企业官网建设流程全解析

最近在折腾 AI 绘画和 AI 视频生成时，相信不少朋友都遇到过一个困惑：Stable Diffusion WebUI 玩熟了以后，总觉得可控性不够，换个模型、改个参数都要重新折腾一波，想要做一些批量处理、精细控制更是无从下手。后来我转到 ComfyUI 工作流方向，才发现节点式工具带来的可复现性有多香。不过说实话，刚开始接触 ComfyUI 时，满屏的节点和连线也确实劝退了不少人，网上资料又零散，大部分教程不是太浅就是直接贴一个复杂工作流让人复现，对新手非常不友好。

这篇文章会从零开始，围绕 ComfyUI 工作流搭建这个主题，把环境准备、核心概念、常用节点、完整实战、视频生成思路以及常见报错全部串起来。内容定位是“新手能学会，老手能查漏”，全程以实操为主，没有太多废话。读完以后，你可以自己拖出一个文生图工作流，也能看懂社区里那些被人分享的复杂工作流，并为后续学习 AI 视频生成打下基础。

1. ComfyUI 是什么，为什么要学它

1.1 从“填参数式”到“节点式”的转变

简单来说，ComfyUI 是一个基于节点的 Stable Diffusion 图形化操作工具。它和 WebUI 最大的区别在于：WebUI 把功能封装成一个个选项卡，你需要在不同的页面里填参数、点按钮；ComfyUI 则把所有操作拆分成节点，每个节点负责一个独立功能，通过连线把数据流串联起来。

从使用体验上看，ComfyUI 不像是一个“绘图软件”，更像是一个“可视化流程编辑器”。它把你的出图过程变成了一个可以自由拼接的流程图：模型加载是一个节点，提示词编码是一个节点，采样器是一个节点，最后保存图片又是另一个节点。节点之间通过连线传递数据，整个生成过程一目了然。

1.2 ComfyUI 解决了什么问题

传统 WebUI 在以下几个场景中会显得比较吃力：

• 复现困难：上次用了一套参数，这次想完全复现，还得逐个选项去核对，漏掉一个就废了。
• 流程固定：想要加入额外的控制逻辑（比如 ControlNet、局部重绘、多模型融合），需要在不同界面之间跳来跳去。
• 批量作业不友好：如果你要一次性生成几十张图，并且每张图使用不同的提示词或参数，WebUI 的脚本机制虽然能解决一部分，但灵活性有限。
• 资源占用偏高：WebUI 在内存和显存管理上有时不够紧凑，长期运行时容易积累缓存。

ComfyUI 在这几个方面有明显优势：

• 工作流即文件：一张图片的完整生成流程可以保存为 JSON 工作流文件。共享给其他人后，对方只要环境齐全，拖进去就能得到一模一样的流程，甚至可以直接复现结果。
• 节点自由拼接：想要加 LoRA、加 ControlNet、改采样策略，只需在对应位置插入节点，不需要重启程序或切换页面。
• 显存优化好：ComfyUI 的潜空间（Latent Space）处理和显存回收机制相对高效，相同显卡下往往能跑更大的分辨率或更复杂的流程。
• 社区生态丰富：无论是图生图、ControlNet、AnimateDiff 视频生成，还是各种模型融合玩法，社区工作流都能直接复用。

1.3 适合人群与学习价值

如果你是以下类型，ComfyUI 工作流很值得学习：

• AI 绘画新手：刚接触 Stable Diffusion 生态，不想被 WebUI 的固定操作限制住。
• 设计创作者：希望生成质量稳定、风格可控、能批量出图的素材。
• 技术开发者：希望通过 API 集成 ComfyUI 到自己的项目里，实现服务化出图。
• AI 视频爱好者：AnimateDiff、SVD 这类视频生成方案目前很多都是优先在 ComfyUI 中集成。

需要说明的是，ComfyUI 的学习曲线确实比 WebUI 陡一些，但它的核心概念并不多，只要理解了节点、连线、潜空间这几个核心点，后续的复杂工作流也只是在此基础上堆叠节点而已。

2. 环境准备：安装部署与模型放置

在学习任何工具之前，先把环境装好是第一步。ComfyUI 的安装方式主要有两种：一种是使用社区整理好的一键整合包，另一种是基于 GitHub 官方源码手动部署。下面分别介绍。

2.1 硬件要求与系统环境

先看硬件。ComfyUI 底层依赖 PyTorch 和 CUDA，因此NVIDIA 显卡是首选。如果你的显卡显存是 6GB 左右，可以正常跑 SD 1.5 模型的小尺寸出图；如果显存是 12GB 或更高，可以比较舒服地跑 SDXL，以及部分 AI 视频生成模型。

关于很多人关心的“3060 能跑 AI 视频生成吗”这个问题，答案是可以跑，但需要控制参数。3060 有 8GB 显存版本和 12GB 显存版本，12GB 会从容很多。实际使用时建议把分辨率控制在 512 或 640 级别、帧数控制在 16 到 32 帧，并配合低显存参数启动。视频生成对显存和生成时间的消耗都比文生图高不少，所以也不必追求一次生成很长很清晰的视频，先用短片段测试流程，再逐步优化。

操作系统方面，Windows、Linux、macOS 都可以。Windows 用户最多，社区教程也最丰富，本文以 Windows 为主要演示环境。macOS 用户也可以安装，但如果是 Apple Silicon 芯片，部分视频类节点可能需要在 MPS 模式下运行，兼容性要以你实际安装的版本为准。

2.2 方式一：使用整合包安装

对于新手来说，最省事的方式是下载社区整理好的整合包，常见的如“秋叶整合包”等。这类整合包一般会内置 Python 环境、ComfyUI 主程序、常用插件以及部分模型，基本做到“解压即用”。

使用整合包时有几点建议：

1. 尽量从作者官方发布渠道获取，不要随意在网盘群、第三方平台下载来路不明的版本，避免文件被篡改或携带恶意内容。
2. 整合包内一般自带启动脚本，双击启动后浏览器会自动打开 ComfyUI 界面。
3. 如果整合包版本较旧，可以后续通过 ComfyUI Manager 或 Git Pull 更新主程序。

2.3 方式二：官方源码手动安装

手动安装虽然步骤多一点，但能让你更清楚地理解 ComfyUI 的目录结构和依赖关系，也更方便后续做二次开发。

第一步，安装基础工具：

• 安装 Git。
• 安装 Python 3.10 或 3.11。不同版本的 ComfyUI 对 Python 版本要求会变化，建议优先使用官方 README 中指定的版本。

第二步，克隆官方仓库：

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

第三步，创建并激活虚拟环境：

python -m venv venv venv\Scripts\activate

Windows 下激活命令是venv\Scripts\activate，Linux 和 macOS 下是source venv/bin/activate。

第四步，安装依赖：

pip install -r requirements.txt

如果你使用的是 NVIDIA 显卡，建议额外确认 PyTorch 版本是否包含对应 CUDA 支持。安装时可以使用 PyTorch 官方提供的安装命令，示例思路如下，实际请以 PyTorch 官网为准：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

第五步，启动 ComfyUI：

python main.py

启动成功后会看到类似这样的日志：

Starting server To see the GUI go to: http://127.0.0.1:8188

浏览器打开http://127.0.0.1:8188就能看到 ComfyUI 的节点编辑界面了。

如果需要局域网访问，可以带参数启动：

python main.py --listen 0.0.0.0 --port 8188

2.4 目录结构与模型放置

ComfyUI 的模型目录集中在models文件夹下，不同模型类型对应不同子目录：

典型的目录结构如下：

ComfyUI/ ├── models/ │ ├── checkpoints/ │ │ └── dreamshaper_8.safetensors │ ├── vae/ │ │ └── vae-ft-mse-840000.safetensors │ ├── loras/ │ └── controlnet/ ├── custom_nodes/ ├── input/ ├── output/ └── main.py

模型可以从 Civitai、Hugging Face 等社区获取。下载后按类型放入对应目录，然后回到 ComfyUI 界面，在 Checkpoint 加载器中刷新列表即可看到新模型。

2.5 如何导入别人分享的工作流

社区里经常分享后缀为.json的工作流文件，通常有两种导入方式：

1. 直接把这个.json文件拖进 ComfyUI 窗口，界面会自动加载对应的节点图。
2. 点击界面右侧的“Load”按钮，选择 JSON 文件。

导入后如果节点报错，大多数情况下是因为本地缺少对应的自定义节点或模型，这一点会在后面的常见问题部分详细说明。

3. 核心概念与节点原理拆解

如果说 WebUI 像是“傻瓜相机”，那 ComfyUI 更像是“单反相机”。想要用好它，不能只靠记忆操作步骤，而是要理解每个节点背后的含义。

3.1 工作流到底在“流”什么

一个 ComfyUI 工作流，本质上是在描述数据流动的过程。这些数据包括模型对象、文本向量、图像张量、潜空间张量等。

举个例子，文生图的典型数据流如下：

Checkpoint加载器 → 模型数据 ↓ CLIP文本编码（正向） → 条件数据 → KSampler采样器 → 潜空间图像 → VAE解码 → 像素图像 → 保存图片 CLIP文本编码（负向） → 条件数据 ↗

可以理解为：模型加载节点把底模加载到内存，文本编码节点把提示词转换成模型能理解的向量条件，采样器在潜空间里根据条件不断“去噪”生成潜空间图像，VAE 解码器把潜空间图像转换成我们能够看到的像素图片，最后保存到本地。

3.2 必须掌握的常用节点

以下节点是几乎所有工作流都会用到的：

Checkpoint 加载器（Load Checkpoint）

它的作用是加载大模型文件，并输出三个数据：MODEL（采样用的扩散模型）、CLIP（文本编码器）、VAE（图像变分自编码器）。这三个输出会分别连接到不同节点。

CLIP 文本编码器（CLIP Text Encode）

负责把提示词文本转换成条件向量。通常一个工作流里需要两个：一个接收正向提示词，一个接收负向提示词。

潜空间图像（Empty Latent Image）

用来初始化一张空白潜空间图，你可以在这里设置宽、高、批次数。要注意的是，这里的宽高是生成图像的像素尺寸，但处理过程是在潜空间中完成的。

KSampler（采样器）

这是整个工作流中最核心的节点，决定了生成质量和风格。常用参数包括：

VAE 解码器（VAE Decode）

把潜空间图像张量转换为像素图像张量。没有这一步，我们无法直接查看或保存生成结果。

保存图像节点（Save Image）

接收解码后的图像，保存到output目录。

3.3 潜空间是什么

理解潜空间是理解 ComfyUI 的关键。

Stable Diffusion 模型并不是直接在高分辨率像素空间里进行去噪，而是先把图压缩到一个低维潜空间（Latent Space）中，尺寸通常是原图的八分之一左右。这样做可以大幅减少计算量，模型只在这个压缩空间里处理图像特征，最后再用 VAE 解码还原成高清图片。

在 ComfyUI 中，KSampler 操作的其实是潜空间数据，而不是我们肉眼看到的图像。所以你会看到工作流里经常出现“Latent”字样的节点。很多新手在这里容易困惑：为什么保存图片之前要多一步 VAE Decode？因为如果不解码，节点输出的不是正常图片，无法保存和预览。

3.4 常见误区

• 误区一：节点越多效果越好。实际上很多复杂工作流是为了实现特定功能，而不是为了堆节点。如果只是普通出图，七八个节点就够了。
• 误区二：导入工作流后报错只是因为模型没下载。报错信息如果是“Missing nodes”，那多半是缺少自定义节点，而不是模型文件。
• 误区三：ComfyUI 不能用中文提示词。提示词本质上是一段文本，是否支持中文取决于底模和文本编码器。大多数底模训练语料以英文为主，使用英文提示词效果更稳定，但如果你加载了支持中文的模型，也可以试验中文提示词。

4. 实战案例一：从零搭建文生图工作流

下面我们动手搭建第一个完整的文生图工作流。

4.1 操作思路

在 ComfyUI 的空白画布中，右键打开节点菜单，或者双击空白处搜索节点。我们需要依次添加以下节点：

4.2 连线关系

连线时需要遵循接口类型匹配原则：

1. Checkpoint 加载器的MODEL输出连接到 KSampler 的model输入。
2. Checkpoint 加载器的CLIP输出分别连接到两个文本编码节点的clip输入。
3. 正向文本编码节点的输出连接到 KSampler 的positive输入。
4. 负向文本编码节点的输出连接到 KSampler 的negative输入。
5. Empty Latent Image 的LATENT输出连接到 KSampler 的latent_image输入。
6. KSampler 的LATENT输出连接到 VAEDecode 的samples输入。
7. Checkpoint 加载器的VAE输出连接到 VAEDecode 的vae输入。
8. VAEDecode 的IMAGE输出连接到 Save Image 的images输入。

4.3 参数配置建议

在 Checkpoint 加载器中，选择一个你已经下载好的底模，比如 SD 1.5 系列的 realistic 风格模型或二次元模型。

正向提示词示例：

best quality, masterpiece, 1girl, solo, detailed face, soft lighting, anime style

负向提示词示例：

lowres, bad anatomy, bad hands, missing fingers, extra digits, blurry, jpeg artifacts, watermark

KSampler 参数可以这样设置：

seed: 42 steps: 25 cfg: 7 sampler_name: dpmpp_2m scheduler: karras denoise: 1

对于 SD 1.5 模型，steps=25、cfg=7是一个比较通用且稳定的组合。SDXL 模型可以适当调整，比如steps=30、cfg=5左右，具体以你使用的模型说明为准。

4.4 运行与结果验证

点击界面右侧的“Queue Prompt”按钮，开始执行工作流。这时你会看到节点依次从灰色变为高亮状态，进度条会显示当前采样进度。

生成完成后，图片会出现在 Save Image 节点上，同时保存到output目录。你可以对比不同 seed、不同采样器、不同 cfg 值下的输出，观察画面变化。这里建议新手多做几组实验，感受参数变化对画面的影响：

• 把 seed 改成其他任意数字，画面会整体变化。
• 把 cfg 从 7 改到 15，画面会变得更“锐”但容易失真。
• 把 steps 从 25 降低到 10，生成速度变快，但细节可能会丢失。

这个实验过程虽然简单，却是理解 ComfyUI 工作流最好的方式。

5. 实战案例二：图生图与 LoRA 风格控制

当你掌握了基础文生图工作流之后，就可以往里面叠加更多功能了。这里重点介绍图生图和 LoRA 两种最常见的进阶玩法。

5.1 图生图工作流的搭建

图生图的目标是让模型根据一张参考图生成新的图像。与文生图相比，它多了一步“把参考图像编码到潜空间”的操作。

在文生图工作流的基础上做如下调整：

1. 添加一个“Load Image”节点，加载你的参考图片。
2. 添加一个“VAE Encode”节点，把参考图片从像素空间编码到潜空间。
3. 将“Load Image”的图像输出连接到“VAE Encode”的pixels输入。
4. 将 Checkpoint 加载器的VAE输出连接到“VAE Encode”的vae输入。
5. 将“VAE Encode”的LATENT输出连接到 KSampler 的latent_image输入，替换掉原来的 Empty Latent Image。

注意，图生图工作流中不再需要 Empty Latent Image 节点。KSampler 的denoise参数需要调低，比如设置为0.5到0.7。它的含义是“保留多少原图信息”，denoise=0表示完全保留原图，denoise=1表示完全重新生成。所以图生图时如果想让结果既保留构图又改变风格，denoise通常控制在0.5左右比较合适。

5.2 LoRA 工作流的接入方式

LoRA 是轻量级模型微调技术，它不会替换掉整个底模，而是作为一个额外的权重模块叠加到底模上。在 ComfyUI 中，接入 LoRA 的思路非常简单：

1. 添加一个“Load LoRA”节点。
2. 将 Checkpoint 加载器的MODEL输出连接到 LoRA 节点的model输入。
3. 将 Checkpoint 加载器的CLIP输出连接到 LoRA 节点的clip输入。
4. 将 LoRA 节点输出的MODEL和CLIP再连接到后续的 KSampler 和文本编码节点。

文字可能不够直观，这里用一条简化的连接关系表示：

Checkpoint MODEL → Load LoRA model → KSampler model Checkpoint CLIP → Load LoRA clip → CLIP Text Encode clip

Load LoRA 节点一般有三个关键参数：

• lora_name：选择 LoRA 文件名。
• strength_model：模型权重，越大越明显，一般从 0.6 到 1.0 之间调试。
• strength_clip：文本编码器权重，通常与strength_model保持一致。

LoRA 的叠加顺序可以有很多个，多个 LoRA 可以通过串联方式加载。但注意，不是所有 LoRA 都互相兼容，同时使用过多 LoRA 会导致画面崩坏。

5.3 ControlNet 结构控制

ControlNet 是控制生成构图的重要工具。它的节点逻辑和 LoRA 类似，都是插入到模型和采样器之间，但还需要有一个“预处理器”节点来处理参考图的结构信息，比如边缘检测、姿态估计、深度估计等。

一个典型的 ControlNet 节点连接如下：

Load Image → ControlNet Preprocessor → Apply ControlNet → KSampler ↑ Checkpoint MODEL ───────────────────────→ Apply ControlNet model

ControlNet 需要额外下载对应底模版本的 controlnet 模型文件，SD 1.5 和 SDXL 的 ControlNet 模型不能混用。这部分在实战中最容易出现“黑图”或“结构调整无效”的问题，原因通常是模型版本不匹配，或预处理器选择错误。

6. AI 视频生成：ComfyUI 里的视频方案

AI 视频生成是当前最受关注的方向之一，而 ComfyUI 正是很多视频生成工具链的核心编排层。这里我不展开到具体操作细节，因为不同插件的节点名差异较大，但整体思路是通用的。

6.1 当前 ComfyUI 里的视频生成方案

目前常见的视频生成方案包括：

• AnimateDiff：基于已有的 Stable Diffusion 底模，在采样过程中加入时间维度的运动模块，实现逐帧动画生成。它需要额外下载 AnimateDiff 专属模型，并安装对应的 ComfyUI 插件。
• SVD（Stable Video Diffusion）：从单张静态图生成短视频。它的使用方式是以一张图片作为起点，通过一个图像到视频的模型生成短片段。
• 其他自定义节点：社区中有很多基于 Transformers 或 DiT 结构接入的视频生成节点，通常需要较大的显存，并且对版本和依赖要求较高。

无论是哪种方案，在 ComfyUI 中的基本工作流结构大致如下：

加载图像或初始化潜空间 → 视频模型加载 → KSampler（加入时间维度） → 视频解码器 → 保存视频

与文生图相比，视频工作流的输出不再是一张图片，而是一组连续的帧。ComfyUI 通常会把帧序列通过 FFmpeg 或者其他视频工具合成扩展名为.mp4的视频文件。

6.2 如果是 3060 这类中低端显卡怎么办

如果只有 3060 显卡，也不是完全没法跑视频生成，但要做好以下取舍：

• 分辨率降低：比如 512x512 或者 512x768。
• 帧数降低：一次生成 8 到 16 帧，再通过视频插帧工具扩展。
• 步数降低：使用 LCM、Turbo 等低步数采样方案，把 steps 控制在 4 到 8 步。
• 显存优化：启动 ComfyUI 时添加--lowvram参数，让系统更频繁地释放显存。

启动命令示例：

python main.py --lowvram

6.3 保存视频的通用命令

如果 ComfyUI 已经生成了一组帧图像，需要手动合成视频时，除了界面里自带的保存视频节点，也可以使用 FFmpeg 命令完成合成。以下是一个通用的合成命令示例：

ffmpeg -framerate 8 -i frame_%04d.png -c:v libx264 -pix_fmt yuv420p output.mp4

这个命令的作用是：

• -framerate 8：设置每秒播放 8 帧。
• -i frame_%04d.png：匹配frame_0001.png、frame_0002.png这样的文件名序列。
• -c:v libx264：使用 H.264 编码。
• -pix_fmt yuv420p：保证视频播放器兼容性。

实际使用时，需要根据你生成的帧文件格式调整文件名匹配规则。

6.4 视频生成的注意点

视频生成最核心的限制是显存和生成时间。一次生成 16 帧、512x512 分辨率的视频，在 3060 上可能要几分钟甚至更久，这是正常的。不要追求一次生成很长的高清视频，建议先用短片段验证效果，再通过“首尾帧衔接”或“分镜拼接”的方式扩展时长。

另外，视频生成涉及的模型文件通常很大，下载前要确认磁盘空间是否充足。生成内容的版权和数据合规问题也要重视，尽量选择明确开源的模型，不要随意传播未经授权的内容。

7. 常见报错与排查思路

下面整理了 ComfyUI 使用过程中比较有代表性的问题，按“现象、原因、解决思路”三步列出。如果你遇到类似报错，可以优先按表格中的顺序排查。

这里特别说明一下“缺失节点”问题。社区工作流经常使用很多自定义节点，这些节点不在 ComfyUI 主程序中。最方便的做法是安装 ComfyUI Manager 插件，然后在 Manager 界面中点击“Install Missing Custom Nodes”，它会自动识别缺失节点并给出安装入口。不过要注意，自动安装不一定能百分百成功，部分插件还需要手动安装系统级依赖。

如果遇到“请安装缺失的包”这类提示，先看它具体缺少什么包。比如缺少omegaconf，就在终端执行：

pip install omegaconf

安装完成后重启 ComfyUI。这里有个小技巧：在终端启动 ComfyUI，报错信息会打印得更完整，而通过整合包的一键启动脚本看不到全部输出时，可以打开日志文件查看。

8. 最佳实践与工程化建议

当你已经能熟练拖出工作流之后，会开始关心一个问题：怎么让 ComfyUI 的使用更高效、更规范，而不是永远停留在“能出图就行”的阶段。

8.1 工作流文件管理

工作流本身是 JSON 格式的文本文件，建议按项目或用途分目录保存。比如：

workflows/ ├── base/ │ ├── txt2img_sd15.json │ └── img2img_sd15.json ├── lora/ │ └── xxx_style_lora.json └── video/ └── animatediff_test.json

ComfyUI 在保存图片时，默认也会把工作流信息嵌入到 PNG 元数据中。上传到某些图片平台时可能会被删除，但在本地管理时这是一个很好的备份手段。

8.2 模型管理建议

模型文件动辄几个 GB，管理不好会浪费大量磁盘空间。几个实用建议：

• 下载模型后先记录来源和用途，可以在目录中保留一个README.txt。
• 定期检查models/checkpoints中不常用的模型，删除前确认工作流没有依赖。
• 使用models/model_subdirectories或某些插件提供的子目录功能，按风格分类。
• 对网上下载的模型注意查看模型授权，尤其是商业使用场景，不要无限制传播或商用。

8.3 显存与性能优化

对于消费级显卡，性能优化可以从几个方向考虑：

• 启动参数优化：常用参数包括--lowvram、--medvram、--force-fp16、--cpu等。需要根据你的显卡显存和 PyTorch 版本来调整。
• 采样方案优化：LCM、Turbo 模型可以把 steps 降到 4 到 8 步，同时 cfg 也相应调低。这是目前最有效的提速方案。
• 分辨率策略：先在小分辨率下生成构图，再用“高清修复”或“潜空间放大”节点放大。这样比直接生成大图更节省显存。
• 批处理策略：不要一次性把 batch size 开得太大，容易显存溢出。如果是要生成大量图片，优先编写脚本调用 API，而不是手动不停地 Queue Prompt。

8.4 用 ComfyUI API 做自动化

ComfyUI 提供了 API 接口，你可以通过 HTTP 请求提交工作流并获取生成结果。工作流 JSON 中除节点定义外，还有一组 API 格式的节点数据。实际开发中，通常是先通过界面设计好工作流，然后导出 API 格式的 JSON，再通过 Python 的requests库提交请求。

示例思路如下：

import json import requests # 读取工作流 JSON with open("workflow_api.json", "r", encoding="utf-8") as f: workflow = json.load(f) # 将工作流中的文本和参数替换为实际内容 workflow["6"]["inputs"]["text"] = "your prompt here" # 提交到 ComfyUI 的 prompt 接口 response = requests.post( "http://127.0.0.1:8188/prompt", json={"prompt": workflow} ) print(response.json())

这段代码只是示例思路，实际使用时需要了解 ComfyUI API 的节点 ID 映射关系。建议先从官方文档或社区工作流中导出 API JSON 再研究。

8.5 数据安全与合规

最后提一个容易被忽略但很重要的点：合规使用。

• 模型来源要可靠：尽量从官方或知名社区下载模型，不运行来路不明的脚本。
• 注意内容边界：AI 生成内容也应遵守平台规范和相关法律法规，不生成违规、侵权、误导性内容。
• 隐私保护：在本地环境中工作流和图片默认保存在本地，但如果使用云 GPU 或远程部署，要注意服务器上文件的访问权限。
• 版权与授权：使用 LoRA、大模型、ControlNet 模型前，确认其许可证是否允许你的使用场景。

9. 学习路线：从新手到熟练的进阶顺序

文章最后，分享一条我自己复盘后觉得比较舒服的学习路线。ComfyUI 入门不需要一步到位，建议按下面的顺序走：

1. 跑通默认工作流：ComfyUI 打开后自带一个简单的文生图工作流，先加载一个底模，点一下 Queue Prompt，确认整个链路是通的。
2. 逐节点理解：从 Checkpoint 加载器开始，逐个点击节点，看输出类型和参数含义，理解每个节点在整个流程里的位置。
3. 改参实验：只改动 seed、steps、cfg 三个参数，分别生成几组图，观察变化规律。
4. 模仿社区工作流：找个简单的工作流导入，遇到缺失节点就装上，强行复现一遍。这个过程能让你接触到很多没见过的节点。
5. 自己搭一个小工作流：不要直接复制别人的，重新从空白画布拖出文生图工作流，然后尝试加一个 LoRA，再加一个图片放大节点。
6. 接触 ControlNet 和局部重绘：这两种玩法能明显提升出图的可控性，也是实际项目中使用最多的功能。
7. 尝试视频生成：当你对节点和显存占用有概念后，再去接触 AnimateDiff、SVD 等视频方案，会容易很多。
8. 学习 API 和源码：如果能熟练使用界面，下一步可以研究 API 调用和自定义节点开发，把 ComfyUI 真正变成自己工具箱里的一部分。

ComfyUI 是一个“越用越顺手”的工具。刚开始被节点连线和各种报错折腾得头皮发麻是正常的，但只要顺着这个路线走完前四步，你会突然发现那些复杂工作流也不过是基础节点的组合。

希望这篇教程能帮你少走一些弯路。如果你在学习过程中卡在某个节点或报错上，不妨把工作流拆小，只保留出问题的那一段去排查，往往比盯着整个复杂流程更容易找到原因。