第一个工作流

简介

学习目标

• 了解ComfyUI工作流的基本结构
• 学会添加和连接节点
• 掌握参数设置方法
• 成功生成第一张图像

预计学习时间

15分钟

前置知识

• 已完成ComfyUI安装
• 了解基本的界面操作

工作流概述

我们将创建一个基础的文生图（Text-to-Image）工作流，包含以下节点：

1. CheckpointLoaderSimple: 加载Stable Diffusion模型
2. CLIPTextEncode: 编码提示词（正向和负向）
3. EmptyLatentImage: 创建空白潜在空间
4. KSampler: 采样生成图像
5. VAEDecode: 解码潜在空间为图像
6. SaveImage: 保存生成的图像

创建步骤

工作流创建步骤

下图展示了创建工作流的四个基本步骤：

这个图展示了创建工作流的核心步骤： - 添加节点: 双击画布添加所需节点 - 连接节点: 从输出端口拖动到输入端口 - 设置参数: 配置节点的各项参数 - 执行工作流: 点击Queue Prompt执行生成

步骤1: 添加模型加载节点

1. 打开ComfyUI
2. 启动ComfyUI

3. 访问 http://localhost:8188

4. 添加CheckpointLoaderSimple节点

5. 在画布空白处双击
6. 搜索"CheckpointLoaderSimple"

7. 选择并添加节点

8. 选择模型

9. 点击"ckpt_name"下拉菜单
10. 选择已下载的模型（如v1-5-pruned-emaonly.ckpt）

访问 http://localhost:8188

添加CheckpointLoaderSimple节点

选择并添加节点

选择模型

步骤2: 添加文本编码节点

1. 添加正向提示词节点
2. 双击画布
3. 搜索"CLIPTextEncode"

4. 添加节点

5. 设置正向提示词

6. 在"text"文本框中输入： beautiful landscape, mountains, sunset, 4k, detailed

7. 连接CLIP输出

8. 从CheckpointLoaderSimple的"CLIP"输出端口

9. 拖动到CLIPTextEncode的"clip"输入端口

10. 添加负向提示词节点

11. 再次添加一个CLIPTextEncode节点

12. 在"text"文本框中输入： ugly, blurry, low quality

13. 连接CLIP输出

14. 从CheckpointLoaderSimple的"CLIP"输出端口
15. 拖动到第二个CLIPTextEncode的"clip"输入端口

添加节点

设置正向提示词

在"text"文本框中输入： beautiful landscape, mountains, sunset, 4k, detailed

连接CLIP输出

拖动到CLIPTextEncode的"clip"输入端口

添加负向提示词节点

在"text"文本框中输入： ugly, blurry, low quality

连接CLIP输出

步骤3: 添加潜在空间节点

1. 添加EmptyLatentImage节点
2. 双击画布
3. 搜索"EmptyLatentImage"

4. 添加节点

5. 设置图像尺寸

6. width: 512
7. height: 512
8. batch_size: 1

添加节点

设置图像尺寸

步骤4: 添加采样器节点

1. 添加KSampler节点
2. 双击画布
3. 搜索"KSampler"

4. 添加节点

5. 设置采样参数

6. seed: 123456789（或点击随机按钮）
7. steps: 20
8. cfg: 8
9. sampler_name: euler
10. scheduler: normal

11. denoise: 1

12. 连接节点

13. model: 连接到CheckpointLoaderSimple的"MODEL"输出
14. positive: 连接到正向CLIPTextEncode的"CONDITIONING"输出
15. negative: 连接到负向CLIPTextEncode的"CONDITIONING"输出
16. latent_image: 连接到EmptyLatentImage的"LATENT"输出

添加节点

设置采样参数

denoise: 1

连接节点

步骤5: 添加VAE解码节点

1. 添加VAEDecode节点
2. 双击画布
3. 搜索"VAEDecode"

4. 添加节点

5. 连接节点

6. samples: 连接到KSampler的"LATENT"输出
7. vae: 连接到CheckpointLoaderSimple的"VAE"输出

添加节点

连接节点

步骤6: 添加保存节点

1. 添加SaveImage节点
2. 双击画布
3. 搜索"SaveImage"

4. 添加节点

5. 设置保存参数

6. filename_prefix: ComfyUI

7. 连接节点

8. images: 连接到VAEDecode的"IMAGE"输出

添加节点

设置保存参数

filename_prefix: ComfyUI

连接节点

完整工作流

工作流应该如下连接：

CheckpointLoaderSimple
├── MODEL ──────────────┐
├── CLIP ───┬────────────┼── KSampler ─── VAEDecode ─── SaveImage
└── VAE ────┴────────────┘               │
                                          └── samples ──┘

CLIPTextEncode (positive) ─── positive ──┘
CLIPTextEncode (negative) ─── negative ──┘

EmptyLatentImage ─── latent_image ───────┘

执行工作流

1. 检查连接
2. 确保所有节点正确连接

3. 检查没有红色警告

4. 执行工作流

5. 点击"Queue Prompt"按钮

6. 或按Ctrl+Enter

7. 等待完成

8. 查看底部进度条

9. 等待执行完成

10. 查看结果

11. 生成的图像将显示在右侧
12. 图像保存在output/目录

检查没有红色警告

执行工作流

或按Ctrl+Enter

等待完成

等待执行完成

查看结果

工作流JSON

以下是完整的工作流JSON代码：

{
  "3": {
    "inputs": {
      "seed": 123456789,
      "steps": 20,
      "cfg": 8,
      "sampler_name": "euler",
      "scheduler": "normal",
      "denoise": 1,
      "model": ["4", 0],
      "positive": ["6", 0],
      "negative": ["7", 0],
      "latent_image": ["5", 0]
    },
    "class_type": "KSampler"
  },
  "4": {
    "inputs": {
      "ckpt_name": "v1-5-pruned-emaonly.ckpt"
    },
    "class_type": "CheckpointLoaderSimple"
  },
  "5": {
    "inputs": {
      "width": 512,
      "height": 512,
      "batch_size": 1
    },
    "class_type": "EmptyLatentImage"
  },
  "6": {
    "inputs": {
      "text": "beautiful landscape, mountains, sunset, 4k, detailed",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "7": {
    "inputs": {
      "text": "ugly, blurry, low quality",
      "clip": ["4", 1]
    },
    "class_type": "CLIPTextEncode"
  },
  "8": {
    "inputs": {
      "samples": ["3", 0],
      "vae": ["4", 2]
    },
    "class_type": "VAEDecode"
  },
  "9": {
    "inputs": {
      "filename_prefix": "ComfyUI",
      "images": ["8", 0]
    },
    "class_type": "SaveImage"
  }
}

参数说明

KSampler参数

• seed: 随机种子，相同种子生成相同图像
• steps: 采样步数，越高质量越好但越慢
• cfg: 提示词相关性，通常7-12
• sampler_name: 采样器类型（euler, ddim, etc.）
• scheduler: 调度器类型（normal, karras, etc.）
• denoise: 去噪强度，1.0为完全生成

图像尺寸

• width: 图像宽度，建议512或1024
• height: 图像高度，建议512或1024
• batch_size: 批处理大小，1为单张

实验与调整

修改提示词

尝试不同的提示词：

a futuristic city, cyberpunk style, neon lights, night

调整参数

• 增加steps: 尝试30或40步
• 调整cfg: 尝试6或10
• 改变尺寸: 尝试768x768或1024x512
• 更换采样器: 尝试ddim或heun

修改种子

• 点击seed参数的随机按钮
• 或手动输入不同的数字

常见问题

Q1: 工作流执行失败

A: 检查节点连接是否正确，确保所有必需参数都已设置。

Q2: 生成的图像质量差

A: 尝试增加steps，调整cfg，或改进提示词。

Q3: 执行速度慢

A: 检查GPU是否正常工作，减少steps或batch_size。

Q4: 如何保存工作流？

A: 点击"File" > "Save"，保存为JSON文件。

Q5: 如何加载工作流？

A: 点击"File" > "Load"，选择JSON文件。

扩展练习

练习1: 生成不同风格的图像

尝试使用不同的提示词生成： - 肖像画 - 动漫风格 - 抽象艺术

练习2: 调整图像比例

尝试不同的图像比例： - 512x768（纵向） - 768x512（横向） - 1024x1024（高清）

练习3: 批量生成

将batch_size设置为4，一次生成多张图像。

练习4: 保存不同版本

修改filename_prefix，保存不同版本的图像。

下一步

完成第一个工作流后，您可以：

1. 学习核心概念
2. 探索节点参考
3. 尝试其他工作流教程

相关资源

• ComfyUI简介
• 安装指南
• 界面导航
• 核心概念
• 文生图工作流

更新日志

• 2026-01-26: 初始版本创建