ComfyUI完整节点图基础：最小闭环工作流搭建与本地部署指南

2026 年的这版官方初学者教程第一讲就把 ComfyUI 最核心的东西摆到了台面上完整节点图基础。这个主题不是花哨概念而是你在 ComfyUI 里做的每一张图、每一条工作流都要踩过去的地基。如果你刚接触 ComfyUI看到满屏的方框和连线觉得头大这一讲就是专门用来解决这个问题的。ComfyUI 是什么一句话一个开源的、基于节点图的 Stable Diffusion 前端界面。它由 comfyanonymous 开发并开源在 GitHub。它和传统 WebUI 的最大区别在于WebUI 把流程藏在按钮后面ComfyUI 则把所有处理步骤拆成一个一个节点摆在画布上。文本提示词是节点模型加载是节点采样是节点解码保存也是节点。节点与节点之间通过连线传递数据整个生成过程完全可视化。对新手来说这种界面第一眼确实有门槛。但官方教程专门把“节点图基础”放在第一讲就说明这条路是可以系统走通的。本文按这条主线展开先认识节点图的组成再搭一个最小闭环工作流然后跑通它。同时补齐本地部署环境准备、启动方式、接口调用和批量任务的内容让你看完不只懂概念还能动手复现。1. ComfyUI 核心能力速览先给结论再看细节。ComfyUI 的核心能力集中在“流程可视化”和“流程复用”这两件事上下面是容易帮助新手建立整体认知的能力清单。能力项说明项目类型开源节点式 AI 绘画工作流界面面向 Stable Diffusion 生态开源情况GitHub 开源项目官方教程持续更新社区工作流资源丰富主要功能文生图、图生图、局部重绘、ControlNet、LoRA、视频生成等均可通过节点组合实现硬件要求NVIDIA GPU CUDA 体验最佳无独显或显存较小时可尝试 CPU 模式速度会明显下降显存占用取决于模型和分辨率以 SD1.5 和 SDXL 这类常见模型为例显存 6GB 起步更稳妥实际占用以本机测试为准支持平台Windows / Linux / macOS启动方式便携一键包、命令行启动、Docker 启动均可默认访问地址http://127.0.0.1:8188浏览器打开即图形界面接口能力默认提供 HTTP API可提交工作流 JSON、查询队列和历史记录批量任务支持节点内批量生成、队列排队以及 API 循环提交适合场景本地绘图、工作流实验、批量出图、二次开发集成从这张表可以确定一件事ComfyUI 不只适合做单张图它的接口和队列机制天然适合批处理和自动化。对新手来说第一步不用追求复杂功能先把完整节点图跑通后续所有扩展都是在这个基础上加节点。2. 适用场景与使用边界ComfyUI 适合谁首先是愿意花一点时间理解流程的人。节点图把每个步骤都摊开好处是控制力强坏处是学习曲线比“填表式”WebUI 陡一些。如果你愿意按官方教程把最小闭环过一遍后面组合 LoRA、ControlNet、视频生成这些节点时思路会顺得多。适合解决的问题有三类第一类是工作流复现。把一张图的完整参数保存成 JSON发给别人就能原样加载这对技术博客、教程分享、团队协作都很友好。第二类是批量和自动化。通过 API 提交工作流可以批量生成、批量重绘也能接到自己的脚本或业务系统里。第三类是实验和调试。某个参数到底怎么影响画面在节点图里可以直接改 widget 重新排队对比效果非常直观。使用边界也很明确。如果你追求“开箱即用、一个按钮全自动”ComfyUI 初始状态并不合适它需要你先搭好工作流或者去社区导入别人做好的流程。如果机器没有独立显卡且不能接受较慢速度本地部署的体验会受限可以考虑云端 GPU 环境。合规方面多说一句下载模型时先看许可协议商业用途的模型要确认授权范围。涉及人脸、肖像、声音、版权素材时必须确认有合法授权再动手。生成内容也要遵守平台规则不用于违法、仿冒或误导场景。3. ComfyUI 本地部署环境准备准备环境之前先确认三件事操作系统、显卡、磁盘空间。操作系统方面Windows 10/11 是最大众的选择Linux 和 macOS 也可以跑。需要说明的是macOS 通常走 CPU 或 MPS 方案速度与 NVIDIA 显卡有明显差距。显卡方面NVIDIA 显卡 CUDA 是社区里最常见的组合。20 系、30 系、40 系老显卡在更新驱动后通常可以正常使用50 系新一代显卡则需要配套较新的 NVIDIA 驱动和对应版本的 PyTorch/CUDA具体以官方文档和本机实测为准。如果电脑只有核显或显存很小可以走 CPU 模式先跑通流程但采样速度会比较慢。磁盘空间建议预留充足。模型文件是体积大头常见的 SD1.5 checkpoint 约 2 到 4GBSDXL 约 6 到 7GB更大规模的模型还需要更多空间。除了放模型输出图片、临时缓存、Python 虚拟环境也会占用空间建议至少留出 20GB 以上空余具体按模型数量决定。动手前可以按下面这份清单做一次检查检查项建议值备注操作系统Windows 10/11、Linux、macOS以官方支持为准Python3.10 至 3.12 的 64 位版本具体版本按官方 requirements 校验NVIDIA 驱动保持较新版本驱动过老会导致 CUDA 报错GPU 显存6GB 起步更稳显存不足可降低分辨率和批量数磁盘空间20GB 以上模型文件大小差异大端口8188 未被占用被占用时用--port换端口这些不是固定数字而是降低踩坑概率的经验区间。最终能跑到什么程度取决于你使用的模型版本、采样步数和生成分辨率。4. 安装部署与启动方式ComfyUI 的安装方式主要分两种官方便携包和手动安装。对新手来说便携包最省事依赖已经被打包好不需要自己配 Python 环境。手动安装则适合有开发需求、想改代码源码追踪的读者。便携包启动流程一般是解压到本地目录里面会看到run_nvidia_gpu.bat和run_cpu.bat这类脚本。NVIDIA 显卡双击运行 GPU 版脚本没有 NVIDIA 显卡则运行 CPU 版脚本。启动后终端会输出访问地址默认是http://127.0.0.1:8188用浏览器打开即可进入画布界面。如果选择手动安装可以参考下面这套通用步骤路径和版本需要按实际环境替换# 1. 克隆源码目录名按实际需要修改 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 2. 创建并激活虚拟环境 python -m venv venv # Windows 激活命令 venv\Scripts\activate # Linux/macOS 激活命令 # source venv/bin/activate # 3. 安装依赖 pip install -r requirements.txt # 4. 启动服务 python main.py启动成功后浏览器访问http://127.0.0.1:8188。第一次打开画布官方默认模板工作流会直接展示完整节点图这正好是本讲内容的实物参照。如果默认端口被占用或者想降低显存占用可以通过启动参数调整# 更换端口启动 python main.py --port 8189 # 低显存模式启动 python main.py --lowvram # CPU 模式启动 python main.py --cpu需要提醒的是这些参数的确切名称和支持范围要以你下载版本的官方文档为准不同版本的 ComfyUI 在参数细节上可能会有调整。5. 完整节点图基础六类节点组成最小闭环这一节是本讲的核心。所谓“完整节点图”并不是说节点越多越好而是指一张图从输入到输出每个必要环节都有对应的节点链路完整、数据通畅。5.1 节点图的基本概念每个节点就是一个处理单元。节点通常有输入接口、输出接口和参数控件。比如“加载 Checkpoint”节点负责读取大模型文件“KSampler”节点负责执行去噪采样。节点之间用连线传递数据数据只能在类型匹配的接口之间流动。ComfyUI 的节点图采用“数据流驱动”模式你从最前面的模型加载节点开始顺着连线往右推进到最后的保存节点结束。每一步处理的数据类型都不一定相同但链路必须闭合。新手最容易犯的错误是“只加节点不连线”或者“把线连到了不匹配的接口”。理解每个节点输入输出的数据类型比背节点名称更重要。5.2 最小闭环工作流官方默认模板展示的通常就是文生图的最小闭环它由六类关键节点组成节点作用关键输出Load Checkpoint加载大模型文件MODEL、CLIP、VAECLIP Text Encode正向编码正向提示词CONDITIONINGCLIP Text Encode负向编码负向提示词CONDITIONINGEmpty Latent Image设置潜空间画布尺寸和批量数LATENTKSampler执行采样去噪核心参数最多LATENTVAE Decode把潜空间解码为像素图像IMAGESave Image保存图片到输出目录无下面是这套闭环的数据流向按顺序理解即可大模型节点加载 checkpoint 后输出 MODEL、CLIP、VAE 三条线。MODEL 送到 KSampler作为采样用的模型权重CLIP 送到正向和负向提示词节点把文本变成条件数据正向条件、负向条件再进入 KSampler。采样需要一张“画布”Empty Latent Image 就是干这个的它输出一张指定宽高的空潜空间图也输入到 KSampler。KSampler 拿到模型、正负条件、初始潜空间之后根据步数和参数执行去噪输出处理过的 LATENT。最后 VAE Decode 把潜空间还原成图像Save Image 写入磁盘。整个过程只有一条主线这就是“完整节点图基础”的真正含义先把这条主线跑通之后再谈 ControlNet、LoRA、局部重绘这些分支节点。5.3 连线类型与匹配规则ComfyUI 用不同颜色的连线来区分数据类型。模型权重、文本条件、潜空间、图像是四类主流数据流颜色上各有区分。比如模型权重类和条件类通常是紫色系文本编码类为绿色系潜空间类也是绿色系图像类偏向红粉色系。实际使用中不需要死记颜色只需要遵守一个原则连不上的接口类型一定不匹配颜色明显对不上就说明插错了口。鼠标放在接口上时ComfyUI 通常会提示当前接口的数据类型照着提示连线即可。如果看到连线是红色或断开的通常意味着类型不匹配或者源节点没有成功输出数据。5.4 画布操作与快捷键新手在画布上先掌握四个操作第一在空白处双击或右键搜索节点名称快速添加节点。第二从输出接口拖拽到输入接口创建连线。第三选中节点后右键可以 Mute静音、Bypass旁路或删除节点。第四调整 KSampler 等节点的参数控件直接改步数、CFG、Seed 等值。还有一个很实用的操作把模型文件直接拖到画布上ComfyUI 会自动创建对应的 Load Checkpoint 节点。这个操作在需要快速切换模型时非常方便。界面底部的 Queue Prompt 按钮负责提交当前工作流。点击之后任务进入执行队列节点画布上会高亮显示当前正在运行的节点。6. 功能测试与效果验证环境装好、节点图理解到位之后接下来就是实际跑一次。第一次测试建议先用默认模板或者手动搭一个最小闭环不要一上来就堆几十个节点。测试步骤可以按下面这套流程走第一步准备模型。把 checkpoint 文件放到ComfyUI/models/checkpoints/目录下。放好后回到界面在 Load Checkpoint 节点的模型列表里重新选择或者刷新节点。正常情况下模型名应该出现在下拉列表中。第二步填写提示词。正向提示词填画面内容例如a cute cat sitting on a wooden table, natural lighting, high detail负向提示词填不想出现的内容新手阶段可以先填通用负面词例如blurry, low quality, watermark, text第三步设置采样参数。KSampler 中比较关键的几个参数是Seed随机种子、Steps采样步数、CFG提示词引导强度、Sampler Name采样器名称、Scheduler调度器、Denoise去噪强度。第一次测试建议用小步数快速验证流程比如 20 步分辨率先用 512x512 或 768x768 这类常规尺寸。第四步点击 Queue Prompt 提交任务。执行后可以观察几个现象画布上节点逐个高亮任务进度在队列中显示ComfyUI/output/目录下出现新生成的 PNG 文件界面预览区展示生成结果。判断成功的标准是队列执行完毕没有报错输出目录里出现了非空图片文件。如果图片生成成功但画面发灰、发黑优先检查 VAE 是否正常如果采样时报 CUDA 错误检查驱动和 PyTorch 环境如果执行到一半提示显存不足就把分辨率调低或者减少 batch 数量再重试一次。这套验证流程同样适用图生图、局部重绘等后续教程区别只是输入侧多了一些图像节点输出链路不变。7. 接口 API 与批量任务ComfyUI 默认启动时就会开启 HTTP API 服务端口和 Web 界面一致。这意味着同一个服务既能打开网页操作也能用脚本提交任务这一点对批量出图和二次开发特别有用。常用接口主要有三个GET /system_stats查看服务状态和系统信息POST /prompt提交工作流 JSONGET /history/{prompt_id}查询某个任务的执行结果。先看一个最简单的服务状态检查curl http://127.0.0.1:8188/system_stats提交任务时需要把画布上的工作流导出为 API 格式 JSON。在 ComfyUI 界面菜单里使用 SaveAPI Format功能可以导出这个文件。拿到 JSON 之后用 Python 调用接口的参考写法如下import json import requests # 1. 读取从 ComfyUI 导出的 API 格式工作流 with open(workflow_api.json, r, encodingutf-8) as f: workflow json.load(f) # 2. 提交到本地服务 url http://127.0.0.1:8188/prompt resp requests.post(url, json{prompt: workflow}, timeout30) print(resp.status_code) print(resp.json()) # 3. 用返回的 prompt_id 查询执行结果 prompt_id resp.json().get(prompt_id) history_url fhttp://127.0.0.1:8188/history/{prompt_id} history requests.get(history_url, timeout30) print(history.json())接口调用能跑通之后批量任务就有两种实现思路。第一种是节点内批量。在 Empty Latent Image 节点里把 batch_size 调大一次队列任务生成多张图。适合固定提示词、固定参数只需要量产数量变化的场景。第二种是 API 循环批量。在 Python 脚本里循环修改提示词或 Seed反复调用/prompt提交工作流。这种方式适合每张图参数都要变化的批量任务比如多组提示词测试、多分辨率输出。做批量任务时建议在脚本里记录每个 prompt_id 的提交时间、执行状态和输出文件路径。任务失败时可以先查/history拿错误信息确认是显存不足还是模型加载失败再决定降分辨率还是加延时重试。本地批量不要一次性把所有任务压进队列防止显存瞬间打满导致整批失败。8. 资源占用与性能观察在本地跑 ComfyUI重点观察两类资源显存占用和采样耗时。显存占用可以在浏览器里打开系统任务管理器或者使用 NVIDIA 显卡自带的监控工具查看。更直接的办法是观察 ComfyUI 执行过程中是否报 CUDA out of memory。如果报错说明当前模型、分辨率和 batch 的组合超出了显卡能力。影响资源占用的主要因素是分辨率、步数、batch 数和模型大小。分辨率越大潜空间张量越大显存占用越高batch 数把单张图的占用直接翻倍大模型本身也占更多显存。CPU 推理和 GPU 推理的差异非常明显GPU 模式下一步采样可能只要几秒到几十秒CPU 模式下同一个任务可能要按分钟计算。降低显存占用的常用手段有三个把分辨率调小例如从 1024x1024 降到 768x768把 batch_size 调回 1使用低显存启动参数启动服务。需要注意低显存模式牺牲的是速度换来的是显存占用下降具体是否启用要按实际跑任务的表现来决定。另外服务长时间开着、反复切换模型内存可能缓慢上涨。如果跑大型批量任务后觉得系统变慢重启一次服务是最快的清理方式。端口冲突也是常见问题换端口启动前先确认旧进程已经退出。9. 常见问题与排查方法新手阶段遇到的大部分问题都集中在模型文件、显卡环境、端口和节点连线这几类。这里整理成一张排查表可以直接对照处理。问题现象可能原因排查方式解决方案浏览器打不开服务地址服务未启动或端口被占用查看终端日志检查端口占用重启服务或用--port更换端口模型列表为空checkpoint 文件未放对目录检查models/checkpoints/路径把模型放入目录刷新界面采样报 CUDA out of memory分辨率或 batch 过大缩小参数重试降低分辨率batch 调回 1必要时用低显存模式报错找不到 CUDA驱动或 PyTorch 版本不匹配检查nvidia-smi和 torch 版本更新驱动按官方要求重装 PyTorch依赖安装失败Python 版本不对或网络问题查看 pip 报错信息更换 Python 版本使用国内镜像源节点连线报错接口数据类型不匹配观察连线颜色和类型提示断开重连确认输入端类型一致生成的图片全黑或发灰VAE 解码异常换模型内 VAE 或单独加载 VAE 节点在模型节点后手动接 VAE Decoder 测试批量任务中途卡住显存打满或任务异常查询/history拿错误信息减小批量并发任务脚本加强制重试表格之外再补一个建议日志信息是最直接的排查入口。启动服务的终端窗口会打印执行日志、错误堆栈和接口请求记录报错时先看最后几十行大多数问题都能找到明确线索。10. 最佳实践与使用建议跑通最小闭环之后尽量养成下面几个工程化习惯后续做复杂工作流会顺畅很多。第一次调整参数时先小参数测试。比如步数先用 20分辨率先用常规尺寸确认链路通畅再逐步加大不要一上来就拉满避免排错时难以定位问题。保留一套最小可运行配置。把自己的基础文生图工作流保存成 JSON 文件分门别类存放。模型出问题时用最小配置快速验证环境是否正常能省下大量排查时间。目录管理要清晰。模型文件、LoRA、输入素材、输出图片、工作流备份分目录存放尤其是批量任务输出目录要按任务和时间分文件夹避免文件堆积后难以管理。批量任务一定要加日志和失败重试。提交每个任务时记录 prompt_id完成后记录输出路径失败时通过/history查询原因。批量循环里加适量延时给显存释放留出时间。接口服务默认监听本地地址如果只是本机使用不要轻易改成对外监听。需要暴露给其他机器访问时要评估访问控制和数据安全不要把本地服务直接裸奔到公网。涉及人脸、声音、版权素材时务必确认授权。AI 绘图和编辑能力越强越要遵守这条底线。生成结果在发布或商用前要做效果复核避免因模型幻觉或内容误判产生风险。更新 ComfyUI 时先备份重要工作流和配置升级前看官方更新说明确认兼容性。Python 环境中依赖版本和模型版本也可能是兼容性问题的来源固定版本比盲目升级更稳。11. 总结与下一步这一讲的落点非常清晰在 ComfyUI 里任何复杂能力都是从一个完整节点图出发的。先看懂 Load Checkpoint、CLIP Text Encode、Empty Latent Image、KSampler、VAE Decode、Save Image 这条主线再谈加节点、换模型、做自动化。值得首先验证的是默认模板工作流能不能跑通。这一步验证的不只是环境还有你对“节点图”这个概念的体感。最容易踩的坑是模型文件缺失、端口冲突和显卡驱动不对这三类问题对照第 9 节排查表基本都能解决。完成最小闭环之后扩展方向就很明确了。下一步可以深入研究 KSampler 的采样器和步数差异理解 Seed 和 CFG 对画面的影响再往后是给工作流加 LoRA 模型、ControlNet 控制节点以及用 API 把批量出图接到自己的脚本工具里。每个方向都是在这次打好的节点图地基上继续搭把“完整节点图基础”吃透后续所有官方教程章节都会顺很多。