本教程为 2024 年最新版ComfyUI的入门指南，专为初学者设计，无需任何基础，带你轻松掌握AI绘图技巧。通过详细的步骤和实例，学习如何利用ComfyUI进行文生图创作，开启你的AI艺术之旅。

初次运行ComfyUI，一启动便会看到一个预设的工作流程，这通常是一个入门级的文本到图像的工作流。让我们借此机会对构成这个工作流的基础节点进行一番简要说明。

在ComfyUI中，节点和节点之间的链接以相同颜色链接即可，熟悉常用工作流之后，大概就能明白节点的链接逻辑了

1、K采样器

K采样器可以类比为一个“厨师”，是SD出图流程中的核心节点，所有节点载入，数据输入，参数配置，最后都会汇总到K采样器，它会结合载入的模型，提示词的输入以及Latent输入，进行采样计算，输出得到最终图像

• input model：从模型加载节点接收的Unet模型。

• positive：由CLIP模型编码的正向提示词。

• negative：由CLIP模型编码的负向提示词。

• latent_image：潜在空间中的图像，可以是一个预先存在的潜在图像节点，也可以是空的。

Latent，即潜空间，可以理解为SD内部流程中的图像格式，如果我们将图像作为输入，则需要通过VAE编码将其转换为Latent数据，在最后输出时，我们也需要通过VAE解码将其转换为像素空间，也就是我们最终图像

2、Checkpoint加载器

可以类比为菜系，选择写实的大模型，厨师就会做写实风格的“菜”

checkpoint 也就是大模型，这个节点是起始点，需要选择相应的大模型，以及vae输入给采样器，clip则连接正反向提示词 其中VAE可以直接使用大模型的vae去链接，也可以单独使用vae解码节点，来选择自定义的vae

3、CLIP文本编码器

简单比喻就是“菜谱”，把你最想吃的都写在这里“厨师”就会按照这个菜谱做菜

CLIP节点则需要输入提示词，其中CLIP节点需要两个，一个作为正向提示词链接K采样器，一个作为负向提示词链接采样器

4、空白潜空间图像

可以理解为菜的分量

使用空latent建立潜空间图像，这里主要用于控制图像尺寸和批次数量的

5、VAE解码

• input samples：已经通过采样器去噪的潜在空间图像。

• vae：可以是大模型自带的VAE，也可以是独立的VAE模型。

• output IMAGE：输出的图像可以连接到保存节点或预览节点，以便用户查看或保存生成的图像。

前面已经提到对于Latent潜空间图像和输出的像素图像之间，需要进行一次转换，VAE解码节点则是对这个过程转换的节点

6、保存图像

顾名思义，即保存当前生成的图像，保存的图像除了在当前页面能看到以外，也可以在本地文件夹目录（x:\xxx\ComfyUI根目录\output）下看到所有生成的图片

默认流程整体就这么简单，输入提示词，点击添加提示词队列，即可生成你的第一张ComfyUI图片了