ComfyUI 工作流搭建：AIGC 设计的高效引擎

上周有位学员小李给我发来消息：“老师，我在 Midjourney 里调了一整天参数，想生成一张‘赛博朋克风格的书店内部，书架上有发光的古籍，桌旁坐着一只机械猫’，但每次生成的构图都偏了，要么猫在头顶飘着，要么书架的透视完全不对。我是不是该放弃这个创意？”

我给他回了一句话：“你缺的不是创意，而是一个能精确控制每个元素的工作流。从今天起，忘掉反复抽卡，试试 ComfyUI。”

ComfyUI 不是另一个 AI 绘图工具——它是 AIGC 设计的“乐高积木”。它让你像搭建电路板一样，用节点连接起模型、提示词、图像处理、条件控制等模块，最终生成精确、可复现、高质量的设计作品。下面，我将带你从零搭建一个能够解决小李这类问题的核心工作流。

第一章：为什么 ComfyUI 是“设计引擎”而非“绘图工具”？

传统工具（如 Midjourney、Stable Diffusion WebUI）本质上是“黑箱”：你输入提示词，它输出图像。一旦结果不理想，你只能改词、重跑，像在黑暗中摸索开关。而 ComfyUI 把一切拆解为节点，每个节点有明确输入输出，你可以看到数据如何流动、模型如何响应。

核心优势：

  • 精确控制：你可以单独调整每个元素的权重、位置、风格，甚至用 ControlNet 限定构图。
  • 可复现性：保存的工作流文件（.json）可以让同事或客户直接打开，生成完全一致的结果。
  • 模块化扩展：社区贡献了超过 3000 个自定义节点，从视频生成到 3D 重建，无所不包。

    • 版本说明：本文基于 ComfyUI v0.2.3（2025年4月发布），使用 SDXL 1.0 模型配合 ControlNet v1.1。请确保你的 ComfyUI 已安装最新版，并配置好 Python 3.10+ 环境。

    第二章：核心工作流搭建——从提示词到可控图像

    我们以小孔的需求为例：“赛博朋克书店，书架上的发光古籍，桌旁机械猫”。目标：让猫坐在桌子右侧，古籍在左侧书架上，构图稳定。

    2.1 基础节点链：文本到图像的“骨架”

    打开 ComfyUI，你会看到空白的画布。右键点击，搜索并添加以下节点：

    1. Checkpoint Loader：加载模型。选择 `sd_xl_base_1.0.safetensors`。参数：`model_name` 设为你的模型路径。
    2. CLIP Text Encode (Prompt)：输入提示词。正面提示词：`cyberpunk bookstore interior, glowing ancient books on shelves, a mechanical cat sitting on the table at right side, neon lights, volumetric lighting, high detail, 8k`。负面提示词：`blurry, low quality, distorted, extra limbs, text`。
    3. KSampler：核心采样器。参数设置：
    – `seed`：固定为 `12345`（后续可调整）
    – `steps`：`30`（平衡速度与质量）
    – `cfg`：`7.0`（创意与保真度的折中）
    – `sampler_name`：`dpmpp_2m`
    – `scheduler`：`karras`
    – `denoise`：`1.0`（首次生成保持完整）
    4. VAE Decode：将潜空间图像解码为 PNG。
    5. Save Image：输出结果。

    连接方式：Checkpoint Loader 的 `model` 输出到 KSampler 的 `model`，CLIP Text Encode 的输出到 KSampler 的 `positive/negative`，KSampler 的 `latent` 到 VAE Decode，最后到 Save Image。

    第一次运行：点击“Queue Prompt”。你大概率会得到一张猫悬浮在半空、古籍位置随机的图像。别急，这证明基础链路通了。接下来我们加入“控制”模块。

    2.2 加入 ControlNet：锁定构图与姿态

    ControlNet 是 ComfyUI 的“定海神针”。它通过额外条件（如深度图、边缘图、姿态图）来约束生成结果。

    步骤：
    1. 添加节点：`ControlNet Loader`，选择 `control_v11p_sd15_scribble.safetensors`（涂鸦控制，适合粗略构图）。
    2. 添加节点：`ControlNet Apply`，连接方式：
    – ControlNet Loader 的 `control_net` 输出到 ControlNet Apply 的 `control_net`。
    – KSampler 的 `model` 输出到 ControlNet Apply 的 `model`。
    – ControlNet Apply 的 `model` 再输出回 KSampler 的 `model`（注意：此时 KSampler 的输入变为 ControlNet 处理后的模型）。
    3. 添加节点：`Load Image`，加载一张你手绘的涂鸦（或从网上下载的简单构图参考图）。例如：画一个矩形代表书架，一个圆形代表桌子，一个三角形代表猫的位置。
    4. 添加节点：`Scribble Preprocessor`，将涂鸦图转换为处理后的边缘图。参数：`resolution` 设为 `1024`（匹配 SDXL 分辨率）。
    5. 连接：Load Image 到 Scribble Preprocessor，输出到 ControlNet Apply 的 `image`。

    ControlNet 节点连接示意图

    参数调整：ControlNet Apply 中有 `strength` 参数（0-1）。设为 `0.8`，让构图约束生效，同时保留模型的部分创意自由。

    第二次运行：猫的姿势大概率会贴合你的涂鸦。但古籍可能还是不够“发光”。别急，我们还有最后一招。

    第三章：进阶技巧——用 LoRA 和 IP-Adapter 注入风格与细节

    3.1 LoRA：精准控制元素风格

    LoRA（Low-Rank Adaptation）是一种轻量级微调技术，可以单独调整某个物体的风格，而不影响整体。比如，我们要让古籍发出“蓝色荧光”，而不是默认的黄色。

    操作：
    1. 下载一个“发光古籍”风格的 LoRA（推荐从 CivitAI 搜索 `glowing_books_sdxl_lora`，版本 v1.0）。
    2. 添加节点：`LoRA Loader`，参数：
    – `lora_name`：选择下载的 `.safetensors` 文件。
    – `strength_model`：`0.6`（控制强度，过高会覆盖模型）。
    3. 连接：LoRA Loader 的 `model` 输入从 Checkpoint Loader 来，输出到 KSampler 的 `model`（注意：LoRA Loader 要插在 Checkpoint Loader 和 ControlNet Apply 之间）。

    效果：现在提示词中 `glowing ancient books` 会被 LoRA 强化，生成的书页会带有蓝色光晕。

    3.2 IP-Adapter：用参考图统一风格

    如果你希望整张图都呈现“赛博朋克”的特定色调（比如紫色与青色），可以用 IP-Adapter 加载一张参考图。

    1. 安装 `ComfyUI_IPAdapter_plus` 自定义节点。
    2. 添加节点：`IPAdapter Unified Loader`，选择 `ip-adapter_sdxl_vit-h.safetensors`。
    3. 添加节点：`IPAdapter Apply`，连接：
    – Load Image 加载一张“赛博朋克色调参考图”（例如《攻壳机动队》的截图）。
    – IPAdapter Apply 的 `model` 输入来自 LoRA 输出，输出到 KSampler。
    – `weight` 设为 `0.4`（避免完全复制参考图风格）。

    IP-Adapter 工作流示意图

    第三次运行：现在，你的书店中，机械猫端坐在桌子右侧，蓝色发光的古籍整齐排列在左边书架上，整张图笼罩在紫青色的霓虹氛围中。小李的问题，解决了。

    总结与进阶建议

    ComfyUI 的核心思想是“拆解与重组”。通过将文本、图像、模型、控制条件拆解为节点，你可以像调音师一样精确控制每个频段。本文的工作流已经能解决 80% 的构图与风格问题，但真正的进阶在于：

    1. 自定义节点：学习 Python 基础，尝试编写自己的节点（比如“随机生成古籍书名”的节点）。
    2. 批量生成：用 `Latent Upscale` 节点实现图像放大，或结合 `FFmpeg` 生成视频。
    3. 工作流复用：将你的工作流保存为 `.json`，上传到 ComfyUI 社区，获取反馈。

    学习路径建议：

  • 第一周：模仿本文工作流，生成 10 张不同主题的图像。
  • 第二周：探索 ControlNet 的 depth 和 normal 模式，尝试 3D 场景控制。
  • 第三���：研究 AnimateDiff 节点，生成短视频。
  • 第四周：参与 ComfyUI 的 Discord 社区，提交你的工作流。

    • 记住：AIGC 不是“一键生成”，而是“设计编程”。ComfyUI 给了你编程的权力，剩下的，靠你的创意与耐心。

    —

    常见问题 FAQ

    Q1：我的 ComfyUI 启动后没有节点列表，怎么办？
    A：确保已安装 Python 3.10-3.11（不要用 3.12），并运行 `pip install -r requirements.txt`。如果仍空白，检查 `custom_nodes` 文件夹是否为空，从 GitHub 下载 `ComfyUI-Manager` 进行节点管理。

    Q2：ControlNet 加载后出错，提示“model not found”？
    A：ControlNet 模型需要单独下载，放入 `ComfyUI/models/controlnet` 文件夹。推荐从 Hugging Face 的 `lllyasviel/ControlNet-v1-1` 仓库下载 `control_v11p_sd15_scribble.pth`，并重命名为 `.safetensors` 格式。

    Q3：生成图像分辨率太低，如何放大？
    A：在 KSampler 后添加 `LatentUpscale` 节点，选择 `4x_NMKD-Superscale-SP_178000_G` 模型（需下载），再将放大后的潜图解码。注意：放大后需调整 `steps` 至 20 以上，避免细节丢失。

    Q4：LoRA 加载后效果不明显，或过度扭曲？
    A：调整 `strength_model` 参数：从 0.3 开始逐步增加，观察效果。同时检查 LoRA 是否与模型兼容（SDXL 的 LoRA 不能用于 SD1.5 模型）。

    Q5：如何保存工作流分享给他人？
    A：点击 ComfyUI 界面右上角的��Save”按钮，导出为 `.json` 文件。对方只需在 ComfyUI 中拖入该文件，即可自动加载所有节点（需确保已安装对应自定义节点）。

    声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。