ComfyUI新手入门：从节点式工作流到AI视频生成全攻略-开发者社区

ComfyUI 是当前 AI 绘画和 AI 视频生成领域非常值得系统学习的工作流工具。它和普通画图软件不同，核心是节点式工作流：把加载模型、写提示词、采样、解码、保存这些步骤拆成节点，用连线串起来，组成一个可复用、可分享、可修改的流程图。这份教程按 2026 年新手入门最实用的路径来整理，目标很直接：让一个完全没用过 ComfyUI 的人，从安装开始，逐步做到自己搭文生图、图生图、局部重绘，再跑通 AI 视频生成工作流，最后能处理社区工作流最常见的“缺失节点”“缺失包”报错。

如果你之前用过 Stable Diffusion WebUI，会发现两者思路差别很大。ComfyUI 的每一步数据流更透明，报错后也更容易定位：是模型没加载成功，还是提示词没接好，还是采样参数不对。如果你是第一次接触 AI 绘画，也不用被节点图吓住。按下面这条路线走，绝大多数环境问题、模型问题、节点问题都是可预判的。

1. 先搞懂 ComfyUI 解决什么问题，再决定要不要学

1.1 为什么现在很多人从 WebUI 转向 ComfyUI

先给结论：ComfyUI 的核心优势不是单张图片画得比 WebUI 好，而是把整个生成过程变成了可视化、可复用的工作流。

WebUI 的做法是把功能都做成界面按钮，操作路径相对固定。ComfyUI 则把每个步骤拆成独立节点。比如“加载模型”是一个节点，“写正面提示词”是一个节点，“写负面提示词”是另一个节点，“采样”又是一个节点。节点之间用连线连接，数据沿着线按顺序流动。

这个差异带来的实际好处很明显：

改流程不用翻设置，直接换节点或改连线。
同一个工作流文件可以完整复现，换电脑也不怕设置丢失。
社区分享的工作流，拖进界面就能看到作者的完整搭建思路。
局部重绘、ControlNet、AI 视频生成这类复杂任务，可以更精细地控制数据流。

所以，如果你想长期用 AI 绘画做内容，或者准备接触 AI 视频生成，ComfyUI 是值得投入时间掌握的。

1.2 新手最容易理解的节点运行原理

可以把 ComfyUI 想象成一条流水线。图片不是凭空冒出来的，它先被“加载模型”节点读取，再通过“CLIP 文本编码”节点把提示词转换成模型能理解的数值，接着由“空图像”节点创建一张初始画布，然后“采样器”节点在这个画布上逐步去噪、生成图像信息，最后由“VAE 解码”节点还原成真正的图片，经过“保存图像”节点写入硬盘。

看一个工作流时，不需要把每个节点都背下来，第一步是找到数据从哪来、到哪去。只要这条链路清晰，再复杂的工作流也能看懂。

1.3 哪些人适合学，哪些人可以绕开

ComfyUI 并不适合所有人。如果你只是随手生成一张图，不想研究任何参数，直接用 WebUI 或在线工具更省事。但如果你希望把 AI 绘画和 AI 视频生成做成一套稳定、可复现、能反复调整的流程，或者想参考社区工作流做二次扩展，ComfyUI 是更合适的选择。

新手最容易被劝退的，其实不是节点数量多，而是不知道“一个节点到底要接什么”。解决这个问题最有效的办法不是看一堆理论，而是抄成熟工作流。先跑通，再理解，最后改。这是最省力的路线。

2. 安装部署：先按整合包跑通，再考虑手动搭建

2.1 硬件条件：普通显卡能玩到什么程度

运行 ComfyUI 主要依赖显卡、显存、内存和磁盘。

显卡方面，NVIDIA 显卡最省心，因为 CUDA 生态最成熟，大部分节点默认按 CUDA 设计。没有 NVIDIA 显卡也能跑，但部分自定义节点可能需要额外配置，速度也会受影响。

显存方面，如果你主要做 AI 绘画，8GB 显存是比较舒服的起点，可以稳定运行大部分文生图、图生图工作流。如果经常把分辨率拉到 1024 以上，或者同时使用 ControlNet、IPAdapter 这类辅助节点，8GB 会开始紧张。12GB 和 16GB 会更从容。

很多人会问 3060 能不能跑 AI 视频生成。以常见的本地视频生成模型为例，3060 12GB 可以跑，但需要控制分辨率和帧数。比如生成 480p 左右、几秒钟的短视频，可以尝试。如果直接生成 1080p 长视频，大概率爆显存，或者速度慢到不实用。

内存方面，16GB 是基础，32GB 更稳。因为加载模型、处理视频帧、执行局部重绘时，内存占用会明显上升。磁盘方面，模型文件普遍是几个 GB 到十几 GB，视频模型可能更大，建议预留 100GB 以上空闲空间，并尽量把模型放在固态硬盘上。否则加载模型和工作流的速度会非常影响体验。

2.2 整合包和手动部署怎么选

2026 年的新手，我建议先使用社区整合包。最常见的包括“秋叶一键整合包”这类方案。整合包的好处是：Python 环境、依赖库、ComfyUI 本体、常用模型、基础插件都已经配置好，下载解压、启动、跑默认工作流，就能直接看到效果。

整合包不是官方发布，但它解决了新手最大的痛点：依赖环境。很多人在手动部署阶段卡住，不是 ComfyUI 本身有问题，而是 Python 版本不匹配、依赖包缺失、显卡驱动对不上。整合包把这些坑提前填平了。

手动部署适合哪些人？如果你准备深度定制、要在服务器上部署、或者需要频繁切换不同实验环境，那值得学会手动部署。基本思路是克隆官方仓库，创建 Python 虚拟环境，安装依赖，再启动。手动部署更灵活，但对排错能力要求更高。

我建议的顺序是：先整合包跑通，确认自己确实需要 ComfyUI，再找时间手动部署一遍。即使手动部署失败，也不会影响学习主线。

2.3 启动后第一件事：检查模型和界面

启动完成后，第一件事不是急着搭工作流，而是先跑默认例子。ComfyUI 首次打开通常自带一个文生图工作流。你只需要确认三件事：

界面能正常打开。
默认模型能加载。
点击生成后能出图。

如果三点都正常，说明基础环境没问题。之后再逐步换成自己下载的模型和别人的工作流。

这里有一个容易忽略的提醒：很多新手拿到工作流文件后直接拖进去，发现一堆红色节点，或者报“请安装缺失的包以使用此工作流”。这不是 ComfyUI 坏了，而是工作流用到的自定义节点、模型或依赖本地没有。这个问题后面单独讲。先记住：看到红节点不要慌，按缺失信息一步步补。

3. 理解工作流核心：节点、连线、模型

3.1 节点怎么分类，连线怎么理解

ComfyUI 的节点可以粗略分成几类：

加载类：加载模型、加载图片、加载视频。
编码类：把文本、图像转换成模型能理解的中间表示。
生成类：创建潜空间图像、执行采样。
解码类：把潜空间数据还原成像素图。
保存预览类：保存图片、输出视频、预览结果。

每个节点都有输入接口和输出接口。连线就是把上一节点的输出接到下一节点的输入。可以把节点理解成标准接口的积木，只要接口类型匹配，数据就能往下传。

新手搭工作流时，最容易出现的问题是“找不到某个节点”。解决办法：双击界面空白处，输入关键词搜索。像 CheckpointLoaderSimple、CLIPTextEncode、KSampler、VAEDecode、SaveImage 这几种基础节点名，最好能记住。记不住也没关系，用多了自然熟了。

3.2 模型类型和放置目录

ComfyUI 运行时最重要的资源是模型。模型文件通常以 .safetensors 或 .ckpt 结尾，里面包含了大模型的主要能力。

常见目录结构如下：

ComfyUI/ ├── models/ │ ├── checkpoints/ # 大模型 │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── ipadapter/ # IPAdapter 相关权重 └── custom_nodes/ # 自定义节点

下载模型后放到对应目录，启动 ComfyUI 时，加载节点的下拉列表里就能看到。如果看不到，先检查目录是否正确，再检查模型文件是否下载完整。有时文件损坏或没下载完，也会导致加载失败。

3.3 如何判断一个工作流能不能直接运行

拿到一个工作流文件，先别急着点运行。按这个顺序快速检查：

是否有红色节点。有红节点说明缺少自定义节点或依赖，需要先补装。
是否有模型节点显示为空。显示为空说明本地没有对应模型，或者模型不在默认目录。
是否有连线断开。连线断开说明工作流不完整，或者分享者手动删除了部分节点。
看基础参数。分辨率、步数、批次数是否在显卡承受范围内。

以上都正常，再点运行。如果报错，优先看控制台日志。ComfyUI 的日志比 WebUI 更直接，通常会把缺失的节点名、依赖包名、模型路径都写在里面。

4. 从零搭建第一个文生图工作流

4.1 最小工作流需要哪些节点

第一次搭工作流，建议搭一个最标准、最精简的文生图流程。需要这 7 个节点：

CheckpointLoaderSimple：加载大模型。
CLIPTextEncode：写正面提示词。
CLIPTextEncode：再取一个，写负面提示词。
EmptyLatentImage：创建一张空的潜空间图像。
KSampler：执行扩散采样。
VAEDecode：把潜空间结果解码成图片。
SaveImage：保存图片。

这 7 个节点组合起来，就是一个可运行的闭环。

4.2 搭建步骤和关键参数

第一步，在画布空白处双击，输入 CheckpointLoaderSimple，选择后它出现在画布上。节点下拉框会默认选中一个模型，新手阶段先用默认。

第二步，搜索 CLIPTextEncode，创建两个。一个写正面提示词，一个写负面提示词。

第三步，搜索 EmptyLatentImage，设置宽高。初学阶段建议 512x512 或 768x768，不要一上来直接 1024x1024。原因很简单：分辨率越高，采样耗时越长，显存占用越大，出问题时排查难度也越高。

第四步，搜索 KSampler，配置几个关键参数：

seed：随机种子。每次变化种子，生成的图片不同。固定种子，配合相同提示词和参数，可以复现同一张图。
steps：采样步数。常见范围 20 到 30。步数越高不一定质量越高，但耗时一定更长。
cfg：提示词引导强度。常见范围 5 到 8。太高画面可能失真，太低可能偏离提示词。
sampler_name：采样器名称。入门用默认即可，不用逐个研究。
scheduler：调度器，同样用默认。
denoise：文生图流程一般保持 1.0。

第五步，搜索 VAEDecode，把 KSampler 的输出接进去。

第六步，搜索 SaveImage，接到 VAEDecode 之后。

连线关系如下：

CheckpointLoaderSimple 的 MODEL 输出，接 KSampler 的 model 输入。
CheckpointLoaderSimple 的 CLIP 输出，分别接两个 CLIPTextEncode 的 clip 输入。
两个 CLIPTextEncode 的 conditioning 输出，分别接 KSampler 的 positive 和 negative 输入。
EmptyLatentImage 的 latent 输出，接 KSampler 的 latent_image 输入。
KSampler 的 LATENT 输出，接 VAEDecode 的 samples 输入。
CheckpointLoaderSimple 的 VAE 输出，接 VAEDecode 的 vae 输入。
VAEDecode 的 IMAGE 输出，接 SaveImage 的 images 输入。

4.3 第一次出图的验收标准

跑通之后，不要只看“出了一张图”就结束。建议做三个测试：

修改提示词，重新生成，看图片是否明显变化。
点击 seed 旁边的随机按钮，重新生成，看是否得到不同结果。
换一个模型，重新生成，确认模型切换正常。

三个测试都通过，说明基础工作流是稳定可用的。如果某个测试没通过，比如换模型后报错，优先检查模型文件是否完整。

5. 图生图、局部重绘和批量生成

5.1 图生图工作流怎么搭

图生图和文生图最大的区别：不是从空图像开始，而是从一张已有图片开始。

做法是在文生图工作流基础上，把 EmptyLatentImage 替换成 LoadImage 加 VAE Encode。流程是：

用 LoadImage 加载图片。
把图片通过 VAE Encode 转换为潜空间数据。
把 VAE Encode 的 LATENT 输出接入 KSampler 的 latent_image 输入。

这样 KSampler 不再从空白开始生成，而是在原图基础上加工。关键参数是 denoise，它表示在原图基础上做多大程度的修改。

denoise 在 0.3 到 0.5 之间：轻度风格迁移、细节修复。
denoise 在 0.6 到 0.8 之间：画面会有明显变化。
denoise 接近 1.0：几乎等于重新生成。

新手测试图生图时，建议先把 denoise 调到 0.5 左右，看效果再决定往哪个方向调。

5.2 局部重绘的蒙版节点

局部重绘需求很常见：只改脸、改手、换背景，其余区域保持不变。

ComfyUI 里实现局部重绘有几种常见方式，最基础的是蒙版思路。先在图片上涂出需要重绘的区域，然后通过 Set Latent Noise Mask 这类节点把蒙版信息传给采样器。这样 KSampler 只重绘蒙版覆盖的区域，蒙版之外保持原样。

局部重绘对新手来说是一个明显分水岭。如果能在一个工作流里同时控制“哪些区域重绘”“denoise 调多少”“是否引入原图结构”，基本就理解了节点数据流的本质。

5.3 批量生成时要注意什么

基础工作流跑通后，批量生成是效率关键。ComfyUI 里批量生成有两种常见方式：

在 EmptyLatentImage 的 batch_size 中调大批量数。
使用队列功能，一次排队多个任务。

实际建议：不要一上来就把 batch_size 调到 8 或 16。先跑一条，确认出图稳定，再逐步增加。因为 batch_size 增大后，显存占用和处理时间都会同步上升，一旦中途爆显存，整个批次可能全部失败。

批量任务还有一个容易踩的坑：输出文件命名。如果多个任务使用同一个保存节点，文件名冲突可能覆盖之前的结果。批量任务开始前，最好设置好输出目录和文件名前缀。SaveImage 节点通常可以通过参数控制文件名格式，务必提前确认。

如果要长时间批量跑，比如连续生成几十张图，建议盯住两个指标：显存占用和日志打印速度。任务卡住时，先看显存是否被打满，再看节点是否一直没返回结果。

6. AI 视频生成工作流入门

6.1 视频生成工作流的两种常见路径

ComfyUI 里的 AI 视频生成，大致有两种方向。

第一种是图生视频。给一张起始图片，让模型根据这张图和提示词生成一段连续视频。你提供第一帧，模型补出后续帧。这类工作流对视频模型能力要求较高，分辨率、帧数、运动幅度都由模型能力决定。

第二种是动画化思路。给模型一组图片，让它生成风格统一的连贯动画帧，再合成视频。这种工作流更适合动画场景，但每一帧的稳定性要求很高，需要做帧间控制。

6.2 视频工作流需要哪些节点和模型

视频工作流比文生图复杂得多，常见节点包括：

视频模型加载节点：加载视频生成模型权重。
图像编码节点：把输入图片编码成潜空间数据。
帧序列处理节点：控制帧数、帧率、分辨率。
KSampler 采样节点：类似图像采样，但输入输出变成连续帧。
视频解码和保存节点：把潜空间帧解码并输出成视频文件。

导入社区视频工作流时，新手最常遇到的报错就是“请安装缺失的包”。很多视频节点来自第三方插件，不在 ComfyUI 默认安装范围内。需要根据报错提示，找到对应的自定义节点仓库，安装到 ComfyUI/custom_nodes 目录，重启 ComfyUI 再加载工作流。

6.3 3060 这类中端显卡能跑到什么程度

以 3060 12GB 为代表的中端显卡，跑 AI 视频生成是可行的，但一定要控制预期。

建议的参数起点：

分辨率：尽量控制在 512 或 640 级别，别一开始就尝试 1080p。
帧数：先做 16 到 24 帧，时长只有一两秒，用来验证流程能跑通。
帧率：常见 8 到 12 帧每秒，生成结果看起来像连续动画。更高帧率意味着更多帧，显存压力会明显增加。

流程跑通后，再根据显存余量逐步提高分辨率或帧数。如果爆显存，优先降分辨率，因为分辨率对显存的影响比帧数更直接。

这里说实话，视频生成速度并不会太快。中端显卡生成几秒短视频，往往需要几分钟甚至更久。这不是 ComfyUI 的缺陷，而是视频模型本身计算量就大。做视频工作流，心态上要接受“等待时间较长”这个事实，先把单条视频跑通，再考虑批量。

7. 导入社区工作流：缺失节点和缺失包到底怎么解决

7.1 工作流的导入方式

社区下载的工作流文件，常见格式是 .json 或 .png。两种都可以导入。

.json 文件：打开 ComfyUI 界面后，直接把文件拖进浏览器窗口，或者通过界面菜单加载。

.png 文件：更常见。很多作者会把工作流信息嵌入到生成图片的 PNG 中。把图片拖进 ComfyUI 窗口，ComfyUI 会自动识别里面的工作流信息，并还原节点图。

不过要注意，PNG 导入还原的是“图片对应的生成参数”，不一定包含作者保存的所有节点。如果还原出来的节点不完整，可能要找作者分享的完整 JSON 文件。

7.2 “请安装缺失的包”到底是什么意思

社区工作流报“请安装缺失的包以使用此工作流”的时候，它其实在说两件事：

这个工作流用到了你本地没有的自定义节点。
自定义节点内部又依赖某些 Python 包，你本地也没有。

先处理自定义节点。ComfyUI 的自定义节点放在 ComfyUI/custom_nodes 目录下。安装方式通常是 git clone 对应的插件仓库，或者在 ComfyUI Manager 里搜索并安装。

再处理缺失的 Python 包。很多自定义节点会在自己的目录下附带 requirements.txt，报错提示会告诉你“在你的 python 环境中运行某个命令”。你需要在 ComfyUI 所在 Python 环境里执行安装命令。使用整合包时，注意要用整合包自带的 Python 解释器执行，而不是系统 Python。

一个常见的流程示例：

# 进入自定义节点目录 cd ComfyUI/custom_nodes/某个插件目录 # 激活 ComfyUI 的 Python 环境后安装依赖 pip install -r requirements.txt

7.3 缺失节点和缺失模型的排查顺序

我的排查顺序比较固定：

先看控制台日志，找出第一个报错点。不要被后面刷屏的红字干扰，重点看最早出现的那个。
如果提示缺失节点，去 ComfyUI Manager 或 custom_nodes 目录补装。
重新启动 ComfyUI，再次加载工作流。
如果还报错，检查模型路径。很多工作流引用了特定模型，本地没有时加载节点会显示为红色或空。
模型文件补齐后再次运行。如果仍失败，看是不是依赖包版本和当前环境冲突，可以尝试在插件目录下单独执行依赖安装。

这个顺序可以解决绝大多数工作流导入问题。真正难排查的不是“缺什么”，而是“不缺东西但报错”。这类问题通常和版本兼容性有关，需要看详细报错信息中的 Python 异常原因。

8. 常见报错和性能优化

8.1 启动失败和依赖问题

启动失败集中在几个方面：

Python 版本不兼容。ComfyUI 对 Python 版本有要求，太高太低都可能出问题。
缺少编译工具或 CUDA 组件。NVIDIA 显卡需要匹配的驱动和 PyTorch 版本。
端口被占用。ComfyUI 默认使用 8188 端口，如果被其他程序占用，启动会失败。

整合包用户遇到的启动问题通常少一些，因为环境已固定。手动部署用户遇到问题，要按日志从下往上找，看具体的 ImportError 或 ModuleNotFoundError。

8.2 显存不足和生成卡住

显存不足有两种表现。一种是在启动或加载时报torch.cuda.OutOfMemoryError，直接告诉你显存不够。另一种是生成到中途卡住，显存占用涨满后程序假死。

建议这样做：

把分辨率降下来。
把 batch_size 调到 1。
关闭其他占用显存的应用，包括浏览器里的硬件加速。
必要时通过启动参数开启低显存模式。

生成卡住时，先不要频繁点击生成按钮，那样会让多个任务排队，显存压力更大。应该先到任务队列清空排队任务，再检查资源占用。

8.3 控制台日志和参数排查

控制台日志是排查问题的最重要入口。新手遇到报错，先做基础判断：

红色文字的第一行，通常是错误类型，比如找不到文件、找不到模块、显存不足。
如果某一行出现节点名，说明是那个节点执行时报错。
如果是模型加载报错，检查模型是否完整、路径是否正确、是否放错目录。

一个适合多数场景的排查顺序：

输入输出是否正常：图片有没有加载成功，保存目录是否有权限。
模型是否正常：先用自己确认能跑的模型测试。
参数是否合理：分辨率、步数、batch_size、denoise 是否超范围。
环境依赖：自定义节点和 Python 包版本。
硬件资源：显存、内存、磁盘空间。

大多数情况下，问题不在模型本身，而在输入图片、路径、权限、依赖版本或参数范围。所以不要一报错就重装整个软件，先按这个顺序排查。

8.4 几个提升效率的习惯

最后说几个提升日常使用效率的习惯。

第一，养成维护稳定基础工作流的习惯。熟悉 ComfyUI 后，把常用模板保存下来，比如文生图模板、图生图模板、局部重绘模板、视频生成模板。每次工作从模板复制，而不是在空白画布重搭。

第二，定期清理输出目录。批量生成的图片和视频非常占空间，如果不清理，磁盘可能不知不觉就满了。建议每次批量任务结束后检查一次输出目录。

第三，学会看工作流 JSON 文件。用文本编辑器打开 .json 文件，能看到节点、连线和参数的描述。理解这个结构之后，甚至可以手工修改工作流，不一定每次都在界面里拖节点。

我个人更建议把学习分成三个阶段。第一阶段，用整合包跑通默认工作流，建立信心。第二阶段，照着经典工作流搭建文生图、图生图、局部重绘，理解节点间的关系。第三阶段，再碰视频生成和复杂插件。到这一步，你遇到的大部分问题都不再是“完全看不懂”的问题，而是可以通过日志和排查顺序解决的实际问题。踩过几次坑之后就会发现，很多问题不是工具能力不够，而是前置环境和输入材料没有处理干净。

ComfyUI新手入门：从节点式工作流到AI视频生成全攻略