当前位置： 首页 > news >正文

ComfyUI 入门指南：秋叶整合包安装与节点式 AI 绘图工作流搭建

news 2026/8/10 2:55:22

还在为 Stable Diffusion WebUI 的复杂配置和插件冲突而头疼吗？想体验更强大、更稳定、更面向工作流的 AI 图像生成方式吗？今天，我们就来深入探讨一下近期在 AI 绘画圈备受瞩目的新星——ComfyUI，并手把手带你使用目前最受国内用户欢迎的秋叶大佬的 ComfyUI 中文整合包，实现 Windows 和 macOS 双系统下的“解压即用”，让你快速上手这套强大的节点式 AI 绘图工具，并打包带走全套现成的工作流。

本文将从零开始，详细讲解 ComfyUI 的核心概念、秋叶整合包的安装部署、基础与进阶工作流的使用，以及常见问题的排查。无论你是 AI 绘画的新手，还是想从 WebUI 迁移过来的老玩家，都能在这里找到清晰的路径。

1. ComfyUI 是什么？为什么选择它？

在深入安装之前，我们有必要理解 ComfyUI 的独特价值。简单来说，ComfyUI 是一个基于节点图的可视化编程界面，用于运行 Stable Diffusion 模型。它不像 Stable Diffusion WebUI（AUTOMATIC1111）那样提供固定的文生图、图生图选项卡，而是将所有功能模块（如加载模型、输入提示词、设置采样参数、保存图片等）抽象为一个个“节点”，用户通过连接这些节点来构建完整的图像生成流程。

1.1 核心优势：可视化、可复用、高性能

  • 可视化与灵活性：所有生成步骤一目了然。你可以清晰地看到数据（提示词、潜空间图像、模型权重）是如何在各个模块间流动的，方便调试和优化。你可以构建极其复杂的工作流，例如先文生图，再局部重绘，最后进行超分辨率放大，整个过程在一个画布上完成。
  • 工作流可保存与分享：构建好的节点图可以保存为一个.json或.png文件。这意味着你可以将一套成熟的生成方案（包括模型选择、参数设置、后期处理步骤）完整地分享给他人，他人加载后即可完全复现你的效果，极大地促进了社区协作。
  • 内存效率与性能：ComfyUI 通常被认为比 WebUI 更节省显存，并且在某些工作流下推理速度更快。这是因为它按需加载模型和运行节点，避免了不必要的内存占用。
  • 清晰的逻辑与可扩展性：节点式编程迫使你理解图像生成的每个环节，有助于深入学习 Stable Diffusion 原理。同时，社区有大量开发者为其制作插件（自定义节点），可以无限扩展其功能。

1.2 与 Stable Diffusion WebUI 的对比

对于习惯了 WebUI 的用户，可以这样理解：

  • WebUI：像一台功能丰富的“傻瓜相机”，预设了各种拍摄模式（文生图、图生图、后期处理），上手快，但深入定制和流程化生产相对复杂。
  • ComfyUI：像一台专业的“单反相机”，你需要自己搭配镜头、调整光圈快门、布置灯光（连接节点），学习成本更高，但一旦掌握，创作的自由度和效率上限也更高，尤其适合批量、稳定产出特定风格的内容。

秋叶的整合包正是为了降低 ComfyUI 的入门门槛而生，它预置了中文界面、常用模型、插件和大量实用工作流，让你能跳过繁琐的环境配置，直接体验其强大功能。

2. 环境准备与秋叶整合包获取

在开始安装前，请确保你的系统满足基本要求，并准备好必要的资源。

2.1 系统与硬件要求

  • 操作系统：Windows 10/11 或 macOS（Intel/Apple Silicon 均可）。本文将以 Windows 为例，macOS 步骤类似。
  • 显卡：推荐 NVIDIA 显卡，6GB 及以上显存可获得较好体验。AMD 显卡和 Apple Silicon Mac 通过特定方式（如 ROCm, MPS）也可运行，但整合包主要针对 NVIDIA 优化。
  • 存储空间：至少准备 20GB 可用空间，用于存放整合包、基础模型和生成图片。
  • 网络：需要稳定网络以下载必要的模型文件（首次运行时会自动下载，也可手动放置）。

2.2 整合包下载与说明

由于版权和文件体积原因，整合包本体（不包含大模型）通常通过网盘分享。你可以通过搜索“秋叶 ComfyUI 整合包”找到最新的发布帖子或视频，获取下载链接。

一个典型的秋叶整合包压缩包（如ComfyUI_windows_portable_nvidia_vX.X.7z）包含以下核心内容：

  1. ComfyUI 主程序：已经配置好 Python 环境和核心依赖。
  2. 汉化补丁：将界面大部分文字翻译为中文。
  3. 常用插件/自定义节点：如ComfyUI-Manager（插件管理器）、efficiency-nodes（效率节点）等。
  4. 启动脚本：run_nvidia_gpu.bat（Windows）或相应的.sh脚本（macOS/Linux）。
  5. 基础模型目录结构：预置了models文件夹，包含checkpoints（大模型）、loras、vae、controlnet等子目录，你只需将下载的模型文件放入对应文件夹即可。
  6. 示例工作流：包内或附带链接中会提供一些.json或.png工作流文件供学习。

重要提示：整合包通常不包含任何 Stable Diffusion 大模型（如 SDXL、SD 1.5 的各种变体）、LoRA、VAE 等，你需要自行下载并放入对应文件夹。模型可以從知名的模型分享网站获取。

3. Windows 系统一键安装与启动

我们以 Windows 系统为例，演示最详细的安装和首次启动流程。

3.1 解压与目录结构

  1. 将下载好的整合包压缩文件（例如ComfyUI_windows_portable_nvidia_v1.1.7z）解压到一个英文路径的文件夹中。例如D:\AI_Tools\ComfyUI。路径中不要有中文或特殊字符，避免潜在问题。
  2. 解压后，目录结构应类似如下：
    D:\AI_Tools\ComfyUI\ ├── ComfyUI/ # ComfyUI 主程序目录 ├── python_embeded/ # 内置的 Python 环境 ├── run_nvidia_gpu.bat # 启动脚本 ├── 更新说明.txt └── ... (其他文件)

3.2 放置模型文件

在启动前，强烈建议先放置至少一个基础模型。

  1. 进入ComfyUI\models\checkpoints文件夹。
  2. 将你从网上下载的.safetensors格式的大模型文件（例如sd_xl_base_1.0.safetensors）复制到此文件夹内。
  3. 同样，你可以将 LoRA 模型放入models\loras， VAE 模型放入models\vae， ControlNet 模型放入models\controlnet。

3.3 首次启动与汉化

  1. 双击运行run_nvidia_gpu.bat文件。这会打开一个命令行窗口，自动启动 ComfyUI 服务。
  2. 首次运行会相对较慢，因为它需要初始化环境并可能下载一些必要的依赖文件（如 CLIP 模型）。请保持网络通畅，耐心等待。
  3. 当命令行窗口出现类似“Running on local URL: http://127.0.0.1:8188”的信息时，表示启动成功。
  4. 打开你的浏览器（推荐 Chrome 或 Edge），访问http://127.0.0.1:8188。
  5. 如果界面是英文，通常整合包已集成汉化。你可以在界面右侧的设置齿轮图标中，查找语言（Language）选项，选择“中文”或“Chinese”。如果未生效，可能需要手动将汉化补丁文件放入指定目录，具体请参考整合包内的说明文档。

至此，你的 ComfyUI 已经成功运行！你会看到一个空白的画布，这就是你构建工作流的地方。

4. ComfyUI 核心界面与基础操作

成功启动后，让我们快速熟悉一下界面和基本操作。

4.1 主界面布局

  • 节点图画布：中间最大的区域，用于放置和连接节点。
  • 节点菜单：在画布上右键单击，会弹出所有可用的节点分类菜单。
  • 队列按钮：画布左侧的“Queue Prompt”按钮，用于执行当前工作流。
  • 工作流管理：左侧通常有“Load”（加载）、“Save”（保存）、“Clear”（清空）等按钮，用于管理.json或.png工作流文件。
  • 历史记录：生成的图片会出现在右侧或下方的面板中，可以点击查看、保存或将其重新加载到工作流中。

4.2 构建你的第一个工作流

让我们手动搭建一个最基础的文生图流程，理解节点如何工作。

  1. 加载模型：在画布右键 ->“loaders”->“CheckpointLoaderSimple”。这个节点用于加载大模型。
  2. 输入提示词：右键 ->“conditioning”->“CLIPTextEncode”。需要添加两个，一个用于正向提示词（prompt），一个用于负向提示词（negative prompt）。将节点上的clip端口与 CheckpointLoader 的clip端口相连。
  3. 设置采样器：右键 ->“sampling”->“KSampler”。这是核心采样节点，需要连接多个输入：
    • model-> 连接 CheckpointLoader 的model。
    • positive-> 连接正向 CLIPTextEncode 的conditioning。
    • negative-> 连接负向 CLIPTextEncode 的conditioning。
    • latent_image-> 需要连接一个“空潜空间图像”节点。
  4. 创建潜空间图像：右键 ->“latent”->“EmptyLatentImage”。这里设置生成图片的宽高和批次数量。将其latent输出连接到 KSampler 的latent_image输入。
  5. 解码图像：右键 ->“latent”->“VAEDecode”。将 KSampler 的LATENT输出连接到此节点的latent输入，并将 CheckpointLoader 的vae输出连接到此节点的vae输入。
  6. 保存图像：右键 ->“image”->“SaveImage”。将 VAEDecode 的image输出连接到这里。

最终，你的节点图应该形成一个完整的链条。在 CLIPTextEncode 节点中输入提示词，调整 KSampler 的参数（如采样步数 steps、采样器名称 sampler_name、调度器 scheduler、随机种子 seed），点击“Queue Prompt”，就能在右侧看到生成的图片了。

这个过程看似复杂，但理解了数据流（模型->文本编码->采样->解码->保存）后，就会非常清晰。这也是 ComfyUI 的魅力所在——你完全掌控流程。

5. 使用与导入现成工作流

手动搭建对于学习有益，但效率不高。秋叶整合包和社区提供了大量现成工作流，我们可以直接“拿来主义”。

5.1 加载工作流文件

  1. 获取工作流文件：从社区（如 Civitai, 开源社区）或整合包提供的示例中，下载.json或.png文件。
  2. 在 ComfyUI 界面，点击左侧的“Load”按钮。
  3. 选择下载的.json文件，或者如果你下载的是.png文件，ComfyUI 可以直接从图片中读取内嵌的工作流数据（这是 ComfyUI 的特色功能），同样使用“Load”加载该图片即可。
  4. 加载后，画布上会自动出现完整且复杂的节点图。你需要检查是否有缺失的节点（节点显示为红色），这通常是因为缺少对应的插件。

5.2 使用 ComfyUI-Manager 管理插件

秋叶整合包通常预装了ComfyUI-Manager，它是管理插件的利器。

  • 安装缺失节点：如果加载的工作流有红色节点，在画布空白处右键，你可能会看到“Manager”菜单，里面有“Install Missing Custom Nodes”选项。点击后，它会尝试自动安装。
  • 手动管理插件：界面中可能会有一个“Manager”按钮，点击后可以打开插件管理面板，在这里可以浏览、安装、更新、禁用社区插件。
  • 更新 ComfyUI 和插件：在 Manager 中也可以一键更新 ComfyUI 本体和所有已安装的插件，非常方便。

加载现成工作流后，你通常只需要：

  1. 找到CheckpointLoader节点，点击选择你自己放置的大模型。
  2. 找到CLIPTextEncode节点，修改提示词。
  3. 调整KSampler节点中的参数（如步数、尺寸）。
  4. 点击“Queue Prompt”运行。

6. macOS 系统安装要点

对于 macOS 用户，秋叶也可能提供专门的整合包，或者你需要使用通用的安装方法。核心步骤类似：

  1. 获取整合包或源码：寻找为 macOS 打包的版本，或直接克隆 ComfyUI 官方 GitHub 仓库。
  2. 安装依赖：如果使用源码，需要确保已安装 Python 3.10+ 和 pip。通过终端进入目录，运行pip install -r requirements.txt。
  3. 模型放置：同样将模型文件放入models下的对应文件夹。
  4. 启动命令：
    • Intel Mac：通常可运行python main.py。
    • Apple Silicon (M1/M2/M3) Mac：为了启用 GPU 加速（Metal Performance Shaders, MPS），需要修改启动命令或设置环境变量。一种常见方式是在启动命令后添加--force-fp16参数，或设置PYTORCH_ENABLE_MPS=1。具体请参考整合包说明或官方 Wiki。
    # 在 ComfyUI 目录下，通过终端运行 PYTORCH_ENABLE_MPS=1 python main.py --force-fp16
  5. 访问界面：启动成功后，同样在浏览器中访问http://127.0.0.1:8188。

注意：macOS 下的性能，尤其是在 Apple Silicon 上，可能与 NVIDIA 显卡有差异，且对某些插件的兼容性需要单独测试。

7. 常见问题与解决方案 (FAQ)

在安装和使用过程中，你可能会遇到以下问题：

问题现象可能原因解决方案
双击.bat文件后窗口闪退1. 路径包含中文或特殊字符。
2. 端口被占用。
3. 缺少运行库。		1. 将整合包移动到纯英文路径。
2. 修改extra_model_paths.yaml或启动参数中的端口号（如--port 7861）。
3. 安装 Visual C++ Redistributable 等运行库。
启动时提示 “No module named ‘xxx’”Python 依赖缺失。如果使用整合包，尝试以管理员身份运行.bat。如果自行安装，在终端运行pip install -r requirements.txt。
加载工作流后大量节点变红缺少对应的自定义节点（插件）。使用ComfyUI-Manager的“Install Missing Custom Nodes”功能，或根据节点名称手动安装对应插件。
生成图片时显存不足 (OOM)工作流过于复杂或图片分辨率设置过高。1. 在KSampler前使用“LatentUpscale”或“UltimateSDUpscale”等节点进行分块放大。
2. 启用“VAE”节点中的“VAE Decode (tiled)”选项。
3. 在启动参数中添加--lowvram或--medvram（仅适用于某些启动方式）。
无法加载.safetensors模型1. 模型文件损坏。
2. 模型类型放错文件夹。		1. 重新下载模型文件。
2. 确认模型是 Checkpoint、LoRA 还是 VAE，并放入正确的models子目录。
生成速度很慢1. 使用了性能较差的采样器。
2. macOS 未正确启用 MPS。
3. 图片尺寸太大。		1. 尝试使用“Euler a”, “DPM++ 2M Karras”等速度较快的采样器。
2. 检查 macOS 启动命令是否包含 MPS 相关参数。
3. 适当降低生成分辨率，或使用高清修复（Hires. fix）工作流。
如何更新整合包？直接覆盖可能导致配置丢失。建议备份ComfyUI\models、ComfyUI\output以及ComfyUI\custom_nodes中你自行安装的节点。然后解压新包到新目录，再将备份文件移入。使用 ComfyUI-Manager 更新更安全。

8. 最佳实践与进阶技巧

掌握了基础之后，以下几点能让你更好地使用 ComfyUI：

  1. 工作流管理：

    • 分类保存：为你不同的创作风格（如人物肖像、风景、概念设计）建立不同的工作流文件。
    • 使用模板：将常用的、稳定的节点组合（如高清修复链、面部修复链）保存为子工作流或模板，方便在新项目中快速插入。
    • 备注与文档：在复杂的节点图中，可以使用“Note”节点添加文字说明，记录关键参数或思路。

  2. 性能优化：

    • 使用缓存：对于不常变化的节点（如固定的 LoRA 加载器），可以启用其缓存功能，避免每次重新计算。
    • 精简工作流：定期清理无用节点，过于庞大的工作流会影响加载和响应速度。
    • 利用效率节点：安装efficiency-nodes等插件，它提供了很多将多个步骤合并的复合节点，能简化流程并提升效率。

  3. 模型与插件管理：

    • 模型目录规划：在extra_model_paths.yaml配置文件中，可以添加额外的模型搜索路径，将你的模型库与 ComfyUI 程序分离，便于管理和更新。
    • 谨慎安装插件：只安装你真正需要的插件。过多的插件可能引发冲突，且每次更新 ComfyUI 时都可能需要重新检查插件兼容性。
    • 关注社区：ComfyUI 生态日新月异，关注 GitHub、Civitai 和相关论坛，能及时获取优秀的工作流和强大的新插件。

  4. 创作流程建议：

    • 从简单开始：先彻底理解文生图基础工作流，再逐步添加 ControlNet、IP-Adapter、LoRA 等进阶节点。
    • 迭代式生成：先用小分辨率、少步数快速生成草图，确定构图和风格，再使用高清修复节点放大并增加细节。
    • 善用历史：生成结果面板中的图片，可以直接拖回画布作为新的输入，方便进行图生图、局部重绘等操作。

ComfyUI 初看复杂，但它将 AI 图像生成的“黑盒”变成了透明的、可拆解的流水线。秋叶的整合包为我们扫清了环境配置的障碍，让我们能专注于学习和创作本身。从加载第一个现成工作流开始，到尝试修改参数，最后到自己搭建独特的生成管线，每一步都是对 Stable Diffusion 原理更深的理解。

http://www.jsqmd.com/news/1363234/

相关文章：

  • Unity资源管理：分类策略与优化实践指南
  • VoIP流量分析实战：RTP协议特征提取与CTF解题技巧
  • 电竞数据分析实战：从EWC周排名解读到Python建模预测
  • 基于Stable Diffusion的“标准杏眼”人像生成：从提示词到批量处理全流程
  • 智能画板同步缩放引擎：artboardsResizeWithObjects.jsx技术深度解析
  • CI 流水线自动化与 GitOps 实践：评审时怎样发现隐性风险
  • 前端开发者必知：搜索引擎链接解析与优化实践
  • 煤矿安全管理数字化转型：双重预防体系与物联网技术应用
  • 风能资源评估与气象塔数据处理实战指南
  • Unity RPG游戏开发：从零构建可扩展项目框架与事件驱动架构实践
  • 网络安全攻防赛（AWD）实战指南：从规则解析到漏洞攻防策略
  • 从零构建网络安全实验环境：Web安全与渗透测试入门实战指南
  • 数字游民的生活方式与工作流搭建：选型别只看功能清单
  • 即梦AI去水印保存失败原因与全工具处理方案 - 耶斯去水印
  • 使用Spleeter开源工具实现音频人声与伴奏分离的完整实践指南
  • 标准杏眼：审美特征解析与在数字内容创作中的应用实践
  • AI模型集成实战：构建稳健应用架构，应对网络与安全风险
  • 2026 年当下，高唐口碑好的全屋定制整装公司哪家专业,花3万装出10万级的家，这玩意儿到底藏了多少避坑小心机？ - 行业推荐官【认证】
  • 从提示词到AI Agent：构建自主任务执行系统的工程实践
  • Unity游戏上架抖音小游戏：IL2CPP优化与SDK接入实战指南
  • 网络安全学习：从零基础到实战的完整路径与核心方法
  • 红蓝对抗实战指南：网络安全攻防演练与能力提升
  • 长时程智体的综述：基础、演化、驾驭、优化、应用和前沿（下）
  • Python文本数据分析实战：从节目标题提取关键词与情感分析
  • 产品交互设计与功能极简的取舍哲学：代码评审该盯住哪些细节
  • 开源AI编程助手007：解压即用的本地化代码生成与智能体实践
  • iOS激活锁绕过工具applera1n：让被锁定的iPhone重获新生
  • IDEA集成LeetCode插件：提升Java开发者刷题效率
  • AI赋能网络安全：基于OpenAI构建智能日志分析与自动化运维助手
  • SpringBoot+Vue企业级工位管理系统开发实践