ComfyUI工作流搭建指南：从本地部署到批量出图与API接入-二趣网

开始之前先说一个结论：ComfyUI 不是你想象的“高门槛专业工具”，只要你愿意按顺序走一遍，普通电脑也能搭起来，甚至能比 WebUI 更快地完成批量出图和精细化控制。

这次我们来看一个最近被问得最多的主题——ComfyUI 工作流搭建。网上关于 ComfyUI 的教程五花八门，但大部分要么只讲安装不讲原理，要么一上来就是一堆节点截图，新手根本看不懂。这篇文章换一个思路：从“为什么要用 ComfyUI”讲起，再带你一步步完成环境准备、整合包安装、模型放置、文生图工作流搭建，一直到图生图、局部重绘、批量任务、接口 API 调用和常见报错排查。

如果你关心 AI 绘画本地部署，想知道 ComfyUI 和 WebUI 到底怎么选，或者已经在用但经常遇到“节点执行失败”“模型加载慢”“显存爆掉”这类问题，这篇文章可以直接收藏。全文没有废话，没有跳步，每一条操作都有对应目的和预期结果，跟着做就能跑通第一套属于自己的 ComfyUI 工作流。

1. ComfyUI 核心能力速览

先看一张能力速览表，帮助你快速判断 ComfyUI 是否值得学习、能解决哪些问题。

能力项	说明
项目类型	开源 AI 绘画工作流引擎，基于节点式图形化界面
主要功能	文生图、图生图、局部重绘、ControlNet 精准控制、批量出图、视频生成扩展
与 WebUI 的关系	两者共用 Stable Diffusion 等模型生态，ComfyUI 更强调工作流可复用与流程透明
启动方式	一键整合包启动 / 源码命令行启动 / API 服务启动
是否支持 API	支持，可通过 8188 等端口访问 WebSocket 和 HTTP 接口
是否支持批量任务	支持，可通过 Batch Size、批量节点和自定义脚本实现
支持插件扩展	支持，社区插件覆盖 ControlNet、视频生成、放大模型、提示词补全等
推荐硬件	独立显卡优先，NVIDIA 显卡兼容性更好；CPU 可运行但速度慢
显存需求	需按实际模型版本和分辨率测试，不同模型差异明显
适合场景	工作流复用、批量出图、参数可控性要求高的 AI 绘画任务

ComfyUI 最大的特点不是“画得比 WebUI 好”，而是“每一步都看得见、摸得着”。你可以在画布上看到提示词如何流向采样器，潜空间数据如何被解码成图片，甚至可以自己修改任意节点之间的连接关系。这种透明化特性，决定了它特别适合三类读者：做 AI 绘画批量生产的创作者、需要精准控制画面细节的设计师、以及想把 AI 绘画接入自动化流程的开发者。

2. 适用场景与使用边界

ComfyUI 的热度一直很高，但并不是所有人都适合立刻转到 ComfyUI。

2.1 适合谁用

想要复现别人工作流的用户。ComfyUI 工作流以 JSON 文件形式保存，导入导出一键完成，社区分享非常方便。
需要批量出图的创作者。同一套工作流，只要更换提示词或图片路径，就可以持续产出素材。
对 AI 绘画原理感兴趣的学习者。节点图本身就是最好的原理图，采样、降噪、VAE 解码、潜空间这些概念一目了然。
想要做本地 AI 绘画工具链的开发者。ComfyUI 提供可靠的 API 服务，方便接入自己的前端或脚本。

2.2 不适合谁用

只想一键生成好看图片、不愿理解任何参数的用户。ComfyUI 虽然有一键包，但核心使用逻辑是节点连接，完全不愿接触参数会有点吃力。
没有独立显卡且追求出图速度的用户。纯 CPU 推理可以跑，但速度远低于 WebUI，体验会比较磨人。
需要大量一键预设效果的用户。WebUI 的预设扩展更成熟，ComfyUI 需要自己搭节点或导入工作流。

2.3 使用边界与合规提醒

ComfyUI 本身是开源项目，支持加载社区模型和插件，但这不意味着可以随意使用不受控的模型源。

使用过程中要注意以下几点：

模型版权：下载基础模型前确认权重文件和素材是否允许商用，不同模型的授权范围差异很大。
肖像与隐私：涉及真实人物换脸、声音克隆、数字人等内容，必须取得当事人明确授权。
图片内容合规：不要生成违法违规内容，也不要传播带有恶意性质的生成图片。
网络来源软件：安装整合包或插件时，尽量选择官方开源仓库、秋叶整合包等社区公认渠道，避免来路不明的第三方包夹带脚本。

3. ComfyUI 本地部署环境准备

在安装 ComfyUI 之前，建议先按下面的清单检查自己的电脑。准备工作做得越细，后续排查报错越省时间。

3.1 硬件配置建议

显卡：优先 NVIDIA 显卡，因为 CUDA 生态最完善，很多节点和插件默认针对 CUDA 优化。A 卡和 Intel 显卡也可运行，但需要额外关注后端选择。
显存：基础文生图建议至少 4G 以上显存。显存越大，能跑的分辨率和批量数越高。
内存：16G 起步比较舒服，32G 以上更好。如果常跑视频生成或大型模型，内存不足会导致加载直接失败。
硬盘空间：安装程序占用的空间不大，但模型文件非常占空间。一个完整的大模型权重通常在 2G 到 7G 之间，插件和 VAE 也要预留空间。建议固态硬盘预留至少 30G 到 50G 空间。

3.2 软件环境检查

如果你使用的是整合包，软件环境一般已经内置完成了。如果选择源码部署，则需要确认以下内容：

操作系统：Windows 10/11、Ubuntu 等主流系统均可。
Python 版本：建议以官方仓库说明为准，通常是 Python 3.10 或 3.11 及以上的版本。
Git：用于拉取仓库和部分插件。
显卡驱动：NVIDIA 驱动需要保持较新版本，驱动过旧会导致 CUDA 初始化失败。

3.3 端口准备

ComfyUI 的默认访问端口一般是 8188。如果这个端口被占用，启动时会报网络错误或无法访问页面，此时可以手动换端口启动。后续章节会给出具体命令。

检查端口是否被占用的通用方法如下：

# Windows PowerShell netstat -ano | findstr "8188" # Linux / macOS lsof -i :8188

如果看到端口被占用，可以先关闭占用进程，或者在启动命令里更换端口。

4. 如何安装 ComfyUI：整合包与源码部署

ComfyUI 的安装方式很多，从“零基础最省事”到“开发者更可控”可以分成三个方案。

4.1 方案一：社区整合包一键启动

社区最常见的整合包是秋叶整合包，它将 Python 环境、ComfyUI 主程序、常用节点、模型目录和启动器打包到一起，适合不愿意折腾环境的用户。

使用特性：

解压即可使用，无需手动安装 Python。
自带一键更新、外部模型链接、脚本启动等功能。
模型目录统一管理，方便替换和扩充。

操作步骤：

下载整合包，解压到非中文且无空格的路径，例如D:\ComfyUI。
双击启动器或运行对应的.bat启动脚本。
等待首次初始化完成，浏览器会自动打开http://127.0.0.1:8188。
如果不自动打开，手动在浏览器访问上述地址。

整合包适合绝大多数零基础用户。需要留意的是，整合包内置的版本可能不是最新的 ComfyUI 代码，运行新插件前建议先执行“更新组件”。

4.2 方案二：源码部署

如果你更喜欢自己掌控环境，源码部署并不复杂。以常见的 Git 方式为例：

# 拉取官方仓库 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境（Windows 示例） python -m venv venv venv\Scripts\activate # 创建虚拟环境（Linux/macOS 示例） # python3 -m venv venv # source venv/bin/activate # 安装依赖，NVIDIA 显卡用户通常安装 Torch CUDA 版本 pip install -r requirements.txt

Torch 的 CUDA 版本选择需要和本机驱动匹配。如果requirements.txt默认安装的 Torch 版本和你本机 CUDA 驱动不一致，可以手动指定安装官方对应版本。

4.3 方案三：Docker 部署

对服务器环境熟悉的用户，也可以通过 Docker 运行官方镜像。具体镜像名称和配置需要参考官方仓库的说明，这里只给一个通用思路：

# 构建并启动服务，端口映射需要按实际项目调整 docker build -t comfyui . docker run -it --rm --gpus all -p 8188:8188 comfyui

无论用哪种方式，启动后都要重点确认三件事：服务是否正常启动、浏览器页面是否能打开、日志中是否有 CUDA 错误。

5. ComfyUI 模型文件放置与路径说明

很多新手在 ComfyUI 安装完成后打开页面，发现默认工作流可以跑，但换成自己的模型后反而报错，原因大多是模型文件放错目录或文件名识别失败。

ComfyUI 的模型目录通常位于主程序目录下的models文件夹中。常见目录结构如下：

ComfyUI/ models/ checkpoints/ # 大模型，例如 SD 1.5、SDXL、以及各类社区微调模型 loras/ # LoRA 模型 vae/ # VAE 模型 controlnet/ # ControlNet 模型 upscale_models/ # 放大模型 clip/ # CLIP 文本编码模型 embeddings/ # Textual Inversion 向量

不同整合包可能对目录结构做了调整，启动后可以在页面里新建 CheckpointLoader 节点，观察模型下拉列表中的路径与文件名，确认模型是否被正确识别。

放置模型时要注意：

文件命名尽量不要带特殊符号，避免部分导入插件报错。
大模型如果是.safetensors格式，安全性高于合并的.ckpt格式。
下好的模型放进去不需要重启服务，节点刷新即可看到。
显存不足时优先考虑使用小模型或低分辨率测试，而不是同时加载多个大模型。

6. 从零搭建第一个文生图工作流

启动成功后，ComfyUI 默认会加载一个基础文生图工作流。如果你是第一次看到节点画布，可能觉得有点乱，但拆开看每个节点都在干一件明确的事。

一个标准文生图流程至少包含五类节点：

节点	功能	对应 WebUI 概念
CheckpointLoader	加载大模型权重	模型选择
CLIPTextEncode	把提示词编码成潜空间条件	正反向提示词
KSampler	基于潜空间执行采样降噪	采样步数和 CFG
VAEDecode	把潜空间图像解码成像素图	VAE 解码
SaveImage	保存图片到输出目录	图片保存

6.1 操作步骤

确认默认模板已加载，画布上会出现上述节点。
在 CheckpointLoader 中选择一个已下载好的大模型。
在正向提示词输入框中填写画面描述，例如：

a beautiful girl, detailed face, cinematic lighting, high quality

在负向提示词输入框中填写想避免的内容，例如：

lowres, bad anatomy, bad hands, extra fingers, blurry

检查 KSampler 参数，常见初始参数为步数 20 到 30，CFG 7.0 左右，采样器按个人习惯选择。
设置好输出分辨率，如果不确定，先用 512x512 或 768x768 测试，确认流程能跑通再提高分辨率。
点击 Queue Prompt 或按下快捷键运行。

6.2 预期结果与判断标准

运行成功后，界面右侧会生成一张图片，图片同时自动保存到output目录中。

判断工作流是否正确的标准：

日志中无红字报错。
图片完整生成，无大面积花屏或黑块。
侧面信息栏能看到本次生成的节点运行时间。

如果出现报错，优先查看日志中红色错误提示，常见是显存不足、模型加载失败、节点没有连接正确。

6.3 节点连接逻辑

ComfyUI 每个节点的输入输出都用彩色连线表示，颜色不同代表数据类型不同。模型权重、条件数据、潜空间图像、普通图像每种类型都有专属颜色。新手常犯的错误是把“图像”节点输出直接接到“潜空间”节点输入上，类型不匹配会立刻报错。

7. 从文生图到图生图：ComfyUI 进阶操作

跑通文生图只是第一步。接下来可以把一张已有图片作为输入，让模型在保留主体结构的前提下重新生成风格化结果，这就是图生图。

7.1 图生图工作流需要增加的节点

要在文生图基础上增加图生图能力，需要加入：

LoadImage：加载本地图片。
VAEEncode：将输入图片编码到潜空间。
用 VAEEncode 的输出替代 EmptyLatentImage 的输出，作为 KSampler 的输入。

关键参数是 denoise（重绘幅度）。通常 0.3 到 0.6 之间适合保留原构图、调整风格；0.7 以上重绘变化较大；接近 1.0 时可视为重新生成。

7.2 测试示例

准备一张 512x512 或 768x768 的测试图片，放到任意目录。
使用 LoadImage 节点加载图片。
将 VAEEncode 输出连到 KSampler 的 latent_image。
设置 denoise 为 0.5。
点击运行并观察输出。

判断成功的标准是：输出图片与原图在构图、人物轮廓上有明显相关性，但在细节、光影、风格上发生了合理的重新生成。如果输出完全不像原图，说明 denoise 过高；如果输出几乎没变化，说明 denoise 过低。

7.3 局部重绘方法

图生图的进阶是局部重绘，只修改图片的某个区域。ComfyUI 中可以用蒙版节点或结合 Segment 类插件实现。基础思路是：

加载原图。
创建蒙版，标记要重绘的区域。
使用 SetLatentNoiseMask 或其他蒙版相关节点，把蒙版传给 KSampler。
在提示词中描述该区域要生成的内容。

局部重绘非常适合修手、换衣、改背景。但注意，蒙版的羽化值会影响重绘边缘的融合效果，羽化太低会导致边缘生硬，羽化太高会波及周围区域。

8. 批量任务：让 ComfyUI 自动连续出图

如果想一次生成多张图，不需要手动反复点击 Queue Prompt。ComfyUI 支持批量执行，常见有两种方式。

8.1 方式一：Batch Size 批量出图

在 EmptyLatentImage 或其他初始化潜空间的节点上，设置 batch_size 大于 1。例如设置 batch_size 为 4，一次运行会生成 4 张构图相同但细节不同的图片。

注意点：

显存越大，能承受的 batch_size 越高。
如果显存只有 4G 到 6G，不建议直接开大 batch，优先用单张叠加循环。
批量出图时可以关掉其他占用显存的程序，避免显存溢出。

8.2 方式二：外部脚本调用

另一种更可控的方式是编写脚本循环生成。例如把提示词列表、路径参数写入配置，然后通过脚本调用 ComfyUI 接口或直接操作队列。

伪代码思路如下：

import requests workflow_json = { "prompt": "example prompt", "steps": 20, "batch_size": 1 } url = "http://127.0.0.1:8188/prompt" for i in range(10): workflow_json["prompt"] = f"item number {i}, high quality" response = requests.post(url, json={"prompt": workflow_json}) print(response.status_code)

这种方式的优势是：控制精确、易于接入现有系统、失败后可以单独重试。但在批量运行前，务必先单张跑通整个工作流，确认节点路径和接口格式正确。

8.3 批量任务改进建议

每次批量运行前先记录日志，包括提示词、参数、输出文件名。
为每张输出图片生成对应参数记录，方便后续筛选和复现。
遇到中断时，优先处理失败任务而不是全部重跑。
批量任务建议错峰运行，避免同一时间把所有显存打满。

9. ComfyUI 接口 API 与自动化接入

ComfyUI 不只是图形化工具，它还是一个可以对外提供服务的本地推理引擎。通过 API，可以把 ComfyUI 集成到自己的工具链中，实现前端页面出图、机器人出图、定时批量任务等场景。

9.1 启动 API 服务

默认启动后，ComfyUI 就带有 HTTP 服务。前端页面和后端 API 共用同一个服务端口。可以在启动时加上参数限制访问范围：

# 监听本机端口 python main.py --listen 127.0.0.1 --port 8188 # 局域网内其他机器可访问时，需要按实际网络环境配置监听地址 # python main.py --listen 0.0.0.0 --port 8188

为了安全，不推荐直接使用 0.0.0.0 公网部署。如果确实需要局域网共享，建议配合防火墙或访问控制使用。

9.2 API 调用流程

ComfyUI 的 API 调用流程通常分两步：

将工作流 JSON 提交到/prompt接口。
通过/history或 WebSocket 获取结果。

一个通用 Python 请求示例如下：

import json import requests workflow = { "prompt": "a cat, detailed fur, soft lighting", "steps": 20 } response = requests.post( "http://127.0.0.1:8188/prompt", json={"prompt": workflow} ) if response.status_code == 200: result = response.json() print("提交成功：", result.get("prompt_id")) else: print("提交失败：", response.text)

实际请求格式取决于工作流节点 ID 和参数结构。最稳妥的方法是把前端保存的工作流 JSON 导出，再在脚本中修改节点参数后提交，而不是从零手写 JSON。

9.3 批量调用时的错误处理

API 批量调用最常见的错误是同时提交过多任务导致显存溢出或队列阻塞。建议：

每次最多同时提交 1 到 3 个任务，等前一个任务结束后再提交下一个。
记录每个 prompt_id，查询 history 时按 ID 对应结果。
脚本中加入超时和重试机制，防止网络临时波动导致漏单。

10. 视频生成与更多扩展方向

ComfyUI 的价值不仅在静态图像。借助社区节点和第三方模型，也可以实现基于关键帧、图生视频、文本生成视频等任务。

10.1 视频生成的基本工作流

视频生成通常涉及以下节点：

视频加载或图像序列输入节点。
关键帧编码节点。
视频生成模型采样器。
视频解码和保存节点。

不同模型的接入方式和参数差异很大，例如 LTX 系列模型偏向高分辨率短视频生成，其他社区模型可能面向长视频或风格化视频。建议先加载官方示例工作流，跑通后再修改参数。

10.2 视频生成的显存和内存要求

视频生成对显存和内存要求明显高于静态图。如果你的电脑显存较小，可以从低分辨率、短时长开始测试，逐渐加大参数。生成过程中同时观察显存占用和内存占用，避免因为资源不足导致系统卡死。

10.3 其他高频扩展方向

ControlNet：通过姿势图、深度图、线稿图控制生成结果。
LoRA 加载：通过少量图片训练风格或人物特征模型。
放大模型：生成小图后通过附加放大节点提升分辨率。
工作流分享：导出 JSON 文件分享给其他用户，便于他人复用。

11. 资源占用与性能观察方法

本地部署 ComfyUI 时，最需要关注的就是资源占用。具体数字会随模型大小、分辨率、步数和显卡配置发生明显变化，不能一概而论，但可以掌握正确的观察方法。

11.1 如何观察显存占用

Windows 用户可以通过任务管理器查看 GPU 显存占用，也可以使用 NVIDIA 官方工具：

nvidia-smi

运行nvidia-smi可以看到：

显存总容量与当前使用量。
GPU 温度和功耗。
运行中的 Python 进程占用显存情况。

在 ComfyUI 运行过程中，把nvidia-smi窗口放在旁边，每点击一次生成，就能看到显存占用变化。正常情况下，模型加载完成后显存占用会进入一个平台期，推理结束后显存占用会下降但不一定完全归零。

11.2 分辨率、步数、批量数如何影响性能

从更稳妥的经验角度分析：

分辨率提高一倍，潜空间数据量会明显增大，显存占用和推理时间都会上升。
步数增加会导致采样耗时变长，但显存占用不一定线性增长。
批量数越大，显存占用上升越明显，因为多个样本需要同时存在潜空间中。
长文本提示词对显存影响较小，但会对前端渲染造成压力。

实际占用需要以本机测试为准。第一次跑新模型时，建议用低分辨率、低步数先测一轮，记录显存峰值，再逐步加压。

11.3 如何降低显存占用

以下方法按优先级排列：

降低分辨率。
降低批量数。
减少采样步数。
启用低显存模式选项（如果有）。
使用更小的模型。
关闭其他占用显存的程序。
清理 ComfyUI 旧任务历史，避免无用节点持续占用资源。

如果系统物理内存很小，还需要检查虚拟内存设置。部分整合包教程会提到“设置虚拟内存避免加载模型时崩溃”，因为加载大模型时 Python 进程会一次性读入大量权重文件。虚拟内存设置过小可能导致进程被系统杀死。

12. ComfyUI 常见问题与排查方法

新手最容易卡住的就是报错。这里整理一张高频问题排查表，遇到问题时按表中顺序检查。

问题现象	可能原因	排查方式	解决方案
页面打不开	服务未启动或端口被占用	看启动日志和端口占用	更换端口：`python main.py --port 8899`
节点执行报错 failed to execute	节点参数错误或模型不匹配	查看完整错误堆栈	先跑官方默认工作流，确认环境正常再改节点
显存不足 no memory	分辨率过高或批量数过大	查看 nvidia-smi 显存占用	降低分辨率、步数或批量数
模型加载后出图全黑	VAE 缺失或模型不完整	检查模型文件名和大小	更换完整模型，或手动添加 VAE 节点
图片内容崩坏、多手多脚	模型版本过老或提示词不够具体	降低分辨率或换模型测试	使用新模型并补充负向提示词
API 提交后无结果	工作流 JSON 格式或节点 ID 不对	检查请求返回和 history	从前端导出 JSON 后修改，避免手写格式
插件导入后界面空白	插件版本与 ComfyUI 不兼容	查看浏览器控制台和日志	更新 ComfyUI 或回退插件版本
CUDA 不可用	驱动或 Torch 版本不匹配	运行 nvidia-smi 检查驱动	更换 Torch CUDA 版本或升级驱动
加载模型非常慢	硬盘读取慢或虚拟内存设置小	查看任务管理器磁盘占用	使用固态硬盘，调整虚拟内存大小

12.1 节点执行报错的通用排查思路

ComfyUI 遇到节点执行错误时，日志会提示具体是哪个节点失败。常见排查顺序：

看红色错误文字，确认失败节点名称。
检查该节点的输入连线是否完整，是否有空值。
检查节点内模型或图片是否被正确加载。
在官方默认工作流基础上逐步添加节点，缩小问题范围。
搜索错误关键词时，去掉本机绝对路径，关注核心错误含义。

12.2 虚拟内存设置

本地部署 ComfyUI 加载大模型时，即使显存充足，也可能出现内存不足导致进程崩溃。原因在于 Python 进程将模型权重读入内存后再传输到显存，物理内存不够就会失败。

Windows 下可以按以下步骤调整虚拟内存：

右键“此电脑”，选择属性。
进入高级系统设置。
点击“性能”中的设置。
切换到高级选项卡，点击虚拟内存的更改。
关闭自动管理，为系统盘或独立数据盘设置自定义大小。

具体容量建议以整合包或官方文档说明为准，不同模型对内存的需求差异较大。虚拟内存适合应急，不建议完全依赖，物理内存不足时优先考虑升级硬件。

13. 最佳实践与工程化建议

从开发者的角度看，ComfyUI 不应该只作为一个“绘画软件”使用，而应该当作“本地推理服务”来管理。以下建议来自日常使用的通用经验，适合直接套用。

13.1 维护最小可运行工作流

保存一套“官方默认文生图”工作流作为备份，不要修改任何参数。一旦后续工作流跑崩，立刻导入这套默认流程，用于验证环境是否正常。这样可以快速区分“环境问题”和“工作流问题”。

13.2 目录化管理模型与素材

模型、输入素材、输出结果不要混在一起。可以采用下面的目录结构：

D:\ComfyUI\ models\ checkpoints\ loras\ vae\ input\ # 图生图等任务使用的输入图片 output\ # 默认输出目录 workflows\ # 自己保存的 JSON 工作流文件

定期清理 output 目录下的过期图片，避免磁盘被大量生成结果占满。

13.3 批量任务加日志和重试

批量任务不是把参数填进去就结束。建议每次批量运行都生成日志文件和结果清单，记录每张图片对应的提示词、参数和 prompt_id。遇到失败任务时要支持单独重试，而不是整个任务列表重跑。

13.4 API 服务访问控制

启动 API 服务时，如果不是必须公网访问，默认监听 127.0.0.1 就好。使用 0.0.0.0 监听时，COM 服务器没有鉴权保护，同一网络内任何人都可以提交任务和读取结果，存在被滥用的风险。生产环境中应当用反向代理或防火墙限制来源 IP。

13.5 内容与授权红线

无论使用什么模型，都要建立自己的合规清单：

明确每个模型的商用授权范围。
涉及真实人物肖像、声音、建筑和品牌信息，先确认授权。
生成视频并发布到公开渠道时，对内容做人工复核。
使用开源模型时保留版本和来源记录。

ComfyUI 只是工具，生成结果的责任在使用者本身。

14. 几个值得尝试的插件方向

ComfyUI 社区插件非常多，实际使用中不一定要装很多，选择能解决自己核心需求的几个即可。

14.1 提示词辅助插件

适合刚接触英文提示词的用户。这类插件可以补齐常用画质词、光线词、风格词，减少“提示词表达不到位”导致的效果不稳定。

14.2 ControlNet 插件

适合需要精准控制构图和姿态的用户。通过姿势图、深度图、边缘图约束生成结果，画面可控性会明显提升。

14.3 图片放大插件

适合需要高分辨率输出的用户。先在小分辨率下稳定构图，再通过放大节点提高分辨率，可以避免直接高分辨率采样带来的显存压力。

14.4 视频生成节点

适合对 AI 视频感兴趣的用户。视频生成工作流对硬件要求更高，建议从官方示例工作流开始，先跑通再调参数。

插件安装前建议确认来源仓库和自己的 ComfyUI 版本兼容性。新版 ComfyUI 更新频繁，个别插件可能没有及时适配，出现冲突时优先查看插件更新记录。

15. 总结与下一步

ComfyUI 最值得花时间学习的点不是某个具体节点，而是“节点式思考”的方式。一旦理解了大模型加载、提示词编码、采样、解码、保存这条主线，后续图生图、ControlNet、批量和 API 调用都只是在这条主线上增加分支。

第一次部署时，先把目标放低：不需要一步到位搭出复杂工作流，只要能在默认流程中替换模型、修改提示词并成功出图，就已经完成了最关键的突破。最容易踩的坑是模型文件路径不正确、显存不足、节点连线类型不匹配，这三个问题占了新手报错的绝大部分场景。

后续可以按照自己的需求选择方向：想做图集批量生产，可以重点研究批量任务和 API；想控制人物姿态，可以研究 ControlNet；想玩视频生成，则在确认硬件能承受的前提下研究视频节点。

最后给一个新手指引：先准备一张纸，把“加载模型、写提示词、设置采样器、解码保存”这四个流程写下来，然后在 ComfyUI 画布上找到对应节点，亲自动手连线一遍。这样跑通一次之后，其他所有教程里的复杂工作流都会变得容易理解。建议收藏这篇文章，遇到问题回来对照排查表逐项检查，比重新搜索半天的效率高得多。

企业官网建设流程全解析