ComfyUI工作流合集：AI绘画效率提升与节点式工作流实战指南

简介：在AI绘画领域，Stable Diffusion等扩散模型通过将文本描述转化为高质量图像，已成为内容创作的重要工具。其核心原理是基于潜在空间的迭代去噪过程，通过提示词引导生成方向。节点式工作流作为实现这一过程的可视化编程界面，将复杂任务拆解为可连接、可复用的模块，极大地提升了工作流的可控性与灵活性。这种模式尤其适用于需要精细控制生成参数、集成多模型（如ControlNet、LoRA）以及实现复杂流程（如高清修复、动画生成）的应用场景。本文聚焦于ComfyUI工作流合集，这一“配方合集”能帮助用户快速复用成熟流程，解决从模型加载、提示词编码到采样输出的完整数据流构建难题，是学习节点连接逻辑、加速效果复现及提升商业级渲染效率的实用资源。通过解析其获取、安装、管理与自定义方法，用户可高效构建从文生图到可控生成的个性化AI绘画管线。

1. 项目概述：从“工作流合集”到AI绘画效率革命

如果你最近在折腾AI绘画，尤其是Stable Diffusion，那么“ComfyUI”这个名字你一定不陌生。它不像WebUI那样给你一个直观的按钮界面，而是把所有功能都拆解成一个个可以拖拽、连接的“节点”。这种基于节点的工作流模式，一开始可能会让人望而却步，但一旦上手，你就会发现它带来的可控性和灵活性是革命性的。而今天我们要聊的，正是能让你快速跨越学习门槛、直接体验ComfyUI强大之处的宝藏——工作流合集文件，通常就是一个名为“ComfyUI workflows collection.zip”的压缩包。

这个压缩包不是什么神秘软件，它本质上是一个“配方合集”。想象一下，你是一位大厨，ComfyUI就是一个功能齐全的现代化厨房，里面有各种厨具（节点）。工作流合集，就是一本由各路高手撰写的、包含了从家常小炒到分子料理的详细菜谱。你不需要从零开始研究每样厨具怎么用，直接打开菜谱，按照步骤摆放厨具、加入食材（模型、提示词），就能复现出惊艳的作品。它解决了ComfyUI新手最大的痛点：不知道从何下手，以及如何组合成千上万个节点来实现特定效果。无论是生成一张特定风格的高质量图片，还是实现复杂的动画、高清修复、人脸替换，一个现成的工作流都能让你在几分钟内看到成果，并在此过程中反向学习节点的连接逻辑。

2. 工作流合集的核心价值与使用场景解析

2.1 为什么你需要一个工作流合集？

对于ComfyUI用户，尤其是初学者和希望提升效率的进阶用户，工作流合集的价值是多维度的。

首先是学习加速器。ComfyUI的节点海洋常常让新手迷失。直接打开一个成熟的工作流，就像拿到了一张已经标注好地点的藏宝图。你可以清晰地看到，为了实现“生成一个赛博朋克风格的角色”，需要哪些节点（如加载模型、输入提示词、设置采样器、使用ControlNet控制姿势），以及这些节点之间是如何传递数据的（图像、潜空间、条件等）。通过观察和微调现成工作流，你能最快速度理解ComfyUI的核心逻辑——数据流。

其次是效果复现与质量保证。网络上很多令人惊叹的AI作品都附带了工作流文件（.json或.png）。当你下载了对应的合集，就意味着你获得了完全复现该作者作品效果的可能性。这包括了其使用的模型组合、精细的提示词结构、特定的采样参数以及后期处理流程。这对于追求特定艺术风格或解决某个技术难题（如手部修复、背景一致性）至关重要。

再者是效率工具库。即使你已经成为节点连接高手，自己从零搭建一个复杂工作流（比如一个集成了面部修复、背景扩展、风格转换的完整流程）仍然耗时耗力。工作流合集就像一个现成的“宏”或“模板”库。当你需要完成某项常见任务时，直接调用对应的工作流，替换其中的模型和提示词，就能快速投入生产，极大提升了创作效率。

2.2 典型应用场景举例

1. 风格化人像快速出图：合集里可能包含专门针对“古风”、“机甲少女”、“胶片质感肖像”优化的工作流。这些工作流通常预置了对应的LoRA模型加载节点、风格化提示词框架以及配套的VAE和采样设置，让你一键生成高质量的风格人像。
2. 商业级产品渲染：有些工作流专注于产品可视化，集成了精细的光照控制、材质表现和背景合成节点。设计师可以上传产品白底图，通过工作流快速生成不同场景下的营销渲染图。
3. 动画与视频生成：这是ComfyUI的强项。工作流合集可能包含基于AnimateDiff、Stable Video Diffusion等技术的动画生成流程。用户只需提供首帧图片或文本描述，就能生成一段连贯的短视频，其中包含了复杂的帧间插值、运动控制节点。
4. 工作流解构与二次开发：对于开发者或高级用户，研究优秀的工作流是学习新插件、新节点用法的最佳途径。例如，一个集成了最新“ReActor”换脸节点的工作流，可以让你立刻学会如何配置源脸和目标脸，以及调整融合参数。

3. 工作流合集的获取、安装与基础管理

3.1 如何获取可靠的工作流合集？

工作流合集通常以压缩包形式在社区流传，来源主要有以下几个：

• 官方社区与论坛：如ComfyUI的官方GitHub仓库的Discussions板块、Civitai等AI模型分享站。这些地方经常有用户分享他们的得意之作，并附带工作流文件。合集往往是热心网友将这些零散的工作流整理打包而成。
• 视频教程与博主分享：许多AI绘画领域的视频教程作者，会在视频描述中提供其演示所使用的工作流文件打包下载链接。这是学习特定技巧的绝佳途径。
• 整合包内置：像知名的“秋叶一键整合包”在安装ComfyUI时，有时会预置一些示例工作流，帮助用户快速上手。

注意：从网络下载任何文件，尤其是可执行文件或脚本，务必注意安全。尽量选择信誉高的来源，下载后使用杀毒软件扫描。对于工作流中要求安装的未知自定义节点，也最好在社区查一下评价。

3.2 安装与加载工作流的核心步骤

工作流合集本身不需要“安装”。你拿到的是一个压缩包，里面包含了许多.json或.png文件。核心操作是将其“放置”到ComfyUI能读取的目录，然后“加载”。

1. 解压与存放：将下载的ComfyUI workflows collection.zip解压到一个你容易找到的文件夹。通常，ComfyUI有一个专门存放工作流的目录，路径类似于ComfyUI\web\static\workflows或ComfyUI\custom_nodes\workflows。你可以直接将解压后的.json/.png文件复制到这里。当然，你也可以放在任意位置，只要在加载时能导航到即可。
2. 在ComfyUI中加载：
   • 打开ComfyUI的Web界面。
   • 在画布区域，你会看到顶部或侧边的工具栏。找到“Load”（加载）按钮。
   • 点击后，会弹出文件浏览器。导航到你存放工作流文件的目录，选择你想要加载的.json或.png文件。
   • 点击打开，画布上就会瞬间出现该工作流的所有节点和连接线。

一个关键技巧：许多工作流文件被保存为.png格式。这不是普通的图片，而是嵌入了完整工作流数据的图片。ComfyUI可以直接读取这种图片并还原出整个节点图。当你从Civitai等网站保存一张展示图时，很可能就已经把工作流保存下来了。加载时直接选择这个PNG文件即可。

3.3 管理你的工作流库

随着收集的工作流越来越多，有效的管理至关重要。

• 分类文件夹：在存放工作流的目录下，建立子文件夹进行分类，如/portrait/（人像）、/landscape/（风景）、/animation/（动画）、/utility/（工具类，如放大、修复）。
• 命名规范：给工作流文件起一个清晰的名字，例如[风格]-[主要功能]-[作者或版本].json，像cyberpunk-character-fullbody-with-controlnet-v1.2.json。
• 预览图关联：对于.json文件，可以同时保存一张该工作流生成的效果图，并将图片和JSON文件命名为相同的主文件名，便于快速浏览识别。
• 使用工作流管理插件：社区有一些自定义节点（如ComfyUI-Workflow-Saver或Efficiency Nodes套件中的相关功能）可以帮助你更好地在界面内管理、预览和搜索工作流。

4. 深度解析：一个典型工作流的结构与节点构成

加载一个复杂的工作流后，面对满屏的节点和连线，新手可能会感到恐慌。别担心，我们可以将其解构成几个逻辑模块来理解。绝大多数图像生成工作流都遵循一个核心管道。

4.1 核心生成管道：从文本到像素

一个标准的文生图工作流，通常包含以下关键节点簇：

1. 模型加载区（Checkpoint Loader）：这是起点。Checkpoint Loader节点负责加载你的大模型（如SDXL、SD 1.5的各种变体）。它会输出模型（model）、裁剪信息（clip）、VAE三个核心对象，供后续节点使用。有些工作流会使用Checkpoint Loader Simple等变体。
2. 提示词处理区（CLIP Text Encode）：这是控制内容的核心。你会看到CLIP Text Encode节点，分别连接着“正面提示词（positive）”和“负面提示词（negative）”。节点内部将你的自然语言描述，编码成模型能理解的“条件（condition）”。复杂的工作流可能会将提示词拆分成多个CLIP Text Encode节点，分别处理“主体描述”、“风格描述”、“质量描述”等，再通过Conditioning Combine节点进行融合，以实现更精细的控制。
3. 潜在空间与采样区（KSampler）：这是图像生成的“发动机”。KSampler或KSampler Advanced节点是核心。它接收来自模型的model、来自提示词的positive和negative条件、一个随机种子seed，以及采样器sampler、调度器scheduler、步数steps、引导系数cfg等参数。它的工作是在“潜在空间”中，根据条件进行迭代去噪，最终输出一个“潜在图像（latent）”。
4. 图像解码与输出区（VAE Decode）：VAE Decode节点接收KSampler输出的潜在图像，并使用VAE模型将其解码成我们可以看到的RGB像素图像。最后通过Save Image节点将图片保存到本地磁盘。

4.2 增强与控制模块

基础管道之上，高级工作流会集成各种增强模块：

• 高清修复（Hires. Fix）：这通常不是一个单独节点，而是一个流程。常见模式是：先用较低分辨率（如512x768）通过KSampler生成初始图像，然后通过一个Latent Upscale节点对潜在图像进行放大，再送入第二个KSampler进行细节重绘（denoise），最后解码。这能有效增加图像细节，避免直接高分辨率生成带来的画面混乱。
• ControlNet控制：这是一个庞大的子系统。你会看到ControlNet Loader节点加载预处理器（如dw_openpose_full用于姿势）和ControlNet模型。预处理器节点（如OpenPose Pose Keypoint）会分析你的参考图，提取姿势、边缘、深度等信息，生成控制条件，输入到ControlNet Apply节点，该节点再将控制条件注入到KSampler的生成过程中，实现对构图、姿势、景深的精确复刻。
• LoRA/Embedding集成：Lora Loader节点可以动态地为模型附加风格或特征。它像是一个“滤镜”或“技能包”，加载后会影响后续的生成。在工作流中，它通常被插入到Checkpoint Loader和CLIP Text Encode或KSampler之间的连接上。
• 面部修复与细节增强：可能会看到FaceDetailer或UltimateSDUpscale这类自定义节点。它们通常在生成主图后，使用一个专门的面部模型或放大模型，对画面中的特定区域（如人脸）进行局部重绘和优化，以提升质量。

4.3 理解节点连接：数据流是关键

ComfyUI中，节点之间的连线代表数据的流动。不同类型的节点输出不同类型的“数据槽”。理解常见的数据类型能帮你读懂任何工作流：

• MODEL：代表加载的扩散模型。
• CLIP：代表文本编码器。
• CONDITIONING：代表经过编码的文本条件（提示词）。
• LATENT：代表潜在空间中的图像，尺寸较小，是生成过程的核心载体。
• IMAGE：代表解码后的RGB像素图像。
• MASK：代表区域蒙版，用于局部重绘或控制。
• VAE：代表变分自编码器，负责图像与潜在空间的互相转换。

当你看到一个工作流时，尝试沿着MODEL和CONDITIONING的流向，从Checkpoint Loader追踪到KSampler，再沿着LATENT和IMAGE的流向从KSampler追踪到最终输出，你就能理清这个工作流的主干。

5. 实操：使用、调试与自定义工作流

5.1 加载并运行你的第一个工作流

假设我们已经将一个名为“beautiful_portrait.json”的工作流文件放到了正确位置。

1. 在ComfyUI界面点击“Load”，选择该文件。
2. 画布上瞬间加载了所有节点。不要被吓到，先找到几个最关键的输入点：
   • 提示词输入框：通常连接在CLIP Text Encode节点上，找到写着“text”的输入框，在里面修改描述。
   • 随机种子（Seed）：在KSampler节点上，可以固定一个数字以获得可重复的结果，或保持-1随机生成。
   • 模型选择：在Checkpoint Loader节点上，点击下拉菜单，选择你本地已有的、工作流推荐或你想要的模型。
3. 确认其他参数（如图像尺寸、步数）是否符合你的预期。
4. 点击右下角的“Queue Prompt”按钮。如果一切正常，你会看到右侧历史记录区域开始显示进度，最终在Save Image节点指定的输出文件夹中找到生成的图片。

5.2 解决“缺失节点”错误

这是使用他人工作流时最常见的问题。点击“Queue Prompt”后，你可能会看到一个红色错误提示，核心信息是：“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...”

这表示该工作流使用了一个或多个你的ComfyUI环境中尚未安装的“自定义节点”（插件）。

解决方案如下：

1. 识别缺失节点：错误信息通常会明确指出缺失的节点名称，例如“Missing:ComfyUI-Impact-Pack”。记下这个名字。
2. 通过管理器安装（推荐）：
   • 如果你使用的是秋叶整合包或安装了ComfyUI Manager插件，这是最简单的办法。
   • 在ComfyUI界面，找到Manager（管理器）按钮或标签页。
   • 进入后，找到Install Custom Nodes（安装自定义节点）或类似选项。
   • 在搜索框中输入缺失的节点名称（如Impact Pack）进行搜索。
   • 找到后，点击安装（Install）。管理器会自动从GitHub仓库克隆代码到custom_nodes目录。
3. 手动安装：
   • 如果没有管理器，你需要手动安装。
   • 根据错误提示或节点名称，去GitHub上搜索对应的仓库（如https://github.com/ltdrdata/ComfyUI-Impact-Pack）。
   • 按照仓库README.md中的说明进行安装。通常步骤是：进入ComfyUI根目录下的custom_nodes文件夹，打开终端（命令行），执行git clone [仓库地址]。
   • 克隆完成后，重启ComfyUI。重启后，缺失的节点就应该可用了。
4. 安装依赖：有些自定义节点除了Python代码，还需要额外的系统依赖或Python包。务必仔细阅读节点的安装说明，可能需要运行额外的pip install命令。

实操心得：遇到缺失节点不要慌，这几乎是必经之路。建议在开始大量尝试不同工作流前，先通过管理器一次性安装一些最流行、最通用的自定义节点包，如ComfyUI-Impact-Pack、ComfyUI-Inspire-Pack、efficiency-nodes-comfyui等，它们覆盖了大量高级功能，能减少很多报错。

5.3 自定义与修改工作流

学会使用现成工作流后，下一步就是根据自己的需求进行修改。这是你从“使用者”变为“创造者”的关键一步。

• 替换模型：这是最基础的修改。直接点击Checkpoint Loader节点上的下拉框，切换成你喜欢的任何Checkpoint或LoRA模型。注意，切换大模型后，对应的提示词风格可能需要调整。
• 调整参数：大胆尝试修改KSampler中的参数。steps（步数）影响细节和耗时；cfg（引导系数）影响提示词服从度，太高（>10）可能使画面饱和失真；sampler和scheduler（采样器与调度器）的组合会影响图像质量和收敛速度，Euler a快速但可能不稳定，DPM++ 2M Karras质量高且稳定是常用选择。
• 修改流程结构：
  • 增加节点：在画布空白处右键，选择“Add Node”，然后从分类中寻找你需要的节点。例如，想在保存前给图片加个水印，可以搜索“Watermark”相关节点。
  • 断开与连接：拖动连线的端点（小圆点）可以断开连接。将鼠标悬停在节点的输出槽上，然后拖拽到目标节点的输入槽上，可以建立新的连接。注意数据类型必须匹配（如IMAGE输出只能连到IMAGE输入）。
  • 创建模块：对于经常重复使用的节点组（例如一套完整的面部修复流程），你可以选中这些节点，按Ctrl+C复制，然后在其他工作流中Ctrl+V粘贴，或者使用Ctrl+G将其打包成一个“组”，方便管理和复用。

6. 高级技巧与性能优化指南

6.1 工作流调试与问题排查

当工作流没有输出预期结果，或者直接报错时，可以遵循以下排查思路：

1. 从后往前排查法：从最终的Save Image节点开始，逆向检查每个节点的输入是否都正确连接。经常会有节点因为连线意外断开而导致整个分支失效。
2. 数据类型检查：确认所有连线都是相同数据类型。最常见的错误是将IMAGE线连到了LATENT输入槽，或者将CONDITIONING线连错了位置。
3. 参数范围验证：某些节点参数有合理范围。例如，KSampler的denoise（去噪强度）通常在0到1之间，超过1可能导致错误；cfgscale一般不超过20。
4. 显存溢出处理：这是硬件限制带来的常见问题，错误提示可能包含“CUDA out of memory”或“显存不足”。
   • 降低分辨率：这是最有效的方法。减少Empty Latent Image节点中的宽度和高度。
   • 启用CPU卸载：一些自定义节点（如Model Merge）或选项可以将部分计算转移到CPU，减轻GPU压力。在KSampler节点上有时会有vae_decode_on_cpu的选项。
   • 使用--lowvram参数启动：如果你在启动ComfyUI时遇到显存问题，可以在启动命令中添加--lowvram或--medvram参数。秋叶整合包通常可以在启动器中勾选相应选项。
   • 分步执行：对于极其复杂的工作流，可以尝试先注释掉（断开连接）后半部分节点，只运行前半部分生成一个中间结果并保存，然后再运行后半部分处理这个中间结果。
5. 查看节点内部错误：有些自定义节点在运行时会有自己的日志或错误提示。双击节点打开其属性面板，有时能看到更详细的报错信息。

6.2 性能优化与工作流效率提升

一个优化良好的工作流不仅能跑起来，还能跑得更快、更稳定。

• 使用缓存节点：对于需要重复加载且不常变化的大型资源，如特定的ControlNet模型或VAE，可以使用Load Checkpoint等节点的缓存版本（如果自定义节点支持），避免每次生成都重新从磁盘加载。
• 精简不必要的节点：定期审视你的工作流，移除那些没有实际作用或已被更好方案替代的节点。过于复杂的连线也会影响界面渲染效率。
• 利用效率节点套件：安装像efficiency-nodes-comfyui这样的插件包，它提供了许多将常用操作合并的“超级节点”，能简化工作流视图，有时还能优化执行顺序。
• 图像尺寸与批处理：在Empty Latent Image节点中，除了设置单张图的尺寸，还可以设置batch_size。如果你需要生成多张图，使用批处理比多次点击“Queue Prompt”效率更高，因为模型只需加载一次。
• 多显卡利用：对于拥有多张GPU的用户（如双卡工作站），一些高级工作流可以通过自定义节点将不同的计算阶段分配到不同的显卡上，从而平衡负载。但这需要特定的节点支持和手动配置，不是通用功能。

6.3 工作流的版本管理与分享

当你创造出一个得意的工作流后，可能会想保存它的不同版本或分享给他人。

• 版本保存：在修改一个现有工作流前，先使用“Save As”功能，将其另存为一个新名字（如my_workflow_v1.0.json）。这样你可以随时回退到之前的稳定版本。
• 分享前的清理：在分享工作流给他人前，建议做一次“清理”。
  • 检查所有文件路径：确保Save Image节点的输出目录是相对路径或通用路径，避免包含你本地的绝对路径（如C:\Users\YourName\...）。
  • 注明依赖：在分享时，最好在描述中列出这个工作流所必需的自定义节点（如“需要安装ComfyUI-Impact-Pack”）。
  • 使用嵌入PNG格式分享：点击“Save”按钮旁边的下拉箭头，选择“Save with image”，将当前工作流视图和一张预览图一起保存为PNG。这是最友好的分享方式，对方直接加载图片即可。
• 工作流作为学习笔记：你可以为复杂的工作流添加“注释节点”（Note节点），在节点内部写上这个模块的功能说明、参数调整心得等。这相当于给你的“菜谱”加上了烹饪笔记，对于个人知识积累和团队协作非常有帮助。

7. 从使用到创造：构建你自己的第一个工作流

在熟悉了大量他人工作流后，是时候从零开始搭建一个属于自己的工作流了。这个过程能让你彻底理解ComfyUI的运作精髓。

7.1 明确目标与设计蓝图

假设我们的目标是：构建一个能生成“戴着眼镜的猫”的简单文生图工作流。

1. 核心需求：输入提示词，输出一张符合描述的图片。
2. 功能分解：我们需要（1）加载模型；（2）输入提示词；（3）设置生成参数；（4）执行生成；（5）保存图片。

7.2 分步搭建流程

1. 清空画布，添加基础节点：

   • 右键画布 ->Add Node->loaders->Checkpoint Loader。这是我们的模型仓库。
   • 右键画布 ->Add Node->conditioning->CLIP Text Encode (Prompt)。我们需要两个，一个用于正面提示词，一个用于负面提示词。
   • 右键画布 ->Add Node->latent->Empty Latent Image。这里定义图片的宽高和批次。
   • 右键画布 ->Add Node->sampling->KSampler。这是生成引擎。
   • 右键画布 ->Add Node->latent->VAE Decode。将潜在图像转为可见图片。
   • 右键画布 ->Add Node->image->Save Image。保存结果。

2. 连接数据流：

   • 将Checkpoint Loader的MODEL输出，连接到KSampler的model输入。
   • 将Checkpoint Loader的CLIP输出，分别连接到两个CLIP Text Encode节点的clip输入。
   • 将第一个CLIP Text Encode（正面）的CONDITIONING输出，连接到KSampler的positive输入。
   • 将第二个CLIP Text Encode（负面）的CONDITIONING输出，连接到KSampler的negative输入。
   • 将Empty Latent Image的LATENT输出，连接到KSampler的latent_image输入。
   • 将KSampler的LATENT输出，连接到VAE Decode的samples输入。
   • 将Checkpoint Loader的VAE输出，连接到VAE Decode的vae输入。
   • 最后，将VAE Decode的IMAGE输出，连接到Save Image的images输入。

3. 配置参数：

   • 在Checkpoint Loader中选择一个你喜欢的模型，比如sd_xl_base_1.0.safetensors。
   • 在正面CLIP Text Encode节点的text框中输入：a cute cat wearing glasses, photorealistic, detailed fur, studio lighting
   • 在负面CLIP Text Encode节点的text框中输入：blurry, bad anatomy, deformed, ugly
   • 设置Empty Latent Image的width为1024，height为1024。
   • 设置KSampler的seed为随机（-1），steps为20，cfg为7，sampler选择dpmpp_2m，scheduler选择karras。

4. 运行与迭代：

   • 点击Queue Prompt。等待片刻，你就能在输出文件夹里看到一只（可能有点奇怪的）戴眼镜的猫了！
   • 如果效果不理想，开始迭代：调整提示词、更换模型、修改cfg值、尝试不同的sampler。例如，把提示词改成a wise old cat with round glasses, reading a book, in a cozy library，看看会发生什么。

7.3 添加进阶功能：ControlNet

现在，我们不想随机生成猫的姿势了，我们想让它模仿一张参考图的姿势。

1. 添加ControlNet节点：

   • 右键 ->Add Node->controlnet->ControlNet Loader。加载一个姿势检测模型，如control_v11p_sd15_openpose.pth。
   • 右键 ->Add Node->controlnet->OpenPose Pose Keypoint Preprocessor。这个节点将分析图片，提取姿势。
   • 右键 ->Add Node->controlnet->Apply ControlNet。这个节点将姿势条件应用到生成过程。

2. 连接与配置：

   • 将OpenPose Pose Keypoint Preprocessor节点的image输入，连接到一个新的Load Image节点，加载你的姿势参考图（比如一张人的姿势图）。
   • 将OpenPose Pose Keypoint Preprocessor节点的pose_keypoint输出，连接到Apply ControlNet节点的pose_keypoint输入。
   • 将ControlNet Loader节点的control_net输出，也连接到Apply ControlNet节点的control_net输入。
   • 关键一步：找到原来从CLIP Text Encode连接到KSampler的positive连线，将其断开。然后将CLIP Text Encode (positive)的输出，连接到Apply ControlNet节点的conditioning输入；再将Apply ControlNet节点的conditioning输出，连接到KSampler的positive输入。这样，正面提示词条件就“穿过了”ControlNet，带上了姿势信息。
   • 在Apply ControlNet节点上，可以调整strength（强度）参数，控制姿势的严格程度。

3. 再次运行：点击生成，你会发现生成的猫，其身体姿态和你提供的参考图高度相似了。

通过这个从简到繁的搭建过程，你不仅学会了连接节点，更理解了数据是如何在“模型”、“条件”、“潜空间”之间流动和加工的。这就是ComfyUI工作流的魅力所在——它将AI图像生成的“黑箱”过程，变成了一个可视化的、可编程的管道。从此，你不再是参数的被动调节者，而是整个创作流程的架构师。

本文还有配套的精品资源，点击获取