最近在折腾 ComfyUI 的时候经常看到有朋友在群里问 Anima 怎么用、节点报错怎么处理、模型下载到哪个目录、CFG 到底是什么意思。这些问题单独搜都能找到答案但零散不成体系新手很容易卡在第一步。这篇文章就把 ComfyUI 从环境搭建到跑通第一张图的完整路径整理出来同时结合 Anima 这类风格化工作流预设聊一聊节点式绘图的基本思路、常见报错和工程化建议。内容覆盖几个部分ComfyUI 的核心概念、Anima 的定位、环境准备、常用节点拆解、完整文生图工作流实战、模型放置与风格控制、高频报错排查以及日常使用的最佳实践。无论你是刚接触节点式 AI 绘图的零基础玩家还是用过 WebUI 想转过来的老用户都可以按顺序跟着走一遍。1. ComfyUI 与 Anima 到底是什么1.1 从 WebUI 到节点式工作流很多刚接触 AI 绘图的同学第一个接触的工具是 Stable Diffusion WebUI。WebUI 的操作方式非常直观上面填提示词下面调参数点一下生成按钮图片就出来了。这种方式的优点是门槛低缺点是流程是固定的想改中间的某个环节很麻烦。ComfyUI 走的是另一条路线它把整个生成过程拆成一个一个的节点然后通过连线把这些节点连接起来。比如“加载模型”是一个节点“输入正向提示词”是一个节点“采样器”是一个节点“解码图片”是一个节点。节点和节点之间通过连线传递数据最终生成图片。这种方式刚开始看会觉得复杂甚至有点吓人但理解之后你会发现它非常灵活。你可以自由组合节点可以只跑一部分流程可以在中间插入额外处理可以复用别人的工作流也可以把自己做好的流程导出成 JSON 分享给别人。这也是 ComfyUI 在社区里越来越流行的原因。从底层来说ComfyUI 是一个基于 PyTorch 的可视化 Stable Diffusion 工作流工具。它不是把功能写死成几个按钮而是把 Stable Diffusion 的调用过程拆分成了可编排的图结构。你看到的每一个节点背后都对应一段可执行的操作。1.2 Anima 在 ComfyUI 生态中的定位Anima 这个名字在 ComfyUI 社区里并不像“LoRA”“ControlNet”那样有非常统一的定义。不同版本、不同作者发布的 Anima可能指一套风格化工作流预设也可能指一组配套的模型与提示词方案。从大部分分享内容来看Anima 更接近一种面向动漫、游戏原画、美型风格的成套工作流。它通常包含预设好的节点连接方式配合使用的风格化模型或 LoRA偏向二次元审美的提示词模板可能附带的后处理节点放大、重绘等。换句话说你拿到 Anima 工作流之后不一定需要从零搭建节点只需要导入工作流、补齐模型路径、调整提示词就能跑出风格统一的图。如果你是完全新手从一个别人整理好的 Anima 工作流入手比从空白画布开始更容易获得成就感。需要说明的是Anima 的具体内容会随作者和版本变化。本文不会把某一份具体文件的功能写死而是教你理解这类工作流通用结构让你拿到任意一套 Anima 预设都会用。1.3 为什么推荐新手从节点式工作流入手很多新手会觉得 ComfyUI 的节点太麻烦想先玩 WebUI。我的建议是如果你只是想随手生成几张图WebUI 确实够用但如果你想理解 AI 绘图里“模型”“采样”“VAE 解码”这些概念到底在干什么ComfyUI 的节点图反而是最好的学习材料。节点图把隐藏的流程变成了可视化模块你可以看到加载大模型之后模型数据流向哪里你可以看到正向提示词和负面提示词是分别编码的你可以看到采样器输出的是 Latent不是图片你可以看到 VAE 解码之后才真正变成像素。这些认知在 WebUI 里很难建立因为 WebUI 把一切都封装好了。而在 ComfyUI 里你每连一根线都在理解一个概念。等到你理解了这套逻辑再回去用任何一套工具都会觉得通透很多。2. 环境准备与安装方式2.1 硬件要求ComfyUI 的硬件要求和 Stable Diffusion 基本一致。显卡是核心显存越大越好但并不是说没有大显存就不能玩。不同显存规模对应的使用策略显存大小建议使用方式4GB 及以下使用轻量模型SD 1.5 系列、开启低显存优化、降低分辨率、减少批量大小6GB - 8GB可以流畅跑 SD 1.5适当尝试 SDXL 的较小配置12GB 及以上可以自由尝试 SDXL、较大 LoRA 组合、更高分辨率出图如果你的电脑没有独立显卡或者显卡显存很小也可以通过 CPU 运行但速度会非常慢一张 512x512 的图可能要几分钟甚至更久。短期尝鲜可以长期使用建议还是准备一块像样的显卡。内存建议至少 16GB如果经常跑大模型或者批量出图32GB 会更稳妥。硬盘方面大模型文件通常 2GB 到 7GB 不等安装完基础环境后建议预留至少 30GB 空间。2.2 整合包与手动部署怎么选现在社区里最流行的安装方式是“整合包”例如秋叶整合包、Aki 轻量版等。这类整合包通常打包了 Python 环境、PyTorch、ComfyUI 本体以及常用插件解压即可用特别适合没有命令行经验的新手。整合包的优势不用单独安装 Python 和 PyTorch依赖版本已经调试过启动成功率更高自带了常用的自定义节点和插件更新方便可以直接下载新版本覆盖。手动部署的优势环境更干净方便自己控制依赖版本更容易排查问题适合在 Linux 服务器上部署比如 Ubuntu 环境方便集成到自己的 Python 项目里。如果你是纯新手建议先用整合包跑通流程知道 ComfyUI 启动之后是什么样子再去尝试手动部署。不要一上来就自己配环境那样很容易被依赖问题劝退。2.3 Python 与 PyTorch 环境如果你选择手动部署需要注意版本匹配。ComfyUI 本身是一个 Python 应用核心依赖是 PyTorch。PyTorch 的版本需要和你的 CUDA 版本匹配。如果 N 卡驱动较新一般安装当前稳定版的 PyTorch 都没有问题。A 卡用户需要安装对应 ROCm 版本或 CPU 版本。手动部署的基本流程git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install -r requirements.txt这里需要说明一下cu118是 CUDA 11.8 对应的 PyTorch 版本标识。如果你的显卡驱动版本不同请到 PyTorch 官网选择对应版本。不建议盲目复制命令务必根据自己环境调整。2.4 项目目录结构无论你用的是整合包还是手动部署都需要知道模型文件放在哪里。ComfyUI 的目录结构大致如下ComfyUI/ ├── main.py # 启动入口 ├── requirements.txt # Python 依赖 ├── models/ │ ├── checkpoints/ # 大模型文件如 SD 1.5、SDXL │ ├── loras/ # LoRA 模型 │ ├── vae/ # VAE 模型 │ ├── controlnet/ # ControlNet 模型 │ └── embeddings/ # 文本嵌入向量 ├── custom_nodes/ # 自定义节点插件 ├── input/ # 输入图片目录 └── output/ # 生成图片输出目录模型放错位置是很常见的错误。很多人从网上下载了一个.safetensors大模型随便丢到一个文件夹里就运行结果把模型插到别的位置死活加载不出来。检查模型路径的时候先确认目录是否正确。3. ComfyUI 核心节点拆解3.1 节点、连线、工作流的关系在学习 ComfyUI 之前先建立一个整体认知工作流 节点 连线。节点代表操作连线代表数据的流动方向。数据在 ComfyUI 里可以是模型对象、文本、Latent、图片等不同类型。连线时如果两个端口类型匹配才能连接成功。比如“模型加载器”输出的是 MODEl需要连接到采样器的 model 输入端口颜色和类型都对得上。新手最常犯的错是照着别人的截图搭工作流但不知道每个节点为什么存在结果少连一根线或者多连一根线图片就出不来了。所以不要只看操作还要理解每个节点的输入输出含义。3.2 模型类节点ComfyUI 里最核心的模型节点是“Load Checkpoint”输入无输出MODEL、CLIP、VAE作用加载一个大模型文件。这里需要说明一个 Checkpoint 大模型文件内部通常包含三部分模型权重决定画面风格、CLIP文本编码器负责把提示词转成向量、VAE变分自编码器负责把 Latent 解码成图片。所以在 ComfyUI 中加载一个 Checkpoint 节点会同时输出三根线。这就是为什么你看到范例工作流里一个加载模型节点同时接了好几个下游节点。3.3 条件类节点条件类节点包括正向提示词编码和负面提示词编码对应节点名通常是“CLIP Text Encode”。输入CLIP、文本输出CONDITIONING作用把自然语言提示词转换成模型能理解的语义向量。正向提示词描述你想要的画面负面提示词描述你不要出现的元素。在 ComfyUI 里正向和负面是两个独立的文本编码节点最后都要连接到采样器的 positive 和 negative 输入端口。提示词的写法有一定规律但不建议背模板。最好的方式是模仿别人的工作流先跑通再慢慢改词观察每句话对画面的影响。3.4 采样器节点采样器节点常见名称为“KSampler”。这是工作流中最核心的节点之一。输入model、positive、negative、latent输出SAMPLER_OUTPUTLatent作用执行扩散采样的核心算法把随机噪声逐步去噪成有意义的 Latent。KSampler 的主要参数seed随机种子控制初始噪声固定后可以复现同一张图steps采样步数步数越多细节越充分但速度越慢cfg提示词引导强度值越大越服从提示词值太大会导致画面过饱和sampler_name采样器算法名称不同算法风格不同scheduler调度器影响每一步去噪的方式denoise重绘幅度1.0 表示从纯噪声生成小于 1.0 表示在图的基础上局部重绘。3.5 VAE 解码与保存节点采样器输出的是 Latent还不能直接看到图片需要经过 VAE 解码。“VAE Decode”节点输入samplesLatent输出IMAGE作用把潜空间的数据解码成像素图片。“Save Image”节点输入images输出无作用把图像保存到 output 目录。很多新手看到采样器输出的还是一个小方块以为图片坏了其实只是没有接 VAE 解码。记住一个核心概念在 Stable Diffusion 的工作流中采样阶段发生在潜空间必须解码后才变成图片。3.6 CFG 是什么意思这是很多新手刚开始最困惑的问题尤其是从 WebUI 转过来的用户经常问“CFG 填多少”。CFG 全称是 Classifier-Free Guidance即“无分类器引导”。简单理解就是CFG 控制生成结果在多大程度上贴近你的提示词。CFG 值偏低比如 1 到 4画面更自由但不一定符合提示词CFG 值中等比如 7 到 9画面与提示词平衡较好大多数场景推荐CFG 值偏高比如 15 以上画面会更死板对比度变强容易产生过度饱和和伪影。在 ComfyUI 中CFG 就是 KSampler 节点里的 cfg 参数。修改后重新运行就能看到差异。建议新手在固定 seed 的情况下只修改 CFG 来观察效果变化这样你能快速建立对这个参数的直觉。4. 从零搭建一个可运行的文生图工作流4.1 使用默认模板第一次启动 ComfyUI 后浏览器会自动打开默认工作流。这个默认工作流就是一个标准的文生图流程包含上述提到的核心节点。默认工作流的节点顺序Load Checkpoint 加载模型CLIP Text Encode正向输入提示词CLIP Text Encode负向输入负面提示词Empty Latent Image 创建空白潜空间画布KSampler 执行采样VAE Decode 解码潜空间Save Image 保存图片。首先在 Load Checkpoint 节点里选择你本地的模型如果没有模型需要先去下载。4.2 下载模型并放到正确位置下载模型是新手最容易卡住的环节。以常见的 Stable Diffusion 1.5 系列大模型为例你需要找一个.safetensors或.ckpt文件然后放到ComfyUI/models/checkpoints/放置完成后回到 ComfyUI 页面点击 Load Checkpoint 节点右侧的模型下拉框点击刷新按钮就能看到新加入的模型。下载模型时需要注意版权问题。推荐优先选择社区允许自由使用的模型不要下载来路不明、可能包含恶意代码的文件。模型文件来源要可靠建议只在官方渠道或信誉良好的社区页面下载。4.3 填写提示词在正向提示词节点中输入你想生成的内容。比如你想生成一张在夜晚城市屋顶上、戴围巾的动漫少女插画可以写成masterpiece, best quality, 1girl, sitting on rooftop at night, city lights, scarf, night sky, stars, anime style, highly detailed, illustration, cinematic lighting在负面提示词节点中输入你不想出现的内容lowres, bad anatomy, bad hands, watermark, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, jpeg artifacts, signature, blurry负面提示词的作用非常大。尤其“bad hands”“extra fingers”这类词在动漫风格中能明显减少手部崩坏的概率。4.4 创建空白潜空间画布Empty Latent Image 节点决定生成图片的尺寸和批量大小。width宽度height高度batch_size一次生成几张。对于 SD 1.5 系列模型建议从 512x512 开始。SDXL 模型可以用 1024x1024 甚至更大。但如果你显存有限先用小尺寸测试跑通之后再逐步增大。4.5 设置采样器参数KSampler 常用的初始参数seed: 42 steps: 20 cfg: 7 sampler_name: euler_ancestral scheduler: normal denoise: 1.0这些参数不是固定的。不同模型有不同偏好有些模型喜欢 steps 25 左右有些模型在 CFG 5 的时候表现最好。你可以把它们看作默认起点之后根据生成效果调整。4.6 执行工作流确认所有节点都已经连线然后点击页面上的“Queue Prompt”按钮。如果一切顺利你会看到 KSampler 节点开始运行进度条滚动最后 Save Image 节点输出图片。如果遇到“节点在执行过程中发生错误”不要慌先查看页面下方弹出的错误报告通常会有“Error details”部分里面会写清楚哪个节点出了问题。常见原因包括模型没有加载成功、显存不足、数据类型不匹配等。下一节会详细展开。4.7 工作流保存与导出跑通之后建议立刻保存工作流。ComfyUI 的“Workflow”菜单里有“Export”选项可以导出为 JSON 文件。JSON 文件里保存了所有节点信息、连线关系、参数设置。导出的 JSON 也可以分享给朋友。对方只需要导入工作流把模型路径和提示词改一改就能跑出类似效果。这也是为什么社区里“工作流分享”这么流行。下面给你一段简化后的 JSON 示意结构帮助你理解工作流文件的本质{ last_node_id: 7, nodes: [ {id: 1, type: CheckpointLoaderSimple, widgets_values: [model.safetensors]}, {id: 2, type: CLIPTextEncode, widgets_values: [masterpiece, best quality]}, {id: 6, type: KSampler, widgets_values: [42, 20, 7, euler_ancestral, normal, 1.0]} ], links: [ [1, 1, 4, 2, 0], [2, 0, 3, 6, 1] ] }这里只是展示工作流文件的可读性真实文件会更复杂。你不需要手写 JSON用界面上“Export”导出即可。5. Anima 风格工作流的使用思路5.1 Anima 工作流的通用结构如果你拿到一个 Anima 风格工作流文件先不要急着导入跑图。先看它的节点结构判断它属于哪种类型。大多数 Anima 风格工作流会包含一个大模型加载节点一个或多个 LoRA 加载节点正向、负向文本编码节点采样器节点VAE 解码和保存节点可能还会有放大节点、面部修复节点、上采样等。导入到 ComfyUI 之后首先要检查的是模型文件是否存在。很多人拿到工作流之后直接运行弹出报错“Load checkpoint failed”原因就是工作流里写死的模型文件名本地没有。解决方法很简单在 Load Checkpoint 节点手动切换成你本地已有的模型或者下载对应模型到 checkpoints 目录。5.2 配套 LoRA 的加载方式LoRA 是风格控制的重要手段。Anima 风格工作流往往会配套一个或多个 LoRA 文件。LoRA 文件需要放到ComfyUI/models/loras/工作流中的 LoraLoader 节点会有两个关键设置lora_name选择 LoRA 文件名strength_model模型权重强度strength_clip文本编码强度。一般来说保持默认值即可。如果你觉得风格不够明显可以适当提高 strength_model但不要一次调太多否则画面可能崩坏。LoRA 的运行方式是在大模型基础上叠加风格所以模型和 LoRA 的兼容性很重要。尽量选择作者推荐搭配的模型否则效果可能不如预期。5.3 提示词模板的调整策略Anima 风格工作流通常会预设一套提示词。比如风格词可能是anime style, vibrant colors, clean lineart, detailed hair, expressive eyes, anime screencap style这些提示词是为了配合 LoRA 和大模型发挥风格效果。在改动时建议遵守一个原则先只改画面内容词不要动风格词。等你熟悉了不同风格词的影响再逐步调整。比如你想把屋顶少女变成公园散步场景只改内容描述masterpiece, best quality, anime style, vibrant colors, clean lineart, 1girl, walking in park, cherry blossoms, afternoon light, detailed background, cinematic composition这样既能保留 Anima 的风格气质又能实现内容变化。5.4 通过 seed 控制画面稳定性在使用 Anima 工作流时如果想微调某个画面但保持整体构图可以固定 seed。seed 相同的情况下其他参数不变生成结果几乎一致。当你修改了一段提示词之后seed 不变画面会在这个框架内变化。反过来如果想获得完全不同的构图就随机换 seed。这个技巧在做系列图、人物一致性测试时非常有用。6. 常见问题与排查思路6.1 节点在执行过程中发生错误这是 ComfyUI 使用中最高频的报错。页面会给出类似这样的错误报告Error details - node: KSampler - error: CUDA out of memory遇到这种情况第一步不是去改代码而是看错误报告里的 node 字段确认是哪个节点出错了。常见原因问题现象常见原因解决思路KSampler 报 CUDA out of memory显存不够降低分辨率、减小 batch_size、使用低显存优化参数Load Checkpoint 报错模型文件缺失或损坏检查文件是否存在重新下载节点提示输入类型不匹配连线错误对比参考工作流检查连线端口类型图片生成全黑VAE 缺失或模型问题单独添加 VAE 节点或更换模型6.2 failed to execute 是什么情况有些朋友运行工作流时页面提示“failed to execute”后面跟着详细错误信息。这其实是 ComfyUI 捕获到 Python 异常后的提示。真正有用的信息在错误日志的下半部分。你需要找到类似这样的片段Traceback (most recent call last): File execution.py, line 152, in recursive_execute outputs node.execute() RuntimeError: CUDA out of memory.看到RuntimeError: CUDA out of memory就是显存问题。看到ModuleNotFoundError就是缺少依赖库。看到FileNotFoundError就是文件路径不对。排查步骤阅读完整错误日志确认错误类型针对类型搜索解决方案修复后重新执行如果仍然报错减少工作流规模比如去掉一个模型节点再测试。6.3 显存不足的优化方案显存不足是新手最常见的问题。如果你的显卡显存比较小可以试试以下几种方式第一种降低生成分辨率。把 1024x1024 改成 768x768 或者 512x512显存占用会明显下降。第二种降低 batch_size。不要一次生成 4 张先一次生成 1 张。第三种在启动命令中加入低显存优化参数。ComfyUI 提供了一些启动参数比如python main.py --lowvram--lowvram会降低显存使用但速度会变慢。如果显存非常紧张还可以尝试python main.py --lowvram --force-fp16注意不同版本对参数的支持不完全一样建议先查看当前版本帮助文档python main.py --help6.4 设置虚拟内存在 Windows 上使用 ComfyUI如果显存不大系统物理内存也不够可能会因为内存不足导致崩溃。此时可以调大 Windows 虚拟内存给系统提供更多的缓冲空间。设置路径右键“此电脑”选择“属性”点击“高级系统设置”在“性能”区域点击“设置”切换到“高级”选项卡在“虚拟内存”区域点击“更改”取消勾选“自动管理所有驱动器的分页文件大小”选择系统盘点击“自定义大小”初始大小设置为 16384 MB最大值设置为 32768 MB或者根据你的磁盘空间调整点击“设置”并重启电脑。虚拟内存本质是用硬盘空间作为内存扩展。速度比物理内存慢但能避免直接崩溃。6.5 Ubuntu 环境下安装注意事项如果你是在 Ubuntu 服务器或电脑上部署不需要使用整合包直接按手动部署流程来就行。但有几个常见问题要提醒第一Python 版本不要太老。检查版本python3 --version如果版本过低建议先升级 Python。第二CUDA 驱动要装好。运行nvidia-smi查看驱动版本和 CUDA 版本。第三建议用虚拟环境安装依赖避免污染系统 Python 环境python3 -m venv venv source venv/bin/activate第四如果你的服务器没有图形界面启动后可以通过--listen参数监听地址在局域网内访问python main.py --listen 0.0.0.0这样其他电脑可以通过浏览器远程访问 ComfyUI 界面。但要注意这样操作会暴露你的服务只建议在可信内网使用不要直接暴露到公网。6.6 模型下载不到或下载慢怎么办很多模型文件很大从外部站点下载速度慢非常正常。解决方案有几个找整合包内置模型的社区版本通常作者会把常用模型打包好使用支持断点续传的下载工具优先下载社区官方发布的模型文件不要随意从网盘搬运压缩包防止文件损坏或夹带风险内容下载完成后建议核对文件大小如果和作者标注不一致大概率下载不完整需要重新下载。模型文件损坏后ComfyUI 加载时会直接报错。这种情况不要反复调试代码先重新下载文件。7. 最佳实践与工程建议7.1 给自己的工作流存档与命名ComfyUI 工作流文件是 JSON 格式。随着你使用的模型、LoRA、风格越来越多如果没有命名规范最后会乱成一团。建议采用如下命名方式[风格标识]_[用途]_[日期].json示例anima_rooftop_girl_20260120.json anima_portrait_lora_test_20260121.json同时不要只保存 JSON 文件最好把生成效果截图也放在同一个文件夹里这样下次找起来一眼就能识别。对于同一组参数可以额外写一个简单的说明文档模型model_v1.safetensors LoRAanime_style_v2.safetensors 步数20 CFG7 采样器euler_ancestral 提示词见 JSON这样的记录习惯能让你在几个月后快速找回当初的效果。7.2 显存紧张时的出图策略如果你显存有限不要直接全分辨率出图。推荐做法是“先生成再放大”。流程如下用 512x512 生成草稿图挑选构图满意的一张通过放大节点进行高清修复保存最终大图。这种方式能明显减少显存占用同时最终出图质量更高。ComfyUI 中常用的放大流程有“Ultimate SD Upscale”等自定义节点但具体名称和安装方式需要看你的 custom_nodes 目录支持情况。对于初次使用即使不用自定义节点也可以用最简单的方式生成后把图片导入到另一个编辑软件里放大处理。虽然不够自动化但作为入门足够了。7.3 参数调整的复盘习惯很多人调整参数是“随手改、随手跑”跑了几十张以后完全忘了哪张图对应哪个参数。建议养成记录的习惯。一个推荐的记录方式在提示词里加入一个独特的种子标记或者在文件名中记录关键参数。img_512_seed42_cfg7_steps20.png这样即使隔了很久你看到文件名也知道参数。7.4 模型与工作流版权注意事项使用 ComfyUI 时你下载的每一个模型、LoRA、工作流文件都可能存在许可协议约束。在下载和使用时注意以下几点优先下载允许商用或注明“可自由使用”的模型如果用于商业项目务必检查模型许可协议不要把付费模型私下转发不要直接下载来路不明的压缩包防止文件被恶意篡改分享自己的工作流时如果其中包含他人模型也要标注来源和许可信息。这些看起来和“技术”无关但在实际项目中如果忽略很容易带来风险。7.5 安全使用提示ComfyUI 允许加载自定义节点。自定义节点本质上是 Python 代码运行时会在你的电脑上执行。因此只安装来源可靠的插件不要从一个不明网站下载“整合了破解功能的节点包”下载他人分享的工作流时如果工作流里包含可疑的节点类型先删除节点再运行在服务器上启动 ComfyUI 时设置访问控制避免把服务暴露到不可信网络。这套安全意识和技术能力同样重要。8. 总结与学习路线这篇文章围绕 ComfyUI 和 Anima 风格工作流从基础概念讲到环境搭建从核心节点拆解讲到完整实战最后整理了高频报错和最佳实践。现在你应该可以做到理解节点式工作流的基本原理区分 Checkpoint、VAE、CLIP、LoRA 的作用知道 CFG、steps、seed、denoise 的含义能从空白工作流搭建一个完整的文生图流程拿到别人的 Anima 工作流后知道怎么检查模型、补充 LoRA、调整提示词面对常见的显存报错、模型报错能按步骤排查。接下来你可以继续学习几个方向图生图把一张已有图片作为输入进行重绘或风格转换ControlNet通过姿态、线稿、深度图等方式精确控制构图LoRA 训练训练自己的角色、画风 LoRAAnimateDiff 或视频相关工作流从静态图扩展到生成视频。这些方向本质上都是节点操作你只要理解了一个工作流就能慢慢组合出更复杂的流程。不要急着全部掌握先多跑通几个别人分享的工作流积累手感再尝试改造和组合。最后给你一个非常实用的建议拿到一个陌生工作流的第一件事不是立刻点生成而是先看节点列表。把每个节点都在心里问一遍“这个节点拿到什么、输出什么、为什么在这里”等你把这套逻辑理清了踩坑率会直线下降。如果你在折腾 ComfyUI 的过程中也遇到了有趣的报错或者好用的工作流欢迎在评论区分享你的踩坑记录。
