测试工作流稳定性设置合理的任务超时时间避免资源耗尽为批量任务添加进度日志和错误重试机制输出文件使用有意义的命名规则便于后续处理合规使用提醒生成内容需遵守版权和肖像权相关法律法规商业使用前确认模型许可证允许相应用途涉及真人肖像需获得明确授权不要生成违法、侵权或不良内容ComfyUI 工作流搭建确实有一定学习曲线但一旦掌握就能极大提升生成效率和控制精度。建议从简单文生图开始逐步尝试图生图、ControlNet、视频生成等复杂功能。关键是多动手实践遇到问题参考本文排查方法或到社区寻求帮助。这套教程提供的从环境部署到高级工作流的完整路径应该能帮助读者快速上手 ComfyUI。实际使用中最重要的是根据自身需求灵活调整工作流找到最适合的高效生成方案。