Flux-ComfyUI生图系列三｜设计师必学篇，ComfyUI节点好用在哪里？快速认识基础节点！

做过设计的人都知道Midjourney好用，使用简单，风格效果出色，这也是很多设计师刚刚接触AI最先使用的平台。但是设计的道路往往不只是生出自己想要的图，而是更多的如何让甲方满意！ComfyUI 则是在此基础上，更好的帮助去做一些Lora工作流，通过工作流的方式，实现更高的出图水平和图片精度，同时其训练的Lora复用程度也跟高，更能完美满足甲方爸爸的设计需求，做出五彩斑斓的黑。

之前已经教大家认识ComfyUI的工作流边栏以及如何做出简单的海报，本篇将详细讲解：【学会基础ComfyUI操作节点】。

本次我们使用的是无阶未来为大家准备的通用工作流，这里是我们已经搭好的工作流文件，你可以进行下载并在此基础上自己进行修改。在无阶未来公众号后台回复【工作流】即可获取该工作流下载链接。

个人工作流的大致情况：

有一个最基础的操作需要先学习，双击ComfyUI的空白处即可弹出搜索框，搜索你需要的节点再点击即可。我们可以先看第一个节点【起始节点Load Diffusion Model】

该节点原名为UNETLoader节点旨在通过名称加载 U-Net 模型，方便在系统中使用预训练的 U-Net 架构。目前改名为Load Diffusion Model，通常用于加载Flux模型，其中unet_name为模型名称，weight dtype 中的fp8_e4m3fn和fp9_e5m2 表示不同精度和动态范围。目前Flux生图的效果两者相差并不大。Flux模型的下载链接在这里：https://huggingface.co/black-forest-labs，选择你需要的dev或schnell模型下载。这里以dev为例子。

第二个节点是后续连接的【LoraLoaderModelOnly节点】该节点用于载入你需要使用的Lora，例如这里就使用了无阶未来训练的国潮风格Lora，Lora的训练就放在下次进行讲解，这里先只对ComfyUI进行说明和教学。如果你需要相应的Lora文件，无阶未来在这里放了链接，你可以自己进行下载。

下载链接: https://pan.baidu.com/s/1k_Pzkhn62801EEDSbYQnjw?pwd=dps3 提取码: dps3

我们可以看到从Load Diffusion Model处的线连接到了LoraLoaderModelOnly处，这样就代表了你在这个工作流中需要使用Lora，并且如果你需要使用多个Lora，直接复制LoraLoaderModelOnly节点并将他们串联即可。上面的lora name 是使用的Lora的名字，下面的strength model则是代表你使用Lora的权重，一般权重设计都在1及以下，越高权重代表出现的图片越偏向于Lora的风格，越低则越偏向于大模型本身的风格。

接着将线连到【BasicGuider】和【BasicScheduler】

这里的BasicGuider起到一个中介的作用，你可以看到BasicGuider的输入处需要模型和条件两条连线，而输出为引导的一根线。他的引导练到了一个叫做SamplerCustom（自定义采样器）的地方，我们下面再进行介绍。

【BasicScheduler（基础调度器）节点】旨在根据提供的调度器、模型和去噪参数为扩散模型计算一系列 sigma 值。它根据去噪因子动态调整总步骤数，以微调扩散过程。这里的1.scheduler（参数决定了用于计算 sigma 值的调度算法。它直接影响扩散过程的进展和特性。）可以自己选择，但通常使用默认的simple即可。2.Steps（参数指示扩散过程中的总步骤数。它影响过程的粒度和持续时间）：简单来说就是你生成这张图的步数，通常情况下为20-28之间。步数越高需要的时间越长，但并不一定步数越高，画面效果越好，这个需要具体情况具体对待。一般默认的20步即可。

【SamplerCustom（自定义采样器）】旨在为各种应用提供灵活且可定制的采样机制。它允许用户选择并配置不同的采样策略，以满足其特定需求，从而增强采样过程的适应性和效率。说得通俗些就是生成图片的采样方式你可以自行进行定义，并且你可以在Manager里的相关节点找到你需要的采样器进行下载，这里以我们需要使用的功能为例。

此处我的自定义采样器输入有五个，输出也只需要连接一个即可，输出连接的节点为VAE Decode

【VAE Decode节点】旨在使用指定的变分自编码器（VAE）将潜在表示解码成图像。它的目的是从压缩的数据表示生成图像，从而促进从它们的潜在空间编码重建图像。上面的Latent代表要解码成图像的潜在表示。它对解码过程至关重要，因为它提供了重建图像的压缩数据。下面的VAE则需要连接Load VAE装载VAE文件的节点。我们来简单了解一下VAE的原理和作用。VAE(Variational AutoEncoder)变分自编码器是一种重要的生成模型。想象一下,VAE就像一个非常聪明的画家:

编码器(Encoder)：首先,这个画家会仔细观察一幅画,并把画中的关键特征记在脑子里。这就像是把复杂的画压缩成简单的要点。

潜在空间(Latent Space): 画家脑子里记下的这些要点,就形成了一个想象空间。在这个空间里,画家可以自由组合这些特征。

解码器(Decoder): 然后,画家就可以根据脑子里的这些要点,重新画出一幅相似但又不完全一样的画。这就像是把简单的要点又还原成复杂的画作。

VAE模型在AI绘图中的作用就是帮助模型更好地理解和生成图像的细节,特别是在处理复杂的视觉元素时。这便是VAE的作用。

我们先看完了一整条主要线路，我们接着回到最开始的前方来看其他分支部分。我们来看BasicGuider的条件这条线路，首先第一部分为【DualCLIPLoader节点】

DualCLIPLoader节点（ 双 CLIP 加载器），旨在同时加载两个 CLIP 模型，便于执行需要整合或比较这两个模型特征的操作。

想象你在厨房里准备一道菜，你有两个不同的调料瓶——一个是盐，一个是胡椒。每种调料瓶都能为菜肴增添不同的风味。现在，你有一个特别的工具，可以同时使用这两个调料瓶来调味。这就像是DualCLIPLoader节点，它可以同时加载两个不同的CLIP模型，让你能够在生成艺术作品时结合不同的风格或功能，从而实现更丰富和灵活的创作。而Flux模型的Clip一般都需要使用两个，一个一般为t5xxl_fp8_e4m3fn.safetensors，另一个为clip_l.safetensors，你可以在下面的网址进行下载：

clip_l.safetensors https://huggingface.co/comfyanonymous/flux_text_encoders/blob/main/clip_l.safetensors

t5xxl_fp8_e4m3fn.safetensors

https://huggingface.co/comfyanonymous/flux_text_encoders/blob/main/t5xxl_fp8_e4m3fn.safetensors

接着连接到【CLIP Text Encode (Prompt)节点】

CLIP Text Encode (Prompt)是我们填写提示词的地方，由于Flux不需要填写负面提示词因此这里我们只需要正面提示词一个部分，在正面提示词处填写我们需要的对画面的描述。这里的第一个词是我们lora的触发词，chinastyle，这是在训练的时候添加的，这个词不能修改也不能够删除，你可以放在描述的首部也可以放在尾部，通常情况下我们放在首部为主。后面的一系列词都是对需要的画面的描述，这里来介绍提示词的写法。

Flux的提示词为自然语言描述即平时的英文描述即可，比如This painting creates a vibrant and festive atmosphere for National Day（这幅画为国庆节营造了一种生机勃勃的节日气氛），如果你的英语水平不高，直接使用网页的机器翻译也可以，如果你没有灵感，你可以用一些AI工具，上传图片让它帮你用英文描述。

条件部分就也介绍完毕。最后我们来看剩下的三个简单的输入，分别为

【KSamplerSelect：采样器】

【RandomNoise：噪波生成】

【Empty Latent lmage：Latent输入】

首先是KSamplerSelect类用于根据提供的采样器名称选择特定的采样器。它简化了采样器选择的复杂性，允许用户轻松地在不同采样策略之间切换，以适应他们的任务需求。

sampler name：指定要被选择的采样器名称。此参数决定了将使用哪种采样策略，影响整体采样行为和结果。这里对采样器大类进行一些介绍：

1.名称带 a / 或带 ancestral 的采样器

a为英文ancestral（祖先采样器）的缩写，这样的采样器因为会在采样过程中持续添加噪声，会使得每步采样生成的画面都具有一定随机性，也就是不收敛

2.名称中带GPU的

诸如dpmpp_sde_gpu这样的采样器是针对GPU硬件进行了优化的版本，它们能够在图形处理器上高效运行大规模并行计算任务，从而显著加快图像生成速度。你可以选择不同的采样器进行生图再对比，使用你觉得好的即可。

接着我们来看【RandomNoise】

noise_seed在我们口中通常叫做种子，如果在生成图片的时候长宽采样等一系列相同，如果种子不一样，那么生成的图仍然会不同，如果你需要完全一致的图片，还需要保证图片的种子也相同，这便是种子的作用，而在这里的control_after_generate处我们设置为randomize，即代表着随机种子，这样我们每次生成的图片才会不一样，否则会一直生成完全一致的图片。

最后是【Empty Latent lmage】：空白的潜空间图像，你可以把它理解成为画布，此节点设计用于生成具有指定维度和批量大小的空白潜在空间表示。该节点是生成或操作潜在空间中图像的基础步骤，为进一步的图像合成或修改过程提供了起点。简单来说就是控制图像的宽和高以及一次生成多少张图，这就是width，height和batch_size作用的概括总结。

相信到这里你已经大概入门了ComfyUI并且对相关节点有了一定的了解，那么在跟着我搭好工作流的情况下，点击右上的Queue Prompt按键即可开启生图；向右侧拖动工作流页面，你就可以看到生成的图片了，鼠标右键图片之后在出现的页面点击Save Image即可下载你需要的图片。