1. 为什么说 ComfyUI 节点插件值得单独整理一份清单ComfyUI 是个很有意思的工具这句话我经常在圈子里强调它既是能快速出图的玩具也是可以稳定跑生产流程的平台。可能有人觉得节点式界面太劝退但真正用顺手之后出图的效率、可控性和可复现性确实比传统 WebUI 那一套高一个级别。这也是我想把常用节点插件整理成文的原因因为插件生态太杂了每次重装环境或者换新机器我都要花不少时间重新回忆哪些节点值得装、哪几个插件之间会打架。如果你刚接触 ComfyUI最先要明白的是ComfyUI 本质上是一个基于节点逻辑的可视化流程引擎。它的核心不是某个固定界面而是把 Stable Diffusion 各类组件全部拆成独立节点比如加载模型是一个节点写提示词是一个节点采样是一个节点解码和保存又是另一个节点。每个节点负责一个环节节点之间用连线传递数据最后由一条完整链路生成图片。插件的作用则是把这套基础流程扩展出更多可能性。比如原生的 ComfyUI 只有基础的模型加载、文本编码、KSampler 采样和 VAE 解码想要做放大、修脸、ControlNet 构图控制、批量出图、随机提示词就需要加装对应节点插件。但插件一多问题就来了有的插件互相依赖有的插件版本和 ComfyUI 核心版本对不上有的插件可能几个月不更新装完直接让工作流变红。所以整理一份按用途分类的常用清单能省掉大量试错时间。这份清单适合两类人一类是刚把 ComfyUI 跑起来面对一屏空白画布不知道怎么下手的纯新手另一类是已经会用基础链路但想知道哪些插件值得长期依赖的进阶用户。我会把安装、选型、避坑这些实操细节全部展开尽量让你照着就能把环境整理干净把工作流搭出来。1.1 节点式工作流到底比传统界面强在哪先举个实际例子传统界面里你点一下生成按钮程序内部会按固定顺序把所有事情做完你看不到中间过程。在 ComfyUI 里每一步都是可视化模块从加载模型到最终保存图片你可以把任意一个中间步骤单独拉出来观察。比如采样之后、解码之前你可以插入一个预览节点提前看到潜空间结果也可以把同一个采样结果同时送到两条不同分支去放大、去修脸再对比效果。这种“把流程拆开再自由组合”的能力是节点界面最大的价值。另一个明显优势是可复现性。一张图生成之后整个工作流 JSON 可以保存下来下次直接拖进界面所有模型路径、参数设置、插件依赖都会还原。我这边的使用习惯是每次调好一套新参数、拿到满意的效果就把工作流导出成模板文件归类存档。三个月后想复刻当时的风格根本不需要回忆当时调了什么拖进来就能跑。当然代价就是学习曲线更陡。你得先理解模型、CLIP、潜空间、采样器之类的基本概念熟悉各种节点之间的数据格式。这个过程没什么捷径多搭多拆自然就懂。后面第三部分我会按应用场景整理节点插件帮你有条理地建立认知。1.2 插件生态的整体格局ComfyUI 的插件存放位置是ComfyUI/custom_nodes目录插件本质上就是一段扩展代码加载后会在节点列表里新增一些自定义节点。从功能上我把常用插件分成四类流程增强类扩展采样、批量、LoRA 叠加、动态提示词等核心链路能力。控制引导类ControlNet 相关配套、区域控制、语义分割检测等。后处理类面部修复、图像放大、色调调整、细节增强。管理辅助类节点管理器、模型管理、工作流整理、日志调试工具。管理辅助类里最核心的就是 ComfyUI Manager我建议把它当作第一个装的插件。它能帮你完成绝大多数插件的搜索、安装、更新和依赖检测避免手动处理 Python 包依赖的麻烦。没有 Manager 之前装插件要自己 git clone 再到源码目录 pip install哪个包缺了很难发现。有 Manager 之后大部分插件点一下就能装上红了也会提示缺什么依赖。需要留意的是插件并不是越全越好。很多插件功能重叠装过多反而拖慢启动速度、增加冲突概率。我的原则是只装自己真实工作流要用的功能重复的择优一个。插件的选择目标应该围绕“稳定、活跃更新、和你使用的 ComfyUI 版本兼容”而不是盲目堆数量。2. 动手前先把环境三件事理清楚我遇到过太多案例问题根本不是插件本身不好用而是环境没准备好。ComfyUI 用的是相对独立的运行环境模型文件、依赖库、版本都有各自的门道。把下面三件事处理好了后面装什么插件都会顺畅很多。2.1 第一个插件永远建议是 ManagerComfyUI Manager 是社区里用得最多的管理插件。安装路径是把它克隆到ComfyUI/custom_nodes/目录下然后重启 ComfyUI。具体操作流程是cd ComfyUI/custom_nodes git clone https://github.com/你的管理器仓库地址 # 仓库地址以官方页面为准我这里不写死具体链接装完之后界面右侧会出现一个 manager 按钮。点开之后能搜插件、看已安装列表、检测版本更新、处理缺失节点。对于一般用户这个插件能省掉 80% 的装包时间。它还有一个实用功能是“Install Missing Custom Nodes”当你拖入别人发的工作流界面提示某几个节点缺失时可以借助它把缺失插件批量装齐。不过使用 Manager 也要注意一点更新插件前最好先备份工作流模板。曾经有一次我批量更新了全部插件结果某个后处理节点的参数结构变了之前存的一大堆工作流全部报错只能逐个改。所以我现在养成了习惯更新前把custom_nodes目录整体备份一份更新后先测一条常用工作流确认没问题再做批量操作。2.2 模型目录和子目录规划要趁早ComfyUI 的模型默认按用途分目录存放常见的有models/checkpoints、models/loras、models/controlnet、models/vae、models/upscale_models等。如果目录规划不好之后找模型会非常痛苦。我的建议是建一套自己固定的子目录规则比如models/ ├── checkpoints # 主模型 ├── loras # LoRA 模型 ├── controlnet # ControlNet 专用模型 ├── vae # VAE 模型 ├── upscale_models # 放大模型如 4x-UltraSharp └── diffusers # 部分特殊模型格式把模型文件按类别放进对应目录之后节点里就能直接下拉选择。这里有一个容易踩的坑有些模型下载后是散文件格式比如一个 checkpoint 同时有xxx.safetensors和xxx.yaml需要看插件是否要求配套文件。如果遇到加载后图像异常先检查是不是缺少配套配置文件。另外不建议把所有模型一股脑塞在根目录。ComfyUI 启动时会扫描这些目录目录文件过多启动列表加载就会变慢。同类模型版本多时还可以建分层的文件夹比如checkpoints/动漫风/xxx.safetensors节点下拉选择器也会按目录结构显示找起来一目了然。2.3 版本匹配和依赖检查是玄学更是科学ComfyUI 更新频率不算低但好在社区生态整体是往前兼容的。真正麻烦的是 Python 依赖特别是 ControlNet 相关的一些预处理模型库比如某些节点依赖opencv、numpy、scipy的特定版本。如果你手动装包很容易出现 A 插件要求 numpy 1.24B 插件要求 2.x 的情况最后环境一团糟。应付这类问题我的做法是优先用 Manager 安装它会读取插件作者的requirements.txt并自动处理如果自动安装失败再进到对应插件目录手动安装。进到源码目录后可以这样操作cd ComfyUI/custom_nodes/插件目录 pip install -r requirements.txt还有一招是针对冲突环境的用虚拟环境隔离。如果你用 git 拉取的 ComfyUI 便携版本身就自带了嵌入式 Python不太容易出问题如果是自己手动搭的环境建议给 ComfyUI 单独建一个 conda 环境或 venv别和其他项目混在一起装包。版本这块还有一个实操细节遇到插件不兼容时先怀疑“版本落后”。主力插件建议保持在较新版本比如 Manager、ControlNet 相关的插件作者通常维护得很勤快。冷门插件反而不要轻易升级因为维护频率低一旦升级出现接口变动往往难排查。3. 按用途整理的常用节点插件分类这部分是文章的核心。我不打算把每个插件都列出来而是按“解决什么问题”来分类每个类别挑几个稳定好用、我实际跑得多的插件介绍。这样你以后看到别人工作流里的陌生节点也能对号入座知道它是干什么用的。3.1 基础采样链路与效率增强先看最基础的工作流它由以下几个节点组成CheckpointLoader - CLIPTextEncode(positive) - CLIPTextEncode(negative) - KSampler - VAEDecode - SaveImage这串链路是几乎所有工作流的地基。CheckpointLoader 负责加载主模型CLIP 文本编码器负责把正面、负面提示词转成条件向量KSampler 在潜空间里迭代采样VAEDecode 把潜空间结果还原成像素图最后 SaveImage 保存。在此基础上效率增强类插件能让你少画几条线、少拉几个节点。比如某些节点组插件会把“加载模型 正面提示词 负面提示词 空 Latent KSampler”压缩成一个集成模块适合不想每次都手动连一大串的人。我的看法是新手阶段先用原生节点完整搭几遍搞清楚每一步在做什么再考虑用效率插件简化不然出了 bug 都不知道哪个环节出问题。LoRA 相关的处理也是常用需求。原生的 LoraLoader 支持加载单个 LoRA但想在一个工作流里叠加多个 LoRA或者给不同区域应用不同 LoRA就需要扩展节点。很多效率类插件都提供了多 LoRA 加载能力适合混合风格、角色一致性之类的场景。叠加 LoRA 时要注意权重设置一般从 0.5 到 0.8 起步试超过 1.0 容易出过拟合的大花脸。3.2 ControlNet 系列配套ControlNet 插件在 ComfyUI 里非常常用它解决的是“怎么控制构图”的问题。典型链路是读取一张参考图通过预处理器提取条件信息比如线稿、深度、姿态再把条件信息作为约束引导采样过程生成符合结构的新图。基本节点结构大概是LoadImage - ControlNetPreprocessor - ControlNetApplyAdvanced ↓ CheckpointLoader - CLIPTextEncode - KSampler这里重点说预处理器它决定了你会从参考图里提取哪种信息。做建筑线稿用线稿类预处理器做摄影构图可以用深度类预处理器做动作控制需要姿态检测。不同预处理器效果差异很大同一个 ControlNet 模型配合不同预处理器出来的结果完全是两回事。ControlNet 有两个关键作用是新手容易忽略的第一个是控制强度 weight太低了约束不住结构太高了会限制色彩和材质表现第二个是控制时机 start/end 百分比通常建议只在采样前期启用控制后期放开让图像自由发挥细节。想调试时可以把 ControlNet 的预处理器单独接一个预览输出看看提取出来的条件图长什么样这一步对排查效果问题非常有效。3.3 面部修复与局部重绘面部修复是人物出图里最普遍的痛点。早期大家习惯在 WebUI 里开高清修复时顺便修脸但 ComfyUI 有更灵活的方案也就是检测式面部修复节点。它的原理是先用检测模型在图像里找出人脸区域画出边界框然后把该区域单独送进采样器做一次局部重绘最后把重绘结果拼回去。这个过程可以反复执行甚至直接串联到放大流程之后。与之类似的还有局部重绘类节点。ComfyUI 原生的局部重绘工作流一般用遮罩配合采样来实现先做一张黑白遮罩图白色区域表示要重绘黑色区域保持原样。进阶的修复节点则可以配合分割模型自动生成遮罩不需要手动画专门针对特定物体类别。实际使用中我要提醒一个细节人脸修复的强度不是越大越好。太重会把皮肤纹理磨掉看起来特别“塑料”。我通常的做法是拿一个相对低的重绘强度跑一遍如果脸上还有明显变形再逐步提高同时配合修脸节点的 denoise 参数控制重绘幅度。局部重绘也是同理denoise 越高新内容的自由度越大原图信息保留得越少。3.4 放大与高清修复出图分辨率不够、细节不够清晰最简单的思路是放大。放大方案常见的有两种模型放大和潜空间放大。模型放大是把图像交给专门的放大模型比如常见的有针对真实感的 4x-UltraSharp、针对动漫风格的某些超分模型。每个放大模型效果取向不同建议在本地各跑一张测试图对比选一个你觉得顺眼的固定下来。潜空间放大则是在采样结束后先在潜空间里把较小潜变量以统一比例扩大然后再解码生成图分辨率更高但细节一般。真正效果好的做法是组合式放大第一次采样生成基础图 - 模型放大 - 面部修复 - 局部重绘强化细节 - 保存很多插件专用节点就是这个思路的集成。它们会把放大、修复、细节增强串成一条链路让你一次性得到高清且可用的结果。需要注意放大倍数不是越高越好2 到 4 倍之间比较安全倍数太高容易出现结构性伪影。3.5 动态提示词与批量出图风格探索阶段最麻烦的事情是手动一张张改提示词。动态提示词插件能解决这个问题它支持在提示词里写占位符运行时从预设列表里随机挑选组合。一个基本用法示例1girl, {white dress|black dress|red dress}, {long hair|short hair|ponytail}运行时系统会在每个{}里随机取一个选项这样一次批量生成就能覆盖多种穿搭和发型组合。这种工作流非常适合作前期的风格探索。搭配批量采样节点一起用可以一次生成几十张不同排列组合的草图然后人肉筛选喜欢的再用高分辨率流程精修。批量出图时还有一个建议开一个“随机种子递增”的节点让每张图用不同种子而不是全部从同一个种子变化而来。种子控制的是初始噪声分布如果只是想微调构图固定种子微调提示词是有效的但如果是大范围风格筛选固定种子反而会让结果太相似失去探索的意义。4. 实操亲手搭一条完整的出图链路理论列完拿一个可以直接上手的案例带大家走一遍。这个案例属于典型组合流程文本生成基础图加 ControlNet 控制构图再经过放大和面部修复最终输出高清成品。整个链路跑通之后换模型、换风格都是改节点参数的事。4.1 第一步先把文生图主链路跑起来新建一个空白工作流从节点列表里依次添加下面的节点添加 CheckpointLoader选择一个主模型比如常用的写实大模型。添加两个 CLIPTextEncode一个接正面提示词输入框一个接负面提示词输入框。添加一个 Empty Latent Image设置生成尺寸比如 512×768。添加 KSampler设置采样步数、CFG、采样器和调度器。添加 VAEDecode把采样得到的潜空间结果转成图像。添加 SaveImage保存输出。连线顺序是CheckpointLoader 的 MODEL 输出接 KSampler 的 model 输入CLIP 输出分别接两个文本编码器两个文本编码器的输出分别接 KSampler 的 positive 和 negativeEmpty Latent Image 接 KSampler 的 latent_imageKSampler 的 LATENT 接 VAEDecodeVAEDecode 的 IMAGE 接 SaveImage。第一次跑这个链路如果界面没有红框说明流程基本正确。先关掉 ControlNet 部分用同一组提示词多跑几次种子把构图和风格基调定下来再做精细控制。后面接上 ControlNet 时就只需要在现有链路上插入节点不用推翻重搭。4.2 第二步把 ControlNet 节点插进来控制姿态在链路中插入 ControlNet 的步骤大致这样添加 LoadImage 节点载入你想参考姿态的图片。添加 ControlNet 预处理器节点选择姿态检测能力对应的预处理器自动提取骨架条件图。添加 ControlNetApplyAdvanced 或同类应用节点把它放在 KSampler 前。将原图信息和条件图信息分别接到应用节点的对应输入口控制权重设置先给 0.8 左右。将 CheckpointLoader 的 MODEL 先经过 ControlNetApplyAdvanced 组合再把输出接到 KSampler。这样采样器生成的时候就会受到姿态条件的约束。你可以对比开着 ControlNet 和关掉时两种结果的差异感受控制力度。如果骨架和提示词有明显冲突优先调整提示词而不是暴力把 weight 拉满因为过强的控制会让画面像复制粘贴一样僵硬。ControlNet 和批量配合也有技巧。姿态图是一次性的我可以固定参考图不变把提示词拆成多个变体批量跑。这样能一次性看到同一个姿态在不同描述词下的多种服装、场景变化对角色设计类需求特别有用。跑完这一轮把结构满意的候选记下来进入放大精修阶段。4.3 第三步串联放大和面部修复输出成片基础图确定后给它加一套后处理链路。这里的常用接法是把基础图接到一个模型放大节点选择放大倍率 2 倍或 4 倍。放大后的图如果包含人物接一个人脸修复节点设置一个相对温和的重绘强度。如果还想强化局部细节再接一个局部重绘节点把主要区域单独精修。最终输出到 SaveImage。这里放大节点的关键参数是放大倍率和模型选择。我一般先跑一次 2 倍看细节是否够用不够再改成 4 倍。高清修复完成后会做一次肉眼检查看有没有明显的几何畸变、纹理塌陷。如果发现面部崩了就单独把修复节点的强度调高再跑一次不需要整条链路重跑。整套流程熟练之后建议用模板保存下来。ComfyUI 的模板功能可以把你调好的节点布局固定住下次打开直接改提示词就能用。我保守估计这套组合流程能把一张图从初稿到成品的操作时间压到一分钟以内前提是模型和插件路径都稳定。5. 高频率问题与排查经验做技术分享不能只讲顺利的部分实际用起来大家遇到的问题非常相似我把出现频率最高的几个问题集中整理出来每条都配上排查思路。5.1 节点变红到底哪里错了所有报错里最常见的现象某个节点边框变红鼠标放上去能看到红色错误提示。这种“红框”基本分三类缺模型、缺插件、参数格式不对。缺模型的报错信息里通常带FileNotFoundError意思是找不到某个文件这时候去对应模型目录看文件是不是没下载成功、路径对不对。缺插件的问题则是报错提示里有module not found或者No module named这表示需要去 Manager 里补插件或补 Python 依赖。参数格式不对就麻烦一点常见于版本升级后节点接口变化这种只能看报错尾部的提示定位到具体参数或直接回退插件版本。排查方法有个小技巧把工作流里跟报错无关的节点先绕过或删除保留最小复现链路。比如怀疑 KSampler 出问题就单独搭一个最简单的文生图链路试着定位问题范围效率远比在一大堆节点里瞎猜高得多。5.2 显存不够生成到一半崩了显存溢出的典型表现是采样到一半直接黑屏或报 CUDA OOM。这个问题有几种常见解法。第一种是降低分辨率比如从 512×768 降到 384×512这在初筛阶段影响不大。第二种是减小 batch size一次只生成一张图而不是批量四张。第三种是关掉一些常驻显存的选项比如把“组队”或共享内存相关功能关闭换更轻量的放大策略。第四种更硬核是在采样器里设置分块扩散把整张图切成若干小块逐个处理减少峰值显存占用。要注意的是分块扩散这类方案会导致速度变慢而且块与块之间可能出现接缝。我的经验是显存不是特别紧张时尽量不用分块直接压缩分辨率加慢速采样更稳妥。真到了必须分块的场景把块重叠区域设得大一点接缝问题会缓解不少。5.3 ControlNet 没效果或者反效果ControlNet 接上之后如果生成结果和原参考姿势完全无关先检查预处理器条件图是否正常。打开预览输出能直观看到提取出的骨架对不对。如果骨架本身就是乱的后面的控制自然不成立。如果骨架提取正确但最终结果偏离优先怀疑控制权重太低把它从 0.8 提高到 1.0 以上再试。如果问题变成过度控制、图像结构被锁死但细节僵硬就反过来降低权重或者把 end 百分比提前让后期采样恢复自由。ControlNet 的调试就是找权重和时间段的平衡点多试几轮就能摸到窍门。5.4 插件冲突与启动失败启动时一直卡加载界面大概率是某个插件不兼容。我的处理方式是逐个排查把custom_nodes目录里的插件文件夹临时改名禁用分批启动定位到出问题的插件。这种操作不用写代码就是重命名文件夹然后重启直到找出来是哪一个插件。找到问题插件后查看它的版本和更新状态。如果已经不维护优先找替代方案如果只是和当前 ComfyUI 版本冲突可以考虑固定更新 ComfyUI 主程序到兼容版本或者装插件的历史稳定版。这里特别注意一些插件要求“先更新主程序再更新插件”顺序反了很容易触发依赖不兼容。5.5 常见问题速查表现象常见原因排查顺序节点红框缺模型、缺依赖、版本接口变化先看报错尾部再查模型路径最后考虑插件版本生成黑图采样参数离谱、模型加载失败检查模型输出是否异常降低 CFG 到 7 左右试面部崩坏修复强度不足、放大倍数过高提高修复强度降低放大倍率ControlNet 无效预处理器异常、权重过低预览条件图逐步拉高权重启动卡住插件冲突目录逐批禁用定位出图偏灰VAE 缺失或不对换一个匹配 VAE 试6. 几个能长期受益的使用习惯最后分享几个我在长期使用中沉淀下来的习惯。这些不是操作步骤而是对工作流管理的一些思考但我觉得它们比单个节点参数更能决定你的使用体验。6.1 给工作流存档养成“一图一档”习惯每完成一个满意的效果我会把工作流梳理干净导出为模板然后截一张效果图作为预览。文件名写成“日期_风格_用途”的格式比如20240512_realistic_portrait_v2.json。这样找历史工作流非常方便文件夹里一眼能看出哪套是哪个风格、什么时候做的。如果没有存档习惯三个月前的某个工作流很可能就找不回来了。插件更新、模型路径调整都会让旧工作流失效所以存档文件里最好附带简单说明记录关键模型路径和依赖插件。这个习惯刚开始会嫌麻烦但时间越长收益越大。6.2 更新插件要克制别追求最新版社区插件更新频繁但“最新”不等同于“最好”。我的推荐是主力环境保持稳定非必要不升级。只有两种情况下考虑更新一是明确需要使用新功能二是当前版本出现 bug 影响了工作流。更新前先备份custom_nodes目录更新后立即测试一条核心工作流。有些用户喜欢每天都更新所有插件结果就是每天都在修新问题。ComfyUI 的乐趣在于稳定出图而不是折腾环境。让项目环境稳定一点你的体验也会稳定很多。6.3 学习路径建议如果你刚开始可以先跑通文生图主链路再逐类加入 ControlNet、局部重绘、放大修复。每加入一个插件先把它单独接入一条临时工作流里调试别一上来就组一条巨复杂的链路否则排错的时候根本无从下手。等基础流程都熟练了再到社区里多看别人分享的工作流拆解每个节点的作用。看懂一张复杂的分享工作流比闷头研究十几个插件文档更有用。技术层面遇到看不懂的节点优先看它的输入输出类型判断它在链路中的位置很多问题就迎刃而解了。我在实际使用中的体会是ComfyUI 的节点再复杂终究是把生成问题拆成了一个个可调试的模块。掌握这个拆解思路之后新增插件对你来说只是多认识几张新面孔上手只是时间问题。这套流程我已经跑了很久中间踩过不少坑也换过好几轮插件选择最终留下的这一套组合既稳定又高效。希望这份整理也能帮你少走一些弯路。
