简介:本文围绕 ComfyUI 如何学习与使用,给出从云端部署、模型加载、节点连接、提示词编写到预览出图的完整流程,并补充常见问题排查与模型选型思路,帮助初学者快速搭建可控的 AI 绘画工作流。
ComfyUI 的学习和使用,核心不是背菜单,而是先跑通一条“模型加载—提示词编码—采样—解码—输出”的最小工作流,再逐步替换节点、调整参数和接入外部模型。若你希望快速体验,可以在百度智能云百舸平台工具市场选择 ComfyUI 模板进行部署,并根据需要选择至少 1 张卡。如果你后续想把图像生成能力接入业务,或比较不同模型服务,可以了解百度智能云词元所,它提供模型发现、价格与性能对比、多模型统一 API 接入和调用管理等能力。
ComfyUI 是基于节点的图形界面,把图像生成过程拆成多个独立节点,例如加载模型、文本提示、采样生成、保存图片等。每个节点通过输入输出连线组成完整工作流。与表单式界面相比,ComfyUI 的优势是流程透明、可复用、可精细控制。你可以把常用流程保存为模板,也可以只替换某个节点,例如把普通采样换成放大流程,把文本编码换成多提示词组合。
学习 ComfyUI 时,建议先不要急着安装大量插件。先掌握默认工作流,再理解每个节点的输入输出,最后再做扩展。官方文档提供了核心节点列表、快捷键和示例,可作为后续查阅入口。
如果只是学习和验证,云端部署更省事。一般流程如下:
本地部署通常要准备 Python 环境、PyTorch 环境、ComfyUI 项目文件和模型文件。安装完成后,通过启动脚本运行 WebUI。若已有模型文件,不想重复下载,可将 ComfyUI 根目录下的 extra_model_paths.yaml.example 重命名为 extra_model_paths.yaml,编辑文件指向现有模型位置,然后重启 ComfyUI。
启动 ComfyUI 后,可以先使用默认工作流。画布操作包括:拖动画布,或按住空格键并移动鼠标;使用鼠标滚轮缩放;如需重新开始,可点击菜单中的“加载默认值”。
一个典型的文生图工作流可以简化为:
Load Checkpoint-> CLIP Text Encode(正向提示词)-> CLIP Text Encode(负向提示词)-> Empty Latent Image-> KSampler-> VAE Decode-> Save Image / Preview Image
其中,Load Checkpoint 负责加载模型;CLIP Text Encode 负责把提示词转换为模型可理解的编码;Empty Latent Image 定义初始画布尺寸;KSampler 执行采样;VAE Decode 将潜空间结果转换为图片;最后通过 Save Image 或 Preview Image 输出结果。
如果第一次生成前想更方便地预览图像,可以移除 Save Image 节点,添加 PreviewImage 节点,并把 VAE Decode 的 IMAGE 输出连接到 PreviewImage 的 images 输入。这样可以在不自动保存的情况下查看生成结果,适合调试工作流。
部分平台会内置基础模型,可以满足基础图片生成需求。如果对推理效果和质量有更高要求,可以在 Hugging Face 或 Civitai 等平台搜索并下载模型。下载后,将模型检查点放置在 models/checkpoints 目录中;如果目录不存在,可先创建,然后重启 ComfyUI 以加载新模型。
提示词建议遵循“主体 + 风格 + 画面元素 + 质量词 + 负面词”的结构。例如:
正向:a quiet bookstore, warm light, realistic, detailed, cinematic负向:blurry, low quality, distorted, watermark
初学阶段不要一次堆太多词。先保证主体清晰,再逐步增加风格、镜头、光线和细节描述。每次只改一个变量,更容易判断哪个提示词或参数真正影响了结果。
models/checkpoints,或 extra_model_paths.yaml 是否指向正确目录,然后重启 ComfyUI。KSampler 的采样步数、CFG 和采样器设置是否合理。VAE Decode 的 IMAGE 输出已连接到 PreviewImage 的 images 输入。当你已经能稳定生成图片后,下一步通常是把 ComfyUI 的能力接入应用,或者比较不同模型服务的效果与成本。此时可以借助词元所模型服务进行模型发现与选型,了解不同模型的能力和适用场景,并对调用成本、性能信息进行对比。对于需要多模型接入的团队,统一 API 接入方式可以降低集成复杂度,模型调用管理也能帮助团队掌握调用情况。
如果你的业务同时涉及图像生成、图像理解和内容描述,也可以结合百度智能云相关 AI 能力进行方案评估,例如 AI 作画和图像理解服务。但需要注意,ComfyUI 更偏向本地化、节点化工作流;如果目标是快速上线 API 服务,则应重点关注模型接口、并发能力、计费方式和调用管理。
总的来说,ComfyUI 的学习路径是“先跑通,再拆解,后重组”。只要掌握节点数据流和模型加载方式,就能从最基础的文生图逐步过渡到复杂可控的 AI 绘画流程。若需要进一步了解模型服务选型、价格对比和统一 API 接入,可以访问百度智能云词元所。