企业官网建设流程全解析

很多人在第一次打开 ComfyUI 的时候，都是被密密麻麻的节点和连线“劝退”的。明明 WebUI 里点几下按钮就能出图，为什么还要用这个看起来像电路图、像数据流图、甚至像思维导图的东西？这个疑问非常合理，也是绝大多数新手接触 ComfyUI 的第一道心理门槛。

但如果只看表面，很容易误以为 ComfyUI 只是“另一种出图工具”。它真正的价值，不在于界面，而在于它把 AI 绘画从“点击生成”变成了“可编程、可复用、可精确控制的工作流”。说得直接一点：WebUI 适合快速验证想法，ComfyUI 适合把想法变成稳定、可批量、可自动化的生产管线。如果你只是偶尔生成一张头像，继续用 WebUI 完全没问题；但如果你想让 AI 绘画产出稳定风格图、批量处理图片、做可控构图、甚至接入视频生成，ComfyUI 是绕不开的核心工具。

这篇文章不是把 ComfyUI 的每一个节点都抄一遍，而是按照一条真正从零开始的学习路径来写：先理解它和 WebUI 的本质区别，再完成环境安装，接着亲手搭建一条文生图工作流，然后逐步加入 LoRA、ControlNet，最后延伸到 AI 视频生成。全程围绕“这套东西到底怎么落地”来展开，尽量少讲废话。

1. 为什么要学 ComfyUI？先搞清楚它解决的是什么问题

ComfyUI 严格来说不是一个绘图软件，而是一个可视化节点编排引擎。它把 Stable Diffusion 这类模型的推理过程，拆解成一个个独立的节点：加载模型是一个节点，输入提示词是一个节点，采样是一个节点，解码图片又是一个节点。用户通过连线把这些节点串起来，形成一条完整的“工作流”。

它解决的核心问题有三类。

第一类是精确控制。在 WebUI 中，很多参数被封装到界面里，你能调整的只有官方暴露出来的那些选项。但 ComfyUI 把每一个中间过程的输入输出都暴露出来，你可以看到模型每一步在做什么，可以随时插入一个节点改变中间结果。例如，你可以直接拿到采样前的潜空间数据，或者在 VAE 解码后做修复，再解码一次。这种控制力对做精细项目的用户来说非常有价值。

第二类是流程复用。在 WebUI 里，如果你要生成不同风格的图，需要记住一组参数组合。在 ComfyUI 里，一套“工作流”本身就是一个文件。你可以把整套排布保存下来，发给别人，对方加载后就能直接使用。团队协作时，工作流文件就是可交付的资产。

第三类是自动化与批处理。ComfyUI 支持通过 API 调用，提交工作流到本地服务执行。这意味着它不只是一个本地工具，也可以作为一个图片生成服务嵌入到自己的系统里。加上模型本身存在本地，数据安全可控，适合需要私有化部署的团队。

所以，判断自己要不要学 ComfyUI，标准很简单：如果出图频率高、要求可控、有批处理和工程化需求，学它回报很高；如果只是偶尔玩一玩，WebUI 或在线工具更省事。这篇文章后面的内容，主要面向前者。

2. ComfyUI 的核心概念与底层原理

开始操作之前，先花几分钟理解几个关键概念。这些概念在整个 ComfyUI 学习中会反复出现，第一遍看可能有点抽象，等跑通一个工作流之后再回来读，理解会深很多。

2.1 关于节点

节点（Node）是 ComfyUI 的基本组成单元。每个节点都代表一个具体的功能模块，比如“加载 checkpoint 模型”“编码文本”“执行采样”“保存图像”。节点之间通过连线传递数据。

一个节点的右侧通常有输出，另一个节点的左侧通常有输入。连线就是把某个节点的输出数据，作为另一个节点的输入数据。这种数据流的设计，和 UE5 的蓝图、Blender 的几何节点、工业界的节点编辑器思路是一致的。理解了数据流，就理解了 ComfyUI 的骨架。

画一个直观的类比：把 ComfyUI 当成一条流水线。每个节点是一个工位，工位完成自己的任务后把半成品放到下一个工位。你做的“搭建工作流”，本质上就是设计这条流水线，决定每个工位要做什么、顺序是什么、哪些工位可以并行。

2.2 几个核心模型概念

在实际工作流里，有几个名词出现频率极高，这里一次说清楚。

Checkpoint（检查点模型）是整个生成的基础模型。它通常包含了生成一张图所需的大部分权重。常见的像 SD 1.5、SDXL、Flux 等，都是不同时间出现的 checkpoint 模型。可以把它理解成一个“懂得画画的底层大脑”。

VAE（变分自编码器）负责把图片从像素空间编码到潜空间，以及从潜空间解码回像素空间。用户平时很少直接操作 VAE，但大多数官方工作流都会在采样之后接一个 VAE Decode 节点，它的作用就是把 AI 在潜空间里“画好”的压缩表示，还原成我们看得见的 PNG 图片。

CLIP 文本编码器负责把提示词翻译成模型能理解的语义向量。这也是“文生图”里“文”的部分发挥作用的地方。ComfyUI 中通常分为正向提示词和负向提示词两路输入。

LoRA（低秩适配）是一种轻量微调模型。它体积比 checkpoint 小得多，不改变基础模型的结构，只在生成过程微调某些风格或角色特征。实际使用中，用户经常用“基础模型 + LoRA”组合，这也是社区分享个人风格时最常见的搭配。

ControlNet负责控制生成图的“空间结构”。它可以借助姿态骨架、边缘线稿、深度图等信息，让生成结果在构图上受控。这是把 AI 绘画从“抽卡”变成“可控创作”的关键技术。

采样器与调度器这两个概念经常一起出现，负责从随机噪声逐步去噪，最终得到清晰的潜空间表示。通俗地说，采样过程决定了“从模糊噪声到清晰图片的路径”。步数和 CFG Scale 会影响生成质量和与提示词的吻合程度，但并非步数越高越好。

下面把这个关系整理成一张表格：

2.3 工作流到底是什么

说白了，工作流就是一张有向图。每个节点负责一个步骤，节点之间的连线表示数据从哪个步骤流向哪个步骤。ComfyUI 会把这张图保存为一个 JSON 文件，里面记录了所有节点类型、参数和连线关系。

所以“ComfyUI 工作流搭建”不是某个神秘技能，而是组装和配置节点，然后把它保存成可以被反复使用的模板。这也意味着，只要对节点足够熟悉，你就能把一张图分成两路并行处理，或者把几张图合成一张图，实现 WebUI 里很难做到的组合逻辑。

3. 环境准备：本地安装 ComfyUI 的三种方式

ComfyUI 支持 Windows、macOS、Linux。这里以最常见的 Windows 环境为主，同时给出通用思路。不管用哪种方式，先确认两件事：有 NVIDIA 显卡且驱动正常；有足够的磁盘空间放模型。如果只有核显或 A 卡，用起来会比较吃力，在线服务是更务实的选择。

3.1 方式一：官方手动安装

手动安装适合想理解原理、或者需要在 Linux 服务器上部署的用户。大致步骤如下。

安装 Git 和适用于你系统的 Python，建议使用 3.10 或 3.11 版本，这是 AI 绘画生态中兼容性比较稳定的 Python 版本区间。

克隆官方仓库：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

创建虚拟环境并安装依赖：

python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

启动：

python main.py

如果没有报错，浏览器打开http://127.0.0.1:8188就能看到 ComfyUI 界面。手动安装最大的好处是你知道自己每一步装了什么，排查问题更直接；缺点是所有依赖都需要自己处理，新手很容易在 torch 版本和 CUDA 版本不匹配上卡很久。

3.2 方式二：使用秋叶整合包

秋叶整合包是目前国内新手使用最多的方式，它的价值在于把 Python 环境、依赖、常用插件、启动器整合在一起，做到“解压即用”。这也是很多新人第一次在本地把 ComfyUI 跑起来时最不容易受挫的路径。

使用整合包的步骤通常非常接近下面这样：

1. 下载对应整合包，解压到一个路径中不含中文和空格的目录。
2. 双击启动器，选择“一键启动”。
3. 根据显卡情况，在启动器设置里选择对应的显卡优化参数。
4. 等待控制台出现本地地址，打开浏览器进入工作台。

这里不推荐追着“最新版”去下载，因为整合包版本和模型、插件的兼容性也是磨合出来的。选择一个稳定、更新及时的整合包版本，后续随着你熟悉了再切换到自己手动维护环境。

3.3 方式三：远程接口或云显卡

对于本地显卡不够、但想跑 ComfyUI 的用户，可以考虑租用云 GPU 实例。操作流程一般是在云平台上选择带 NVIDIA 显卡的镜像，然后安装 ComfyUI。这样本机不需要承担推理压力，只需要通过网页访问服务即可。

从材料和社区反馈来看，3060 这类显卡运行 ComfyUI 文生图是够用的，跑 SD 1.5 系列模型比较轻松，跑 SDXL 需要把分辨率控制在合适范围。至于视频生成，3060 也能跑，但需要选轻量方案，比如低帧数、低分辨率或量化模型。这一点后面单独写。

3.4 模型放置位置

无论什么安装方式，模型文件的目录结构是通用的。默认情况下，ComfyUI 的模型放在models目录里，子目录按类型划分：

ComfyUI/models/ ├── checkpoints/ # 放主模型文件 .safetensors / .ckpt ├── vae/ # 放 VAE 模型 ├── loras/ # 放 LoRA 模型 ├── controlnet/ # 放 ControlNet 模型 ├── clip/ # 放文本编码器相关模型（部分工作流需要） ├── unet/ # 放部分新模型的 UNET/DIT 权重 └── diffusion_models/ # 放扩散模型主体（部分工作流需要）

模型放错目录，是新手经常遇到“显示加载但报错”的原因之一。加载 checkpoint 时如果提示“没有找到模型”，优先检查模型文件是否真的放在checkpoints目录。

4. 核心流程拆解：从文生图工作流看懂全链路

ComfyUI 的操作方式看起来复杂，但熟练掌握之后，会发现几乎所有文生图工作流都遵循同一条主链路。先把这个主链路拆清楚，后面再往上面挂各种附加模块就会非常顺手。

4.1 主链路五步

一个最朴素的文生图工作流包含五个关键节点：

1. 加载 Checkpoint：加载底模，同时输出 MODEL、CLIP、VAE 三个对象。
2. 文本编码：分别把正向提示词和负向提示词编码为条件向量。
3. 生成初始潜空间噪声：确定宽、高、batch size 和种子。
4. K 采样器执行采样：结合条件向量，从噪声中逐步去噪，生成干净的潜空间表示。
5. VAE 解码并保存：把潜空间表示解码成图片，保存到本地。

这条主链路就是 ComfyUI 的“最小骨架”。新手最容易犯的一个认知错误，是以为“加载 Checkpoint 节点就是模型本身，生成图片应该从那里直接出来”。实际上，Checkpoint 节点输出的 MODEL 是参与采样过程的模型对象，而图片的最终形成要经过采样器和 VAE 解码。模型的三个输出分别供给三个不同的下游节点，这也是 ComfyUI 和 WebUI 在交互逻辑上的关键差异。

4.2 为什么是这种数据流

从数据流的角度来理解主链路会更清晰。

• Checkpoint 里的 MODEL 进入采样器，作为“去噪函数”的核心。
• 正向提示词和负向提示词的 CLIP 向量分别进入采样器，告诉去噪过程“想要什么”和“不想要什么”。
• 初始噪声图提供随机起点。不同种子产生不同起点，所以种子不变，结果大概率不变。
• 采样器输出结果仍是一张潜空间图像，人类不能直接查看，必须通过 VAE 解码转成像素图片。

这也是“潜空间”概念在 ComfyUI 中的体现。整个去噪过程都在一个压缩的低维空间里完成，模型运算速度快，最后才解压成高分辨率的图片。

4.3 一个容易忽略的点：提示词该如何接

在 ComfyUI 中，正向提示词和负向提示词通常各接一个 CLIP Text Encode 节点。这个节点有两个输入：一个是来自 Checkpoint 的 CLIP 对象，一个是文本内容。如果不连接 CLIP 对象，节点会因为没有模型而报错。很多时候你下载别人的工作流，加载出来缺了模型节点下面的连线，就是因为对应模型没有放置到正确路径，导致节点失效。

这里可以记住一个经验判断：绝大多数文生图工作流，都是从左上角加载模型开始，主链路贯穿到右下角的保存图片。看清这条主线，再去看中间的“旁路”节点，比如 ControlNet、LoRA 加载器、修脸模型等，就不会感觉乱了。

5. 完整示例与代码实现

下面提供一个可以直接上手的示例。我不会贴一个必须原样照抄的超长 JSON，而是给出三个层面的代码与配置：第一个是文生图工作流的核心节点结构，第二个是用 Python 请求 ComfyUI API 提交任务的方式，第三个是常用命令行操作。这样你可以先在界面里搭好，再体验把工作流变成“服务”的过程。

5.1 示例一：最小文生图工作流的核心节点结构

在 ComfyUI 界面里新建工作流后，可以通过双击画布添加节点。一个最小工作流的节点逻辑如下：

{ "3": { "class_type": "KSampler", "inputs": { "seed": 123456, "steps": 20, "cfg": 7.5, "sampler_name": "euler", "scheduler": "normal", "denoise": 1.0, "model": ["4", 0], "positive": ["6", 0], "negative": ["7", 0], "latent_image": ["5", 0] } }, "4": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "v1-5-pruned-emaonly.safetensors" } }, "5": { "class_type": "EmptyLatentImage", "inputs": { "width": 512, "height": 512, "batch_size": 1 } }, "6": { "class_type": "CLIPTextEncode", "inputs": { "text": "a beautiful landscape, highly detailed, masterpiece", "clip": ["4", 1] } }, "7": { "class_type": "CLIPTextEncode", "inputs": { "text": "blurry, low quality, watermark", "clip": ["4", 1] } }, "8": { "class_type": "VAEDecode", "inputs": { "samples": ["3", 0], "vae": ["4", 2] } }, "9": { "class_type": "SaveImage", "inputs": { "filename_prefix": "first_comfyui_image", "images": ["8", 0] } } }

这段 JSON 里的["4", 1]表示取编号为 4 的节点的第 1 个输出，也就是 Checkpoint 节点输出的 CLIP 对象。可以看到，节点编号和输出序号完全是明确的，这也是工作流可以通过文件复现的根本原因。

实际操作时，你可以直接在界面里拖拽节点搭建，不需要手写 JSON。手写 JSON 的意义在于：如果你想批量生成大量工作流，或者想在代码层动态修改参数，这种方式会很有用。

5.2 示例二：用 Python 调用 ComfyUI API 提交工作流

ComfyUI 启动后，默认在 8188 端口提供 HTTP API。下面是一个最简单的 Python 脚本，把上面 JSON 结构当作模板提交。

import json import random import urllib.request def queue_prompt(workflow): # workflow 字典里可能需要把 seed 设置为具体值 data = json.dumps({"prompt": workflow}).encode("utf-8") req = urllib.request.Request( "http://127.0.0.1:8188/prompt", data=data, headers={"Content-Type": "application/json"}, ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode("utf-8")) # 这里只演示结构，实际使用时请从 ComfyUI 界面导出完整 workflow JSON workflow = { # 与上面 5.1 的节点结构一致 } if __name__ == "__main__": workflow["3"]["inputs"]["seed"] = random.randint(0, 2**32) result = queue_prompt(workflow) print("队列已提交，返回信息：", result)

运行前请确认 ComfyUI 已启动。运行后，可以在 ComfyUI 界面左侧任务队列里看到新任务的进度。输出图片默认保存到ComfyUI/output目录。

这就是把 ComfyUI 接入自动化流程的基础思路。实际生产环境中，可以在此基础上增加任务状态轮询、结果下载、任务队列管理等功能。

5.3 示例三：常用命令行操作

手动启动 ComfyUI 时，常用命令集中在下面几条：

# 启动 ComfyUI，指定监听地址和端口 python main.py --listen 0.0.0.0 --port 8188 # 修改输出目录 python main.py --output-directory /data/comfyui_output # 使用低显存模式，最大化显存限制 python main.py --lowvram # 启用 ComfyUI 管理插件的自动更新能力（安装 ComfyUI-Manager 后） # 该插件可以帮你检查节点缺失和模型管理

如果你在 Linux 服务器上部署，推荐用--listen 0.0.0.0允许局域网访问，但务必做好访问控制，例如加一层反向代理或防火墙规则，不要直接暴露到公网。

5.4 如何验证自己的工作流

• 第一步：确认节点没有红色报错状态。
• 第二步：点击右侧“Queue Prompt”或快捷键Ctrl+Enter。
• 第三步：观察进度条和预览图。
• 第四步：检查output目录是否生成图片文件。
• 第五步：对比种子、步数、CFG 对画面的影响，建立手感。

如果第一次跑出来是一张纯黑图或噪点图，优先检查 VAE 是否正确连接、模型是否加载成功、提示词是否为空。

6. 运行结果与效果验证

很多新手把工作流搭好之后，点了一下生成，发现图片出来了就以为万事大吉。实际上，验证一个工作流是否“可靠”，需要从三个层面看。

6.1 输出是否稳定

稳定性指的是同样参数下，同一种子能否生成基本一致的图。如果同一工作流同一个种子在几次运行中得到差异巨大的结果，通常是工作流里存在随机节点。比如 Lora 的随机触发、某些增强节点的随机种子没有固定，都会导致输出不稳定。

判断方法很简单：固定所有 seed，连跑三次，对比图片差异。

6.2 参数变化是否符合预期

调节步数、CFG、采样器种类时，画面表现是否符合一般规律。例如 CFG 过高时画面容易出现颜色过饱和或伪影，CFG 过低时画面容易偏离提示词。如果你发现某个值变化后画面完全不响应，检查该参数是否真的连接到了采样器节点。

6.3 输出图片的保存路径与命名

默认保存路径是ComfyUI/output。如果在工作流中没有指定文件名规则，输出图片会用filename_prefix加序号命名。批量出图时，建议每次任务设置不同的前缀，避免覆盖。

如果运行失败，第一步看控制台日志。ComfyUI 的错误日志会明确告诉你哪个节点失败、错误类型是什么、缺少哪个文件。比如最常见的ValueError: No module named 'xxx'，意味着某个自定义节点需要额外安装 Python 依赖。

7. ComfyUI 常见问题与排查思路

下面把新手最常遇到的几类问题整理成一张表格。这张表不是把所有异常都写全，而是覆盖大多数人的第一道坎。

这里特别提一个高频提示词：“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……”。出现这句话时，说明你加载的工作流里包含自定义节点插件，但当前环境没有安装。最稳妥的用法是安装 ComfyUI-Manager 插件，它可以扫描工作流缺失的节点并给出安装入口。但这不代表所有包都能一键装好，部分特殊节点仍然需要看仓库说明手动处理。

另一个高频坑是“工作流加载出来了，但所有节点都白屏”。这通常不是 ComfyUI 的问题，而是工作流文件来自更新的版本，包含当前版本不认识的节点类型。解决办法是升级 ComfyUI 本体和 ComfyUI-Manager，而不是修改 JSON 文件。

8. 从 AI 绘画到 AI 视频生成：ComfyUI 的进阶方向

近几年，ComfyUI 的价值已经远远超出静态图片生成。它成为本地运行 AI 视频生成流程的重要平台之一。

8.1 视频生成的基本思路

在 ComfyUI 里做视频，核心思路并不是“一个节点输出视频”，而是先生成一系列图像帧，再通过后处理将这些帧合成为视频。这个思路和传统的动画制作逻辑类似：先绘制每一帧，再连续播放。

主流的本地视频方案中，AnimateDiff 通过在现有图像模型基础上增加“运动模块”，让模型理解帧之间的时间变化；Wan 2.1 等新模型的完整工作流则可能同时用到多个模型组件，从文本到首帧再到整段视频；SVD（Stable Video Diffusion）主要由图像生成视频，用一张静态图作为起点，生成一段短动态视频。

工作流层面，它们往往是在基础文生图链路上增加：视频帧数、帧率、运动强度、动作一致性、首尾帧衔接等节点。因此，先掌握文生图工作流，再学视频，路径会顺畅很多。

8.2 3060 能跑 AI 视频生成吗

这是一个被问得非常多的问题。从材料来看，3060 是可以跑 AI 视频生成的，但体验取决于选择什么模型和参数。一个 8GB 显存的 3060，如果直接加载最新的全量视频模型，很可能发生显存不足。可行方式是选择量化版本或轻量方案，同时把视频帧数控制在较少范围，分辨率也适当降低。

更实际的做法是：先用文生图工作流确认你自己的显卡基准能力，然后从低分辨率、少量帧的简单工作流开始跑视频，逐步增加负担。不要一上来就尝试几千帧的完整短片，这样既慢又容易失败。

8.3 视频生成合规性提醒

本地部署给用户带来极大的自由度，但同时也要求使用者自己承担内容责任。AI 绘画和 AI 视频生成工具只能用于合法合规的内容创作，不得生成涉及违法违规、侵权、虚假信息或有害内容。无论技术能力有多强，内容安全永远是一条不可逾越的底线。

如果你发现某个开源模型或工作流的示例效果涉及违规内容，不要使用，也不要通过修改提示词的方式故意绕过内容限制。技术训练的是能力，边界靠的是自律和对规则的尊重。

9. 最佳实践与工程建议

9.1 命名与目录规范

工作流文件建议按“用途-模型-日期”的方式命名，例如character_lora_sdxl_20260101.json。模型文件同样建议遵循固定命名，避免中文、空格、特殊符号，防止不同系统之间出现兼容性问题。

输出目录建议按项目区分，例如：

output/ ├── character/ # 角色相关 ├── landscape/ # 风景相关 ├── product/ # 电商相关 └── temp/ # 临时测试

这样后面做批量管理时，图片不会混成一团。

9.2 模板工作流与主版本管理

把自己常用的工作流保存为模板，是一个效率很高的习惯。比如“文生图基础模板”“图生图重绘模板”“多 LoRA 组合模板”“ControlNet 线稿上色模板”。每个模板都用最小节点集，保证能独立运行。

工作流文件本身是 JSON，建议纳入版本管理。对于个人项目，Git 就够了。对于团队项目，建议把模型和节点版本一起记录下来，因为工作流脱离模型环境后很可能跑不通。你可以在模板里加一个说明节点，或者用 workflow 的元信息字段记录依赖模型名称和自定义节点列表。

9.3 模型版本与插件版本兼容性

ComfyUI 迭代速度很快，节点 API 偶尔会有变化。一个在旧版本上正常的工作流，升级 ComfyUI 后可能报错。升级前，最好先备份当前版本或记录当前 commit 编号。如果没有特殊需求，不要频繁追新。

自定义节点插件也是一样。建议在 ComfyUI-Manager 里定期查看更新，但更新后如果某个工作流从能用变成不能用，优先关注插件版本冲突，而不是 ComfyUI 本体。

9.4 API 化部署与并发控制

把 ComfyUI 作为服务部署时，要控制并发请求数量。默认的本地推理服务不能像传统 Web 服务那样无脑并发，否则显存会瞬间打满。一个比较稳的做法是：

• 限制同时运行的任务数为 1 或 2。
• 排队机制由上游完成，ComfyUI 只负责执行。
• 每张图的显存占用上限要提前估算，避免任务跑到一半 OOM。
• 任务执行前做参数校验，避免空提示词、非法尺寸等异常输入。

9.5 成本与性能权衡

步数、分辨率、采样器并不是越大越好。一个常见误区是所有任务都把步数拉到 30、40，CFG 调到 8 以上，分辨率直接上 1024×1024。实际工作中，很多任务用 20 步、512 分辨率、CFG 6~7 就已经足够。性能与质量之间的平衡点需要自己用一组小测试来找。

批量出图时，善用batch_size。一次生成多张，模型加载开销会被摊薄，总吞吐量明显提升。

9.6 安全与隐私

本地部署的最大好处是数据不出本机，但这不代表没有安全责任。如果对外开放 ComfyUI 端口，一定要加访问控制和认证。不要把--listen 0.0.0.0直接暴露在公网，否则任何人都可以通过 API 调用你的显卡算力。

对于团队内部服务，推荐放在内网通过反向代理访问，并限制 IP 白名单。数据库、密钥、模型文件尽量保持最小权限，遵循“谁需要谁访问”的原则。

10. 总结与后续学习方向

这篇文章从“要不要学 ComfyUI”这个实际问题出发，讲清楚了它与 WebUI 的本质区别，梳理了节点、Checkpoint、VAE、采样器等核心概念，介绍了本地安装的三种方式，然后带你拆解了一条文生图主链路，并给出了完整的示例代码和常见问题排查思路。最后延伸到视频生成，也说明白了本地跑视频的约束与边界。

如果把 ComfyUI 的学习比作练功夫，这篇文章相当于帮你打通了任督二脉：你知道一条主链路是怎么运转的，知道某个工作流文件里那些节点在做什么，遇到报错时也有了排查方向。剩下的就是对节点的熟悉，以及通过实际项目积累手感。

接下来你可以按这个顺序继续深入：

1. 先把文生图工作流亲手搭一遍，不复制别人的 JSON，自己拖节点、连线、改参数。
2. 加入 LoRA 加载器，找一个公开风格的 LoRA，练习参数调节。
3. 加入 ControlNet，用姿态骨架或线稿控制构图，理解结构控制。
4. 尝试图生图、局部重绘，理解denoise参数对重绘程度的影响。
5. 接触 AnimateDiff、SVD 或 Wan 2.1 相关的视频工作流，从低清晰度开始跑通。
6. 学习用 API 方式提交工作流，把它集成进自己的项目。

每一步都不难，但每一步都不能跳过。建议把这篇文章收藏备用，尤其在第 7 节排查表格那里，真正遇到问题时它会帮你节省不少时间。ComfyUI 的学习曲线确实比 WebUI 陡，但这也是它更值得投入的原因：它把 AI 绘画的生产力真正交到了你手里。