ComfyUI 2026 新手入门教程从整合包安装到工作流搭建全程干货无废话这次我们来看一个几乎所有玩 AI 绘画的人都会接触到的工具ComfyUI。如果你准备从零开始搭建自己的 AI 绘图工作流又不想被复杂的节点关系劝退这篇文章就是给你写的。到了 2026 年ComfyUI 已经不是小众玩家的玩具大量生产环境、自媒体作图、电商设计、甚至 AI 视频工作流都在用它。它和 WebUI 最大的区别在于WebUI 给你的是“填表式”操作界面ComfyUI 给你的是“拼图式”节点图。前者易上手但流程固定后者灵活但需要理解节点之间的连接关系。很多第一次接触 ComfyUI 的朋友会被节点图吓到一屏都是框和连线看起来像程序员的电路图。但实际上ComfyUI 的逻辑非常线性——图片从模型里生成经过编码、采样、解码、保存每一步都是一个节点。你只需要把“输入什么”和“输出什么”连起来一条完整的生成链路就通了。而且 ComfyUI 对显存利用更精细工作流可复用性极强一套流程搭好之后换张图、换个模型、调一下参数就能继续跑不需要像 WebUI 那样在多个选项卡之间来回切换。这篇教程会围绕四个核心问题展开ComfyUI 到底能做什么、环境怎么准备、如何用整合包快速部署并搭出第一条工作流、以及遇到节点缺失和显存不足时怎么排查。文章内容按“能力速览 → 环境准备 → 启动部署 → 工作流搭建 → 功能测试 → API 与批量 → 性能观察 → 排错 → 最佳实践”的顺序组织尽量做到每一步都跟着能做。如果你是纯新手建议先把前四章读完再动手操作如果你已经跑过 ComfyUI可以直接跳到第五章看工作流搭建细节和第六章的 API 批量任务部分。1. 核心能力速览在动手之前先对 ComfyUI 建立一个整体认知。下面这张表概括了 ComfyUI 的核心能力方便你判断它是不是适合你的场景。能力项说明项目类型开源、节点式 AI 图像/视频生成工作流引擎界面形态浏览器访问基于节点连线操作主要功能文生图、图生图、局部重绘、ControlNet、LoRA 加载、图像放大、批量推理、视频生成需额外节点前端交互拖拽节点、连线编辑、右键搜索节点后端推理基于 Python 执行支持多模型加载与切换推荐硬件NVIDIA 显卡优先CPU 可以跑但速度慢同时支持多种推理后端显存需求取决于模型规模、分辨率、批量大小需要以实际本机测试为准支持平台Windows / Linux / macOS其中 NVIDIA GPU 上体验最完整启动方式整合包一键启动 / Python 命令行启动 / Docker 启动是否支持 API支持可通过 HTTP 提交工作流、查询任务状态、获取生成结果是否支持批量任务支持可以在工作流内设置 batch_size也可以通过脚本循环提交队列可扩展性支持自定义节点、第三方插件社区节点生态庞大适合用户需要精细控制生成流程、追求工作流复用的设计师、开发者、AI 内容创作者从功能定位上看ComfyUI 不是“拿来就能出图”的傻瓜工具而是一套“把生成逻辑拆开”的流程化工具。如果你只想随便生成几张图WebUI 可能更快但如果你要做固定风格批量出图、要精确控制每个环节、或者要把绘图流程接入自动化生产ComfyUI 的性价比明显更高。2. 适用场景与使用边界ComfyUI 适合谁下面这几类用户是最典型的受益者。设计师与内容创作者。电商主图、海报背景、头像生成、小说配图这类场景往往需要固定风格连续产出。搭好一条工作流之后换提示词、换 LoRA、调尺寸就能批量出图效率和一致性都比 WebUI 高。开发者和 AI 应用集成者。ComfyUI 提供了 HTTP 接口你可以在自己的工作流里通过 Python 调用 ComfyUI 生成图片再继续做后续处理。很多 AI 绘画工具背后的底层绘图引擎就是 ComfyUI。想要精调 AI 绘画流程的玩家。如果你不满足于“关键词 一键生成”想深度控制采样器、步数、CFG、潜空间操作、局部重绘区域ComfyUI 的节点式结构非常适合研究和调试。同时ComfyUI 也有明显不适合的场景。如果你完全不愿意接触任何“连接线”和“节点参数”只想要最傻瓜的出图工具ComfyUI 初期会让你感到挫败。另外如果你的显卡显存很小又非要跑超大分辨率或者高精度大模型ComfyUI 也一样会内存溢出。使用边界必须说清楚ComfyUI 本身是工具但用工具做什么内容决定权在用户手上。做图时需要注意版权、肖像权、商用授权等合规要求。例如不要让 AI 生成明显仿冒真人肖像的图像不要未经授权处理他人作品也不要用 AI 生图制作虚假信息。模型文件也要注意来源下载社区模型时优先选择明确标注授权方式的内容。涉及声音克隆、视频换脸等扩展能力时必须确保你拥有被处理对象本人的明确授权。3. 环境准备与前置条件ComfyUI 的部署并不算复杂但前置环境没弄好后面很容易出现各种奇怪报错。这里给出一个通用的检查清单。检查项要求 / 建议操作系统Windows 10/11、主流 Linux 发行版、macOS 均可GPUNVIDIA 显卡优先建议驱动保持较新版本显卡驱动NVIDIA 驱动需支持 CUDA 11.8 或更高版本以本机测试为准Python如果手动安装建议使用 Python 3.10~3.11 等社区稳定版本整合包自带运行环境则无需配置磁盘空间程序本体不大但模型文件体积大建议预留 20GB 以上空间内存16GB 起步32GB 更稳妥端口默认端口通常为 8188需要保证该端口未被占用这些不是硬性规定而是让你心里有个数。尤其是显卡驱动和 CUDA 版本这是最容易出问题的地方。建议先打开命令行执行nvidia-smi看一眼驱动版本和 CUDA 支持情况。# 查看显卡驱动与 CUDA 支持版本 nvidia-smi如果输出里能看到显卡型号和 CUDA Version 信息说明驱动基本正常。如果提示找不到命令在 Windows 上说明 NVIDIA 驱动没有正确安装或者环境变量没有配置好。另外说一句如果你的电脑没有 NVIDIA 显卡只有 CPU 或者 Intel/AMD 核显ComfyUI 也不是完全不能跑只是推理速度会慢很多生成一张普通分辨率图片可能需要以分钟为单位计时。实际效果建议先用小参数试跑再决定是否升级硬件。4. 安装方式与启动整合包和手动部署二选一ComfyUI 的安装方式目前主要有三种社区整合包、命令行手动安装、Docker 部署。对新手来说最推荐的是整合包对开发者来说手动安装更灵活对服务器部署场景Docker 更方便。4.1 方式一使用社区整合包一键部署社区里流传较广的是秋叶整合包以及一些基于秋叶整合包改版的新版本。整合包的核心价值在于预装了 Python 环境、依赖库、常用插件、模型管理工具你不需要自己折腾环境变量和 pip 依赖下载解压后启动即可。使用整合包的通用流程从可靠的发布渠道下载整合包压缩包。解压到磁盘空间充足的目录注意路径不要带中文和空格避免不必要的编码问题。双击启动脚本通常是启动ComfyUI.bat或run_nvidia_gpu.bat这类文件。等待控制台出现To see the GUI go to: http://127.0.0.1:8188类似信息。浏览器打开启动控制台中给出的地址进入 ComfyUI 浏览器界面。需要特别提醒的是整合包版本更新会有滞后性如果你需要用某个较新的 ComfyUI 核心功能或最新模型格式可能需要通过整合包内置的更新工具手动升级。升级前注意备份自己的工作流和模型配置。4.2 方式二命令行手动安装如果你希望完全掌控环境或者需要在 Linux 服务器上部署可以走手动安装路线。下面是一套通用模板实际命令需要按你的系统环境调整。# 以 Ubuntu/Debian 系 Linux 为例Windows 用户建议直接使用整合包或安装依赖后运行 # 1. 创建虚拟环境 python -m venv comfyui_env source comfyui_env/bin/activate # 2. 克隆 ComfyUI 仓库具体仓库地址请以官方发布为准 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 3. 安装 PyTorch 依赖建议先到 PyTorch 官网确认与你系统匹配的安装命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 4. 安装其他项目依赖 pip install -r requirements.txt # 5. 启动服务 python main.py启动后同样访问http://127.0.0.1:8188即可打开界面。如果你在远程服务器上部署需要监听0.0.0.0才能从外部访问但这样做会暴露服务端口务必设置访问限制或防火墙规则。4.3 启动后的首次检查无论用哪种方式启动进入浏览器界面后建议先做三件事确认左下角是否显示加载成功的模型数量。在工作区右键确认节点搜索菜单可以正常弹出。如果没有默认工作流手动搭建或用模板加载一条最简文生图工作流。如果你的整合包或手动安装版本带有一个默认的示例工作流通常是一个完整的文生图链路可以直接点击右上角的“运行”按钮测试。第一次运行会加载模型耗时较长这是正常的。5. 工作流搭建全流程从零搭出一条文生图链路这是整个教程的核心章节。ComfyUI 的节点式界面看起来复杂但一条最基础的文生图工作流只需要七类节点。5.1 节点角色说明节点名称功能角色Load Checkpoint加载主模型输出模型、CLIP、VAE 三个接口CLIP Text Encode正向提示词把正向提示词编码为模型可理解的向量CLIP Text Encode反向提示词把不想出现的内容编码为负向量Empty Latent Image创建空白潜空间图像设置宽、高、批量数KSampler采样器在潜空间中去噪生成图像调节步数、CFG、采样器类型VAE Decode将潜空间表示解码为像素级图像数据Save Image保存图像到输出目录5.2 搭工作流的实际操作步骤第一步在画布空白处双击或右键弹出节点搜索框。输入“Load Checkpoint”创建第一个节点。这个节点会从你的models/checkpoints目录读取模型文件。如果你下载过任何检查点模型下拉菜单里应该能看到。第二步创建两个“CLIP Text Encode”节点。分别用于正向提示词和负向提示词。可以先在正向提示词里写一句简单的描述比如a beautiful girl in a garden, sunlight, detailed face负向提示词写lowres, bad anatomy, blurry。这些提示词的具体内容不影响流程理解重点是学会接线。第三步创建“Empty Latent Image”节点设置生成图片的宽和高。新手建议先用512x512或768x768测试不要一上来就开 2048 分辨率否则显存压力会非常大。第四步创建“KSampler”节点。这是关键节点它控制生成质量和速度。种子seed相同则结果可复现步数越高细节通常越丰富但越耗时CFG 值控制提示词遵循程度常用范围在 5 到 15 之间。第五步创建“VAE Decode”节点和“Save Image”节点。VAE Decode 负责把采样后的潜空间数据解码成正常图像Save Image 负责把结果保存下来。第六步也是最重要的一步接线。把 Load Checkpoint 的 MODEL 连接到 KSampler 的 modelCLIP 连接到两个 Text Encode 的 clipVAE 连接到 VAE Decode 的 vae。正向提示词的输出接到 KSampler 的 positive负向提示词的输出接到 KSampler 的 negative。Empty Latent Image 的 LATENT 输出接到 KSampler 的 latent_image。KSampler 的 LATENT 输出接到 VAE Decode 的 samples。VAE Decode 的 IMAGE 输出接到 Save Image 的 images。连接完成后点击界面右侧的“Queue Prompt”按钮开始生成。等待过程中你会看到节点面板上有进度条控制台也会输出当前采样进度。生成结束后Save Image 节点的 outputs 里会显示生成的图片同时图片文件会保存到ComfyUI/output目录下。5.3 第一次运行常见情况第一次点击运行控制台会加载模型文件这个时间根据模型大小和磁盘性能差异很大十几秒到一分钟都属正常。如果加载后立刻报错大概率是节点连接不对或某个节点参数设置有问题。这时请检查每一条连线是否与节点接口名称完全对应。需要特别提醒的是很多人第一次搭工作流容易把正负提示词的输入接反。注意看节点上的接口名称KSampler 的 positive 只接受正向提示词的输出negative 只接受负向提示词的输出。接反之后出图质量会明显异常画面会变得奇怪。6. 功能测试与效果验证从文生图到批量出图工作流搭好之后还不能算完。你需要验证几个关键能力能不能稳定出图、能不能换模型、能不能批量处理、能不能通过接口自动化调用。6.1 基础文生图测试在 KSampler 中固定 seed连续运行两次。如果输出图片完全相同说明工作流链路正常模型加载和采样过程可复现。这一步验证的是流程稳定性。6.2 换模型与 LoRA 测试在图生图或换风格场景中模型切换是高频操作。添加一个 Lora Loader 节点把它输出中的 MODEL 和 CLIP 重新接到 KSampler 和 Text Encode 上测试 LoRA 是否能正常加载。如果 LoRA 节点显示“模型文件缺失”或“加载失败”说明 LoRA 文件没有放在正确的目录或者该 LoRA 与当前大模型不兼容。6.3 批量出图测试批量出图有两种常见方式。第一种是修改 Empty Latent Image 节点中的 batch_size一次生成多张图。第二种是通过编写脚本循环提交工作流这种方式更灵活适合大量生产场景。第二点会在 API 章节详细说明。在批量测试过程中重点观察显存占用和单张图片耗时。如果显存不足降低 batch_size 或分辨率优先保证不 OOM。6.4 判断成功的标准一次成功的 ComfyUI 生成应该满足以下条件控制台没有任何 error 级别的报错。Save Image 节点输出了图片。图片内容与正向提示词描述明显相关。相同 seed 下重复运行得到相同结果。批量模式下所有图片都成功生成没有中途中断。如果以上任一条件不满足就需要进入排错流程参考第九章。7. API 调用与批量任务把 ComfyUI 接进自己的工具链ComfyUI 的价值不仅仅在于手动点按钮生成图片它提供了一套 HTTP API可以把生成工作流接入到自己的程序里。这一章给出接入流程和调用模板。7.1 API 工作机制ComfyUI 启动后会监听一个 HTTP 端口通常默认是 8188。前端界面能做的所有操作理论上都可以通过 API 完成。API 调用流程可以简化为四步获取要执行的工作流图数据。将工作流数据提交到 ComfyUI 服务端。轮询查询任务执行状态。任务完成后获取输出图片。你需要先从界面上导出工作流 API 格式数据。在 ComfyUI 界面里可以通过工作流菜单将当前工作流保存为 “API 格式” 的 JSON 文件。导出的 API 格式 JSON 与普通工作流 JSON 结构不同提交到/prompt接口时使用的是 API 格式。7.2 通用 Python 调用模板下面这段代码是通用的调用模板。实际接口路径和数据结构在不同版本的 ComfyUI 中会有细节差异请以你本机版本实际数据结构为准。import json import urllib.request import urllib.parse import time SERVER 127.0.0.1:8188 def queue_prompt(workflow_json): # 提交工作流到任务队列 data json.dumps({prompt: workflow_json}).encode(utf-8) req urllib.request.Request( fhttp://{SERVER}/prompt, datadata, headers{Content-Type: application/json} ) with urllib.request.urlopen(req, timeout30) as resp: return json.loads(resp.read().decode(utf-8)) def get_history(prompt_id): # 查询任务状态和输出结果 with urllib.request.urlopen(fhttp://{SERVER}/history/{prompt_id}, timeout30) as resp: return json.loads(resp.read().decode(utf-8)) # 这里换成你导出的 API 格式工作流 JSON workflow { 1: { class_type: CheckpointLoaderSimple, inputs: {ckpt_name: your_model.safetensors} } } result queue_prompt(workflow) prompt_id result[prompt_id] print(已提交任务ID:, prompt_id) # 轮询等待任务完成 for _ in range(60): time.sleep(2) history get_history(prompt_id) if prompt_id in history: print(任务完成) print(json.dumps(history[prompt_id], indent2, ensure_asciiFalse)) break注意代码中your_model.safetensors必须替换成你实际放置在models/checkpoints目录下的模型文件名。这个文件路径是工作流能否执行成功的常见原因。7.3 批量任务设计思路批量任务的核心逻辑是循环。你可以准备一个提示词列表每次把不同的正向提示词写入工作流 JSON然后提交到队列。为了避免瞬时压力过大建议控制并发数量一批接一批地提交。prompts [ a cat in the garden, a dog on the beach, a bird in the forest ] for i, p in enumerate(prompts): # 修改工作流中的文本编码器输入 workflow[2][inputs][text] p result queue_prompt(workflow) print(f任务 {i1} 已提交: {result[prompt_id]}) time.sleep(1)批量任务需要做好日志和重试。最简单的方式是把每个 prompt_id 和对应的生成状态写入本地日志文件如果任务失败或超时可以根据 prompt_id 查询历史记录重新提交。7.4 API 模式的安全注意事项如果你的 ComfyUI 服务监听在局域网或公网相当于任何人都可以通过接口提交绘图任务这既可能造成资源被恶意占用也可能带来内容风险。建议将 ComfyUI 绑定在127.0.0.1上只在本地调用或者通过反向代理增加身份认证。8. 资源占用与性能观察显存、内存和速度怎么看很多人关心 ComfyUI 到底吃多少显存。这个问题的答案取决于几个变量模型大小、采样步数、分辨率、批量大小以及是否启用了 ControlNet 等额外节点。没有绝对数字但你可以通过以下方法观察和处理。8.1 显存占用观察方法在 Windows 上可以直接打开任务管理器进入“性能”选项卡查看 GPU 专用显存占用。更精确的方式是使用命令行监控。# Windows 下使用 nvidia-smi 查看 GPU 状态 nvidia-smi -l 1这条命令会每秒刷新一次 GPU 状态包括显存使用率、GPU 利用率、温度。运行生成任务时注意观察显存占用峰值。如果显存占用持续接近显卡上限说明当前参数已经接近你的硬件极限。8.2 CPU 推理与 GPU 推理ComfyUI 主要面向 GPU 推理。在没有 NVIDIA 显卡的环境下也可以让模型在 CPU 上运行但速度可能慢几十倍。如果你只有 CPU建议把分辨率降到 512 或更低采样步数设置得尽量低先把流程跑通。当你插入新的模型或节点时先用小分辨率和低步数运行一遍确认无报错后再调高参数。8.3 降低显存占用的通用手段实战中总结下来最有效的降显存操作有六个降低分辨率从 1024 降到 768 或 512显存占用会明显下降。降低 batch_size一次生成 1 张而不是 4 张。减少采样步数在效果可接受的情况下优先使用 20 步左右。使用低精度模式很多节点的默认精度设置可以调整。关闭不需要的预览节点部分节点会因为实时预览额外消耗显存。关闭后台占内存的浏览器标签页和其他程序释放内存带宽。需要强调的是以上方法只是通用调优思路实际效果因模型和硬件而异。如果你遇到显存不够的问题先从分辨率和 batch_size 入手这两步通常最有效。9. 常见问题与排查方法ComfyUI 新手在部署和使用过程中最常遇到下面这五类问题。这里给出排错思路和解决方案。问题现象可能原因排查方式解决方案启动后页面无法访问服务未启动成功 / 端口被占用查看控制台启动日志确认是否出现监听地址检查端口是否被占用更换启动端口如python main.py --port 8189“请安装缺失的包以使用此工作流”工作流引用了未安装的第三方自定义节点按报错提示找到缺失节点名称在项目管理器中搜索安装在 ComfyUI Manager 中安装缺失节点安装后重启服务模型文件缺失或加载失败模型放在错误目录 / 文件名不对 / 模型文件损坏检查models/checkpoints目录下是否有目标文件文件名是否与下拉菜单一致移动模型文件到正确目录并确认扩展名重新下载模型CUDA 相关报错如 “CUDA out of memory”显存不足 / 驱动或 PyTorch 版本不匹配运行nvidia-smi查看显存占用确认 PyTorch 是否检测到 GPU降低分辨率或 batch_size更新显卡驱动重新安装匹配的 PyTorch生成图片全黑或全灰负向提示词与正向提示词冲突 / CFG 值异常 / 接线错误检查 KSampler 参数确认 CFG 在合理范围检查节点连线重置 CFG 到 7 左右重新连接正负提示词接口批量任务中途卡住显存不足 / 某个任务参数异常 / 工作流状态被修改查看控制台报错信息定位是哪一个任务卡住终止进程后重新启动降低批量数检查卡住任务使用的模型和参数排查问题永远遵循一个原则定位到第一个报错点。ComfyUI 控制台会输出详细的异常堆栈错误信息里通常会包含出错的节点编号和原因。不要着急改参数先把报错信息复制出来搜索一下基本就能确定方向。10. 最佳实践与使用建议教程最后结合实战经验分享几条工程化建议。第一第一次运行永远用小参数。不要一开始就生成 4K 高清不要一次跑 8 张批量先用 512 分辨率、低步数、单张验证流程是否通畅。流程通了再逐级提升参数这样排查问题时不会被多项因素干扰。第二保留一套最小可运行工作流。无论你后续叠加多少复杂节点本地都要保留一条“加载模型 → 提示词 → 空潜空间 → KSampler → VAE Decode → 保存”的最简链路。遇到复杂工作流跑不通时先用最简链路验证基础环境再逐步叠加节点。这种方式可以快速定位问题出在基础环境中还是某个第三方节点上。第三做好目录管理。模型文件、LoRA 文件、VAE 文件、ControlNet 文件分别放在models下的不同子目录里。建议不要把所有模型堆一起否则节点下拉菜单会很长查找效率很低。输出文件可以按日期或任务批次建立子目录避免反复覆盖。第四批量任务必须加日志和重试机制。通过 API 跑批量任务时每提交一个任务就记录 prompt_id 和状态。任务失败时不要盲目重试先检查失败原因。如果是显存不足降低并发如果是模型路径错误修正路径后再重试。第五接口服务要限制访问范围。在生产环境或服务器上部署 ComfyUI 时将服务绑定到127.0.0.1或用防火墙限制访问来源。没有认证机制的 AI 绘图服务直接暴露在公网上很快会被扫描和滥用。第六涉及内容合规必须确认授权。使用面部图像生成功能时确保你对输入素材拥有合法使用权也确保生成结果不侵犯第三方合法权益。声音克隆、视频数字人、换脸类扩展节点必须在获得当事人明确授权的前提下使用。企业环境中还要符合公司内部的数据安全规范。11. 总结与下一步ComfyUI 最值得尝试的点是它把 AI 绘画从“黑盒操作”变成了“可视化流程”。你可以清楚地看到一张图是怎么从模型、提示词、采样参数一步步生成的也可以把一套流程保存下来反复使用。这种能力在批量生产、风格控制、团队协作和自动化接入中非常实用。如果你是第一次接触 ComfyUI建议按照下面的顺序安排学习路径先用整合包快速跑通环境搭一条最简文生图工作流出图然后尝试换模型和换提示词体会参数变化对结果的影响接着尝试导入社区分享的工作流观察别人是怎么组织节点的最后再研究 API 调用和批量任务把 ComfyUI 接入到自己的小程序、Web 应用或自动化流程中。最容易踩的坑无非是节点缺失、模型路径错误、显存不足这三类。遇到报错不要慌先看控制台日志再对照本文第九章排查。建议把这篇文章收藏备用部署和排错时能少花不少时间。下一条工作流你可以试着从图生图或者局部重绘开始搭一步步把 ComfyUI 用起来。
