ComfyUI新手教程：从零搭建节点式文生图工作流

ComfyUI 是目前 Stable Diffusion 生态里热度最高的节点式工作流工具。和 WebUI 的单一页面操作不同ComfyUI 把文生图、图生图、局部重绘、ControlNet、视频生成等能力拆成一个个节点用户通过连线自由组合。很多新手第一次打开 ComfyUI 工作流时会被这张由无数节点和连线组成的图吓住尤其是下载了别人的工作流后界面上常常弹出“请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的 python 环境中运行”的提示。这篇文章会用一条最小可运行的文生图链路带你在整合包环境下从零搭建 ComfyUI 工作流再逐步理解节点连接、参数设置和报错排查。无论你拿到的是哪一版整合包下面讲的节点逻辑和环境处理方式基本一致版本只需要以实际下载到的整合包为准。1. 先理解 ComfyUI 工作流到底在做什么1.1 节点式界面与 Stable Diffusion WebUI 的区别很多人是从 Stable Diffusion WebUI 转过来的。WebUI 把出图流程封装成固定表单选模型、填提示词、设参数、点生成。对新手友好但很难看到内部数据流。ComfyUI 则把一个出图过程拆成多个步骤每个步骤是一个节点节点之间用连线传递数据。可以这样理解两者的差别WebUI 是一辆整车你只需要踩油门ComfyUI 是一套零件图纸你可以自己决定发动机、变速箱和轮子怎么接。ComfyUI 的自由度更高适合需要研究算法、自定义流程、批量实验和复现他人工作流的用户。ComfyUI 里工作流的本质是一张有向图。数据从左侧输入节点开始经过中间处理节点最后到达输出节点。每一步都看得见也因此更容易定位“是哪一步出了问题”。缺点也很直接学习曲线比 WebUI 陡尤其是对节点术语完全不熟的新手。1.2 一条最小文生图工作流由哪些节点组成先记住一组最基础的节点名后续所有复杂工作流基本都是它们的扩展节点名称作用输入输出Load Checkpoint加载底模包含 UNet、CLIP、VAE模型文件选择MODEL、CLIP、VAECLIP Text Encode把提示词编码成条件向量clip、textCONDITIONINGEmpty Latent Image创建空的高斯噪声潜空间图像宽、高、批量数LATENTKSampler在潜空间执行采样去噪model、positive、negative、latent_image、seed、steps、cfg、sampler、scheduler、denoiseLATENTVAE Decode把潜空间图像解码成像素图samples、vaeIMAGESave Image保存图片到输出目录images、filename_prefix无逐步串起来就是加载底模把底模拆出三个能力用 CLIP 能力把提示词转成条件创建一个噪声图在采样器里让模型根据条件逐步去噪最后用 VAE 能力把潜空间表示还原成 PNG。1.3 为什么用潜空间而非直接处理像素这里有一个关键概念Stable Diffusion 系列模型通常不直接在 512x512 或 1024x1024 像素空间里计算而是先把图像压缩到潜空间。潜空间是一个维度更低、信息更密集的特征表示空间。这样做最主要的目的是降低显存和计算量。以常见的 512x512 图像为例直接在全像素空间做扩散需要非常多的显存。通过 VAE 编码器把图像压缩到 64x64 左右的潜空间张量后采样器只需要在这个小尺寸张量上做多步去噪最后再用 VAE 解码器还原成图像。这也是为什么 ComfyUI 的工作流里必须有一个 VAE Decode 节点采样器输出的 LATENT 不是最终图片必须解码。新手最容易误解的一点是“KSampler 出来的结果就是图片”。严格说KSampler 输出的是潜空间张量人眼不可见只有接上 VAE Decode 并转为像素图后才能保存和预览。2. 使用秋叶整合包搭建本机环境2.1 硬件和软件要求使用整合包前先确认电脑配置是否满足基本条件。这里的配置建议偏保守只作为参考实际效果取决于具体模型、分辨率和采样步数。配置项入门配置推荐配置操作系统Windows 10/11 64 位Windows 10/11 64 位显卡NVIDIA 显卡显存 4GB 以上NVIDIA 显卡显存 8GB 以上驱动已安装较新 NVIDIA 驱动已安装 NVIDIA Studio 驱动或 Game Ready 驱动内存16GB32GB硬盘20GB 可用空间50GB 以上可用空间建议固态硬盘Python不需要单独安装不需要单独安装AMD 显卡、Intel 显卡也能跑但依赖的加速后端不同配置更复杂本文以 NVIDIA 显卡为主。如果电脑没有独立显卡或者显存只有 2GB 左右可以先学习界面和节点逻辑但大型模型基本跑不动。2.2 下载、解压和启动“秋叶整合包”是社区作者发布的打包版本把 ComfyUI 本体、Python 运行时、常用模型和基础插件打包到一个压缩包里。它的价值在于省去了手动安装 Python、创建虚拟环境、安装依赖这一大段步骤。拿到最新整合包后按照以下顺序操作解压到本地目录。路径不要包含中文和空格例如D:\ComfyUI\避免某些 Python 库解析路径时报错。关闭杀毒软件或为目录添加白名单。整合包内的启动脚本和 Python 运行时容易被部分杀软误判。双击启动入口。不同版本整合包的启动入口可能叫启动器.exe、启动.bat或一键启动.exe以实际文件名为准。首次启动会初始化环境可能耗时几分钟不要重复强行结束进程。启动时如果弹出命令行窗口不要直接关掉。ComfyUI 的日志、错误提示、服务地址都会显示在这个窗口里。浏览器会自动打开一个页面如果没有自动打开就手动访问命令行里输出的http://127.0.0.1:8188。2.3 启动参数与模型目录确认整合包通常自带启动参数配置界面。常见的启动参数有这样几个作用参数作用使用场景--lowvram低显存模式降低单次显存占用显存小于 6GB 时--novram极低显存模式更保守显存非常小优先保证可运行--force-fp16强制半精度计算显卡支持时提高速度--cuda-device 0指定使用第几张显卡多显卡机器--port 8188修改访问端口默认端口被占用时不要把所有优化参数一次性全开。显存够用时空载--lowvram反而会带来额外调度开销。建议先用默认参数启动遇到CUDA out of memory再逐步开启低显存参数。启动后确认两个目录底模放在ComfyUI/models/checkpointsLoRA 放在ComfyUI/models/loras工作流里Load Checkpoint节点通过下拉列表读取checkpoints目录下的文件放错目录会导致“模型找不到”或下拉列表为空。2.4 初次启动后的检查清单不要急着生成图片先花两分钟确认环境状态浏览器能正常打开 ComfyUI 页面。命令行窗口没有红色 Error 堆栈。models/checkpoints目录下至少有一个底模文件。页面右下角或菜单中能看到 ComfyUI-Manager 入口。如果整合包没有预装后面会单独说明怎么装。确认显卡驱动能被 PyTorch 识别。可以在页面中执行默认文生图流程如果采样阶段明显耗时同时任务管理器里 GPU 使用率上升说明计算核心是正常工作的。如果第一步“浏览器能打开页面”就失败优先检查端口和防火墙如果页面能打开但生成时报No module named说明当前 Python 环境缺少依赖后续在缺失节点部分一起处理。3. 跑通默认工作流先让图片生成出来3.1 默认页面结构与运行入口新版本整合包打开后页面里通常会加载一个默认工作流。如果你看到空白的画布也可以通过菜单重新加载默认模板。默认工作流的结构就是第 1 节讲的最小链路只是节点已经帮你摆好并连好线了。页面主要区域如下左侧或顶部菜单文件、编辑、视图、执行等操作入口。画布区域节点和连线的编辑区。节点右键菜单执行、打断、静音、复制等。底部状态栏当前后端地址、执行状态、进度信息。不要一上来就去网上复制复杂工作流。先在这个默认工作流里完成一次成功出图建立对整个流程的体感再逐步增加控制节点。3.2 输入提示词并理解输出在默认工作流的正向提示词节点里写入内容例如a beautiful mountain landscape, sunlight, clouds, highly detailed负向提示词里可以留空也可以写一些希望避免的内容lowres, blurry, bad anatomy接着点击页面右侧的“执行”按钮或者使用快捷键。执行时注意观察命令行窗口的日志会依次出现模型加载、采样进度、保存图片等输出。第一次跑通后你会看到几个事实正向提示词节点必须连接Load Checkpoint的 CLIP 输出。负向提示词节点也需要一个 CLIP 输入。点击执行后KSampler 先开始工作其他节点会按依赖关系自动排序执行。这里比较容易误解的是“正向提示词决定画面负向提示词决定不要什么”并不完全准确。更准确的说法是正向提示词和负向提示词共同组成一个条件约束引导模型在去噪过程中靠近你想要的内容同时避开你不想要的内容。3.3 结果保存与工作流 JSON生成完成后图片会保存到ComfyUI/output目录下。默认文件名规则通常包含日期和前缀前缀由Save Image节点里的filename_prefix字段控制。ComfyUI 的保存格式需要额外注意它会保存图片本体也会把生成图片时使用的工作流 JSON 写入 PNG 信息中。因此你从网上看到一张带工作流的图片时可以把它拖进 ComfyUI 画布尝试还原它的生成流程。但还原不代表节点一定完整如果原图作者使用了你没安装的自定义节点一样会报缺失。在页面里还可以把当前工作流导出为 JSON 文件。导出后的文件结构大致如下{ last_node_id: 10, nodes: [], links: [], groups: [] }实际内容会非常长包含每个节点的类型、位置、输入输出、属性值和图信息。你需要掌握的不是 JSON 的每个字段而是“JSON 是工作流的载体”这个思路。分享工作流时导出 JSON加载别人工作流时导入 JSON。4. 从空白画布手动搭建最小工作流4.1 放置节点与连线操作默认工作流虽然能跑但新手很容易“只知道点执行不知道连线原因”。建议按下面的顺序从空白画布手动搭一遍这样才能真正理解工作流。在画布空白处双击会弹出节点搜索框。输入节点名逐步添加添加Load Checkpoint。添加两个CLIP Text Encode。添加Empty Latent Image。添加KSampler。添加VAE Decode。添加Save Image。节点添加后从Load Checkpoint的 MODEL 输出拖线到KSampler的 model 输入从 CLIP 输出拖线到两个文本编码节点从两个文本编码节点的 CONDITIONING 输出分别拖到 KSampler 的 positive 和 negative从Empty Latent Image的 LATENT 输出拖到 KSampler 的 latent_image 输入从 KSampler 的 LATENT 输出接到 VAE Decode 的 samples 输入从Load Checkpoint的 VAE 输出接到 VAE Decode 的 vae 输入最后把 VAE Decode 的 IMAGE 输出接到 Save Image。这是一条非常标准的正向链路。只要有一条线接错KSampler 或 VAE Decode 的输入就会显示红色执行时会直接报节点校验错误。所以不要急着修改参数先把连线全部检查一遍。4.2 配置正向、负向提示词和采样参数连线完成后设置底模和提示词。在 Load Checkpoint 里选择你要用的模型没有模型时回到checkpoints目录放置.safetensors文件并刷新节点列表。在 Empty Latent Image 里设置宽高。以 SD1.5 系列模型为例常用的默认尺寸是 512x512SDXL 系列模型通常使用 1024x1024。不要随意把宽高拉到 2048否则很容易显存溢出。如果最终需要高清图更合理的做法是先小尺寸生成再接入高清放大流程。KSampler 的参数是最需要理解的部分下一节单独说明。整个工作流配置完成后点击执行。最终 Save Image 节点会输出图片并显示在节点右侧。4.3 KSampler 关键参数速查表KSampler 的参数几乎决定了出图的风格和稳定性。新手建议先按下面的保守值起步再逐步调整。参数含义常见值调节影响seed随机种子决定初始噪声默认或任意整数相同参数下种子固定结果可复现control_after_generate每次执行后种子如何变化fixed / increment / randomize想要固定风格时选 fixedsteps采样步数20 到 30步数过少细节不足过多耗时增加cfg提示词引导系数5 到 9过高会过饱和过低会失去提示词约束sampler_name采样器名称euler、dpmpp_2m 等不同采样器收敛方式和细节风格不同scheduler调度器normal、karras 等影响每一步噪声强度安排denoise去噪强度文生图固定 1图生图常用 0.4 到 0.7低于 1 时保留原图结构越接近 1 改动越大这里重点解释 seed 和 denoise。seed 决定初始噪声图换一个 seed 等于换一张完全不同的初始噪声。不要把随机种子当成“随机性开关”它的价值在于复现当调出一个满意的构图时保存种子和全部参数别人就能用同样环境复现这张图。denoise 则是从文生图切换到图生图的关键参数后面单独讲。4.4 执行、错误识别与结果解读执行过程中节点边框会显示当前进度或等待状态。如果某个节点报错它通常会变成红色命令行窗口会输出对应异常堆栈。看到下面这几种现象时不要慌先按原因判断节点输入端口为红色说明缺少必要输入检查连线。执行后图片黑屏可能是 VAE 型号不匹配或者采样过程中出现 NaN。执行耗时特别长先确认模型是否被加载到 GPU再看是否无意中把 batch size 或分辨率调得过大。第一次手动搭建的意义不是追求高画质而是体验从“加载模型”到“保存图片”的完整链路。跑通后你应该能回答三个问题这 6 个节点之间传递的是什么数据KSampler 在链路的哪个位置VAE Decode 解决了什么转换5. 从文生图扩展图生图与局部重绘5.1 图生图加载图片、编码潜空间、降低 denoise图生图和文生图的差别在于初始 latent 来源不同。文生图使用 Empty Latent Image 生成纯噪声底图图生图则把一张真实图片编码成 latent再在这个 latent 上做部分或大部分去噪。在画布中补充以下节点Load Image从本机加载一张基础图片。VAE Encode把像素图编码成 latent。KSampler将 denoise 参数从 1 改到 0.5 左右。Load Image输出 IMAGE 和图像尺寸。IMAGE 接入VAE Encode后它需要连接Load Checkpoint的 VAE 输出然后输出 latent。把这个 latent 接到 KSampler 的 latent_image 输入替代原来的 Empty Latent Image 链路。denoise 是这里最重要的参数denoise 1.0 时相当于完全重画原图几乎不起作用。denoise 0.7 左右保留部分原图结构适合风格转换。denoise 0.3 到 0.5 时大部分结构来自原图只做细节修饰。如果图生图结果与原图完全无关先检查有没有误把 denoise 设成了 1。这是图生图最常见的“假失败”。5.2 局部重绘掩码与 VAE Encode局部重绘的目标是只修改图片的某个区域例如换掉人物衣服、修改背景局部。ComfyUI 中常用做法是先加载图片指定一个 mask 掩码再用带掩码的 VAE 编码器把原图和掩码一起送进采样器。核心流程如下Load Image加载原图。通过图像掩码工具或Load Image with Mask节点创建 mask。将原图和 mask 一起送入VAE Encode (for Inpainting)。编码结果接入 KSampler。denoise 根据修改强度设置局部小修通常 0.5 到 0.8。mask 是一张黑白图白色通常表示需要重绘的区域黑色表示保留区域。新手最常见的错误是掩码区域过大导致重绘后物体边缘不自然。局部重绘的精细程度不仅依赖 prompt还依赖 mask 边缘处理。后续可以进一步结合 ControlNet 的 inpaint 模型提高边缘一致性但初学阶段先掌握基本的 mask 流程即可。5.3 工作流复用的注意事项图生图和局部重绘工作流通常不是从空白画布重画而是把文生图工作流复制一份再修改。保存多个版本时建议按用途命名01_txt2img_base.json02_img2img_style.json03_inpaint_local.json不要把所有试验都保存在同一个文件里。ComfyUI 工作流 JSON 会记录节点坐标和连接关系反复修改后节点布局会变得混乱复用时会很难阅读。另外任何从外部获取的工作流都可能包含你没有的节点。直接导入后出现“请安装缺失的包以使用此工作流”非常正常正是下一节要解决的核心问题。6. 处理缺失节点与自定义节点安装6.1 “缺失节点”提示到底在说什么很多新手第一次导入网上下载的工作流时会看到全文提示请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的 python 环境中运行。这通常不是 ComfyUI 本体报错而是工作流 JSON 里包含了当前环境没有的节点类型。典型情况有使用了 ControlNet 相关节点但没装 ComfyUI-Advanced-ControlNet。使用了视频模型节点例如 AnimateDiff、SVD 等。使用了作者自制的低代码封装节点。工作流引用的节点名与当前插件版本不匹配。看到这个提示后第一个动作不是去网上重新下工作流而是先识别缺了哪些节点再安装对应插件。6.2 用 ComfyUI-Manager 安装缺失节点ComfyUI-Manager 是目前社区最常用的节点管理工具。它提供节点搜索、安装、更新和缺失检测功能。如果你的整合包没有预装可以手动安装。假设整合包根目录为D:\ComfyUI打开命令行后执行cd /d D:\ComfyUI\ComfyUI\custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git实际仓库地址可能会变更请从来源页面确认。安装完成后重启 ComfyUI页面上通常会出现一个 “Manager” 按钮。点击 Manager 后选择 “Install Missing Custom Nodes”工具会自动识别当前工作流缺失的节点并列出可安装的插件。一键安装失败时可以逐个安装。Manager 内部会调用 git 拉取仓库因此需要本机能正常访问对应代码托管平台。下载不稳定、网络超时是最常见的失败原因重试或更换时间段可以提高成功率。6.3 手动安装与 Python 依赖问题有些节点无法通过 Manager 自动安装成功原因是它们除了插件本体外还依赖额外的 Python 包。提示里“要安装缺失的节点请先在你的 python 环境中运行”后面通常会跟一条 pip 命令类似于pip install 某个依赖包在整合包环境下不能直接使用系统 Python 执行这条命令。应该定位整合包自带的 Python 解释器常见路径是ComfyUI\python_embeded\python.exe然后执行cd /d D:\ComfyUI\ComfyUI ..\python_embeded\python.exe -m pip install 某个依赖包或者先进入自定义节点目录查看是否存在requirements.txtcd /d D:\ComfyUI\ComfyUI\custom_nodes\某个节点目录 ..\..\python_embeded\python.exe -m pip install -r requirements.txt这里的关键坑是很多新手在系统全局 Python 环境里安装依赖但 ComfyUI 实际使用的是整合包内置的隔离 Python 环境安装位置完全不对重启后依然报错。另一个值得注意的问题是依赖版本冲突。某个自定义节点要求transformers高于某个版本而另一个节点要求低版本安装后可能互相覆盖。遇到这种情况不要盲目升级全部依赖。优先看日志里具体是哪个模块导入失败再针对性安装。6.4 安装后的重启验证安装完缺失节点和依赖后必须重启 ComfyUI页面里才会注册新的节点类型。重启后按以下顺序验证重新加载之前报错的工作流。查看工作流是否还提示缺失节点。执行一次完整流程。观察命令行窗口有没有新的 Import 错误。如果节点列表里已经能找到对应节点说明注册成功如果执行时仍报module not found回看安装时是否装进了错误的 Python 环境。不要连续安装大量插件后一次性验证尽量一次只装一组确认没问题再继续。7. 常见报错排查与问题定位路径7.1 从日志开始不要只截图节点ComfyUI 的问题排查有一条固定顺序先看现象再看控制台日志最后回到工作流连线。命令行窗口是信息量最大的地方大部分问题都会在这里留下明确异常。保存错误信息时截取从Traceback到最后一行的完整内容比只截一个红色节点更有效。定位顺序参考确认输入是否正确例如文件名、路径、提示词是否为空。确认节点连线是否完整输入端是否呈红色。确认依赖版本是否缺包、版本冲突。确认配置是否生效例如模型是否加载到目标设备。确认硬件资源显存、内存是否充足。查看完整异常堆栈定位到具体节点。考虑插件与 ComfyUI 版本兼容问题。7.2 高频错误速查表错误现象常见原因处理建议导入工作流提示缺失节点工作流中使用了自己没安装的自定义节点使用 Manager 安装缺失节点或删除对应节点降级使用下拉列表里看不到模型模型放错目录或未刷新把模型放入models/checkpoints或对应子目录并刷新节点CUDA out of memory单次显存占用超过显卡容量降低分辨率、批量数开启低显存参数No module named ...Python 依赖未安装或装错环境使用整合包内置 python 安装 requirements图片全黑VAE 不匹配、采样出现 NaN、权重文件损坏检查 checkpoint 完整性确认模型与 VAE 匹配Input shape ... doesnt match模型类型与工作流尺寸不匹配如 SD1.5 使用 1024x1024调整宽高或更换模型节点执行速度极慢甚至卡死资源不足、模型被反复加载到 CPU检查任务管理器确认 GPU 是否工作页面可以打开但请求失败后端没有正常启动或端口被占用回到命令行窗口查看服务地址和错误7.3 显存不足与黑图处理显存不足是新手出问题最多的地方。现象通常是在点击执行后几秒内出现RuntimeError: CUDA out of memory. Tried to allocate ...解决顺序不是追求最多插件而是先做减法把 Empty Latent Image 的宽高降到 512 或 768。把 batch size 从 4 改成 1。关闭浏览器里不必要的其他标签页释放显存。在启动参数里开启--lowvram。如果还不足说明显存确实不够支撑当前模型需要选择更小的模型。黑图问题更隐蔽。如果所有参数看起来都正常但图片输出是黑色优先怀疑 VAE。有些整合包会自动把 VAE 嵌入 checkpoint有些工作流会单独加载VAE文件。当外部下载的 VAE 与底模不匹配时解码可能产生异常像素。最直接的验证方式是换回默认 VAE 线路让 VAE Decode 直接使用 checkpoint 的 VAE 输出。还有一个容易被忽略的坑模型文件虽然能加载但下载不完整或被改名成.safetensors实际内容损坏。加载时通常会有异常如果没有异常但出图为黑可以重新哈希校验模型文件不要反复在同一文件上浪费时间。8. 从学习环境过渡到生产使用的最佳实践8.1 模型与工作流的版本管理学习阶段可以随意下载试用一旦进入稳定产出阶段模型、插件和工作流必须版本化管理。建议在models/checkpoints目录里只保留正在使用的模型不用的归档到其他磁盘目录。模型文件动辄数 GB全部塞在 ComfyUI 目录里会让启动扫描变慢也容易混淆。工作流 JSON 建议配合 Git 仓库管理。每次把可在稳定版本下运行的工作流提交一次提交信息写明用途。不要只在桌面存一堆“未命名.json”几个月后根本分不清哪个能用。自定义节点的版本冲突在长期使用中会更明显。某个节点作者更新后可能要求新版 ComfyUI而你的 ComfyUI 因为其他插件不能轻易升级。这时候先保证整体能稳定运行不要看到插件有更新就点全部更新。更新后回归一遍常用工作流再决定是否保持新版本。8.2 批量和接口化场景使用 ComfyUI 页面适合交互式试验。如果要做大规模批量出图例如一批商品图、广告素材直接在浏览器里慢慢点执行效率很低。ComfyUI 本身可以作为后端服务提供 API 接口请求参数是工作流 JSON 的变体。生产环境至少还需要考虑把配置外置化不要写死模型路径。记录每个任务的输入输出日志方便回溯参数。设计失败重试和结果校验避免黑图、空文件被当成成功结果。对并发任务做队列控制防止同时多个任务占满显存。预留磁盘空间批量出图会快速堆积输出文件。和本地学习环境不同接口化时不能只看单次出图是否成功还要关注任务堆积、超时、磁盘占用和异常恢复。建议先在本地用 50 张图的批量任务跑通再逐步放大数量。8.3 入门阶段最值得养成的几个习惯每次修改参数时只改一个变量。同时改动 seed、cfg、采样器和 denoise出图变化后你很难判断是哪一步导致的。保存满意的结果时同时导出工作流 JSON。图片本身虽然嵌入了工作流但单独保存 JSON 更便于分类。使用固定命名规则。模型名、LoRA 名、输出前缀都尽量语义化不要出现大量1111、2222这类无法识别的文件名。安装自定义节点前先看requirements.txt和已知冲突说明不要全部靠 Manager 一键装。遇到错误先读日志最后一行再回看节点连线。默认从“重新下载重新装”开始通常会浪费更多时间。定期备份output、custom_nodes和常用模型清单。硬件故障或误删时重新搭环境的成本会显著降低。8.4 扩展路线ControlNet、LoRA、高清放大、视频模型把最小文生图工作流跑熟后可以往以下方向扩展每个方向都对应一批新节点LoRA在模型加载后额外叠加 LoRA 权重用于固定角色、风格或画风。ControlNet通过线稿、姿态、深度图等方式精确控制构图。高清放大用 latent 放大节点或 hires fix 流程把 512 小图放大到 2K 以上。视频生成AnimateDiff、SVD 等工作流以图片模型为基础扩展到时序维度。扩展时不要同时学习所有方向。建议先掌握 LoRA 应用再学 ControlNet这已经能覆盖大部分真实需求。高清放大和视频生成等对显存要求更高放在后面按需学习。最后回到这条主线ComfyUI 的复杂工作流再多也是由“加载模型、编码条件、创建噪声、采样去噪、解码保存”这一组基础动作组合出来的。遇到陌生工作流时先按这个主干找对应节点再观察哪些分支被接进来、它们改变了哪一步的数据流。把这套分析方法练熟比记住几百个节点名更有长期价值。新手期不要追求一步到位跑通最复杂的视频工作流先用最小链路获得成功体验再按业务需求一层层加控制这是最稳妥的进阶路径。