ComfyUI入门教程：从源码运行到界面汉化

ComfyUI入门教程：从源码运行到界面汉化

在AI生成工具日益复杂的今天，可视化、可复现的工作流系统正成为专业创作者的新标准。ComfyUI 以其基于节点图的架构脱颖而出——它不像传统图形界面那样“黑箱操作”，而是将每一步推理过程显式暴露，让你真正掌控生成逻辑。

如果你厌倦了“一键生成却无法追溯”的体验，想要构建稳定、透明且可共享的AI管线，那么 ComfyUI 正是为你准备的利器。本文不讲空话，直接带你从零开始部署源码、跑通第一个图像工作流、管理插件生态，并完成全界面汉化，最终实现一套完全本地化、高度定制化的使用环境。

源码运行 ComfyUI

比起通过打包版本运行，从 GitHub 源码启动 ComfyUI 能获得更高的灵活性和扩展能力，尤其适合后续添加自定义节点或调试问题。

克隆项目仓库

打开终端执行以下命令：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

建议保持项目路径简洁（如~/comfyui），避免中文或空格导致潜在报错。

创建虚拟环境（推荐）

为防止依赖冲突，强烈建议使用 Python 虚拟环境：

python -m venv comfyui-env source comfyui-env/bin/activate # Linux/macOS # Windows 用户使用： # comfyui-env\Scripts\activate

激活后，你的命令行提示符通常会显示(comfyui-env)前缀，表示已进入隔离环境。

安装核心依赖

ComfyUI 基于 PyTorch 构建，若你拥有 NVIDIA 显卡并安装了 CUDA 驱动，应优先安装 GPU 版本以大幅提升性能：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118

注意：CUDA 版本需与系统匹配。常见选项还包括cu121（对应 CUDA 12.1）。不确定时可通过nvidia-smi查看驱动支持版本。

无独立显卡用户可使用 CPU 版本，但生成速度将显著下降：

pip install torch torchvision torchaudio

接着安装 ComfyUI 自身依赖：

pip install -r requirements.txt

解决 NumPy 兼容性问题

部分模型对 NumPy 版本敏感，尤其是 VAE 解码环节在 NumPy 2.x 下容易出错。稳妥起见，锁定一个稳定版本：

pip install numpy==1.26.4

这个小操作能帮你避开不少莫名其妙的崩溃。

启动服务

一切就绪后，运行主程序：

python main.py

默认情况下，浏览器会自动打开http://127.0.0.1:8188，展示 ComfyUI 的前端界面。

如果未自动弹出，手动访问该地址即可。

如需启用 FP16 半精度模式以提升推理效率（尤其适用于消费级显卡），可追加参数：

python main.py --force-fp16

注意：FP16 可能轻微影响输出质量，在追求极致还原度时可关闭。

此时控制台不应出现红色错误日志，若有CUDA out of memory提示，则需降低分辨率或切换至 CPU 推理。

快速上手：运行第一个图像生成工作流

部署完成后，下一步是验证整个流程是否通畅。我们来走一遍最基础的文生图任务。

下载并放置模型文件

你需要至少一个 Stable Diffusion 检查点模型。推荐从 Hugging Face 获取广泛兼容的Stable Diffusion v1.5：

• 下载链接：https://huggingface.co/runwayml/stable-diffusion-v1-5
• 推荐文件：v1-5-pruned-emaonly.ckpt（体积较小，效果稳定）
• 存放路径：ComfyUI/models/checkpoints/

确保目录存在，否则手动创建：

mkdir -p models/checkpoints

小贴士：也可将其他常用模型（如 SDXL、DreamShaper）放入此目录，后续可在下拉菜单中自由切换。

加载默认工作流

启动 ComfyUI 后，点击右上角菜单中的Load Default，加载内置的基础流程。

你会看到由多个节点连接而成的图表，每个节点代表一个处理步骤。典型结构如下：

• Load Checkpoint：加载模型权重
• CLIP Text Encode (Prompt)：编码正向提示词
• CLIP Text Encode (Negative Prompt)：编码负向提示词
• KSampler：采样器，控制步数、CFG 值等参数
• VAE Decode：将潜变量解码为可视图像
• Save Image：保存结果到磁盘

这种“积木式”设计正是 ComfyUI 的精髓所在——你可以随时替换某个模块而不影响整体流程。

配置输入参数

双击Load Checkpoint节点，在弹出的下拉框中选择你刚刚放入的.ckpt文件。

然后分别编辑两个文本编码节点：

• 正向提示词示例：
  a beautiful sunset over the mountains, cinematic lighting, high detail

• 负向提示词示例：
  blurry, low quality, bad anatomy, cartoonish

这些文本会被 CLIP 编码器转化为向量，作为生成条件输入 UNet 网络。

执行生成任务

点击左上角的Queue Prompt按钮，提交当前工作流。

根据硬件配置，等待几秒到几十秒后，图像将出现在右侧预览区，并自动保存至ComfyUI/output目录。

✅ 成功！你现在已掌握 ComfyUI 最基本的操作闭环。

实践建议：尝试调整KSampler中的steps（推荐 20~30）、cfg（7~8）和sampler name（如euler,dpmpp_2m），观察不同参数对结果的影响。

nodes.py 核心机制解析

别被名字迷惑——nodes.py不只是一个脚本，它是 ComfyUI 的“神经系统”。所有标准节点的行为逻辑都定义于此，理解它等于掌握了系统的底层运作原理。

模型加载机制

以CheckpointLoaderSimple类为例，它负责一次性加载完整的 SD 模型组件：

class CheckpointLoaderSimple: @classmethod def INPUT_TYPES(s): return {"required": { "ckpt_name": (folder_paths.get_filename_list("checkpoints"),) }} RETURN_TYPES = ("MODEL", "CLIP", "VAE") FUNCTION = "load_checkpoint"

其设计巧妙之处在于：

• 返回三种关键对象：UNet（主模型）、CLIP（文本编码器）、VAE（变分自编码器）
• 输出可被多个下游节点复用，避免重复加载
• 通过注册机制动态发现可用模型文件

这实现了“一次加载，多路分发”的高效架构，极大提升了资源利用率。

条件信号（Conditioning）处理

条件数据决定了生成内容的方向。主要来源是 CLIP 文本编码，但也支持 ControlNet、LoRA 等附加条件。

常见相关节点包括：

• CLIPTextEncode：将自然语言转为嵌入向量
• ConditioningCombine：合并多个条件信号（例如 prompt + controlnet condition）
• ConditioningSetArea：限定某段提示词仅作用于图像局部区域（可用于局部重绘）

这类节点允许你在语义或空间维度上精细调控生成过程，比如让“左边是森林，右边是沙漠”。

潜在空间操作

所有生成都在潜在空间（latent space）中进行，这是 ComfyUI 高效的核心原因。

关键节点有：

• EmptyLatentImage：创建指定宽高比的空白潜变量
• KSampler：执行去噪迭代，逐步生成新的潜表示
• VAEDecode / VAEEncode：在潜变量与像素图像之间转换

相比全程在像素空间运算，潜在空间计算量更小、速度更快，同时保留足够细节表达能力。

工程提示：合理设置 latent 分辨率至关重要。过高会导致显存溢出；过低则损失细节。一般建议长边不超过 1024。

子模型灵活加载

除了完整检查点，系统还支持单独加载各类功能模块：

• LoraLoader：加载 LoRA 微调权重
• ControlNetLoader：接入姿态、边缘等控制信号
• IPAdapterLoader：实现图像到图像的风格迁移
• UpscaleModelLoader：用于超分放大

这种解耦设计使得你可以像搭乐高一样组合不同能力，构建高度定制化的流水线。

图像处理节点

提供一系列实用的前后处理工具：

• ImageScale：缩放图像尺寸
• ImageBlur：模糊处理
• Crop Image：裁剪特定区域
• Split RGB/Merge RGB：通道分离与合并

这些节点虽不起眼，但在构建复杂流程时极为重要，例如实现图像增强、背景替换、风格融合等功能。

深入建议：花半小时阅读nodes.py源码，你会发现很多隐藏技巧。比如某些节点支持批量处理，而另一些则允许动态参数绑定。

插件管理：ComfyUI-Manager

随着社区繁荣，第三方节点数量激增。手动安装既麻烦又难维护。好在ComfyUI-Manager出现了——它就像一个应用商店，让你轻松浏览、安装和更新插件。

安装 ComfyUI-Manager

进入custom_nodes目录并克隆仓库：

cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git

重启 ComfyUI：

python main.py

成功后，界面右下角会出现 “Manage Custom Nodes” 按钮。

使用图形化插件市场

点击按钮后，你将进入插件管理面板，功能强大且直观：

• 浏览热门插件（如 Impact Pack、Detailer、WAS Node Suite）
• 一键安装/卸载，无需手动处理依赖
• 查看版本更新日志和作者说明
• 启用/禁用特定插件而不删除文件
• 自动同步 GitHub 上的公开工作流示例库

此外，它还会定期拉取最新节点列表，帮助你紧跟技术前沿。

经验之谈：首次安装后建议用--force-fp16参数重启，部分插件在混合精度下表现更稳定：

python main.py --force-fp16

界面汉化：AIGODLIKE-ComfyUI-Translation

虽然英文界面学习成本不高，但对于非母语用户来说，全中文支持无疑能大幅提升效率。

AIGODLIKE 团队 开发的翻译插件目前已覆盖 95% 以上的界面元素，且持续更新。

安装汉化插件

同样通过custom_nodes安装：

cd custom_nodes git clone https://github.com/AIGODLIKE/AIGODLIKE-ComfyUI-Translation.git

重启 ComfyUI。

切换语言

在顶部菜单栏找到Settings > Language，选择zh-CN。

刷新页面后，你会看到：

• 节点名称变为中文（如“加载检查点”、“采样器”）
• 右键菜单、搜索提示、错误消息全部本地化
• 工作流标签、按钮文字清晰易懂

即使你不熟悉英文术语，也能快速上手操作。

注意事项

• 汉化仅影响 UI 展示，不影响底层逻辑或.json工作流兼容性
• 新增的自定义节点若未被收录，仍显示原始英文名
• 建议定期git pull更新插件，获取最新的翻译条目

实测反馈：该插件稳定性良好，极少引发冲突，属于“装了就不想卸”的实用工具。

写在最后

ComfyUI 的魅力不仅在于它的功能性，更在于它的开放性和可塑性。它不是一个封闭的软件，而是一个可以无限延展的创作平台。

当你从“使用者”转变为“构建者”，你会发现：

• 每个节点都是可替换的模块
• 每条连线都承载着明确的数据流
• 每个工作流都可以导出分享，复现零偏差

这才是真正的 AI 创作自由。

接下来你可以：

1. 访问 ComfyUI Examples 学习高级技巧
2. 使用 ComfyUI-Manager 安装 ControlNet、Segmentation 等强力插件
3. 导入 OpenArt 或 Civitai 上分享的.json工作流快速复现效果
4. 动手编写自己的custom node实现专属功能

记住：唯有动手实践，才能真正驾驭这一强大的视觉生成引擎。

📌 温馨提醒：关注官方仓库更新，及时拉取安全补丁与性能优化，保障系统长期稳定运行。