ComfyUI 工作流搭建：AIGC 设计的高效引擎

上周在进阶班答疑时，学员小张发来一张图：他用 WebUI 跑了一整天，只为生成一组产品海报的多个变体——换背景、调光影、改构图，每一步都要手动重跑模型。他问：“老师，有没有办法像搭积木一样，把这些操作串起来，一键出图？” 这个问题，正是今天我们要解决的核心——用 ComfyUI 搭建工作流，把 AIGC 设计从“单点操作”升级为“流水线生产”。

ComfyUI 不是替代 WebUI 的“新玩具”，它是针对复杂任务设计的节点式引擎。当你需要控制生成过程的每个环节、复用逻辑、批量处理时，它的优势就显现了。下面，我们通过两个实操案例，从底层逻辑到具体参数，一步步拆解。

核心章节一：基础工作流——从“文生图”到“图生图”的节点化改造

很多设计师第一次打开 ComfyUI 会懵：满屏的节点，没有 WebUI 的“一键出图”按钮。别急，这恰恰是它的核心优势——每个节点对应一个操作，你可以像搭电路一样组合它们。

1.1 最小可用工作流：文生图

我们先搭建一个最基础的文生图工作流，理解节点逻辑。

操作步骤：

1. 加载模型：右键 → `Add Node` → `loaders` → `Load Checkpoint`。这个节点负责加载 Stable Diffusion 的 checkpoint 文件（如 `sd_xl_base_1.0.safetensors`）。参数说明：`ckpt_name` 选择你的模型文件，`config` 通常留空，`vae` 可单独指定（若不指定则使用模型内置 VAE）。

2. 输入提示词：`Add Node` → `conditioning` → `CLIP Text Encode (Prompt)`。这个节点将文本转换为模型能理解的 embedding。参数：`text` 输入你的提示词（如“product photo of a perfume bottle, studio lighting, white background, 8k”），`clip` 连接 Load Checkpoint 的 `CLIP` 输出。

3. 生成潜空间图像：`Add Node` → `sampling` → `KSampler`。这是核心生成节点。参数详解：
– `seed`：随机种子，固定种子可复现结果，设为 `-1` 则随机。
– `steps`：采样步数，XL 模型建议 `20-30`，SD1.5 建议 `20-40`。步数越高细节越丰富，但超过 50 收益递减。
– `cfg`：分类器自由引导尺度，典型值 `7-12`。值越高越贴合提示词，但可能过饱和。
– `sampler_name`：采样器，推荐 `dpmpp_2m`（平衡速度与质量）或 `euler_a`（更快，适合预览）。
– `scheduler`：调度器，`karras` 适合大多数情况。
– `denoise`：去噪强度，文生图时固定为 `1.0`。

4. 解码为图像：`Add Node` → `latent` → `VAE Decode`。将潜空间图像转换为像素图像。连接 Load Checkpoint 的 `VAE` 输出和 KSampler 的 `LATENT` 输出。

5. 预览/保存：`Add Node` → `image` → `Save Image`。设置 `filename_prefix`（如“perfume_v1”），图像将自动保存到 `ComfyUI/output` 目录。

连接逻辑：`Load Checkpoint` → `CLIP Text Encode` → `KSampler` → `VAE Decode` → `Save Image`。这是 ComfyUI 的“Hello World”，跑通它，你就掌握了节点思维。

基础文生图工作流节点连接示意图

1.2 升级：图生图与局部重绘

现在，我们把文生图改造为图生图。假设你有一张渲染好的产品图，想改变它的材质或光照。

新增节点：

  • `Add Node` → `image` → `Load Image`：加载源图。注意：ComfyUI 默认读取 `input` 文件夹下的图片。
  • `Add Node` → `latent` → `VAE Encode`：将源图编码为潜空间，用于后续采样。

    • 修改 KSampler 参数：

  • 将 `denoise` 从 `1.0` 改为 `0.6-0.8`。`denoise` 控制对原图的保留程度：`0.3` 几乎完��重绘，`0.8` 保留大部分原图结构。对于材质替换，建议 `0.6`；对于微调光影，建议 `0.8`。
  • 将 `image` 输出从 `VAE Encode` 的 `LATENT` 连接到 KSampler 的 `latent_image` 输入。

    • 局部重绘（Inpainting）：

  • 使用 `Load Image (with Mask)` 节点，同时加载图像和遮罩图（白色区域为要重绘的部分）。遮罩图需要与源图同尺寸，PS 导出为 PNG 即可。
  • 在 KSampler 前加入 `Set Latent Noise Mask` 节点，将遮罩连接进去。参数 `mask` 接收遮罩数据，`strength` 控制重绘强度（建议 `0.8-1.0`）。

    • 这个工作流特别适合电商场景：产品主体不变，只重绘背景或替换局部元素。比如，一张白色背景的香水瓶，遮罩扣出背景区域，提示词改为“luxury marble texture, soft shadows”，就能一键换背景。

    图生图工作流节点连接示意图

    核心章节二：进阶工作流——ControlNet + LoRA 的精准控制

    单一模型生成的图像常常“不可控”：手部崩坏、构图偏移、风格不统一。ControlNet 和 LoRA 正是解决这些问题的利器。在 ComfyUI 中，它们的集成比 WebUI 更灵活——你可以同时加载多个 ControlNet，并精确控制每个节点的权重。

    2.1 用 Canny ControlNet 控制构图

    假设你有一张手绘草图，想生成精细的室内设计效果图，同时保留原始构图。

    所需节点：
    1. `Load ControlNet Model`：加载 ControlNet 模型，推荐 `control_v11p_sd15_canny.pth`（SD1.5）或 `diffusers_xl_canny_full.safetensors`（SDXL）。
    2. `Canny Preprocessor`：从源图提取边缘。参数 `low_threshold` 和 `high_threshold` 控制边缘检测灵敏度，默认 `100` 和 `200`；`resolution` 建议设为与输出图像一致（如 `1024×1024`）。
    3. `ControlNet Apply`：将 ControlNet 注入采样过程。参数 `strength` 控制影响程度，`0.8-1.0` 通常效果最佳；`start_percent` 和 `end_percent` 控制生效阶段（如 `0.0` 到 `1.0` 全程生效，或 `0.0` 到 `0.5` 仅前半段生效，保留后期细节自由度）。

    工作流整合：

  • 将 `Load Checkpoint` 的 `MODEL` 输出连接到 `ControlNet Apply` 的 `model` 输入。
  • `ControlNet Apply` 的 `control_net` 输入连接 `Load ControlNet Model` 的输出。
  • `Canny Preprocessor` 的 `image` 输入连接 `Load Image`（草图），输出连接 `ControlNet Apply` 的 `image`。
  • `ControlNet Apply` 的 `model` 输出再连接回 KSampler 的 `model` 输入（替换原本的直接连接）。

    • 参数调优： 如果生成结果过于严格遵循边缘（缺乏细节），降低 `strength` 到 `0.7`；如果偏离草图太多，提高 `strength` 或缩小 `start_percent` 到 `0.0-0.3`，让 ControlNet 在前 30% 步数内“强行拉回”构图。

    2.2 LoRA 的精确融合：权重与触发词

    LoRA 是微调特定风格或人物的利器。在 ComfyUI 中，通过 `Load LoRA` 节点实现。

    操作步骤：
    1. `Add Node` → `loaders` → `Load LoRA`。参数：`lora_name` 选择 LoRA 文件（如 `moxin_10.safetensors`），`strength_model` 控制对模型权重的影响（典型值 `0.5-1.0`），`strength_clip` 控制对文本编码的影响（通常与 `strength_model` 一致或略低，如 `0.8`）。
    2. 将 `Load LoRA` 的 `MODEL` 输出连接到 `ControlNet Apply` 或直接连接 KSampler 的 `model` 输入。注意：`Load LoRA` 需要先接收 `Load Checkpoint` 的 `MODEL`，再输出修改后的模型。
    3. 触发词（Trigger Word）：在 `CLIP Text Encode` 的提示词中，必须包含 LoRA 训练时使用的触发词（如“moxin”），否则 LoRA 可能不生效。触发词通常写在 LoRA 的文件名或描述中，未知时可尝试 `lora_name` 的前缀（如“moxin”）。

    多 LoRA 叠加： 你可以串联多个 `Load LoRA` 节点，实现风格叠加（如“二次元+水彩画”）。注意总权重不宜超过 `1.5`，否则可能过拟合。例如：第一个 LoRA `strength_model=0.6`，第二个 `0.4`，总影响 `1.0`。

    多 ControlNet + LoRA 工作流示意图

    总结与进阶建议

    通过上述两个案例，你应该能感受到 ComfyUI 的核心优势：可复用的节点逻辑、精细的参数控制、多模型的无缝集成。它尤其适合以下场景：

  • 批量生产：同一工作流，更换输入图片或提示词即可生成系列变体。
  • 复杂需求：需要同时控制构图、颜色、风格，且要求高一致性。
  • 实验性探索：快速测试不同模型、LoRA 或 ControlNet 的组合效果。

    • 进阶学习建议：
    1. 掌握自定义节点：ComfyUI 的生态依赖于社区节点。推荐安装 `ComfyUI-Manager`（通过 Git 克隆到 `custom_nodes` 目录），然后安装 `WAS Node Suite`（提供图像处理、文本处理等工具）和 `Impact Pack`（提供更高级的遮罩和采样功能）。
    2. 学习工作流复用：从社区下载 `.json` 工作流文件（如 CivitAI 上的“ComfyUI Workflow”标签），拖入 ComfyUI 即可加载。研究别人的节点连接逻辑，比自己从头搭建快得多。
    3. 性能优化：对于高分辨率（如 1024×1024 以上），使用 `Tiled VAE` 节点分块解码，避免显存溢出。在 KSampler 中使用 `model_patcher` 开启 `–highvram` 可提升速度。

    最后提醒：ComfyUI 的学习曲线确实比 WebUI 陡峭，但当你搭建出第一个能自动完成“草图→精修→批量输出”的工作流时，你会觉得这一切都值得。从今天开始，把重复的操作交给节点，把创造力留给自己。

    —

    常见问题 FAQ

    Q1：ComfyUI 和 WebUI 相比，哪个更适合设计师？
    A：看场景。WebUI 适合快速出图、新手入门；ComfyUI 适合需要精细控制、批量生产或复杂工作流的用户。如果你的工作涉及“同一模型不同参数反复测试”，ComfyUI 的节点复用会大幅提升效率。

    Q2：为什么我的 ControlNet 节点连接后，生成结果没有变化？
    A：检查两点：1）ControlNet 的 `strength` 是否太低（建议先设为 `1.0` 测试）；2）`Load ControlNet Model` 的模型是否与主模型匹配（SD1.5 的 ControlNet 不能用于 SDXL）。另外，确保 `Canny Preprocessor` 的输出图像清晰，如果原图太模糊，先提高 `resolution` 参数。

    Q3：如何解决显存不足（OOM）？
    A：在 `ComfyUI/extra_model_paths.yaml` 中设置 `–lowvram` 或 `–medvram` 启动参数。对于大图（如 2048×2048），使用 `Tiled VAE` 节点（需要安装 `ComfyUI-TiledDiffusion` 插件），将解码过程分块处理。同时，减少 KSampler 的 `batch_size` 到 1。

    Q4：工作流保存后，换到另一台电脑打开，提示缺失节点怎么办？
    A：缺失节点通常来自自定义插件。先确保两台电脑安装的插件一致。推荐使用 `ComfyUI-Manager` 的“Missing Custom Nodes”功能，它会自动检测并给出安装链接。或者，导出工作流时，在 `Save` 对话框勾选“Include workflow metadata”，但对方仍需手动安装缺失插件。

    Q5：LoRA 的权重如何精确控制？为什么总感觉风格“过浓”或“无效”？
    A：权重 `strength_model` 控制在 0.4-0.8 之间最安全。如果风格过浓（如人物面部变形），降低到 0.4-0.6；如果无效，先确认触发词是否正确（许多 LoRA 需要特定关键词，如“moxin”或“ghibli”）。另一种技巧：在 `CLIP Text Encode` 的提示词中，将触发词放在前面，并加上括号强调，如 `(moxin:1.2)`。

    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。