ComfyUI全球爆红，以其强大的功能性和灵活性成为了创作者的新宠。但面对复杂的节点和连线，许多初学者可能会感到手足无措。别急，这篇文章将从新手的角度出发，详细解析学习ComfyUI的五个阶段，帮助你轻松驾驭这个强大的工具。
ComfyUI的工作流具有极高的可迁移性，可以导出、分享、加载，所有节点和参数皆可轻松复现。所以当你还不会制作复杂的工作流时，不妨先从“抄作业”开始。
ComfyUI面板上的“Save”（保存工作流）按钮可以把工作流保存为json文件，同样，你可以通过“Load”（加载工作流）按钮读取网上下载的json文件，复现工作流。
将ComfyUI或WebUI生成的图片拖到ComfyUI中，图片蕴含的工作流即被加载。
将代码全部选中复制，然后在ComfyUI中粘贴，工作流便被加载出来。
既然学会抄作业了，那优秀作业要到哪里找呢？首先，ComfyUI的开发者通过ComfyUI example站点分享了许多利用默认的节点功能搭建起来的工作流预设，包括图生图、局部重绘、高清修复、ControlNet生成等，还附有详尽说明，如果你想开始探索ComfyUI，建议先吃透这些自带工作流。
其次，现在已经有非常多ComfyUI工作流的分享网站，一些模型网站也开辟了工作流分享专区。我也收集了不少工作流分享的实用站点，如果你也想保存一份，那不妨关注我，并在后台留言获取这些站点的地址。
当你尝试加载一些看起来很酷炫的工作流时，可能会遇到满屏飘红、节点报错的问题，这通常是因为缺少对应的自定义节点。
ComfyUI的自定义节点，相当于WebUI里的扩展和插件，想要实现各种复杂的进阶功能，都得靠它们。因此，初学者玩ComfyUI必须要学会的一件事情，便是安装自定义节点。
首先，你需要在电脑上安装Git软件配置管理（SCM）应用（可通过官网下载），然后找到ComfyUI的本地根目录下的“custom_nodes”文件夹，在custom nodes文件夹的地址栏输入“cmd”，敲回车调出命令行，再输入“git clone”的命令以及节点的代码仓库地址，敲回车，就可以开始下载了。
找到节点的仓库页面，将代码文件压缩包下载，然后解压到custom_nodes文件夹里。
我建议优先使用第一种方法，因为通过Git下载的节点会记录它的仓库和版本信息，日后可动态更新，而下载压缩包的形式置入的节点是离线的，如果有新版本需要手动再去下载。
无论选择哪种方式，安装完新节点以后，都要重启ComfyUI，再次进入界面以后，右键菜单便可看到安装的新节点。
目前几乎每一位ComfyUI用户都必装的一个节点，就是ComfyUI Manager。ComfyUI manager是由Dr.Lt.Data(@ltdrdata)开发并维护的，是专门用于管理ComfyUI节点的工具。赶快尝试运用刚才介绍的方式把ComfyUI Manager装上吧。这里附上ComfyUI Manager的仓库地址：
github.com/ltdrdata/ComfyUI-Manager
安装完毕，重启ComfyUI以后，角落的菜单里便多了一个“Manager”的按钮，点开它，这就是Manager的功能菜单界面了。
ComfyUI Manager 有两个最常见的用途，分别是搜索安装节点，和自动安装缺失节点。
首先是搜索安装节点。点击“自定义节点管理”（Custom Nodes Manager），它会加载一个自定义节点列表，你还可以自由搜索并安装你想要的节点。
当然，这还不是它最厉害的地方，很多人喜欢manager，是因为它具备一个超级省事的功能：自动安装缺失节点。当发生节点缺失的情况时，打开Manager的标签，点击“安装缺失节点”（Install Missing Custom Nodes），它就会自动读取缺失节点，并在线匹配节点。你只需要一个个地点击安装这些节点，把它们都装上就可以了。
这一阶段，你需要深入了解ComfyUI的节点原理和工作流的运行逻辑。ComfyUI是更能揭露SD本质的一个运行界面，钻研它对加深AI绘画工具的底层逻辑理解是有非常大帮助的。
我以ComfyUI默认的文生图工作流为例，分解一下这个最基本的工作流，包含了哪些功能部件，以及它们是如何运行的。
主要分为三个模块：条件输入模块、潜空间模块、像素空间模块。
首先是条件输入模块，包含大模型选择、正负面提示词填写、图片分辨率设定。然后是整个工作流的核心节点：KSampler（K采样器），就是潜空间模块。所谓潜空间，简单来说就是AI处理图像的空间。K采样器会根据前面的条件输入模块的要求，通过不断加噪去噪的过程生成符合要求的图像，但这个图像在潜空间里面还不能直接展示出来，需要通过VAE解码这个节点，把潜空间的图像转变成最终像素空间的图像，这个才是我们最终看到的结果。
在理解了ComfyUI的工作原理后，我们就可以更轻松地看懂其他工作流了，大部分工作流都是遵循一样的运行逻辑的。
想不想检验一下自己对工作流运行逻辑的掌握程度？我们就以ComfyUI的开发者分享的几个典型工作流为例，做一个拆解。
把“Hires fix-Latent”工作流拖进ComfyUI，你就可以得到一个标准的文生图高清修复工作流程了。可以看到，这个工作流结构非常简单，无非就是在常规的文生图流程后面增加了一个KSampler。
左侧的节点组包含：一个模型加载器，两个正负面提示词编码器，一个KSampler，和一个设定生成尺寸的空白潜空间图像（Empty Latent）节点。
我们在最左边输入的信息，除了被输送进第一个KSampler生成一张低清的图片，还输入到了后面这个Upscale Latent(潜空间放大)组件里。（Upscale Latent是一个在潜空间里对图像尺寸进行缩放的基本节点，另一个版本是Upscale Latent by，可以按倍数放大或缩小。）通过Upscale Latent放大后的图像会输入到第二个KSampler，最终再一次经过解码、保存，就得到了高清修复后的大图了。
这是借助ESRGAN等传统放大模型来实现高清修复的工作流，比起Latent放大，它中间的结构就显得复杂多了。
第一次采样的结果，会先经过一次解码输出成一张图片，然后再把这张图片输出到“Upscale Image(using Model)”(使用模型放大），而在这个Upscale Image(using Model)节点的前面，还必须先使用一个“Load Upscale Model”(放大模型加载器)，加载一个超分辨率模型。经过放大器处理以后的图片，再通过“Upscale Image”（放大图片）的节点调整到最终尺寸。最后，由“Upscale Image”输出的图片进入到VAE编码节点里重新转换成Latent数据进行采样。
简单来说，就是在先生成一张图片的基础上，使用专门的超分辨率放大模型，对图片进行高清放大处理。
把“inpaint_example”这张图片拖进ComfyUI，就会得到一个基本的重绘工作流程：
我们很快会发现，这个工作流好像没有地方给我们画蒙版，那怎么让AI知道哪里是要重绘的呢？其实，ComfyUI的蒙版功能非常隐蔽，你需要右键点一下这张图片，在菜单里找到“Open in MaskEditor”（在蒙版编辑器里打开），它会开启一个图片编辑窗口来画蒙版。
图片加载器节点的右侧有两个端口，一个是输出图片信息的，另一个就是输出蒙版信息的。图片加载器的下一个节点叫VAE Encode，和普通的VAE编码器不一样，它是专门为重绘服务的（For Inpainting）。VAE Encode的左侧除了图片、VAE的输入以外，还多了一个蒙版的输入，你可以把它的作用理解为根据蒙版的指示只对蒙版区域做编码，从而控制只在蒙版里做重绘。后面的流程就和普通的图生图没有任何区别了。
折腾了一段时间，我们对ComfyUI的学习算是步入了入门阶段，接下来是你和别人拉开差距的重要一环了，就是开始针对具体的工作和需求，量身定制工作流。关于如何创建工作流的详细内容，我将在后续文章中分享。
现在，你知道自己处于哪个学习阶段了吗？欢迎在评论区留言分享你的经验。
