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 WebUIAUTOMATIC1111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 macOSIntel/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ComfyUI 主程序已经配置好 Python 环境和核心依赖。汉化补丁将界面大部分文字翻译为中文。常用插件/自定义节点如ComfyUI-Manager插件管理器、efficiency-nodes效率节点等。启动脚本run_nvidia_gpu.batWindows或相应的.sh脚本macOS/Linux。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。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。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。进入ComfyUI\models\checkpoints文件夹。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。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。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。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。打开你的浏览器推荐 Chrome 或 Edge访问http://127.0.0.1:8188。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。加载模型在画布右键 -“loaders”-“CheckpointLoaderSimple”。这个节点用于加载大模型。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。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。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。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。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。在 ComfyUI 界面点击左侧的“Load”按钮。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。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找到CheckpointLoader节点点击选择你自己放置的大模型。找到CLIPTextEncode节点修改提示词。调整KSampler节点中的参数如步数、尺寸。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。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。模型放置同样将模型文件放入models下的对应文件夹。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_MPS1。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_MPS1 python main.py --force-fp16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。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。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。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。
