ComfyUI 入门完整指南：从安装到第一张 Stable Diffusion 图片

ComfyUI 入门最容易卡住的地方，不是“会不会写 prompt”，而是第一次打开界面时看到一整张节点图：Load Checkpoint、CLIP Text Encode、KSampler、VAE Decode、Save Image。很多人会误以为自己必须先学扩散模型原理，才能生成第一张图。

先别急。新手阶段只需要把 ComfyUI 理解成一条可视化生成流水线：模型提供生成能力，提示词描述画面，采样器负责逐步生成，保存节点输出图片。本文只解决一个窄问题：怎么选安装方式、怎么放模型、怎么跑通默认文生图 workflow，以及第一轮报错该按什么顺序排查。

核心结论

你现在的情况	建议路线	先别折腾什么
Windows + NVIDIA 显卡，只想快点出图	Desktop 或 Windows portable	先不要手动配 Python 环境
macOS Apple Silicon	Desktop	先不要套用 Windows CUDA 教程
Linux 或需要控制 PyTorch/CUDA	Manual install	先不要复制别人的整套环境变量
没有本地 GPU，只想理解工作流	Comfy Cloud	先不要买模型或硬件
已有 Automatic1111 模型库	本地安装 + extra_model_paths.yaml	先不要重复复制几十 GB 模型

第一天的目标不是“做出很好看的图”，而是确认三件事：ComfyUI 能启动，Load Checkpoint 能读到模型，默认文生图工作流能跑完。只要这三件事通了，后面再学 LoRA、ControlNet、IP-Adapter、复杂工作流，排错会轻很多。

ComfyUI 到底是什么

ComfyUI 是一个开源的节点式生成式 AI 界面和推理引擎。它和一些“填表单式”的 Stable Diffusion 工具不太一样：你不是只在一个面板里填 prompt、尺寸和 seed，而是在画布上看到一条由节点组成的流程。

一条最小文生图流程可以拆成五段：

1. Load Checkpoint：加载基础模型，比如 SD 1.5、SDXL 或其他 checkpoint。
2. CLIP Text Encode：把正向 prompt 和负向 prompt 转成模型能使用的条件。
3. KSampler：按照采样步数、seed、CFG 等参数生成 latent。
4. VAE Decode：把 latent 解码成图片。
5. Save Image：把结果保存到输出目录。

这就是新手需要先看懂的最小链路。复杂工作流只是把这些步骤拆得更细，或者在中间插入更多节点：比如 ControlNet 读取姿势图，IP-Adapter 参考一张人物图，LoRA 改变风格，Upscale 节点放大图片。

节点图为什么看起来吓人

ComfyUI 把很多隐藏步骤摊开给你看。好处是可控，坏处是第一次看到会觉得“每个节点都要懂”。其实不用。你可以先按水流方向看：从左到右、从上到下，找到模型、提示词、采样器、保存节点即可。

排错也按这个方向来。模型没读到，后面肯定跑不动；prompt 写得很弱，结果可能很糊；采样器参数乱改，图像会变得不稳定；保存节点没接上，你可能以为没出图。

安装方式怎么选

官方文档给了多条路线，包括 Desktop、portable、manual install 和 cloud。新手真正要做的不是“选最强路线”，而是选最少阻力的路线。

Desktop：适合大多数第一次尝试

Desktop 的优势是省心。你不需要一上来判断 Python 版本、PyTorch 版本、CUDA 后端，也不用自己创建虚拟环境。对 macOS Apple Silicon 用户来说，Desktop 也是官方文档中更自然的入口。

它的边界也要知道：官方文档说明 Desktop 基于稳定版本构建，最新功能可能比 portable 或手动安装晚一些。这个限制对第一张图影响不大。等你开始使用新节点、新模型格式或调试插件兼容性，再考虑切换安装方式。

Windows portable：适合 NVIDIA 显卡用户

Windows + NVIDIA 显卡通常是 Stable Diffusion 本地出图的常见组合。portable 包的好处是路径清楚，文件结构也更接近很多教程中的写法。你会直接看到 ComfyUI/models/、ComfyUI/output/ 这类目录，排查模型位置比较方便。

如果你只是想学习 ComfyUI，本地 portable 已经够用。不要第一天就把 custom nodes、Manager、几十个模型、十几个 LoRA 全装进去。新手最常见的麻烦不是“功能不够”，而是装太多后不知道哪一步坏了。

Manual install：适合需要控制环境的人

手动安装更适合 Linux 用户、开发者，或者已经知道自己需要控制 Python、PyTorch、CUDA/ROCm/MPS 后端的人。它的优点是灵活，缺点是报错空间更大。

如果你选择手动安装，建议把环境当成独立项目管理：

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

这段命令只是说明手动安装的一般结构。实际 PyTorch 后端、显卡驱动和系统差异要按官方手动安装文档处理，不要从旧教程里复制一段 CUDA 命令就直接跑。

Cloud：适合先体验工作流

如果你暂时没有本地 GPU，或者只是想知道 ComfyUI 是不是适合自己，可以先用云端路线体验。它不能替代本地环境学习，但可以帮你先理解节点、workflow、模型和 prompt 之间的关系。

等你确认自己要长期使用，再回到本地安装。这样比一开始就买硬件、下载一堆模型更稳。

模型目录怎么放

很多 ComfyUI 入门问题最后都会落到同一句话：Load Checkpoint 为什么是空的？

官方文档说明，多数安装不会自带基础模型。模型一般放在 ComfyUI 安装目录下的 models/，常见子目录如下：

文件类型	常见目录	用途
checkpoint / .safetensors / .ckpt	ComfyUI/models/checkpoints/	基础生图模型
LoRA	ComfyUI/models/loras/	风格、角色、动作或概念微调
VAE	ComfyUI/models/vae/	图像解码，影响色彩和细节
embedding / textual inversion	ComfyUI/models/embeddings/	特定词向量触发效果
upscale model	ComfyUI/models/upscale_model/	图片放大

第一张图只需要先处理 checkpoint。把一个可用的基础模型放到 models/checkpoints/，启动或刷新 ComfyUI，然后在 Load Checkpoint 下拉框里选择它。

Desktop 的模型目录可能不一样

Desktop 用户不要死盯网上教程里的 portable 路径。官方文档提到，Desktop 可以通过菜单里的 Help / Open folder / Open models folder 找到模型目录。你应该以软件打开的目录为准，而不是照搬别人的安装路径。

如果你已经有 Automatic1111、Forge 或其他工具的模型库，可以考虑配置 extra_model_paths.yaml。这样 ComfyUI 会读取外部模型目录，你不用把几十 GB 文件复制一遍。

一个常见判断标准是：

• 只有一两个模型：直接放到 ComfyUI 对应目录。
• 已有大量模型：用 extra_model_paths.yaml 映射。
• 还不知道自己会不会长期用：先不要整理复杂模型库。

跑出第一张图

跑第一张图时，先用默认 workflow，不要打开别人分享的复杂 JSON。默认流程的价值是“变量少”：只要它能跑，说明环境、模型和基础节点是通的。

操作步骤

1. 启动 ComfyUI，打开网页界面。
2. 加载默认 Image Generation workflow。
3. 如果界面提示缺模型，按提示安装，或手动下载后放进 models/checkpoints/。
4. 在 Load Checkpoint 里选择模型。
5. 在正向 prompt 写画面主体，例如 a cozy desk setup, soft light, detailed illustration。
6. 在负向 prompt 写不想要的内容，例如 blurry, low quality, distorted hands。
7. 先用默认尺寸、默认 sampler、默认 steps，不要一次改太多。
8. 点击 Run，或使用 Ctrl + Enter。
9. 在 Save Image 节点、界面输出区或 output/ 目录查看结果。

如果第一张图很普通，甚至不太好看，也没关系。它只是在证明链路通了。你真正需要记录的是：用了哪个模型、哪个 prompt、有没有报错、输出目录在哪里。

第一次 prompt 怎么写

新手 prompt 不要写得太抽象。比如“好看的女孩”“未来城市”这类词，模型可以生成，但你很难判断效果为什么不好。更适合第一轮验证的 prompt 是：

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

负向 prompt 可以先简单写：

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

不要在第一轮就堆很多风格词、相机词和艺术家名。你先让模型稳定输出，再逐步调整 prompt、尺寸、steps、CFG 和 seed。

第一轮报错怎么排查

排错时按顺序来，别一边重装环境，一边换模型，一边改 workflow。你每次只改一个变量，才知道问题在哪里。

Load Checkpoint 为空或显示 null

先检查三件事：

1. 模型文件是不是 .safetensors 或 .ckpt。
2. 文件是否放在 ComfyUI/models/checkpoints/，Desktop 用户则看软件打开的 models folder。
3. 移动文件后是否刷新或重启了 ComfyUI。

如果你用了 extra_model_paths.yaml，先把配置简化到只有一个路径，确认路径能读到，再慢慢扩展。路径里有中文、空格、权限限制时，也可能引入额外问题。

打开 workflow 后出现红色节点

红色节点通常表示缺少 custom node、缺少模型，或 workflow 版本与你当前环境不匹配。新手不要从复杂 workflow 开始排查。先回到默认文生图 workflow，确认基础链路可用。

如果默认 workflow 正常，再处理 shared workflow：

• 先看红色节点的名字，判断缺哪个 custom node。
• 再看模型加载节点，确认 checkpoint、LoRA、VAE 是否都能找到。
• 最后再处理节点参数，不要一开始就乱改连线。

这一步适合放到第二天学习。第一天先别让 custom nodes 把你带偏。

CUDA、Torch 或后端报错

这类报错通常不是 prompt 的问题，而是运行环境不匹配。Windows 用户优先确认显卡驱动和安装包路线；Linux 用户再按手动安装文档核查 Python、PyTorch 和后端；macOS 用户不要套用 CUDA 教程。

如果你不想花时间处理环境，先用 Desktop 或 cloud 跑通概念。等你确定要长期本地使用，再回头解决显卡和后端细节。

图片很糊，或者完全不像提示词

先不要怀疑 ComfyUI 坏了。常见原因有四个：

• 模型不适合当前画面类型。
• prompt 太抽象，没有主体、场景、光线、风格。
• 尺寸或采样参数被改得太激进。
• 负向 prompt 把模型限制得太死。

建议你固定模型和参数，只改 prompt 做三轮对比。比如第一轮只写主体，第二轮加场景，第三轮加光线和风格。这样你会更容易看出 prompt 对结果的影响。

新手不要一开始做什么

ComfyUI 很强，但新手最容易被“强”拖慢。

第一，不要一开始就安装几十个 custom nodes。节点越多，冲突和缺依赖的概率越高。等默认 workflow 能稳定跑，再按某个具体需求安装。

第二，不要同时下载十几个模型。先选一个基础模型跑通，记录它适合什么风格，再逐步增加。模型太多会让你分不清是 prompt 问题还是模型问题。

第三，不要急着研究 API 自动化。ComfyUI 的 API 很有用，但如果你还没理解 workflow，自动化只会把错误批量放大。

第四，不要把别人的 workflow 当成标准答案。很多分享出来的 workflow 依赖特定模型、节点版本和路径。你可以学习结构，但不要期待复制后马上可用。

建议学习顺序

更稳的路线是：

1. 跑通默认文生图 workflow。
2. 理解 checkpoint、LoRA、VAE 的区别。
3. 学会看 workflow JSON，知道红色节点代表什么。
4. 学一个具体增强方向，比如 ControlNet 或 IP-Adapter。
5. 再研究批量出图、API、自动化和工作流复用。

如果你熟悉本地 LLM，可以把 ComfyUI 类比成本地图像生成的推理工作台。你可以先读 Ollama 入门：本地运行大语言模型的第一步，理解模型文件、运行环境和推理参数之间的关系；Prompt 写法可以接着看 Prompt Engineering 商业实战；显卡和运行环境问题可以参考 Ollama GPU 加速配置。

总结

ComfyUI 入门不需要从复杂工作流开始。你先把目标压到很小：选一条适合自己的安装路线，把基础模型放到正确目录，用默认文生图 workflow 跑出第一张图片。

等这条链路跑通，再学 LoRA、ControlNet、自定义节点和工作流复用。这样每一步都有清楚的判断标准：模型有没有读到，节点有没有缺失，prompt 有没有具体，输出有没有保存。ComfyUI 的学习曲线确实陡，但只要第一天不把所有东西混在一起，它会从一张吓人的节点图，变成一套可以反复调试的生成流程。

参考资料

• ComfyUI 官方文档
• Getting Started with AI Image Generation
• Manual Installation
• ComfyUI Models
• ComfyUI GitHub