教程 ComfyUI 教程

ComfyUI 节点系统详解：工作流设计与优化

steper 2026年03月17日 4 阅读

ComfyUI 节点系统详解：工作流设计与优化

艮岳网 · 进阶教程

深入理解节点系统，构建专业级园林设计工作流

一、节点系统核心原理

1.1 什么是节点式工作流？

ComfyUI 采用数据流图（Dataflow Graph）架构，每个节点是一个计算单元，节点之间的连线代表数据依赖关系。

┌─────────────┐      ┌─────────────┐      ┌─────────────┐
│   节点 A    │ ──▶  │   节点 B    │ ──▶  │   节点 C    │
│  (处理输入)  │      │  (转换数据)  │      │  (输出结果)  │
└─────────────┘      └─────────────┘      └─────────────┘

执行逻辑：

ComfyUI 分析节点连接关系，构建有向无环图（DAG）
从没有输入依赖的节点开始执行（如 Load Checkpoint）
按依赖顺序依次执行，直到所有节点完成
只重新执行发生变化或其依赖发生变化的节点

1.2 节点分类体系

ComfyUI 内置节点按功能分为以下几大类：

分类	节点前缀	主要功能	园林设计应用
加载器	`Load`	加载模型、图像、潜空间	载入大模型、参考图
采样器	`KSampler`	扩散模型采样	核心图像生成
条件	`CLIP Text Encode`	处理文本提示词	描述设计意图
图像	`Image`	图像变换、处理	后期处理、合成
潜空间	`Latent`	潜空间操作	分辨率调整、重绘
条件控制	`Apply ControlNet`	条件控制	结构控制、风格迁移
工具	`Primitive`, `Reroute`	辅助功能	参数复用、连线整理

二、核心节点深度解析

2.1 Load Checkpoint（模型加载）

功能：加载 Stable Diffusion 主模型（Checkpoint）

输出端口：

MODEL（橙色）：UNet 模型，用于去噪
CLIP（绿色）：文本编码器
VAE（红色）：图像编解码器

园林设计最佳实践：

Load Checkpoint
      │
      ├──▶ MODEL ──▶ KSampler (主生成)
      │
      ├──▶ CLIP ───▶ CLIP Text Encode (提示词编码)
      │
      └──▶ VAE ────▶ VAE Decode (图像解码)

多模型切换技巧：

使用 Checkpoint Loader 配合 Primitive 节点，可快速切换不同风格模型进行方案比选：

Primitive (String) ──▶ Load Checkpoint ──▶ [后续工作流]
     │
     └── 值: realisticVisionV51 | dreamshaper_8

2.2 CLIP Text Encode（文本编码）

功能：将人类可读的自然语言转换为 AI 可理解的条件向量（Conditioning）

参数详解：

text（字符串）：输入的提示词
clip（CLIP）：来自 Checkpoint 的文本编码器

输出：CONDITIONING（紫色）- 包含文本语义信息的张量

园林设计提示词优化技巧：

分块提示词策略：

┌─────────────────────────────────────────┐
│  CLIP Text Encode - 基础质量            │
│  text: masterpiece, best quality,       │
│        photorealistic                   │
└──────────────────┬──────────────────────┘
                   │ CONDITIONING
                   ▼
┌─────────────────────────────────────────┐
│  CLIP Text Encode - 空间结构            │
│  text: traditional Chinese garden,      │
│        courtyard layout                 │
└──────────────────┬──────────────────────┘
                   │ CONDITIONING
                   ▼
┌─────────────────────────────────────────┐
│  Conditioning Combine                   │
│  （合并多个条件）                        │
└──────────────────┬──────────────────────┘
                   ▼
              KSampler

2.3 KSampler（采样器）

功能：执行扩散模型的去噪采样过程，是图像生成的核心节点

参数详解：

参数	类型	说明	推荐值
`model`	MODEL	UNet 模型	来自 Load Checkpoint
`seed`	INT	随机种子	-1（随机）或固定值
`steps`	INT	采样步数	20-35
`cfg`	FLOAT	提示词引导系数	7.0-9.0
`sampler_name`	枚举	采样算法	dpmpp_2m / euler
`scheduler`	枚举	调度器	karras / normal
`positive`	CONDITIONING	正向条件	来自 CLIP Text Encode
`negative`	CONDITIONING	负向条件	来自 CLIP Text Encode
`latent_image`	LATENT	初始潜空间	Empty Latent Image

采样算法选择指南：

采样器	特点	适用场景
`euler`	简单快速	快速预览、草稿
`euler_ancestral`	随机性强	创意探索
`dpmpp_2m`	质量与速度平衡	通用推荐
`dpmpp_sde`	高质量	最终出图
`uni_pc`	步数效率高	低步数出图

2.4 Latent 节点群

Empty Latent Image（空白潜空间图像）

创建指定尺寸的空白画布：

Width/Height：输出尺寸（64 的倍数）
Batch Size：一次生成数量（受显存限制）

Latent Upscale（潜空间放大）

在潜空间进行放大，比图像空间放大质量更高：

KSampler (512×768) ──▶ Latent Upscale (1024×1536) ──▶ KSampler (重采样)

园林设计分辨率建议：

竖向构图（庭院/节点）：
  - 初始：512×768 → 放大：1024×1536

横向构图（全景/鸟瞰）：
  - 初始：768×512 → 放大：1536×1024

方形构图（对称场景）：
  - 初始：512×512 → 放大：1024×1024

三、高级工作流设计

3.1 多方案并行生成

利用 Batch 功能同时生成多个方案：

Empty Latent Image
  Batch Size: 4
       │
       ▼
┌─────────────────────────────────────────┐
│  通过不同 Conditioning 生成 4 种风格     │
│  - 古典中式                             │
│  - 现代简约                             │
│  - 日式禅意                             │
│  - 自然生态                             │
└─────────────────────────────────────────┘

实现方式：

使用 Conditioning (Combine) + Conditioning Set Area 实现区域化控制：

                    ┌─▶ CLIP Encode (古典) ──┐
Empty Latent ──▶    ├─▶ CLIP Encode (现代) ──┼──▶ Combine ──▶ KSampler
(batch=4)           ├─▶ CLIP Encode (日式) ──┤
                    └─▶ CLIP Encode (自然) ──┘

3.2 分阶段生成工作流

复杂园林场景可采用分阶段生成策略：

第一阶段：空间结构

提示词重点：空间布局、地形、水体
ControlNet：深度图 + 线稿
输出：空间骨架图

第二阶段：材质细节

提示词重点：铺装、植物、小品
Img2Img：基于第一阶段结果
输出：细化效果图

第三阶段：氛围调整

提示词重点：光影、天气、季节
Inpainting：局部调整
输出：最终成品图

ComfyUI 工作流实现：

[第一阶段 KSampler] ──▶ VAE Decode ──▶ [图像缓冲]
                                              │
                                              ▼
[第二阶段 KSampler] ◀── VAE Encode ◀── [加载缓冲图]
       │
       ▼
[第三阶段处理] ──▶ 最终输出

3.3 可复用工作流模板

创建可配置工作流：

使用 Primitive 节点提取可调整参数：

Primitive (INT/seed) ──────┐
Primitive (FLOAT/cfg) ─────┼──▶ KSampler
Primitive (INT/steps) ─────┤
[MODEL, CONDITIONING] ─────┘

保存工作流模板：

完成工作流设计后，按 Ctrl + S 保存为 JSON
将常用工作流放入 ComfyUI/workflow_templates/ 目录
使用 Workflows 侧边栏快速加载

四、ControlNet 集成详解

4.1 ControlNet 基础工作流

节点连接：

Load Image ──▶ Preprocessor ──▶ ControlNet Loader ──▶ Apply ControlNet ──▶ KSampler
                                                     │
Load Checkpoint ──▶ CLIP Text Encode ────────────────┤

Apply ControlNet 参数：

参数	说明	推荐值
`strength`	控制强度	0.8-1.0（强控制）
`start_percent`	开始影响步数比例	0.0（从头开始）
`end_percent`	结束影响步数比例	1.0（全程影响）

4.2 园林设计常用 ControlNet

深度控制（Depth）

适用于：保持空间结构、透视关系

输入：参考照片/渲染图的深度图
输出：保持空间结构的重新风格化图像

应用场景：
- 现状照片风格化
- 保持构筑物位置关系
- 地形高差控制

线稿控制（Lineart / Canny）

适用于：基于线稿生成效果图

输入：手绘线稿或 CAD 导出线稿
输出：渲染风格效果图

应用场景：
- 草图快速渲染
- CAD 图转效果图
- 方案比选

语义分割（Segmentation）

适用于：精确控制元素类别

输入：颜色编码的分区图
输出：各类元素正确分类的效果图

应用场景：
- 植物类型控制
- 材质分区
- 功能分区可视化

MLSD（直线检测）

适用于：建筑几何控制

输入：建筑/构筑物照片
输出：保持直线结构的图像

应用场景：
- 建筑立面改造
- 构筑物设计
- 硬质景观

五、工作流优化技巧

5.1 执行效率优化

利用智能重算：

ComfyUI 只会重新执行发生变化的节点。优化策略：

原始：每次修改提示词都重算全部 → 慢
优化：固定 Seed、模型，只改提示词 → 快

节点冻结技巧：

使用 Mute（静音）功能临时禁用节点：

选中节点，按 Ctrl + M
被静音的节点不会执行
适用于调试和分阶段生成

5.2 显存优化策略

Tiled VAE（分块 VAE）：

处理超大图像时，使用分块编码/解码：

VAE Encode (Tiled) ──▶ KSampler ──▶ VAE Decode (Tiled)
     │                                    │
     └── tile_size: 64-128 控制分块大小 ──┘

模型卸载：

使用 FreeU 或 --lowvram 启动参数，在不需要时卸载模型到内存。

5.3 工作流整理规范

节点命名：

双击节点标题可重命名，建议规范：

CLIP Text Encode (Prompt) 
    ↓
CLIP Encode - 正向提示词-中式园林

使用 Reroute 整理连线：

复杂工作流中，使用 Reroute 节点整理连线：

长距离连线 ──▶ [Reroute] ──▶ 继续连线
                 │
                 ▼
            分支连接

节点分组：

选中多个节点，按 Ctrl + G 创建组：

┌─────────────────────────────────┐
│  📁 第一阶段 - 空间结构生成       │
│                                 │
│  [Load Checkpoint] [KSampler]   │
│                                 │
└─────────────────────────────────┘

六、园林设计专用节点组合

6.1 效果图生成模板

[文生图基础链]
Load Checkpoint ──▶ CLIP Encode ──▶ KSampler ──▶ VAE Decode ──▶ Save Image
                       │
                       ▼
               Empty Latent Image
               (设置目标尺寸)

6.2 草图转效果图模板

手绘草图 ──▶ Load Image ──▶ Canny Edge ──▶ ControlNet ──▶ KSampler ──▶ Save
                                                    │
                                                    ▼
                                            CLIP Text Encode
                                            (描述目标风格)

6.3 风格迁移模板

参考图 ──▶ Load Image ──▶ CLIP Vision Encode ──┐
                                               ├─▶ Style Model Apply ──▶ KSampler
风格图 ──▶ Load Image ──▶ CLIP Vision Encode ──┘

6.4 高清放大模板

原始图像 ──▶ VAE Encode ──▶ Latent Upscale ──▶ KSampler (denoise=0.5) ──▶ VAE Decode
                                   │
                                   ▼
                            2x/4x 放大

七、调试与故障排查

7.1 工作流调试技巧

使用 Preview Image 节点：

在关键节点后插入预览，观察中间结果：

KSampler ──▶ VAE Decode ──▶ Preview Image ──▶ 后续处理
                                  │
                                  ▼
                            检查生成效果

逐步执行：

使用 Mute 禁用后续节点，逐步检查执行结果。

7.2 常见错误解决

Missing Node Types（缺失节点）

原因：工作流包含未安装的自定义节点
解决：

通过 ComfyUI-Manager 安装缺失节点
或使用 Convert to Group Node 尝试兼容

Failed to validate prompt（参数验证失败）

原因：节点连接类型不匹配
解决：

检查连线颜色是否对应
确认必要输入端口已连接
查看具体错误信息中的节点名称

CUDA out of memory（显存不足）

解决：

降低分辨率
减小 Batch Size
使用 --lowvram 启动
关闭其他占用显存的程序

八、实战案例：完整园林工作流

案例：苏州园林风格庭院设计

目标：基于手绘平面草图，生成多视角效果图

工作流结构：

阶段 1：准备
├── Load Image (草图扫描件)
├── Image Scale (统一尺寸)
└── Canny Edge (提取线稿)

阶段 2：生成
├── Load Checkpoint (选择模型)
├── CLIP Text Encode (编写提示词)
├── Apply ControlNet (线稿控制)
├── KSampler (生成)
└── VAE Decode (解码)

阶段 3：优化
├── Image Upscale (超分放大)
└── Save Image (保存)

提示词示例：

正向：
masterpiece, best quality, photorealistic,
Suzhou style garden courtyard,
whitewashed walls with grey tiles, moon gate,
bamboo grove, scholar's rocks around pond,
winding corridor, wooden pavilion,
serene morning atmosphere, soft sunlight,
Morandi color palette, muted green and grey,
architectural photography, 8k, highly detailed

反向：
modern architecture, cars, people, 
blurry, low quality, text, watermark

参考资源

📌 关于本教程

本教程为艮岳网进阶教程系列，适合已掌握 ComfyUI 基础操作的用户阅读。

教程版本：v1.0
更新日期：2026年3月

标签： ComfyUI 入门教程工作流

艮岳网

ComfyUI 节点系统详解：工作流设计与优化

ComfyUI 节点系统详解：工作流设计与优化

一、节点系统核心原理

1.1 什么是节点式工作流？

1.2 节点分类体系

二、核心节点深度解析

2.1 Load Checkpoint（模型加载）

2.2 CLIP Text Encode（文本编码）

2.3 KSampler（采样器）

2.4 Latent 节点群

三、高级工作流设计

3.1 多方案并行生成

3.2 分阶段生成工作流

3.3 可复用工作流模板

四、ControlNet 集成详解

4.1 ControlNet 基础工作流

4.2 园林设计常用 ControlNet

五、工作流优化技巧

5.1 执行效率优化

5.2 显存优化策略

5.3 工作流整理规范

六、园林设计专用节点组合

6.1 效果图生成模板

6.2 草图转效果图模板

6.3 风格迁移模板

6.4 高清放大模板

七、调试与故障排查

7.1 工作流调试技巧

7.2 常见错误解决

八、实战案例：完整园林工作流

案例：苏州园林风格庭院设计

参考资源

相关教程

评论 (0)