ComfyUI Einsteiger-Komplettguide: Installation, Oberfläche, Nodes, Modelle und das erste Bild

Der Punkt, an dem man als ComfyUI-Einsteiger am ehesten hängen bleibt, ist nicht das Schreiben von Prompts. Es ist der Moment, in dem Sie die Oberfläche zum ersten Mal öffnen und einen ganzen Node-Graphen sehen: Load Checkpoint, CLIP Text Encode, KSampler, VAE Decode, Save Image. Viele nehmen dann an, sie müssten erst die Theorie hinter Diffusionsmodellen lernen, bevor das erste Bild entsteht.

Müssen Sie nicht. Am Anfang reicht es, ComfyUI als visuelle Generierungs-Pipeline zu verstehen: Das Modell liefert die Generierungsfähigkeit, der Prompt beschreibt das Bild, der Sampler erzeugt es Schritt für Schritt, und der Save-Node gibt das Ergebnis aus. Dieser Artikel löst nur ein eng gefasstes Problem: wie Sie einen Installationsweg wählen, das Modell richtig ablegen, den Standard-Text-to-Image-Workflow zum Laufen bringen und die erste Fehlerrunde in einer sinnvollen Reihenfolge abarbeiten.

Kernfazit

Das Ziel am ersten Tag ist nicht „ein schönes Bild”, sondern drei Dinge zu bestätigen: ComfyUI startet, Load Checkpoint erkennt ein Modell, und der Standard-Text-to-Image-Workflow läuft durch. Sind diese drei Dinge erledigt, fällt das spätere Lernen von LoRA, ControlNet, IP-Adapter und komplexen Workflows samt Fehlersuche deutlich leichter.

Was ComfyUI eigentlich ist

ComfyUI ist eine quelloffene, node-basierte Oberfläche und Inferenz-Engine für generative KI. Es unterscheidet sich von Stable-Diffusion-Tools, die sich eher wie ein Formular anfühlen: Statt Prompt, Bildgröße und Seed in einem einzigen Panel auszufüllen, sehen Sie auf einer Arbeitsfläche einen aus Nodes bestehenden Ablauf.

Ein minimaler Text-to-Image-Ablauf lässt sich in fünf Abschnitte zerlegen:

1. Load Checkpoint: lädt das Basismodell, etwa SD 1.5, SDXL oder einen anderen Checkpoint.
2. CLIP Text Encode: wandelt positiven und negativen Prompt in Conditioning um, das das Modell nutzen kann.
3. KSampler: erzeugt das Latent gemäß Sampling-Schritten, Seed, CFG und weiteren Parametern.
4. VAE Decode: decodiert das Latent in ein Bild.
5. Save Image: speichert das Ergebnis im Ausgabeordner.

Das ist die minimale Kette, die ein Einsteiger zuerst verstehen sollte. Komplexe Workflows zerlegen diese Schritte nur feiner oder fügen dazwischen weitere Nodes ein: ControlNet liest eine Pose-Vorlage, IP-Adapter referenziert ein Personenbild, LoRA verändert den Stil, und Upscale-Nodes vergrößern das Bild.

Warum der Node-Graph zunächst abschreckt

ComfyUI legt viele Schritte offen, die andere Tools verstecken. Der Vorteil ist Kontrolle, der Nachteil: Beim ersten Mal denkt man, man müsse jeden einzelnen Node verstehen. Das müssen Sie nicht. Lesen Sie den Graphen zunächst wie eine Fließrichtung: von links nach rechts, von oben nach unten, und suchen Sie Modell, Prompts, Sampler und Save-Node.

Die Fehlersuche folgt derselben Richtung. Wird das Modell nicht geladen, kann der Rest nicht laufen. Ist der Prompt zu schwach, wird das Ergebnis womöglich matschig. Werden die Sampler-Parameter wild verstellt, wird das Bild instabil. Ist der Save-Node nicht verbunden, denken Sie vielleicht, es sei gar kein Bild entstanden.

Welchen Installationsweg wählen?

Die offizielle Dokumentation nennt mehrere Wege: Desktop, Portable, manuelle Installation und Cloud. Was Einsteiger wirklich tun sollten, ist nicht „den stärksten Weg” zu wählen, sondern den mit dem geringsten Widerstand.

Desktop: passend für die meisten ersten Versuche

Der Vorteil von Desktop ist, dass es Ihnen Arbeit abnimmt. Sie müssen nicht sofort über Python-Version, PyTorch-Build oder CUDA-Backend entscheiden und auch keine virtuelle Umgebung anlegen. Für macOS-Apple-Silicon-Nutzer ist Desktop laut offizieller Dokumentation ohnehin der natürlichere Einstieg.

Vultr - Hochleistungs-NVMe-Cloud-Server mit 32 Standorten weltweit, Docker per Klick

Preise ansehen →Anzeige

Kennen Sie aber auch die Grenze: Die Dokumentation weist darauf hin, dass Desktop auf stabilen Releases aufbaut, sodass neueste Funktionen etwas später ankommen als bei Portable oder manueller Installation. Für das erste Bild spielt das kaum eine Rolle. Erst wenn Sie neue Nodes, neue Modellformate oder Plugin-Kompatibilität brauchen, lohnt der Wechsel des Installationswegs.

Windows-Portable: passend für NVIDIA-GPU-Nutzer

Windows mit NVIDIA-GPU ist eine gängige Kombination für lokale Stable-Diffusion-Bildgenerierung. Der Vorteil des Portable-Pakets ist die klare Ordnerstruktur, die vielen Tutorials entspricht. Sie sehen direkt Ordner wie ComfyUI/models/ und ComfyUI/output/, was die Fehlersuche bei Modellpfaden erleichtert.

Wenn Sie ComfyUI nur lernen wollen, reicht lokales Portable völlig. Installieren Sie nicht gleich am ersten Tag Custom Nodes, den Manager, Dutzende Modelle und ein Dutzend LoRAs. Das häufigste Problem für Einsteiger ist nicht „zu wenige Funktionen”, sondern dass nach zu vielen Installationen niemand mehr weiß, welcher Schritt kaputtgegangen ist.

Manuelle Installation: für alle, die ihre Umgebung kontrollieren müssen

Die manuelle Installation eignet sich eher für Linux-Nutzer, Entwickler oder Leute, die schon wissen, dass sie Python, PyTorch oder das CUDA/ROCm/MPS-Backend steuern müssen. Der Vorteil ist Flexibilität, der Nachteil mehr Raum für Fehler.

Wenn Sie sich für die manuelle Installation entscheiden, behandeln Sie die Umgebung wie ein eigenständiges Projekt:

git clone https://github.com/comfy-org/ComfyUI.git
cd ComfyUI
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
python main.py

Diese Befehle zeigen nur die grundsätzliche Struktur einer manuellen Installation. Das konkrete PyTorch-Backend, der GPU-Treiber und Systemunterschiede müssen Sie nach der offiziellen Dokumentation zur manuellen Installation behandeln. Kopieren Sie nicht einfach einen CUDA-Befehl aus einem alten Tutorial und führen ihn ungeprüft aus.

Cloud: gut, um den Workflow erst einmal auszuprobieren

Wenn Sie vorerst keine lokale GPU haben oder nur wissen wollen, ob ComfyUI zu Ihnen passt, können Sie zunächst den Cloud-Weg ausprobieren. Er ersetzt das Lernen einer lokalen Umgebung nicht, hilft Ihnen aber, das Verhältnis von Nodes, Workflow, Modell und Prompt zu verstehen.

Sobald Sie sicher sind, dass Sie ComfyUI dauerhaft nutzen, kehren Sie zur lokalen Installation zurück. Das ist stabiler, als gleich zu Beginn Hardware zu kaufen und einen Stapel Modelle herunterzuladen.

Wohin gehören die Modelldateien?

Viele Einsteigerfragen zu ComfyUI laufen am Ende auf denselben Satz hinaus: Warum ist Load Checkpoint leer?

Die offizielle Dokumentation erklärt, dass die meisten Installationen kein Basismodell mitbringen. Modelle liegen üblicherweise unter dem Ordner models/ im ComfyUI-Installationsverzeichnis. Gängige Unterordner sind:

Für das erste Bild kümmern Sie sich nur um den Checkpoint. Legen Sie ein lauffähiges Basismodell in models/checkpoints/, starten oder aktualisieren Sie ComfyUI und wählen es dann im Dropdown von Load Checkpoint.

Der Models-Ordner bei Desktop kann abweichen

Desktop-Nutzer sollten nicht stur an den Portable-Pfaden aus Online-Tutorials kleben. Die Dokumentation erwähnt, dass Sie den Models-Ordner über das Menü unter Help / Open folder / Open models folder finden. Maßgeblich ist der Ordner, den die App öffnet, nicht der Installationspfad einer fremden Anleitung.

Wenn Sie bereits eine Modellbibliothek von Automatic1111, Forge oder einem anderen Tool haben, lohnt sich eine extra_model_paths.yaml. So liest ComfyUI externe Modellordner, und Sie müssen nicht zig Gigabyte an Dateien doppelt kopieren.

Eine gängige Faustregel:

• Nur ein oder zwei Modelle: direkt in den passenden ComfyUI-Ordner legen.
• Bereits viele Modelle: per extra_model_paths.yaml einbinden.
• Noch unsicher, ob Sie langfristig dabei bleiben: die Modellbibliothek vorerst nicht aufwendig sortieren.

Das erste Bild erzeugen

Nutzen Sie für das erste Bild den Standard-Workflow und öffnen Sie nicht gleich ein komplexes JSON von jemand anderem. Der Wert des Standard-Workflows liegt in den wenigen Variablen: Läuft er, sind Umgebung, Modell und Grund-Nodes verbunden.

Railway - Moderne Deployment-Plattform, ohne DevOps-Aufwand, in Minuten live

Jetzt starten →Anzeige

Schritt für Schritt

1. Starten Sie ComfyUI und öffnen Sie die Weboberfläche.
2. Laden Sie den Standard-Workflow „Image Generation”.
3. Meldet die Oberfläche ein fehlendes Modell, installieren Sie es über den Hinweis oder legen Sie ein heruntergeladenes Modell in models/checkpoints/.
4. Wählen Sie das Modell in Load Checkpoint.
5. Schreiben Sie das Bildmotiv in den positiven Prompt, zum Beispiel a cozy desk setup, soft light, detailed illustration.
6. Schreiben Sie Unerwünschtes in den negativen Prompt, zum Beispiel blurry, low quality, distorted hands.
7. Behalten Sie zunächst Standardgröße, Standard-Sampler und Standard-Steps bei. Ändern Sie nicht zu viel auf einmal.
8. Klicken Sie auf Run oder drücken Sie Ctrl + Enter.
9. Sehen Sie sich das Ergebnis im Save Image-Node, im Ausgabebereich der Oberfläche oder im Ordner output/ an.

Es ist in Ordnung, wenn das erste Bild unscheinbar oder sogar hässlich ist. Es soll nur beweisen, dass die Kette funktioniert. Festhalten sollten Sie: welches Modell Sie verwendet haben, welcher Prompt, ob ein Fehler auftrat und wo der Ausgabeordner liegt.

Wie der erste Prompt aussieht

Schreiben Sie als Einsteiger keinen zu abstrakten Prompt. Begriffe wie „schönes Mädchen” oder „Stadt der Zukunft” kann das Modell zwar generieren, aber Sie können schlecht beurteilen, warum das Ergebnis nicht passt. Besser geeignet für die erste Runde ist ein Prompt wie:

a small wooden cabin beside a lake, morning fog, soft sunlight, detailed illustration, calm mood

Der negative Prompt darf zunächst schlicht sein:

blurry, low quality, distorted, extra fingers, bad anatomy

Stapeln Sie in der ersten Runde nicht viele Stilbegriffe, Kamera-Vokabeln und Künstlernamen. Bringen Sie das Modell erst zu stabilen Ergebnissen und passen Sie dann Prompt, Bildgröße, Steps, CFG und Seed nach und nach an.

Wie Sie die erste Fehlerrunde abarbeiten

Gehen Sie der Reihe nach vor. Installieren Sie nicht gleichzeitig die Umgebung neu, wechseln das Modell und ändern den Workflow. Ändern Sie immer nur eine Variable, dann wissen Sie, wo das Problem lag.

Load Checkpoint ist leer oder zeigt null

Prüfen Sie zuerst drei Dinge:

1. Ist die Modelldatei eine .safetensors- oder .ckpt-Datei?
2. Liegt sie in ComfyUI/models/checkpoints/ – bei Desktop im Models-Ordner, den die App öffnet?
3. Haben Sie ComfyUI nach dem Verschieben der Datei aktualisiert oder neu gestartet?

Wenn Sie extra_model_paths.yaml nutzen, reduzieren Sie die Konfiguration zuerst auf einen einzigen Pfad. Stellen Sie sicher, dass dieser Pfad gelesen wird, und erweitern Sie ihn erst danach. Pfade mit chinesischen Zeichen, Leerzeichen oder Rechtebeschränkungen können zusätzliche Probleme verursachen.

Nach dem Öffnen eines Workflows erscheinen rote Nodes

Rote Nodes bedeuten meist fehlende Custom Nodes, fehlende Modelle oder einen Workflow, dessen Version nicht zu Ihrer Umgebung passt. Beginnen Sie die Fehlersuche als Einsteiger nicht mit einem komplexen Workflow. Kehren Sie zuerst zum Standard-Text-to-Image-Workflow zurück und bestätigen Sie, dass die Grundkette funktioniert.

Funktioniert der Standard-Workflow, kümmern Sie sich um den geteilten Workflow:

• Lesen Sie zuerst die Namen der roten Nodes und erkennen Sie, welcher Custom Node fehlt.
• Prüfen Sie dann die Modell-Lade-Nodes und ob Checkpoint, LoRA und VAE gefunden werden.
• Kümmern Sie sich erst zuletzt um die Node-Parameter und ändern Sie nicht von Anfang an wild die Verbindungen.

Das ist eher ein Thema für den zweiten Tag. Lassen Sie sich am ersten Tag nicht von Custom Nodes ablenken.

CUDA-, Torch- oder Backend-Fehler

Solche Fehler liegen meist nicht am Prompt, sondern an einer nicht passenden Laufzeitumgebung. Windows-Nutzer prüfen zuerst GPU-Treiber und Installationspaket; Linux-Nutzer gleichen Python, PyTorch und Backend mit der Dokumentation zur manuellen Installation ab; macOS-Nutzer übernehmen keine CUDA-Tutorials.

Wenn Sie sich vorerst nicht mit der Umgebung beschäftigen wollen, bringen Sie das Konzept zuerst über Desktop oder Cloud zum Laufen. Erst wenn Sie sicher sind, dass Sie lokal dauerhaft arbeiten, lösen Sie die Details zu GPU und Backend.

Das Bild ist matschig oder hat nichts mit dem Prompt zu tun

Vermuten Sie nicht gleich, dass ComfyUI kaputt ist. Häufige Ursachen sind:

Alibaba Cloud - Top-Wahl für Entwickler, exklusiv 15 % Rabatt auf Lighthouse-Server

15 % Rabatt sichern →Anzeige

• Das Modell passt nicht zum gewünschten Bildtyp.
• Der Prompt ist zu abstrakt, ohne Motiv, Szene, Licht oder Stil.
• Bildgröße oder Sampler-Parameter wurden zu radikal verändert.
• Der negative Prompt schnürt das Modell zu stark ein.

Halten Sie Modell und Parameter fest und ändern Sie nur den Prompt über drei Vergleichsrunden. In der ersten Runde nur das Motiv, in der zweiten die Szene, in der dritten Licht und Stil. So erkennen Sie leichter, wie der Prompt das Ergebnis beeinflusst.

Was Einsteiger anfangs nicht tun sollten

ComfyUI ist mächtig, aber genau diese Macht bremst Einsteiger am ehesten aus.

Erstens: Installieren Sie nicht gleich Dutzende Custom Nodes. Je mehr Nodes, desto höher die Wahrscheinlichkeit von Konflikten und fehlenden Abhängigkeiten. Läuft der Standard-Workflow stabil, installieren Sie Nodes gezielt für einen konkreten Bedarf.

Zweitens: Laden Sie nicht gleichzeitig ein Dutzend Modelle herunter. Bringen Sie zuerst ein Basismodell zum Laufen, notieren Sie, wofür es sich eignet, und ergänzen Sie dann schrittweise. Zu viele Modelle machen es schwer zu unterscheiden, ob das Problem am Prompt oder am Modell liegt.

Drittens: Stürzen Sie sich nicht zu früh auf API-Automatisierung. Die API von ComfyUI ist nützlich, aber wenn Sie den Workflow noch nicht verstehen, vervielfacht Automatisierung nur die Fehler.

Viertens: Behandeln Sie fremde Workflows nicht als Musterlösung. Viele geteilte Workflows hängen von bestimmten Modellen, Node-Versionen und Pfaden ab. Lernen Sie die Struktur, aber erwarten Sie nicht, dass jeder kopierte Workflow sofort läuft.

Empfohlene Lernreihenfolge

Ein stabilerer Weg sieht so aus:

1. Den Standard-Text-to-Image-Workflow zum Laufen bringen.
2. Den Unterschied zwischen Checkpoint, LoRA und VAE verstehen.
3. Lernen, ein Workflow-JSON zu lesen und zu wissen, wofür rote Nodes stehen.
4. Eine konkrete Erweiterungsrichtung lernen, etwa ControlNet oder IP-Adapter.
5. Erst danach Batch-Generierung, API, Automatisierung und Workflow-Wiederverwendung untersuchen.

Wenn Sie mit lokalen LLMs vertraut sind, können Sie sich ComfyUI wie eine lokale Inferenz-Werkbank für die Bildgenerierung vorstellen. Lesen Sie zuerst Ollama-Einstieg: Ihr erster Schritt zum lokalen Betrieb großer Sprachmodelle, um das Verhältnis von Modelldateien, Laufzeitumgebung und Inferenzparametern zu verstehen; zum Schreiben von Prompts geht es weiter mit Prompt-Engineering für den Geschäftseinsatz; bei Fragen zu GPU und Laufzeitumgebung hilft Ollama GPU-Beschleunigung einrichten.

Fazit

Der Einstieg in ComfyUI muss nicht bei komplexen Workflows beginnen. Halten Sie das Ziel klein: Wählen Sie einen zu Ihnen passenden Installationsweg, legen Sie das Basismodell in den richtigen Ordner und erzeugen Sie mit dem Standard-Text-to-Image-Workflow Ihr erstes Bild.

Läuft diese Kette, lernen Sie LoRA, ControlNet, Custom Nodes und Workflow-Wiederverwendung. Jeder Schritt hat dann ein klares Prüfkriterium: Wird das Modell erkannt, fehlen Nodes, ist der Prompt konkret genug, wurde die Ausgabe gespeichert? Die Lernkurve von ComfyUI ist wirklich steil, aber wenn Sie am ersten Tag nicht alles vermischen, wird aus dem einschüchternden Node-Graphen ein Generierungsablauf, den Sie immer wieder debuggen können.

Weiterführende Quellen

• ComfyUI-Dokumentation
• Getting Started with AI Image Generation
• Manual Installation
• ComfyUI Models
• ComfyUI GitHub