Guohua Diffusion 与 ComfyUI 工作流搭建：可视化节点式创作指南

你是不是也遇到过这种情况：看到别人用AI生成的图片效果惊艳，自己也想试试，但一打开那些代码工具就头疼？命令行、参数、配置文件……光是看着就劝退了。

别担心，今天要聊的ComfyUI，就是来解决这个问题的。它把复杂的AI图像生成过程，变成了像搭积木一样的可视化操作。你不需要写一行代码，只需要用鼠标拖拖拽拽，连接几个“小方块”（节点），就能构建出专业级的图像生成工作流。

这篇文章，我就带你从零开始，手把手学会用ComfyUI来驱动Guohua Diffusion模型。我们会从认识界面开始，一步步搭建一个基础的文生图流程，再到实现图生图、高清修复这些高级功能。最后，我还会分享几个现成的工作流模板，你直接导入就能用。目标是让你看完就能上手，真正把想法变成图片。

1. 准备工作：快速安装与初次见面

在开始搭积木之前，我们得先把“工地”准备好。ComfyUI的安装比你想的要简单。

1.1 一键部署ComfyUI

对于大部分用户，最省心的方式是使用预置的Docker镜像或一键安装包。你可以在一些主流的AI工具平台上找到已经打包好的ComfyUI环境，通常标题会包含“ComfyUI一键安装”或“可视化AI绘画”之类的关键词。下载后，解压运行里面的启动脚本（比如 run.bat 或 run.sh），一个本地网页界面就会在浏览器中打开。

如果你喜欢自己动手，也可以通过Git从官方仓库克隆。打开命令行，输入以下命令：

git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI
pip install -r requirements.txt

然后运行 python main.py 启动服务。无论哪种方式，成功启动后，在浏览器里访问 http://127.0.0.1:8188，你就能看到ComfyUI的主界面了。

1.2 下载与放置模型文件

ComfyUI本身只是一个“操作台”，真正干活的“工匠”是模型。我们需要为它准备好Guohua Diffusion的模型文件。

1. 获取模型：你需要拥有Guohua Diffusion的模型文件（通常是 .safetensors 或 .ckpt 格式）。请确保你从官方或可信渠道获得这些文件。
2. 放置模型：在ComfyUI的安装目录里，找到 models/checkpoints 文件夹。把你下载好的Guohua Diffusion主模型文件复制进去。
3. 其他资源：同样的，如果你需要用到VAE（负责色彩和细节）、LoRA（微调模型风格）或者ControlNet（控制图像构图），也需要把它们分别放到 models/vae、models/loras 和 models/controlnet 文件夹里。

做完这些，刷新一下ComfyUI的网页界面，模型就应该能被识别了。

1. 3 认识你的新画室：ComfyUI界面初探

第一次打开ComfyUI，界面可能看起来有点空，但别慌，结构很清晰。

• 中间大片空白区域：这是你的“画布”，也是之后搭建工作流的主要舞台。所有节点都会在这里排列和连接。
• 右侧的浮动工具栏：这里藏着所有可用的“积木块”。点击“Add Node”（添加节点），你会看到按功能分类的节点列表，比如 Load Checkpoint（加载模型）、CLIP Text Encode（处理提示词）、KSampler（采样器，核心生成节点）等等。
• 左上角的菜单栏：Load（加载）、Save（保存）工作流；Queue Prompt（运行生成）；Clear（清空画布）等常用功能都在这里。

界面很简单，对吧？它的强大之处在于节点的灵活组合。接下来，我们就开始搭第一个工作流。

2. 核心搭建：你的第一个文生图工作流

让我们从最基础的“用文字描述生成图片”开始。这个流程是所有创作的基础，理解了它，其他复杂功能都是在这个骨架上添砖加瓦。

2.1 搭建核心生成链条

想象一下AI画图的步骤：它需要先理解你的文字（提示词），然后加载一个懂得如何作画的模型（大模型），最后通过一个“渲染引擎”（采样器）把画一点点画出来。我们在ComfyUI里就用节点来模拟这个过程。

1. 加载模型：在右侧点击 Add Node -> loaders -> Load Checkpoint。这个节点就是我们的“工匠库”，把它拖到画布上。在节点上点击，选择你刚才放入的Guohua Diffusion模型。
2. 输入提示词：点击 Add Node -> conditioning -> CLIP Text Encode (Prompt)。这个节点需要两个：一个用于输入你想要的画面（正面提示词），一个用于输入你不想要的画面（负面提示词）。把它们拖出来两个。
3. 设置采样器：点击 Add Node -> sampling -> KSampler。这是核心的“渲染引擎”，决定了生成图片的步骤、随机种子等关键参数。

现在，画布上有四个孤零零的节点。接下来，就像连接水管一样，把它们连起来。

2.2 连接节点，让信息流动起来

节点的连接点叫做“插槽”，有输入（左侧）和输出（右侧）之分。我们需要用鼠标从输出插槽拖拽到输入插槽来建立连接。

• 将 Load Checkpoint 节点输出的 MODEL 和 CLIP，分别连接到 KSampler 的 model 输入，以及两个 CLIP Text Encode 节点的 clip 输入。
• 将两个 CLIP Text Encode 节点输出的 CONDITIONING，分别连接到 KSampler 的 positive（正面）和 negative（负面）输入。
• 最后，我们需要一个节点来接收生成的图片。点击 Add Node -> image -> VAE Decode。将 Load Checkpoint 输出的 VAE 连接到它的 vae 输入，再将 KSampler 输出的 LATENT（潜空间图像，可以理解为压缩版的画稿）连接到它的 samples 输入。
• 再添加一个 Save Image 节点（Add Node -> image -> Save Image），连接到 VAE Decode 的输出。

至此，一个最精简的生成链条就完成了。你的画布应该看起来像一条有逻辑的流水线。

2.3 填写提示词并生成第一张图

现在，我们来让这个流水线工作。

1. 在两个 CLIP Text Encode 节点的 text 输入框里，分别填写你的正面和负面提示词。比如，正面写“一个宁静的湖边小屋，晨雾，大师级摄影，细节丰富”，负面写“模糊，丑陋，多只手，多只脚”。
2. 在 KSampler 节点上，设置一些基本参数：
   • steps（采样步数）：20-30步对于开始来说是个不错的范围，步数越多细节可能越好，但时间也越长。
   • cfg（提示词相关性）：7-9之间，数值越高，AI越听从你的提示词。
   • seed（随机种子）：保持-1，让AI随机发挥，这样每次生成都不一样。
3. 点击左上角的 Queue Prompt 按钮。

稍等片刻，你就能在 Save Image 节点指定的输出文件夹里，或者ComfyUI界面下方的历史记录里，看到你生成的第一张图片了！虽然这个工作流还很基础，但你已经掌握了最核心的原理。

3. 功能进阶：解锁图生图与高清修复

有了基础工作流，我们就可以给它增加更多“技能包”了。这些高级功能本质上是在核心链条的特定环节插入新的处理节点。

3.1 实现图生图（Img2Img）

图生图不是重新画，而是在现有图片的基础上进行修改和重绘。我们需要在流程开始时，把一张现有的图片“喂”给AI。

1. 加载输入图片：在开头添加一个 Load Image 节点（image 类别下）。
2. 编码图片：添加一个 VAE Encode 节点（image 类别下）。将 Load Checkpoint 输出的 VAE 连接到它的 vae 输入，将 Load Image 输出的 IMAGE 连接到它的 pixels 输入。这个节点会把普通图片转换成AI能处理的潜空间格式。
3. 注入到采样器：最关键的一步，将 VAE Encode 输出的 LATENT，连接到 KSampler 的 latent_image 输入。这样，采样器就会从这张图开始，而不是从纯噪声开始创作。
4. 控制重绘强度：调整 KSampler 节点上的 denoise（去噪强度）参数。这个值在0到1之间，值越低（如0.3），生成结果越像原图；值越高（如0.7），AI发挥的空间越大，变化也越大。

现在，你上传一张图片，写上新提示词，就能得到一张风格、内容基于原图变化的新图了。

3.2 添加高清修复（Upscale）

直接生成大尺寸图片对显存要求很高。一个更聪明的做法是：先快速生成一张小图，确认构图和内容，再用专门的算法把它放大并补充细节。

这里介绍一种常用的“两步法”高清修复：

1. 生成小图：用我们之前的基础流程，生成一张分辨率较小的图片（比如512x768）。
2. 放大并修复：在 VAE Decode 之后，Save Image 之前，插入一个放大流程。
   • 添加一个 UltimateSDUpscale 节点（你需要先安装相关自定义节点，很多整合包已自带）。
   • 将小图连接到它的输入。
   • 在节点参数中，选择放大算法（如 4x_NMKD-Siax_200k 效果不错），设置目标放大倍数（如2倍）。
   • 最关键的一步：将这个放大节点的输出，重新送回到 KSampler 的 latent_image 输入，同时将 KSampler 的 denoise 设置为一个较低的值（如0.2-0.35）。这相当于告诉AI：“这是放大后的草图，请你在它的基础上，用很少的步骤，修复一下模糊的细节。”
   • 记得把第二次生成的 VAE Decode 输出连接到最终的 Save Image。

这样，AI就会在放大的图片上进行一次轻度的“精修”，从而得到一张既大又清晰的图片。

3.3 尝试面部修复（Face Restoration）

生成的人脸有时会有些小瑕疵。我们可以集成一个面部修复节点来优化它。

在最终的 Save Image 之前，添加一个 FaceRestoreWithModel 节点（通常来自 ImpactPack 等自定义节点包）。将上一步的图片输入给它，并在模型中选择一个修复模型（如 CodeFormer 或 GFPGAN）。这个节点会自动检测画面中的人脸并进行修复，让皮肤质感更自然，五官更清晰。

4. 效率提升：使用与分享工作流模板

当你搭建好一个复杂而好用的工作流后，肯定不想每次都用。ComfyUI的保存和加载功能可以帮你。

4.1 保存你的得意之作

点击左上角菜单的 Save，给你的工作流起个名字（比如“我的高清人像生成器.json”），它就会保存为一个JSON文件。这个文件很小，只记录了所有节点的类型、位置、连接关系和参数，不包含模型本身，方便分享。

4.2 加载现成模板，站在巨人肩上

网上有大量社区分享的优秀工作流模板（JSON文件）。当你得到一个 .json 文件后，在ComfyUI中点击 Load，选择该文件，整个复杂的工作流就会瞬间在画布上还原，包括所有节点和连接。这是学习高级技巧最快的方式。

4.3 我常用的几个模板思路

这里分享几个我经过调试后觉得比较实用的流程组合，你可以根据这个思路去搭建或寻找：

• 快速肖像工作流：基础文生图 + 面部修复 + 轻微高清放大。适合快速产出质量不错的人像。
• 高细节风景工作流：基础文生图 + 两步法高清修复（使用重绘）。适合生成需要大量细节的宏大场景。
• 创意融合工作流：图生图 + 多个LoRA模型混合调用 + 提示词调度。适合实现复杂的风格混合与内容控制。

你可以以这些思路为起点，在ComfyUI的海洋里探索属于自己的独家配方。

---

整体体验下来，ComfyUI确实大大降低了AI绘画的操作门槛。它把原本隐藏在代码后的生成逻辑，直观地摊开在你面前。刚开始接触节点时可能会觉得有点复杂，但一旦理解了“加载模型 -> 编码提示 -> 采样生成 -> 解码保存”这条主线，剩下的就是在这条主线上添加各种功能模块。

最大的好处是灵活和可复现。你搭建的每一个工作流都是一个明确的“配方”，下次一键就能复现同样的效果。建议你先从最基础的链条开始，确保能跑通，然后每次只尝试添加一个新功能节点，比如先玩转图生图，再研究高清修复。遇到问题也不用怕，ComfyUI的社区非常活跃，很多节点组合方案都有现成的教程和模板可以参考。多动手试几次，你很快就能熟练地用它来创造你想象中的画面了。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。