自从SDXL大模型发布以后，ComfyUI因为更符合Stable Diffusion的底层工作原理，在图片生成速度上相比WebUI有了质的飞跃。这让越来越多想要深入了解SD工作机制的创作者，开始把目光投向了ComfyUI。
那么ComfyUI究竟是什么？使用它有哪些实实在在的好处？又该如何快速上手呢？
这期视频，我将为你全面解析ComfyUI——从基础概念到实战应用，从安装配置到工作流搭建。学完之后，你不仅能快速掌握ComfyUI的核心功能模块，理解它与WebUI之间的对应关系，还能独立使用SDXL模型创作高质量作品。
ComfyUI是什么？
ComfyUI是一个基于节点流程的Stable Diffusion AI绘图工具。如果你之前接触过Houdini、Blender、Unreal Engine等节点式软件，那么上手ComfyUI会非常轻松。
它的核心理念是：将Stable Diffusion的生成流程拆解成独立模块，通过可视化的节点连接，实现更精准的工作流定制和完善的可复现性。
为什么选择ComfyUI？
1. 高度自定义的工作流
当你对ComfyUI的模块节点有足够了解后，可以轻松定制专属工作流。在进行复杂的长线项目时，你可以搭建特殊的自动化流程，让任务排队运行，不再需要坐在电脑前反复等待渲染完成，再手动执行下一步操作。
2. 轻量化设计，性能更优
ComfyUI的轻量化特性使其在使用SDXL模型时，拥有更低的显存要求和更快的加载速度。生成大尺寸图片时也不容易爆显存，这对配置有限的用户来说是巨大优势。
3. 专业性与易用性兼得
无论是自由度、专业性还是实际易用性，ComfyUI在使用SDXL模型上的优势都越来越明显，已经成为专业创作者的首选工具。
详细安装教程
下载安装包
首先，打开ComfyUI官方发布的GitHub地址，找到最新版本的安装包直接下载。为了方便大家，我已经整理好了官方安装包和推荐使用的工作流，全部放在了视频简介中，可以直接下载使用。
安装步骤（超级简单）
- 解压文件：下载完成后，将压缩包解压到一个空间充足的硬盘分区
- 直接使用：解压后即可使用，无需复杂配置
注意：官方安装包仅支持Windows系统
- 如果你使用的是英伟达显卡，双击运行
run_nvidia_gpu.bat - 如果不是英伟达显卡，则运行
run_cpu.bat（但速度会慢很多）
首次启动
运行后会自动跳转到ComfyUI的网页界面，或者你也可以手动复制控制台显示的链接到浏览器中打开。
模型配置指南
刚安装好的ComfyUI是没有任何模型的，我们需要手动配置各种模型文件。
模型存放位置
不同类型的模型需要放置到ComfyUI文件夹下的 models 目录中：
- 大模型放在
checkpoints文件夹 - LoRA模型放在
loras文件夹 - VAE文件放在
vae文件夹 - 以此类推
链接WebUI模型（节省硬盘空间）
如果你之前使用过WebUI，已经有一整套模型库，直接复制会浪费大量硬盘空间。ComfyUI的作者贴心地提供了模型路径链接功能：
操作步骤：
- 在ComfyUI根目录找到
extra_model_paths.yaml.example文件 - 将文件名的
.example后缀删除，改为extra_model_paths.yaml - 右键选择用记事本打开该文件
- 找到
base_path这一行，填入你的WebUI根目录完整路径 - 保存文件，重新启动ComfyUI
现在再打开ComfyUI，选择模型时就能看到所有WebUI中的模型了，完全不占用额外空间！
后续更新
如果想要更新ComfyUI版本，只需打开 update 文件夹，运行其中的更新脚本即可自动完成。
界面基础与工作流详解
默认文生图工作流解析
打开ComfyUI后，你会看到一个最基本的文生图工作流。让我们逐一了解每个模块的作用：
1. Load Checkpoint（加载模型）
这就是WebUI中选择大模型的地方。点击下拉菜单可以选择你想使用的主模型。
这个模块有三个输出节点：
- MODEL：连接到采样器
- CLIP：连接到提示词编码器
- VAE：连接到图像解码器
2. CLIP是什么？
CLIP是由OpenAI开发的神经网络模型，它能将自然语言和视觉信息进行联合训练，实现图像与文本之间的跨模态理解。在Stable Diffusion中，CLIP负责理解和编码你输入的提示词。
3. CLIP Text Encode（提示词编码）
这是写提示词的地方，分为正向提示词和负向提示词两个模块：
- 绿色模块：正向提示词（你想要的内容）
- 红色模块：负向提示词（你不想要的内容）
它们分别连接到KSampler模块的 positive 和 negative 节点。
4. KSampler（采样器）
这就是WebUI中的采样器设置，可以调整：
- 采样方法（Sampler）
- 调度器（Scheduler）
- CFG值
- 步数（Steps）
- 随机种子（Seed）
KSampler的输入节点包括：
- model：来自Load Checkpoint
- positive/negative：来自提示词编码器
- latent_image：来自Empty Latent Image
5. Empty Latent Image（空白潜空间图像）
用于设置生成图像的参数：
- 宽度（Width）
- 高度（Height）
- 批次数量（Batch Size）
6. VAE Decode（VAE解码器）
KSampler产生的是潜空间（Latent Space）的图像数据，需要经过VAE Decode解码，还原到像素空间，才是我们最终看到的图像。
连接要点：
- samples 节点：连接KSampler的输出
- vae 节点：连接Load Checkpoint的VAE输出
7. Save Image（保存图像）
用于展示和保存最终生成的图像。
基础操作流程
了解了这些模块，生成图片的流程就非常简单了：
- 在Load Checkpoint中选择模型
- 在提示词模块中写好正负向提示词
- 调整采样器参数和图像尺寸
- 点击右侧的 Queue Prompt 按钮开始生成
生成完成后：
- 点击 Save 保存当前工作流
- 点击 Load 可以导入其他工作流
- 也可以直接拖拽工作流图片到界面中自动加载
SDXL工作流实战
现在让我们导入官方的SDXL标准工作流，实际操作一遍完整流程。
SDXL工作流结构
我已经为每个模块添加了中文备注，方便大家理解。SDXL工作流的核心特点是使用了 Base模型 + Refiner模型 的两阶段生成方式。
详细设置步骤
第一步：加载模型
在最左侧有两个Load Checkpoint模块：
- 上方模块：选择SDXL Base模型
- 下方模块：选择SDXL Refiner模型
第二步：编写提示词
在Text Prompts模块中：
- 绿色框：填写正向提示词（描述你想要的画面）
- 红色框：填写负向提示词（描述你不想要的元素）
第三步：设置图像尺寸
在Empty Latent Image模块中设置：
- 宽度和高度：SDXL模型建议使用1024×1024或更高分辨率，能获得更好的效果
- 生成数量：Batch Size
第四步：配置采样器
这个工作流有两个KSampler，分别对应Base模型和Refiner模型，可以独立调整参数。
重点关注Step Control模块：
- steps：总步数（例如25步）
- end_at_step：Base模型结束的步数（例如20步）
这意味着：前20步使用Base模型生成，后5步使用Refiner模型精修。
推荐配置：
- Refiner模型的步数通常是Base模型的20%左右
- 例如总共25步，Base用20步，Refiner用5步
第五步：生成图像
所有参数设置完成后，点击 Queue Prompt 开始生成。整个流程和WebUI的逻辑差别不大，但更加直观和可控。
SDXL参数优化建议
如果你对SDXL模型还不够了解，建议观看我之前的SDXL详解视频，里面详细讲解了：
- SDXL模型的核心优势
- 推荐使用的参数配置
- 常见问题解决方案
- 最佳实践技巧
更多工作流资源
想要探索更多高级工作流吗？
官方示例库
- 打开ComfyUI的GitHub主页
- 找到 ComfyUI Examples 链接进入
- 这里有大量官方制作的常用工作流，包括：
- 图生图工作流
- ControlNet工作流
- LoRA使用工作流
- 局部重绘工作流
- 高清修复工作流
- 批量处理工作流
导入工作流的方法
超级简单：
- 在GitHub页面上右键保存工作流图片
- 直接拖拽图片到ComfyUI界面
- 工作流会自动识别并加载
你也可以参考官方的节点连接方式，对现有工作流进行个性化调整。
重要提醒：调整好工作流后，一定要记得点击 Save 保存，方便日后快速导入使用。
总结
ComfyUI是一个功能强大、灵活高效的Stable Diffusion系统。它支持各种先进功能和模型，为AI艺术创作提供了极大的便利性和专业性，使艺术家能够更加轻松地创造出令人惊艳的图像和作品。
相比传统的WebUI：
- 性能更优：显存占用更低，生成速度更快
- 更加灵活：工作流可视化，自定义程度高
- 更专业：适合批量处理和复杂项目
- 可复现性强：工作流可以保存和分享