ComfyUI 工作流搭建：AIGC 设计的高效引擎

上周，一位做品牌设计的学员找到我，抱怨说：“老师，我用 SD WebUI 做批量生成，一张图跑完要等 15 分钟，而且每次换风格都得从头调参数，效率太低了。” 他正为一个服装品牌做春夏系列视觉，需要生成 30 多张不同款式、不同背景的模特图，按传统流程至少需要 3 天。

我打开 ComfyUI，花 10 分钟拖拽出一个工作流。从加载模型到最终输出，每张图只用了 2 分钟，而且风格、构图、光影完全一致，只需替换一个“服装描述”节点就能批量生成。他当场愣住了——这就是 ComfyUI 的威力：不是工具，而是一个可复用的自动化引擎。

如果你还在用“手工炼丹”的方式跑 AI 图，这篇文章会彻底改变你的工作方式。我们从最底层的逻辑讲起，直接上手搭建三个实战工作流。

第一章：为什么 ComfyUI 是“引擎”而非“画板”？

1.1 节点式思维的降维打击

传统 SD WebUI 是“线性流水线”：你输入提示词、调整参数、点击生成。但 ComfyUI 是模块化电路板——每个节点（Node）只做一件事，然后用“连线”连接起来。这意味着：

  • 可复用性：一个工作流保存为 JSON 文件，下次只需改一个“文本输入”节点，就能生成全新系列。
  • 精确控制：你可以把“图像尺寸”节点单独拿出来，用数学公式计算长宽比；可以把“CLIP 文本编码器”拆开，分别控制正向提示词和反向提示词的权重。
  • 资源优化：ComfyUI 只加载当前工作流涉及的模型，不会像 WebUI 那样预加载全部。实测显存占用降低 30%-50%。

    • 2.2 核心组件速览

    打开 ComfyUI（我当前用 v0.2.5），你会看到一个空白画布。需要记住 5 个基础节点：

  • Checkpoint Loader：加载主模型（如 SDXL、SD 1.5）
  • CLIP Text Encode：输入正向/反向提示词
  • KSampler：核心采样器（控制步数、CFG、采样器类型）
  • VAE Decode：将潜空间图像解码为像素图
  • Save Image：输出文件

    • 操作步骤：右键画布 → “Add Node” → 搜索节点名称。连线规则：从节点的“输出点”（右侧圆点）拖拽到另一个节点的“输入点”（左侧圆点）。

    —

    第二章：实战工作流 1——品牌视觉批量生成

    场景需求

    为一家咖啡品牌生成 20 张“不同口味、统一风格”的产品海报。要求：背景是木纹桌，光影为柔光，杯子位置固定，只替换咖啡种类��美式、拿铁、冷萃等）。

    2.1 搭建基础工作流

    1. 加载模型：添加 `Checkpoint Loader`，选择 SDXL 模型（如 `sd_xl_base_1.0.safetensors`）。
    2. 固定背景：添加 `Load Image` 节点，上传一张木纹背景图。然后添加 `Image Composite Masked` 节点，将背景图作为“底层”。
    3. 分离主体生成：添加 `Empty Latent Image`，设置尺寸为 1024×1024。这里有个技巧：利用“Mask”节点将杯子区域设为白色，背景设为黑色，这样 KSampler 只生成杯子区域，背景保持不变。

    关键参数设置：

  • `KSampler`：steps = 30, CFG = 7, sampler_name = “euler_ancestral”, scheduler = “normal”
  • `CLIP Text Encode`（正向）：`a cup of [咖啡种类], on wooden table, soft lighting, cinematic, high quality`
  • `CLIP Text Encode`（反向）：`blurry, low quality, watermark, text`

    • 2.2 批量替换提示词

    这里需要 `Text Multiline` 节点（需安装 ComfyUI-Manager 插件）。添加后，输入：

    美式咖啡
拿铁咖啡
冷萃咖啡
摩卡咖啡
...

    然后连接 `String Replace` 节点，将 `[咖啡种类]` 替换为列表中的每一项。最后将输出连接到 CLIP 的文本输入。

    操作步骤：
    1. 右键 → Add Node → `utils` → `Text Multiline`
    2. 添加 `String Replace`（搜索“Replace”）
    3. 在 `String Replace` 中设置：`source = [咖啡种类]`, `replacement = from Text Multiline`
    4. 点击 `Queue Prompt`，ComfyUI 会依次生成 20 张图，每张图自动替换咖啡种类。

    ComfyUI 批量生成工作流节点连线图

    —

    第三章：实战工作流 2——多模型融合与风格迁移

    场景需求

    将一张手机照片转换成“吉卜力风格”插画，同时保留人物面部特征。这需要同时使用两个模型：一个主模型（真实照片），一个 LoRA 风格模型。

    3.1 双模型加载架构

    1. 加载主模型：`Checkpoint Loader` → 选择 `realisticVisionV5.1`
    2. 加载 LoRA：添加 `LoRA Loader` 节点，选择 `Ghibli_style_v2.safetensors`（权重设为 0.8）
    3. 连接方式：将 `Checkpoint Loader` 的 `model` 输出连接到 `LoRA Loader` 的 `model` 输入；将 `LoRA Loader` 的 `model` 输出连接到 `KSampler` 的 `model` 输入。

    3.2 ControlNet 精确控制

    为了保留人物姿势和构图，需要 ControlNet：

    1. 添加 `ControlNet Loader`，选择 `control_v11p_sd15_openpose.pth`
    2. 添加 `Load Image` 上传原图
    3. 添加 `Pose Estimator` ���点（需安装 `ComfyUI-Advanced-ControlNet` 插件），自动提取骨骼图
    4. 连接：原图 → `Pose Estimator` → `ControlNet` → `KSampler` 的 `control` 输入

    3.3 参数调优

  • `KSampler`：steps = 25, CFG = 6, denoise = 0.75（保留原图结构，只改变风格）
  • `ControlNet`：strength = 0.8, start_percent = 0, end_percent = 0.6（前 60% 步数控制姿势，后 40% 自由风格化）
  • 添加 `VAE Decode` 和 `Save Image` 输出

    • 关键技巧：如果人物面部变形，可以在正向提示词中加入 `[person’s name]`，并用 `FaceID` 节点（需 `InstantID` 插件）锁定面部特征。

    多模型融合与 ControlNet 工作流示意图

    —

    第四章：进阶技巧——工作流复用与调试

    4.1 保存与加载工作流

  • 保存：`File` → `Save`，生成 `.json` 文件。建议按“功能_日期”命名，如 `batch_coffee_20250401.json`
  • 加载：`File` → `Load`，或直接拖拽 `.json` 文件到 ComfyUI 画布
  • 分享：将 `.json` 文件连同 `workflow_api.json`（用于 API 调用）打包发送

    • 4.2 调试常见问题

  • 显存溢出：在 `Empty Latent Image` 中降低分辨率，或添加 `VAE Decode` 后接 `Image Resize` 节点
  • 生成空图：检查 `KSampler` 的 `denoise` 参数，如果为 0 则不生成；检查 `CLIP Text Encode` 是否连接正确
  • 模型加载失败：确认模型路径在 `ComfyUI/models/checkpoints` 或 `LoRA` 子文件夹内

    • 4.3 自动化批处理

    利用 `ComfyUI-Manager` 的 `Queue` 功能：点击 `Queue Prompt` 后，ComfyUI 会依次执行工作流。如果使用 `Text Multiline`，它会自动遍历列表。更高级的用法：结合 `Save Image` 的 `filename_prefix` 参数，设置 `batch_[%batch_number%]`，自动生成带编号的文件。

    —

    结尾：从“画图”到“造引擎”

    回想开头那位学员，他现在已经用 ComfyUI 搭建了 5 个核心工作流：品牌视觉、产品渲染、人物写真、风格迁移、视频帧处理。每个工作流都是他个人的“AI 设计引擎”，只需输入参数，就能稳定输出高质量结果。

    学习建议：
    1. 从模仿开始：下载社区工作流（Civitai、OpenArt 上有大量免费 JSON），拆解每个节点的作用。
    2. 建立自己的节点库：将常用节点组合（如“背景替换”、“人脸修复”）保存为 `.json` 模板。
    3. 关注插件生态：安装 `ComfyUI-Manager`，定期更新节点，重点关注 `InstantID`、`AnimateDiff`、`IP-Adapter`。
    4. 实践出真知：每周用 ComfyUI 完成一个真实项目，哪怕只是帮朋友做一张海报。只有亲手拖拽过上百次连线，才能真正理解节点式思维。

    —

    常见问题 FAQ

    Q1：ComfyUI 和 SD WebUI 哪个更推荐新手？

    A：如果你只想快速出图，WebUI 更友好。但如果你需要批量生成、精确控制、工作流复用，ComfyUI 是唯一选择。建议先学 WebUI 理解基础概念，再转 ComfyUI 提升效率。

    Q2：为什么我搭建的工作流生成速度很慢？

    A：检查两点：1）`KSampler` 的 `steps` 是否过高（一般 20-30 足矣）；2）是否加载了不必要的模型（如同时加载多个 LoRA）。另外，使用 `SDXL` 模型时，建议显存 ≥ 8GB。

    Q3：如何将 ComfyUI 工作流集成到其他软件中？

    A：ComfyUI 支持 API 调用。在 `workflow_api.json` 中定义输入节点（如 `Text Multiline`），然后用 Python 脚本调用 `http://127.0.0.1:8188/prompt` 接口。参考官方文档的 `API` 示例。

    Q4：生成的人物面部总是不像怎么办？

    A：使用 `InstantID` 插件：添加 `InstantID Loader` 节点，上传参考人物照片，设置 `weight = 0.8`。同时降低 `KSampler` 的 `CFG` 到 5-6，避免过度风格化导致面部变形。

    Q5：工作流保存后，发给别人打不开怎么办？

    A：确保对方安装了相同版本的 ComfyUI 和所有依赖节点。最稳妥的方式是：使用 `ComfyUI-Manager` 的 `Export workflow with dependencies` 功能，打包所有节点和模型路径信息。

    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。