ComfyUI 工作流入门：从节点连接到首张图生成

AI智能摘要

ComfyUI基础文生图工作流可按“加载模型—编码提示词—创建空白潜空间—采样—VAE解码—保存图片”的数据流搭建。文章说明各节点职责与连接规则，涵盖模型目录、显存和环境检查，以及提示词、画布、Seed、Steps、CFG等参数的初步设置，并强调固定Seed、一次只改一个参数，便于排查模型、提示词和参数对结果的影响。

— 此摘要由AI分析文章内容生成，仅供参考。

很多人第一次打开 ComfyUI，会看到一张由多个方框和连线组成的工作流，却不知道应该从哪里开始：提示词写在哪个节点？模型放在哪里？为什么采样器没有输出图片？实际上，基础文生图工作流可以看成一条固定的数据流：加载模型，准备提示词和画布尺寸，把条件交给采样器生成潜空间数据，再解码为图片并保存。先看懂这条链路，就能完成一次可复现的生成，也能判断结果变化究竟来自模型、提示词还是参数。

先理解基础工作流的数据流向

最小的文生图工作流通常包含以下节点：

节点	主要作用	常见输出
Checkpoint Loader	加载一个完整的基础模型	模型、正向文本编码器、负向文本编码器
CLIP Text Encode（正向）	把正向提示词转换为条件数据	conditioning
CLIP Text Encode（负向）	描述不希望出现的内容	conditioning
Empty Latent Image	创建待生成的空白潜空间画布	latent
KSampler	按模型和采样参数生成潜空间图像	latent
VAE Decode	把潜空间数据解码成可查看的图片	image
Save Image	保存生成结果	图片文件

它们的基本连接关系可以简化为：

Checkpoint Loader
 ├─ MODEL ───────────────> KSampler
 ├─ CLIP ──> 正向文本编码 ──> KSampler 的 positive
 └─ CLIP ──> 负向文本编码 ──> KSampler 的 negative

Empty Latent Image ───────> KSampler 的 latent_image
KSampler 的 samples ──────> VAE Decode 的 samples
Checkpoint Loader 的 VAE ──> VAE Decode 的 vae
VAE Decode 的 image ──────> Save Image

连线的颜色和端口名称可能随界面版本或节点实现略有差异，但判断方法不变：节点左侧通常是输入，右侧是输出；只有类型相匹配的数据才能连接。例如，模型输出不能直接接到图片保存节点，KSampler 输出的还是潜空间数据，必须经过 VAE Decode 才能变成图片。

环境准备：先确认模型和显存条件

安装 ComfyUI

ComfyUI 可以在本地运行，常见方式包括使用项目提供的桌面版本，或按照项目说明配置 Python 环境。选择方式时，重点不是安装命令本身，而是确认以下条件：

显卡驱动正常，系统能够识别 GPU；
安装方式与显卡平台匹配；
Python、依赖库和 ComfyUI 使用的目录没有混用；
启动后能够打开本地 Web 界面；
首次运行时可以看到节点画布，而不是立即出现依赖或显卡错误。

如果只是体验基础文生图，优先使用干净的安装目录，不要一开始就安装大量自定义节点。基础节点已经足够完成第一张图，插件越多，出现版本冲突和节点缺失的可能性越高。

放置 Checkpoint 模型

Checkpoint 通常是基础文生图模型文件，常见扩展名包括 .safetensors。将它放入 ComfyUI 的模型目录后，在 Checkpoint Loader 节点的下拉菜单中选择它。具体目录名称取决于安装方式，常见位置是：

ComfyUI/
└─ models/
   └─ checkpoints/
      └─ your_model.safetensors

如果模型放入后没有出现在列表中，可以尝试刷新页面或重启 ComfyUI。仍然找不到时，检查文件是否真的位于当前运行实例使用的目录，而不是另一个 ComfyUI 副本中。

初次练习建议只选择一个与教程参数相匹配的模型，不要同时比较多个模型。不同模型的训练数据、画面风格和最佳分辨率可能不同，混在一起调整会让问题难以定位。

从零搭建第一条文生图链路

第一步：加载模型

添加 Checkpoint Loader 节点并选择模型。该节点通常提供三类输出：

MODEL：交给 KSampler，负责实际的去噪过程；
CLIP：交给文本编码节点，把文字转换成模型可用的条件；
VAE：交给 VAE Decode，把生成的潜空间数据还原成图片。

同一个 Checkpoint 输出的 CLIP 和 VAE，通常应与该 Checkpoint 配套使用。不要随意把不同模型的组件混接，否则可能出现风格异常、颜色偏差或尺寸处理问题。

第二步：填写正向和负向提示词

添加两个 CLIP Text Encode 节点，并将 Checkpoint 的 CLIP 输出同时连接到它们。

正向提示词描述希望看到的内容，例如：

a small wooden cabin beside a lake, morning light, detailed environment

负向提示词描述希望减少或避免的内容，例如：

blurry, low quality, distorted, extra fingers

提示词不是越长越好。第一次测试时，建议只描述主体、场景和大致风格，避免加入大量互相冲突的要求。先确认“主体是否出现、构图是否合理”，再逐步增加材质、光线和镜头等描述。

在中文模型或支持中文语义较好的模型中，也可以直接使用中文；如果模型主要以英文提示词训练，英文提示词通常更容易复现实验结果。关键是同一轮排查中尽量保持语言和表达方式稳定。

第三步：设置空白画布

添加 Empty Latent Image，并设置宽度、高度和批次数量。

参数	含义	初次测试建议
Width / Height	生成画面的潜空间尺寸	先使用模型常见的基础尺寸
Batch size	一次生成几张	先设为 1
Seed	通常由 KSampler 控制	固定一个种子便于比较

分辨率越高，显存占用通常越大，生成时间也可能增加。不要一开始就使用很大的画布。基础测试的目标是验证工作流通路，不是追求最终成片尺寸。确认流程正常后，再逐步提高分辨率。

第四步：连接 KSampler

KSampler 是基础工作流的核心。它接收模型、正向条件、负向条件和空白潜空间，并根据采样参数逐步去噪。

常见参数作用如下：

参数	作用	调整思路
Seed	决定随机初始状态	固定后便于比较参数差异
Steps	去噪迭代次数	过低可能细节不足，过高通常收益变小
CFG	提示词约束强度	过低可能不听提示词，过高可能画面僵硬或失真
Sampler	采样算法	初次测试选择稳定、常见的默认选项
Scheduler	控制噪声变化方式	先保持默认，不要一次改多个参数
Denoise	去噪强度	纯文生图通常保持完整去噪

初次生成时，可以使用中等步数、适中的 CFG 和默认采样器。不同模型适合的范围并不完全相同，因此不要把某一组参数当成所有 Checkpoint 的固定答案。参数调整应一次只改变一项，这样才能知道结果差异来自哪里。

第五步：解码并保存

将 KSampler 的 samples 输出连接到 VAE Decode 的 samples 输入，再把 Checkpoint Loader 的 VAE 连接到 VAE Decode。最后，把 VAE Decode 输出的图片连接到 Save Image。

点击 Queue 或执行队列按钮后，ComfyUI 会依次执行节点。只要流程中没有报错，保存节点通常会把结果写入输出目录。首次生成后，建议保留工作流文件、模型名称、提示词、种子和主要参数，后续才能复现或定位问题。

如何判断结果差异来自哪里

先固定种子，再改一个参数

如果每次都使用随机种子，即使提示词和模型不变，画面也会变化，难以进行比较。排查时先固定 Seed，然后按以下顺序调整：

先检查提示词：主体是否明确，是否出现互相冲突的描述；
再调整分辨率：观察构图是否变得拥挤、裁切或比例失衡；
再调整 Steps：比较细节和耗时是否有实际改善；
最后调整 CFG 和采样器：观察提示词遵循程度、边缘质量与画面稳定性。

例如，增加 Steps 只能改变去噪过程的细致程度，不能把一个没有写进提示词的主体凭空变得准确；提高 CFG 也不等于一定更符合要求，数值过高时反而可能造成不自然的轮廓和颜色。

用最小实验记录结果

可以建立一个简单记录表：

实验编号	模型	Seed	提示词	分辨率	Steps	观察
A	固定	固定	基础描述	基础尺寸	中等	初始结果
B	固定	固定	增加主体细节	不变	不变	比较提示词影响
C	固定	固定	不变	提高	不变	比较分辨率影响
D	固定	固定	不变	不变	提高	比较采样步数影响

如果模型、Seed、提示词、分辨率和参数同时改变，就无法判断哪一项产生了影响。可复现生成的核心，不是记住某个“万能参数”，而是控制变量并保存工作流。

常见故障排查

模型加载失败或列表为空

优先检查四点：

模型文件是否放在当前实例实际使用的 checkpoints 目录；
文件是否完整，下载过程中是否被截断；
文件扩展名是否被系统隐藏或重复添加；
ComfyUI 是否需要刷新或重启后才能重新扫描模型。

如果加载时出现内存或显存错误，可以先确认模型规格，并关闭其他占用 GPU 的程序。不要直接把问题归因于提示词，模型加载发生在生成之前。

节点缺失或工作流无法运行

导入别人分享的工作流时，可能看到“节点不存在”或无法加载某个节点。这通常意味着工作流依赖自定义节点，而当前环境没有安装，或者节点版本不兼容。

基础文生图不需要依赖大量扩展。排查时可以：

查看缺失节点的名称；
判断它是否只是替代了基础节点；
优先用原生节点重建最小流程；
确认基础流程可运行后，再单独处理扩展依赖。

不要为了运行一个简单的文生图工作流而一次安装一批未知插件，这会增加安全和维护成本。

显存不足

显存不足时，最有效的处理顺序通常是：

将 Batch size 降到 1；
降低宽度和高度；
关闭其他 GPU 程序；
选择更适合当前显存的模型；
使用软件提供的低显存或 CPU 卸载选项；
避免在基础流程中同时加载多个大模型。

分辨率带来的显存压力往往比提示词长度更直接。先用较小尺寸确认工作流，再逐步增加分辨率，比一开始追求大图更容易定位问题。

有输出但画面异常

画面全黑、颜色异常或细节严重错误时，重点检查 VAE 是否正确连接，以及 Checkpoint、CLIP 和 VAE 是否来自同一个模型体系。画面内容不符合预期，则应先检查正向和负向提示词、模型类型、Seed 和 CFG，而不是立刻更换所有节点。

完成第一次可复现生成后的下一步

当你能够用固定模型、固定 Seed 和明确参数生成一张图片时，基础目标就完成了。此时可以继续做三类低风险练习：

只替换正向提示词，观察主体和场景变化；
只调整 Steps、CFG 或分辨率，记录质量与耗时；
保存多个工作流版本，区分“测试参数”和“最终创作参数”。

先把这条最小链路跑通，比直接安装复杂插件或研究高级控制网更重要。理解模型、文本条件、潜空间、采样器和 VAE 之间的关系后，ComfyUI 就不再是一堆难以辨认的方框，而是一套可以逐节点检查、逐参数复现的生成式图像工作流。