ComfyUI 文生图完全指南：教程与常见问题排查

什么是文生图？

文生图（Text to Image）是最基础的 AI 艺术工作流 — 你用文字描述想要的画面，AI 模型就会生成对应的图片。在 ComfyUI 中，这个过程被构建为一个节点图，每个节点负责生成流程中的一个步骤。

这个过程涉及三个核心要素：

• 生成模型 — 创建图像的神经网络（如 Stable Diffusion 1.5）
• 潜空间 — 图像逐步成形的压缩数学空间
• 提示词 — 你的文字描述，分为正向提示（想要的元素）和反向提示（想避免的元素）

准备工作

开始之前，确保你已经：

1. 安装并运行了 ComfyUI（快速开始）
2. 在 ComfyUI/models/checkpoints 文件夹中有至少一个模型

本教程使用 SD1.5 模型。你可以从 HuggingFace 下载 v1-5-pruned-emaonly-fp16.safetensors。

工作流节点详解

默认的文生图工作流使用六种节点（其中 CLIP Text Encode 出现两次 — 分别用于正向和反向提示词）：

Load Checkpoint（加载模型）

加载你的 AI 模型。一个 checkpoint 通常包含三个组件：

Empty Latent Image（空白潜像）

设定画布尺寸。这个节点创建一个充满随机噪声的空白潜空间 — 生成过程的起点。宽高决定了最终图片的尺寸。

SD1.5 建议使用 512×512 以获得最佳效果。

CLIP Text Encode（文字编码，需要两个）

一个用于正向提示（你想要的），一个用于反向提示（你想避免的）。CLIP 编码器将文字转换为语义向量来引导去噪过程。

KSampler（采样器）

工作流的核心。它接收噪声潜像、模型和提示条件，然后通过多步迭代去噪生成图像。

关键参数：

VAE Decode（VAE 解码）

将去噪后的潜像转换回可查看的图片。

Save Image（保存图片）

显示并保存结果到 ComfyUI/output 文件夹。

写好提示词

好的提示词对输出质量影响巨大。以下是 SD1.5 的实用技巧：

建议：

• 尽量使用英文以获得最佳效果
• 用逗号分隔短语，不要写长句子
• 具体描述："golden sunset over calm ocean" 比 "nice landscape" 好得多
• 加入质量提升词：masterpiece, best quality, highly detailed
• 用权重强调重点：(golden hour:1.2) 让这个概念更突出

避免：

• 写长段落 — 模型对简洁关键词的反应更好
• 忘记反向提示 — 它们对避免常见瑕疵非常重要

示例：动漫风格

正向提示：

anime style, 1girl, long pink hair, cherry blossom background,
soft lighting, intricate details, masterpiece, best quality

反向提示：

low quality, blurry, deformed hands, extra fingers

示例：写实人像

正向提示：

(ultra realistic portrait:1.3), elegant woman,
soft cinematic lighting, (golden hour:1.2),
shallow depth of field, (skin texture:1.3),
warm color grading

反向提示：

deformed, cartoon, anime, plastic skin, overexposed,
blurry, extra fingers

原理简述

文生图是一个逆向扩散过程：

1. 从潜空间中的纯随机噪声开始
2. 模型在每一步预测需要去除的噪声
3. 你的文字提示（编码为向量）引导去噪方向
4. 所有步骤完成后，VAE 将结果解码为像素图像

潜空间是一种压缩的数学表示 — 比实际图像小得多。这就是为什么扩散模型能在消费级硬件上运行。可以理解为先画草稿（潜空间）再完成最终作品（像素）。

关于 SD1.5

Stable Diffusion 1.5 是使用最广泛的开源图像生成模型之一：

• 大小： 约 4 GB — 可在 6 GB 以上显存的 GPU 上运行
• 最佳分辨率： 512×512
• 生态： 大量的 LoRA、ControlNet 和社区微调模型
• 局限性： 手部、复杂光照可能出问题，超过 512px 质量下降

常见问题和解决方法

出图模糊、质量低

• 增加步数 — 尝试 25–30 步，而非默认的 20
• 提高 cfg — 尝试 7–9 以增强提示词的影响力
• 加入质量关键词 — 正向提示中加入 masterpiece, best quality, highly detailed, 4k
• 检查分辨率 — SD1.5 在 512×512 效果最佳。直接生成更高分辨率往往会降低质量

手部和手指变形

这是 SD1.5 的已知局限。缓解方法：

• 反向提示中加入 deformed hands, extra fingers, bad anatomy
• 使用修手 LoRA（如 Civitai 上的 "detail tweaker" 或 "hand fix"）
• 生成 512×512 后再放大

出图完全不符合提示词

• cfg 太低 — 提高到 7–12 让模型更紧密跟随提示
• 概念太多 — 精简提示词。少而精的关键词比长段描述效果更好
• 模型不匹配 — 一些模型针对特定风格微调过，动漫模型不擅长写实风格

Load Checkpoint 显示 null 或空

• 确认 .safetensors 文件在 ComfyUI/models/checkpoints/ 中
• 刷新 ComfyUI（F5）或重启
• 检查文件是否损坏（下载不完整）

生成速度很慢

• 显存不足 — 启动时加 --lowvram 参数
• 步数太多 — 快速迭代用 20 步就够，30+ 步留给最终渲染
• 分辨率太大 — 用 512×512 生成后再放大，不要直接生成 1024×1024

下一步

• 图生图 — 用参考图引导生成
• LoRA 指南 — 用轻量模型适配器微调输出
• 图片放大指南 — 用 AI 放大提升分辨率