🎨 ComfyUI 从入门到精通

> *"如果你不能向一个六岁的孩子解释清楚，那你自己也没搞懂。"* > *——理查德·费曼* --- # 📖 序章：当 AI 绘画遇见乐高积木 你有没有想过，为什么有些 AI 生成的图片那么惊艳，而你的尝试却总是差强人意？ 问题的答案，往往不在于你用的模型有多高级，而在于你是否真正**理解**了图像生成的本质流程。就像同样是面粉、鸡蛋和牛奶，有人能做出米其林三星的可丽饼，有人却只能摊出一堆焦糊的煎饼。 ComfyUI 就像是把 AI 绘画这件事，拆解成了一堆积木。 想象一下，传统的 AI 绘画软件（比如 AUTOMATIC1111 的 WebUI）是一个封装好的黑盒子——你输入文字，它输出图片。这很方便，但也很受限。就像你用傻瓜相机拍照，按快门就行，但你永远不知道光圈、快门速度、ISO 是怎么配合的。 而 ComfyUI 呢？ 它把整个过程**可视化**了。每一个步骤——加载模型、编码提示词、采样去噪、解码图像——都是一个可以拖拽的节点。你可以像拼乐高一样，把这些节点连接起来，构建出任意复杂的图像生成流程。 > **小注解**：节点（Node）是什么？简单说，它就是一个功能模块。输入数据进来，经过处理，输出结果出去。就像咖啡机：倒入水和咖啡豆（输入），按下开关（处理），流出咖啡（输出）。 这种设计的美妙之处在于——**透明**。 你看到的不是一个神秘的黑盒子，而是一条清晰的数据流。数据从左边流进，经过一个个处理节点，最终在右边变成图像。如果结果不满意，你可以清楚地看到是哪个环节出了问题，然后调整对应的节点参数。 这就是 ComfyUI 的核心理念：**把复杂的事情拆简单，把隐藏的东西变透明**。 让我们开始这场探险吧。 --- # 🚀 第一章：搭起你的工作台 ## 1.1 选择你的武器 ComfyUI 有三种主要的安装方式，就像你可以选择骑自行车、开汽车或者坐高铁去同一个目的地——取决于你的需求和条件。 ### 🖥️ 方式一：桌面版（推荐新手） 这是 ComfyUI 官方推出的傻瓜式安装包，支持 Windows 和 macOS。  它的优点是： - 一键安装，不用折腾 Python 环境 - 自动更新，永远保持最新版本 - 内置模型管理器，下载模型很方便 ### 💼 方式二：便携版（Windows 专属） 这是一个绿色免安装版本，下载解压就能用，甚至可以直接放在 U 盘里随身携带。 ``` 下载地址：https://github.com/comfyanonymous/ComfyUI/releases ``` 解压后你会看到这样一个文件夹结构： ``` ComfyUI_windows_portable/ ├── ComfyUI/ # 核心程序 │ ├── models/ # 模型存放目录 │ │ ├── checkpoints/ # 大模型（如 SDXL、Flux） │ │ ├── loras/ # LoRA 模型 │ │ ├── controlnet/ # ControlNet 模型 │ │ ├── vae/ # VAE 模型 │ │ └── upscale_models/ # 放大模型 │ ├── custom_nodes/ # 自定义节点插件 │ └── ... ├── python_embeded/ # 内置 Python 环境 └── run_nvidia_gpu.bat # 启动脚本（NVIDIA 显卡） ``` ### 🛠️ 方式三：手动安装（适合极客） 如果你已经熟悉了 Python 环境，或者使用的是 Linux 系统，手动安装会给你最大的控制权。 ```bash # 1. 克隆仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 2. 安装依赖 pip install -r requirements.txt # 3. 安装 PyTorch（根据你的硬件选择） # NVIDIA GPU: pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130 # AMD GPU (Linux): pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm7.1 # Apple Silicon: pip install torch torchvision torchaudio # 4. 启动 python main.py ``` > **小注解**：PyTorch 是什么？你可以把它理解为 AI 模型的"发动机"。不同的显卡需要不同的发动机版本——NVIDIA 用 CUDA，AMD 用 ROCm，苹果用 Metal。 ## 1.2 第一次启动 无论你选择哪种方式，启动后打开浏览器，访问 `http://127.0.0.1:8188`，你会看到这样的界面：  这就是 ComfyUI 的主战场。中间那片空白画布，就是你即将挥洒创意的舞台。 ## 1.3 模型该放哪？ ComfyUI 默认会自带一个简单的示例模型，但如果你想生成更精美的图像，需要下载更大的模型文件。 这就像是你买了一个专业相机，但默认只配了一个普通镜头。想拍出大片，你得换更好的镜头。 **主要模型类型及存放位置：** | 模型类型 | 存放路径 | 文件格式 | 作用 | |---------|---------|---------|------| | Checkpoint | `models/checkpoints/` | `.safetensors`, `.ckpt` | 主模型，决定图像风格 | | LoRA | `models/loras/` | `.safetensors` | 微调模型，改变局部风格 | | ControlNet | `models/controlnet/` | `.safetensors`, `.pth` | 控制图像结构 | | VAE | `models/vae/` | `.safetensors`, `.ckpt` | 图像编解码器 | | Embeddings | `models/embeddings/` | `.pt`, `.safetensors` | 文本嵌入，负面提示词常用 | | Upscale | `models/upscale_models/` | `.pth` | 图像放大模型 | > **小注解**：Checkpoint 为什么叫"检查点"？因为在训练 AI 模型的过程中，会定期保存进度，这些保存的文件就叫 checkpoint。你可以理解为游戏的存档文件。 --- # 🧩 第二章：节点——ComfyUI 的乐高积木 ## 2.1 什么是节点？ 现在，让我们深入理解 ComfyUI 的核心概念——**节点（Node）**。 想象你在厨房里做一道菜。你需要： 1. 从冰箱里取出食材（**加载**） 2. 用菜刀切好（**处理**） 3. 放入锅里炒（**加工**） 4. 盛到盘子里（**输出**） ComfyUI 的节点，就像是厨房里的各种工具和设备。每个节点都有特定的功能，它们通过"线"连接起来，数据就像食材一样，从一个节点流向另一个节点。 **节点的基本结构：** ``` ┌─────────────────────────┐ │ 节点名称 │ ← 告诉你这个节点是做什么的 ├─────────────────────────┤ │ │ │ ○ 输入1 │ ← 左侧是输入接口（接收数据） │ ○ 输入2 │ │ │ │ [参数1: 值] │ ← 中间是参数设置 │ [参数2: 值] │ │ │ │ ● 输出1 │ ← 右侧是输出接口（发送数据） │ ● 输出2 │ │ │ └─────────────────────────┘ ``` ## 2.2 认识数据类型的颜色 ComfyUI 用颜色来区分不同类型的数据流，这就像是电路中的不同颜色的电线：  | 颜色 | 数据类型 | 说明 | |-----|---------|------| | 🟣 淡紫色 | MODEL | 扩散模型（大模型本身） | | 🟡 黄色 | CLIP | 文本编码模型 | | 🔴 玫瑰色 | VAE | 图像编解码模型 | | 🟠 橙色 | CONDITIONING | 条件/提示词编码后的数据 | | 🩷 粉色 | LATENT | 潜空间图像（AI 眼中的图像） | | 🔵 蓝色 | IMAGE | 像素图像（人类眼中的图像） | | 🟢 绿色 | MASK | 遮罩/蒙版 | > **小注解**：什么是潜空间（Latent Space）？想象你有一张高清照片，直接处理它很慢。潜空间就像是照片的"压缩版"，保留了关键信息但尺寸更小。AI 在潜空间里工作效率更高，最后再通过 VAE 解码回正常图像。 ## 2.3 你的第一个工作流 让我们从最经典的 **文生图（Text to Image）** 流程开始。  这个数据流可以这样理解： ``` ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ Load Checkpoint │────▶│ CLIP Text │ │ Empty Latent │ │ (加载大模型) │ │ Encode (编码 │◀────│ Image (空白画布)│ │ │ │ 提示词) │ │ │ │ 输出: MODEL │ │ │ │ 输出: LATENT │ │ CLIP │ │ 输入: 文本 │ │ │ │ VAE │ │ 输出: CONDITIONING│ │ │ └─────────────────┘ └─────────────────┘ └─────────────────┘ │ │ │ │ ▼ ▼ │ ┌─────────────────┐ ┌─────────────────┐ │ │ KSampler │◀────│ │ └─────────────▶│ (采样器) │ │ │ │ │ │ │ │ 输入: MODEL │ │ │ │ +CONDITIONING│ │ │ │ LATENT │ │ │ │ 输出: LATENT │ │ │ └─────────────────┘ │ │ │ │ │ ▼ │ │ ┌─────────────────┐ │ │ │ VAE Decode │ │ │ │ (解码图像) │─────┘ │ │ │ │ │ 输入: LATENT │◀──────────────────────┘ │ VAE │ │ 输出: IMAGE │ └─────────────────┘ │ ▼ ┌─────────────────┐ │ Save Image │ │ (保存图像) │ │ │ │ 输入: IMAGE │ └─────────────────┘ ``` ### 步骤详解： **1️⃣ Load Checkpoint（加载大模型）** 这是整个流程的起点。就像你要开始画画，首先得拿出画笔和颜料。 - **MODEL**：大模型本身（淡紫色线） - **CLIP**：文本理解组件（黄色线） - **VAE**：图像编解码器（玫瑰色线） **2️⃣ CLIP Text Encode（编码提示词）** 这一步把人类的文字翻译成 AI 能理解的"语言"。 - **正面提示词（Positive）**：你想要什么？比如 "a beautiful sunset over mountains, high quality, masterpiece" - **负面提示词（Negative）**：你不想要什么？比如 "blurry, low quality, deformed" > **小技巧**：提示词越具体越好。与其说 "a person"，不如说 "a young woman with long black hair, wearing a red dress, standing in a garden"。 **3️⃣ Empty Latent Image（空白画布）** 这是 AI 作画的"画布"。你可以选择尺寸： - 512×512（正方形） - 512×768（竖版） - 768×512（横版） - 或者任意你喜欢的比例 > **小注解**：为什么是 512？这是 SD 1.5 模型训练时的默认尺寸。SDXL 支持 1024×1024。记住：尺寸越大，需要的显存越多，生成越慢。 **4️⃣ KSampler（采样器）** 这是魔法发生的地方！ 采样器的工作，简单来说，就是从一张 **随机噪声图** 开始，逐步 **去噪**，最终变成一张清晰的图像。 关键参数： - **seed（种子）**：随机数的起点。同样的种子+同样的参数=同样的图像 - **steps（步数）**：去噪的迭代次数。通常 20-30 步就够了 - **cfg（引导强度）**：提示词的影响力。7-8 是常用值，太高会让图像过饱和 - **sampler_name（采样算法）**：Euler、DPM++、UniPC 等，各有特点 - **scheduler（调度器）**：控制噪声曲线的变化方式 > **比喻时间**：想象你在一块布满随机划痕的大理石上雕刻。每一步，你都根据脑海中的图像（提示词），决定哪些划痕该加深、哪些该磨平。步数越多，细节越精细，但耗时也越长。 **5️⃣ VAE Decode（解码图像）** 采样器输出的还是潜空间图像（AI 的"思维空间"），VAE 把它解码成人类能看懂的像素图像。 **6️⃣ Save Image（保存图像）** 最后，把生成的图像保存到 `output` 文件夹。 --- # 🔧 第三章：图生图与局部重绘 ## 3.1 图生图（Image to Image） 如果说文生图是"凭空创造"，那图生图就是"改造已有"。  核心区别：**用一张真实图像替代 Empty Latent Image**，并且多了一个重要参数—— **denoise（去噪强度）**。 - **denoise = 0.0**：完全保留原图，没有任何变化 - **denoise = 0.5**：一半原图，一半新内容 - **denoise = 1.0**：完全重绘，原图只保留大致结构 > **实际应用**： > - 低 denoise（0.2-0.4）：改变风格但保留内容，比如把照片变成油画风格 > - 中 denoise（0.5-0.7）：较大改动，比如改变人物服装、背景 > - 高 denoise（0.8-1.0）：几乎完全重绘，只保留构图 ## 3.2 局部重绘（Inpainting） 这是图生图的高级应用——只修改图像的特定区域，其他地方完全保留。  关键节点：**Set Latent Noise Mask（设置潜空间遮罩）** 使用方法： 1. 在 Load Image 节点上传图片 2. 右键图片 → **Open in MaskEditor**（打开遮罩编辑器） 3. 用画笔涂抹想要重绘的区域（黑色是保留，白色是重绘） 4. 连接遮罩到 Set Latent Noise Mask > **生活比喻**：就像装修时给家具盖防尘布。遮罩就是那块布，盖住的地方保护起来，没盖住的地方重新粉刷。 --- # 🎮 第四章：ControlNet——让 AI 听指挥 ## 4.1 为什么需要 ControlNet？ 文生图有一个痛点：**随机性太强**。 你说 "a person standing"，AI 可能给你生成正面站立、侧面站立、背影，姿势、角度、构图完全随机。如果你想要 **特定的姿势** 或 **特定的构图**，怎么办？ 这就是 ControlNet 的用武之地。 ControlNet 就像给 AI 提供了一个"参考图"：你可以画一个火柴人简笔画，ControlNet 会让 AI 按照那个姿势生成真实的图像。 ## 4.2 ControlNet 的工作原理  ControlNet 的节点链： ``` Load Image → Preprocessor → Load ControlNet Model → Apply ControlNet → KSampler ``` **预处理器的种类：** | 预处理器 | 提取的特征 | 适用场景 | |---------|----------|---------| | **Canny** | 边缘轮廓 | 保持物体形状和结构 | | **OpenPose** | 人体骨架 | 控制人物姿势 | | **Depth** | 深度图 | 保持空间层次关系 | | **MLSD** | 直线边缘 | 建筑、室内设计 | | **HED** | 柔和边缘 | 更自然的轮廓保持 | | **Scribble** | 涂鸦线条 | 手绘草图转图像 | | **Normal Map** | 法线贴图 | 3D 建模相关 | | **Segmentation** | 语义分割 | 控制不同物体的区域 | > **小注解**：什么是预处理器？想象你要根据一张照片画一幅画。预处理器就像是先用铅笔在画布上轻轻勾勒轮廓，你再根据这个轮廓上色。不同的预处理器，勾勒出不同类型的轮廓。 ## 4.3 实战：OpenPose 控制人物姿势 假设你想要生成一张"女孩在跳舞"的图片，但不想随机生成姿势，而是想要 **特定** 的舞姿。 **步骤：** 1. **准备姿势图**：找一张你想要的姿势的图片（或者自己摆姿势拍一张） 2. **提取骨架**：使用 OpenPose 预处理器提取人体骨架  3. **加载 ControlNet 模型**：`control_v11p_sd15_openpose.pth` 4. **设置强度（strength）**：0.8-1.0 表示严格按照姿势，0.5 表示较宽松的参考 5. **运行生成**：AI 会按照骨架的姿势生成图像，但人物长相、服装、背景由你的提示词决定 > **进阶技巧**：你可以用多个 ControlNet 同时控制！比如用 OpenPose 控制姿势 + Depth 控制空间关系 + Canny 保持轮廓。这就像给 AI 多个参考维度。 ## 4.4 实战：Canny 保持图像结构 Canny 边缘检测会提取图像的轮廓线条：  **应用场景：** - 把一张风景照片转换成动漫风格，但保持原图的构图 - 把素描转换成彩色插画 - 保持产品照片的角度和结构，只改变材质和颜色 --- # 🧪 第五章：LoRA——风格的魔法调料 ## 5.1 什么是 LoRA？ LoRA（Low-Rank Adaptation）是一种 **模型微调技术**。 想象 Checkpoint 是一碗白米饭，LoRA 就是各种调料——酱油、咖喱、番茄炒蛋。基础还是那碗饭，但加上不同的调料，味道完全不同。 技术上，LoRA 是一个小文件（通常几十 MB），它记录了如何修改大模型的权重，以实现特定的风格或效果。 ## 5.2 在 ComfyUI 中使用 LoRA  **节点链：** ``` Load Checkpoint → Load LoRA → CLIP Text Encode → KSampler ``` 注意：LoRA 节点位于 Checkpoint 和 CLIP 编码器之间。LoRA 会同时修改 MODEL 和 CLIP，所以输出有两个接口需要正确连接。 **关键参数：strength_model（强度）** - **0.0**：完全不起作用 - **0.5**：中等影响 - **1.0**：完全应用 LoRA 的效果 - **>1.0**：加强效果（可能过拟合） - **<0**：反向应用（产生相反效果） > **实用技巧**： > - 多个 LoRA 可以串联使用，比如一个控制画风 + 一个控制人物 > - 不同 LoRA 的强度可以分别调整，找到最佳组合 > - 如果人物崩坏，尝试降低 LoRA 强度或更换 LoRA ## 5.3 常见的 LoRA 类型 | LoRA 类型 | 文件大小 | 用途 | |----------|---------|------| | **风格 LoRA** | 20-100MB | 改变整体画风（如吉卜力风格、赛博朋克） | | **人物 LoRA** | 50-150MB | 生成特定角色或真人 | | **服装 LoRA** | 20-50MB | 特定服装风格 | | **姿势 LoRA** | 20-50MB | 特定姿势或动作 | | **概念 LoRA** | 30-80MB | 特定主题或概念 | --- # 🎯 第六章：高级工作流技巧 ## 6.1 高清修复（Hi-Res Fix） 直接生成 1024×1024 或更大的图像，容易出现重复、崩坏等问题。 解决方案：**先生成小图，再用图生图放大**。  **流程：** 1. 用 KSampler 生成 512×512 的小图 2. 用 Upscale Latent 放大潜空间图像（比如放大 2 倍到 1024×1024） 3. 再用 KSampler 进行第二次采样（denoise 设为 0.5 左右），增加细节 4. VAE Decode 解码输出 ## 6.2 分区生成（Area Composition） 想要在一张图里精确控制不同区域的内容？比如左边是森林，右边是沙漠，中间是湖泊。  使用 **Conditioning (Set Area)** 节点，你可以： - 定义每个区域的位置和大小（x, y, width, height） - 为每个区域设置独立的提示词 - 用 Conditioning (Combine) 合并多个区域 ## 6.3 图像放大（Upscaling） ### 方法一：潜空间放大 在潜空间直接放大（Upscale Latent），然后二次采样。优点是速度快，缺点是可能产生新内容。 ### 方法二：AI 放大模型 使用专门的超分辨率模型（如 ESRGAN、SwinIR）：  **节点：** Load Upscale Model → Upscale Image (using Model) 这种方法不会改变图像内容，只是"清晰化"原有内容。 ### 方法三：Ultimate SD Upscale（终极放大） 这是 ComfyUI 社区开发的高级放大节点，结合了分块处理和无缝拼接技术，可以超大尺寸放大（4K、8K）而不显存溢出。 --- # 🔌 第七章：自定义节点与 ComfyUI-Manager ## 7.1 什么是自定义节点？ ComfyUI 的核心功能已经很强大，但社区开发者的创造力是无穷的。 自定义节点（Custom Nodes）就像是给你的 ComfyUI 安装"插件"，扩展各种神奇功能： - 更高级的 ControlNet 控制 - 面部修复（Face Detailers） - 图像后处理滤镜 - 视频生成工作流 - 3D 模型生成 - ... ## 7.2 安装 ComfyUI-Manager ComfyUI-Manager 是一个必装的自定义节点，它是"节点的节点管理器"。 **安装方法：** ```bash cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git ``` 重启 ComfyUI，你会在界面右上角看到一个新的 **Manager** 按钮。 ## 7.3 使用 Manager 点击 Manager 按钮，你可以： | 功能 | 说明 | |-----|------| | **Install Custom Nodes** | 浏览并安装社区节点 | | **Install Missing Custom Nodes** | 自动检测当前工作流缺少的节点并安装 | | **Install Models** | 一键下载各种模型 | | **Update All** | 更新 ComfyUI 和所有节点到最新版 | | **ComfyUI-Manager Menu** | 更多高级功能 | > **救命功能**：当你下载别人的工作流但缺少某些节点时，点击 **Install Missing Custom Nodes**，Manager 会自动识别并帮你安装所有缺失的节点！ ## 7.4 推荐的自定义节点 | 节点包 | 功能 | |-------|------| | **ComfyUI-Impact-Pack** | 面部修复、细节增强、各种实用工具 | | **ComfyUI-ControlNet-Aux** | 更多 ControlNet 预处理器 | | **ComfyUI-Custom-Scripts** | 提示词补全、显示节点信息、工作流模板 | | **ComfyUI-Manager** | 节点管理器（必装） | | **ComfyUI-Efficiency-Nodes** | 简化工作流，减少节点数量 | | **WAS Node Suite** | 图像处理工具集 | --- # 🎨 第八章：实战案例集锦 ## 8.1 案例一：角色一致性创作 **场景**：你要创作一个系列插画，主角是同一个女孩，但场景和动作不同。 **解决方案**： 1. 训练或使用一个该角色的 LoRA 2. 用 OpenPose ControlNet 控制不同姿势 3. 用 IP-Adapter 保持面部特征一致性 4. 改变提示词生成不同场景 ## 8.2 案例二：产品渲染 **场景**：你是电商设计师，要把产品图生成各种场景的效果图。 **解决方案**： 1. 用 Canny ControlNet 保持产品轮廓 2. 用 Depth ControlNet 保持空间关系 3. 用提示词描述不同的使用场景 4. 用 Inpainting 局部修改某些细节 ## 8.3 案例三：建筑风格转换 **场景**：你是建筑师，想快速看不同风格的建筑效果图。 **解决方案**： 1. 用 MLSD ControlNet 提取建筑直线结构 2. 用不同风格的 LoRA（现代、古典、科幻） 3. 批量生成多种方案对比 ## 8.4 案例四：动画制作 **场景**：制作简单的 AI 动画。 **解决方案**： 1. 使用 AnimateDiff 节点生成视频帧 2. 用 OpenPose ControlNet 保持角色姿势连贯 3. 用 IP-Adapter 保持角色外观一致 4. 输出视频序列 --- # 📚 附录 ## A. 快捷键大全 | 快捷键 | 功能 | |-------|------| | `Ctrl + Enter` | 运行工作流 | | `Ctrl + Shift + Enter` | 插队运行（放到队列最前面）| | `Ctrl + Alt + Enter` | 取消当前生成 | | `Ctrl + Z / Ctrl + Y` | 撤销/重做 | | `Ctrl + S` | 保存工作流 | | `Ctrl + O` | 加载工作流 | | `Ctrl + C / Ctrl + V` | 复制/粘贴节点 | | `Ctrl + Shift + V` | 粘贴并保持连接 | | `Ctrl + A` | 选择所有节点 | | `Ctrl + M` | 静音/取消静音节点 | | `Ctrl + B` | 绕过节点 | | `Delete / Backspace` | 删除选中节点 | | `Space + 拖动` | 移动画布 | | `Alt + + / Alt + -` | 放大/缩小画布 | | `Double Click` | 打开节点搜索面板 | | `P` | 固定/取消固定节点 | | `Ctrl + G` | 将选中节点分组 | ## B. 常见错误排查 | 错误信息 | 原因 | 解决方案 | |---------|------|---------| | **CUDA Out of Memory** | 显存不足 | 减小图像尺寸、降低 batch size、使用 --lowvram 参数 | | **Model not found** | 模型路径错误 | 检查模型是否放在正确文件夹 | | **Node not found** | 缺少自定义节点 | 使用 Manager 安装缺失节点 | | **Connection type mismatch** | 接口类型不匹配 | 检查连线颜色是否一致 | | **Invalid latent** | 潜空间尺寸错误 | 确保 latent 尺寸是 8 的倍数 | ## C. 资源推荐 **模型下载：** - [Civitai](https://civitai.com/) - 最大的模型社区 - [Hugging Face](https://huggingface.co/) - 官方模型仓库 **工作流分享：** - [ComfyUI Examples](https://github.com/comfyanonymous/ComfyUI_examples) - [OpenArt](https://openart.ai/workflows) - [Comfy Workflows](https://comfyworkflows.com/) **学习资源：** - [ComfyUI 官方文档](https://docs.comfy.org/) - [ComfyUI Wiki](https://comfyui-wiki.com/) --- # 尾声：创造属于你的工作流 学习 ComfyUI 的过程，就像是学习一门新的视觉语言。 刚开始，你可能会觉得节点连接很繁琐——为什么要用这么多步骤，而不是像其他软件那样点一个按钮？ 但随着你逐渐深入，你会发现这种 **透明化、模块化** 的设计，给了你一个其他软件无法比拟的优势：**完全的控制权**。 当你理解了数据如何在节点间流动，当你能够拆解任意复杂的工作流，当你可以根据自己的需求随意组合功能模块——你就真正掌握了 AI 绘画的本质。 记住费曼的那句话： > *"What I cannot create, I do not understand."* > *"凡我不能创造的，我都没有真正理解。"* 现在，你已经有了构建任何工作流的知识。去吧，创造属于你的视觉奇迹。 --- **参考文献** 1. [ComfyUI GitHub Repository](https://github.com/comfyanonymous/ComfyUI) - 官方源码与文档 2. [ComfyUI Examples](https://github.com/comfyanonymous/ComfyUI_examples) - 官方工作流示例集合 3. [ComfyUI Documentation](https://docs.comfy.org/) - 官方文档中心 4. [ComfyUI ControlNet Guide](https://github.com/comfyanonymous/ComfyUI_examples/tree/master/controlnet) - ControlNet 官方示例 5. [ComfyUI-Manager](https://github.com/ltdrdata/ComfyUI-Manager) - 节点管理器文档 --- *本教程基于 ComfyUI 2026 年最新版本编写，持续更新中。* *愿你的每个创意，都能在这个节点世界里自由流动。* 🌊✨