很多刚开始接触 ComfyUI 的人第一次打开编辑器看到满屏的节点、连线、分组框第一反应基本都是头皮发麻。尤其是想用它做 AI 漫剧既要保证角色一致又要批量产出几十个分镜还要考虑效率、风格、修复等等问题。任何一个环节卡住都会让人怀疑这个工具是不是只适合“大神”使用。但这里我想先给一个明确判断ComfyUI 漫剧工作流真正难的点不在操作而在工作流结构。只要把核心模块拆开逐个跑通再用流水线串起来这件事是完全可复盘的、可重复的也是可以被团队复用的。它跟写代码很像——先搭最小可运行版本再逐步加功能。这篇文章的目的就是把你需要知道的 ComfyUI 基础概念、漫剧工作流的模块拆解、完整搭建思路、常见错误处理全部整理清楚。如果你正处于“已经装了 ComfyUI 但不知道怎么搭漫剧工作流”的阶段这篇文章会非常适合你。如果你是零基础也可以按文章后面的“七天学习路线”来做实践规划。1. 为什么要学 ComfyUI 漫剧工作流先说一个很多人的困惑做漫剧为什么非要选 ComfyUI直接用 Midjourney、即梦、可灵这些在线工具不行吗答案是单张出图可以批量出片不行。漫剧和普通 AI 绘图最大的不同在于它是一个连续性内容产品。你需要大量分镜需要主角形象稳定需要环境风格统一还需要在一天内产出几十张甚至上百张图。如果使用网页版工具一张一张调提示词、复制参考图效率会非常低。更麻烦的是不同工具之间的参数、风格、后缀逻辑并不统一一旦换了生成平台整套流程就要重新摸索。ComfyUI 的定位是“节点式流程引擎”。你可以把整个生产流程固化成一个工作流文件脚本化的方式决定模型、提示词、参考图、采样参数、放大策略。这意味着同一套工作流换换提示词就能批量出分镜。你可以保存角色参考图、风格参考图让每一张图都在同一套规则下生成。遇到生成失败可以定位到具体节点排查而不是重新随机抽卡。后续可以接入 API、批量脚本、定时任务实现半自动化生产。所以ComfyUI 漫剧工作流真正解决的问题是把“生成一张好看的图”变成“稳定地生成一个系列”。它降低的不是作图难度而是整个内容生产流程的复杂度。对于想要长期更新漫剧的内容团队、自媒体作者甚至想要尝试 AI 内容工业化的人来说这套能力才是关键。2. ComfyUI 核心概念节点、工作流和三个易混淆点在开始搭漫剧工作流之前有几个基础概念必须搞清楚。这几个概念如果你没有真正理解后面所有步骤都容易出错。2.1 节点就是“函数”ComfyUI 的工作方式非常像一条程序流水线。每个节点负责一件具体的事加载模型、写提示词、采样生成图像、解码图像然后把这些数据从一个节点传给下一个节点。如果把 ComfyUI 比作一个函数式编程环境那么节点就等同于函数。输入是数据张量或参数输出同样是数据。你不需要了解每个节点内部怎么实现只需要知道它接收什么、输出什么、以及如何与其他节点连接。漫剧工作流里常见的节点有几类节点类型作用漫剧场景中的用途模型加载节点加载大模型和 VAE决定出图风格的基础模型文本编码节点将提示词转换为向量输入角色描述、场景描述图像输入节点加载参考图锁定角色发型、脸型、服装采样器节点执行扩散去噪核心的生成步骤图像解码节点将潜空间数据转为图片输出最终可见图像图像放大节点放大画质用于高清分镜出图保存图像节点保存生成结果批量保存分镜文件你不要死记节点名称先理解数据流的方向模型、提示词、参考图进入采样节点采样器在潜空间里生成数据图像解码器把它变成图片放大节点提升分辨率最后保存。2.2 工作流就是“有向图”ComfyUI 把节点和连线保存为一个 JSON 文件这个 JSON 就是“工作流”。加载工作流文件其实就是加载一张数据流向图。节点是顶点连线是有向边数据沿着边从上游节点流向节点下游。从这个角度看搭建漫剧工作流和画架构图很类似。你需要先明确输入是什么、输出是什么、中间需要经过哪些处理节点。在搭建工作流时不建议一上来就追求复杂节点组合而是先用一条简单链路跑通再逐步添加参考图、控制网络、批量处理这些模块。2.3 新手最容易搞混的三个概念一、大模型和 LoRA 的区别。大模型是底模决定整体画风和生成质量。LoRA 是挂载在底模上的额外权重用来控制某个具体特征比如某个角色脸型、某种服装风格。在漫剧工作流中底模决定的是整体叙事风格角色 LoRA 决定的是主角长什么样。二者不是同一层级的替换关系是叠加关系。二、工作流 JSON 和提交 API 的格式不同。编辑器里导出的 workflow 文件包含了画布布局、节点坐标等展示信息而真正提交给 ComfyUI 后端执行的 prompt 格式只需要节点 ID、class_type 和 inputs。很多新手用 API 提交的时候直接拿 workflow 文件提交结果报错就是这个原因。三、内置节点和自定义节点的区别。内置节点是指 ComfyUI 原生自带的节点不需要额外安装。自定义节点是社区开发的扩展节点需要手动安装或通过 ComfyUI Manager 安装。漫剧工作流中很多核心能力比如角色一致性、视频生成都依赖自定义节点。所以加载别人分享的工作流时报告“缺少节点”几乎是必遇问题。3. 环境准备整合包、手动安装与硬件要求ComfyUI 的部署方式大体上分两类整合包方式和手动安装方式。两者没有绝对的好坏关键看你的使用场景。3.1 新手选整合包进阶选手选手动对于 Windows 用户社区里比较流行的是各种“一键整合包”。这类整合包通常把 Python 环境、ComfyUI 主程序、常用自定义节点、基础的模型都打包好解压后双击启动脚本就能进入界面。优点是省去环境配置非常适合零基础缺点是包体积大、版本更新有一定滞后不同的整合包可能包含不同版本的自定义节点。对于有 Python 基础的人我建议手动安装。ComfyUI 本质是一个 Python 项目手动安装的好处是可以精确控制每个依赖的版本也方便后续接 API、做二次开发、部署到 Linux 服务器。3.2 手动安装的基本步骤手动安装的前提条件Python 3.10 到 3.12 版本Git一台有 NVIDIA 显卡的电脑或配置好 CUDA 环境基本命令如下# 克隆 ComfyUI 官方代码 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI # 创建虚拟环境 python -m venv venv # 激活虚拟环境 # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate # 安装 PyTorch 相关依赖 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 # 安装 ComfyUI 其余依赖 pip install -r requirements.txt启动 ComfyUI 的命令python main.py启动后终端会显示访问地址通常是http://127.0.0.1:8188。如果你需要在局域网其他设备访问可以带参数启动python main.py --listen 0.0.0.03.3 硬件要求与模型选择ComfyUI 对显卡显存的要求取决于你使用的模型尺寸和图像分辨率。做漫剧分镜一般建议至少 8GB 显存。如果显存有限可以优先选择小尺寸模型同时开启动态内存管理减少内存溢出风险。如果显卡显存小于 6GB建议不要直接跑大分辨率采样可以在低分辨率阶段生成然后用放大节点提升分辨率。这个做法是漫剧工作流中非常实用的策略。关于模型需要注意一点不同模型对提示词的支持方式有差异。做漫剧时建议优先选择在人物稳定性、写实或者二次元风格方面表现较好的模型。具体模型名称和版本变化很快这里不做固定推荐。稳妥的做法是在下载模型时查看模型卡说明确认它支持的风格、推荐的采样器和负向提示词写法。4. 漫剧工作流核心模块拆解一个完整的漫剧工作流通常由四个模块组成。理解模块比记住某个节点更重要因为模块可以替换而思路是通用的。4.1 角色一致性模块角色一致性是漫剧生产的核心难点。如果你每一张分镜生成出来的主角都长得不一样那就不叫漫剧了只能叫插画合集。目前实现角色一致性的主要思路有两种第一种是参考图叠加。加载角色参考图通过 Image 输入节点和特定节点提取角色特征再把这部分特征作为条件输入到采样器中。适用于正面、侧面等角度变化较小的分镜。第二种是训练角色 LoRA。把同一个角色的几十张素材整理好训练一个专属 LoRA。每个分镜生成时在提示词里调用该 LoRA 并给出权重角色一致性会更稳定。缺点是准备素材和训练需要额外成本门槛较高。在实际项目中通常会用一种组合策略先跑通基础流程用参考图控制大致模样再配合固定 seed 和批量生成结果筛选选出最接近角色设定的图作为后续参考。少数关键镜头才用 LoRA 做增强。4.2 场景与环境控制模块漫剧需要不同的场景比如室内、街头、森林。如果只是频繁修改提示词生成结果会很随机。更可靠的方法是叠加 ControlNet 控制节点通过简笔画、线稿或深度图来控制构图。这一模块的核心逻辑是大模型负责风格和内容ControlNet 负责结构。比如你希望分镜里人物在画面左侧、背景是走廊可以先用简单的线条图或分割图确定位置关系再由模型生成完整画面。这里有一个容易踩的坑ControlNet 的模型文件需要和对应的控制类型匹配。如果使用姿态控制却加载了深度模型生成的图几乎不会按照你的预期走。加载前务必确认 ControlNet 模型和预处理器类型一致。4.3 批量与分镜输出模块漫剧工作流的最终目标不是单张出图而是批量输出。ComfyUI 本身支持 batch 模式即同一工作流中输入多个提示词或参考图一次执行生成多张图。批量输出有两个层次编辑器内的批量加载把分镜表格导出为多组提示词在工作流中通过批量加载节点输入。API 方式的批量调用通过 Python 脚本多次提交不同的工作流参数适合集成到自动化流程中。刚开始建议先用编辑器手动执行 4 到 8 张分镜确认流程稳定后再升级为 API 批量脚本。4.4 视频生成与运镜模块如果漫剧发布形式不仅是静态分镜还希望做成慢镜头、动态视频就需要在工作流中添加视频生成节点。视频生成节点的工作原理通常是在静态图基础上生成若干连续帧或对首尾帧进行插帧处理。这个模块对显存和生成时间的要求比较高建议在静态图工作流完全稳定后再加入。不要一上来就搭一个包含视频生成的完整复杂工作流否则排错难度会非常大。5. 手把手搭建从工作流 JSON 到第一张图这一部分我会用一个最小可运行的示例带你把漫剧工作流的骨架跑通。这里不涉及复杂的自定义节点只验证 ComfyUI 最核心的链路模型加载、提示词、采样、解码、保存。5.1 理解一个最简工作流 JSONComfyUI 编辑器保存的工作流 JSON 和 API 提交格式略有不同。下面是一个按 API 提交格式精简后的示例用于理解节点结构。{ 1: { class_type: CheckpointLoaderSimple, inputs: { ckpt_name: your_model.safetensors } }, 2: { class_type: CLIPTextEncode, inputs: { text: masterpiece, a girl standing in a fantasy street, comic style, clip: [1, 1] } }, 3: { class_type: CLIPTextEncode, inputs: { text: blurry, low quality, clip: [1, 1] } }, 4: { class_type: EmptyLatentImage, inputs: { width: 512, height: 768, batch_size: 1 } }, 5: { class_type: KSampler, inputs: { seed: 42, steps: 20, cfg: 7, sampler_name: euler, scheduler: normal, denoise: 1, model: [1, 0], positive: [2, 0], negative: [3, 0], latent_image: [4, 0] } }, 6: { class_type: VAEDecode, inputs: { samples: [5, 0], vae: [1, 2] } }, 7: { class_type: SaveImage, inputs: { images: [6, 0], filename_prefix: comic_scene } } }这段 JSON 的结构并不复杂节点 1 加载大模型节点 2 和节点 3 分别编码正向提示词和负向提示词节点 4 创建空白潜空间图像节点 5 是采样器节点 6 把采样结果解码为图片节点 7 保存图片。在编辑器里手动搭建时你可以直接搜索这些节点名称然后用鼠标连接对应的输入输出端口不需要手写 JSON。这里展示 JSON 的目的是让你明白工作流底层到底在做什么。5.2 用 Python 调用工作流 API确认工作流在编辑器里能跑通之后就可以考虑用 API 方式提交。ComfyUI 默认启动了 HTTP 服务可以通过/prompt接口提交工作流参数。下面是一个最简 Python 调用示例import json import urllib.request def queue_prompt(workflow): data json.dumps({prompt: workflow}).encode(utf-8) req urllib.request.Request( http://127.0.0.1:8188/prompt, datadata, headers{Content-Type: application/json} ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode(utf-8)) workflow { 1: { class_type: CheckpointLoaderSimple, inputs: { ckpt_name: your_model.safetensors } } # 其他节点省略实际使用时需要补齐完整结构 } if __name__ __main__: result queue_prompt(workflow) print(提交成功任务 ID, result.get(prompt_id))运行前需要确保 ComfyUI 已经启动并且你本机可以访问 8188 端口。提交成功后ComfyUI 会返回一个任务 ID你可以用这个 ID 去查询执行状态。5.3 运行后如何验证判断一个工作流是否成功最简单的方法是看输出图片是否保存到了 ComfyUI 的output目录。同时终端或者日志里如果有Prompt executed之类的记录说明执行完成。如果执行失败终端日志中通常会出现红色的错误信息。第一次运行失败非常正常不要慌张第一件事不是乱改节点而是看日志里报错的节点名称和具体异常类型。6. 进阶角色锁定与批量分镜生产跑通最简链路之后你已经有能力搭建一个完整的漫剧工作流了。这里给出几条非常重要的进阶思路。6.1 通过参考图锁定角色在角色一致性模块中比较稳妥的做法是加入参考图输入。工作流中可以加入加载参考图的节点用额外的特征提取节点提取参考图特征并将特征作为条件一并送入采样器。具体节点名根据你使用的插件和模型会有差别但思路是固定的参考图 提示词 采样器。实际操作中可以准备一张正面站立的角色全身图作为所有分镜的基准参考图。不同分镜只需要修改提示词中的动作、环境和表情描述。如果角色有多个角度或服装可以准备多张参考图根据场景切换输入。6.2 固定 seed 与批量筛选seed 是生成随机噪声的种子值。保持其他参数不变固定的 seed 会生成相同或相近的图像。在漫剧工作流中这是一把双刃剑优点可以在找到满意结果之后固定 seed保持角色细节一致性。缺点固定 seed 会导致分镜之间构图过于相似画面缺乏变化。更实用的策略是把 seed 设置为随机批量生成多组候选图从中挑选符合分镜预期的图像。筛选结果满意后再固定该 seed 做后续放大和精修。这个过程很像拍电影先拍多条素材再进后期剪辑。6.3 从编辑器操作升级到 API 脚本当你的分镜量达到每天几十张时编辑器里手动改提示词就不是最佳选择了。更合理的方式是维护一个分镜表比如 CSV 文件每行包含分镜编号、画面描述、角色状态、场景类型。用 Python 脚本读取每一行生成对应的工作流参数提交到 ComfyUI API。下面是读取 CSV 并逐条提交的简化逻辑import csv import json import urllib.request def build_workflow(scene_desc): workflow { 2: { class_type: CLIPTextEncode, inputs: { text: scene_desc, clip: [1, 1] } } } # 实际使用时要补全整条数据流 return workflow def queue_prompt(workflow): data json.dumps({prompt: workflow}).encode(utf-8) req urllib.request.Request( http://127.0.0.1:8188/prompt, datadata, headers{Content-Type: application/json} ) with urllib.request.urlopen(req) as resp: return json.loads(resp.read().decode(utf-8)) with open(storyboard.csv, encodingutf-8) as f: reader csv.DictReader(f) for row in reader: scene row[scene] wf build_workflow(scene) result queue_prompt(wf) print(f分镜 {row[id]} 已提交{result.get(prompt_id)})这个示例中关键点是把 CSV 中的文字提示词动态插入到工作流的正向提示词节点中。参考图、角色 LoRA 等信息也可以按同样的思路在脚本中动态组装。6.4 半自动化批量出图的风险一定要强调批量脚本虽然高效但必须有可控的验证机制。不要一次性提交几百张任务后不管建议先提交 5 张测试检查构图、角色一致性、文字水印和画质再提交完整批次。批量生产过程最好保留日志记录每个分镜使用的提示词、seed 和参数方便回溯。7. 运行验证与效果判断工作流跑起来之后如何判断效果合格这里给出一套可操作的标准。构图是否匹配分镜脚本。主要看主体位置、环境场景、镜头景别是否符合剧本预期。角色是否保持一致。对比脸型、发型、服装颜色和主体特征出现明显的漂移就算不合格。画面是否有明显瑕疵。比如多手指、脸部变形、边缘撕裂。这类问题可以在工作流中加入修复节点也可以手动重绘部分区域。分辨率是否达到发布要求。如果只是做短视频平台发布一个相对合适的分辨率即可如果做长图或高清连载需要在出图后插入放大节点。艺术风格是否统一。翻看连续几个分镜整体色调、光影、饱和度应保持近似而不是每张图换了一层滤镜。效果验证不需要等全部生成完建议每跑通一个模块就验证一次。这样做的好处是一旦后期出现问题能更快定位是哪个模块引入的错误。8. 常见问题与排查思路ComfyUI 漫剧工作流搭建过程中绝大多数问题都集中在下面几个地方。这里以表格形式给出排查思路建议收藏备用。问题现象可能原因排查方式解决方案加载工作流提示“请安装缺失的包”工作流包含他人自定义节点本地未安装查看提示中列出的缺失节点名称通过 ComfyUI Manager 安装缺失节点然后重启点击运行后没有任何反应工作流未连接完整前置节点未执行检查节点端口连线看是否有红色端口按数据流方向逐级检查补全缺失连接显存不足或直接爆显存分辨率设置过高或模型加载过多查看任务管理器显存占用和终端日志调低分辨率关闭多余参考模型逐模块执行生成图片角色不一致参考图未生效或提示词权重过低单独测试参考图节点是否输出有效特征提高参考图权重固定 seed添加角色 LoRA图片大面积黑影或崩坏采样参数不当或负向提示词设置错误查看采样器参数调低 cfg 或换采样器恢复常用参数预设重新采样速度非常慢CPU 运行或模型过大确认是否启用了 GPU 加速安装对应 CUDA 版 PyTorch检查驱动环境批量化后文件名混乱保存节点未设置分镜前缀检查 SaveImage 节点的 filename_prefix按分镜编号设置前缀如 storyboard_001这里要特别说明第一类问题。网络热词中频繁出现的“请安装缺失的包以使用此工作流”本质上是自定义节点缺失。解决它的标准流程是安装 ComfyUI Manager 插件。加载别人分享的工作流时打开 Manager 面板。点击安装缺失自定义节点等待安装完成。重启 ComfyUI重新加载工作流。如果自动安装失败可以手动去该节点的 GitHub 仓库使用 git clone 下载到custom_nodes目录。完成后同样需要重启 ComfyUI并在终端确认依赖安装成功。9. 最佳实践与工程建议到这里ComfyUI 漫剧工作流的搭建思路已经基本讲完。最后给几条工程层面的建议帮助你从“能跑”走向“能稳定产出”。9.1 用命名规则管理工作流和资源漫剧项目通常涉及多套工作流角色测试流、单帧精修流、批量分镜流、视频生成流。建议在文件命名上做到可追溯例如workflow/ base/ # 基础流程 character/ # 角色一致性相关 storyboard/ # 批量分镜相关 enhance/ # 高清修复相关 output/ storyboard_001/ storyboard_002/ models/ checkpoint/ lora/ controlnet/输出图片按分镜编号保存。不要把所有图片存到一个大文件夹里时间长了根本找不到。9.2 关键参数写进提示词或者配置模板漫剧生产最怕的一件事是两张分镜角色变了但你已经忘记了前一张用的是什么参数。所以工作流中的关键标签信息要尽量结构化比如在提示词中统一追加角色名称标签、风格标签、镜头标签。这会让你在二次筛选时更容易维护。9.3 版本管理与团队协作如果你不是一个人做漫剧而是团队协作建议把工作流 JSON、提示词表格、参考图素材统一放到一个可版本管理的目录中。每次调整工作流之后记录改动内容。否则几天后所有人可能都在用自己的修改版产出结果会非常不一致。9.4 关于合规与安全生成内容发布前要注意版权与合规要求。涉及真人脸的生成需要使用明确授权的素材。涉及商业发布需确认所用模型、素材的使用许可。不要把来源不明的模型文件在某处随意下载后直接用于商业项目。所有涉及数据、模型、素材的操作都要遵守平台规则和相关规范。9.5 生产环境执行前的必要检查如果你准备用 API 脚本批量出图建议配置好控制参数并预留停止和回滚入口。你可以在脚本中加入失败重试、超时判定、任务数量上限。第一次在正式环境跑批量任务前先备份工作流和模型文件然后在一个测试目录里执行小批次验证。10. 总结七天学习路线与后续方向最后把整套学习路径按照“七天”的节奏总结一下方便你安排实践计划第 1 天完成 ComfyUI 安装跑通一个最简单的文生图流程。重点理解节点、端口、模型文件这三个基础概念。第 2 天浏览几个常见的官方样例工作流尝试加载别人分享的工作流文件学会用 ComfyUI Manager 安装缺失节点。第 3 天搭建一条包含正向提示词、负向提示词、采样器、解码、保存的完整链路尝试修改模型、分辨率、采样步数建立参数手感。第 4 天加入参考图控制角色一致性。用同一张参考图和不同提示词产出多张分镜。第 5 天整理分镜表格按分镜脚本批量出图并筛选合格结果。第 6 天引入高清放大和处理优化节点完善画面细节统一发布分辨率。第 7 天把这些经验整理成自己的个人工作流模板写成说明文档方便后续复用。接下来值得继续深入的方向有三个第一个是角色 LoRA 的训练如果漫剧主角出现频率非常高这值得投入时间。第二个是视频生成模块把静态分镜变成动态短片会极大拓宽发布形式。第三个是 API 自动化生产把 ComfyUI 嵌入你自己的后台服务或发布流程中。ComfyUI 漫剧工作流本质上是一个工程问题不是一个玄学问题。只要理解了节点、数据流和模块化思路你完全可以在较短时间内拥有自己的批量出图流水线。建议先别急着追求大而全把最小链路跑通再逐步加模块这是最稳妥也是效率最高的路径。