【2025-comfyUI教程】新手必读：ComfyUI 文生图的完整工作原理、节点详解

1. Checkpoint加载器

用来加载基础大模型，是影响出图结果的核心。基础生成模型（Base Model） 是整个创作“画师”。它决定了画面的清晰度、风格、提示词理解能力。

• 模型（用于采样器）

• CLIP（用于文本编码器）

• VAE（用于图像解码）

2. CLIP文本编码器（正向提示词）

连接到正面条件的CLIP文本。

把输入的文字提示转化为语义向量，让模型能够“理解”人类的语言，从而指导图像生成。

• 先写质量词（如：高质量、高清、细节丰富）

• 再写主体词（如：一个女孩，双马尾，蓝色头发，校服）

• 在写氛围词（如：教室背景，动漫风格）

这样写，是因为越靠前，词汇的权重越高。对呈现的呈现影响也会越大。

3. CLIP文本编码器（负面提示词）

和正向提示词作用相反，用来“抑制”不想要的特征，例如模糊、混乱、低质量、缺少细节等。

在一些新模型中，负向提示词可能不是必需的，因为模型本身已内置了质量优化。

4. 空Latent

生成一个随机的 latent 空间（噪声图），作为整个生成过程的起点。不同的模型对宽高的支持不同，比如SD1.5仅支持最大512 * 512大小的图像。

latent 空间也叫潜空间。他的作用有一点类似文本向量，用来简化计算机的理解，让他更容易生成图像。

• 宽度：图片宽度

• 高度：图片高度

• 批量大小：一次生成几张图片。

5. K采样器

核心的采样节点，基于扩散模型在 latent 空间里生成图像。

在生成模型（尤其是扩散模型）中，模型训练出来的是一个 噪声到图像的映射函数。

• 采样器就是从噪声生成图像的算法或策略。

• K采样器本质上是一种 迭代算法，通过多次更新噪声向量，将其逐步转换成清晰的图像。

就像雕塑家从一块粗糙的石头开始，逐步敲打，最终得到完整的雕像。

图像生成的过程如下：从一个模糊不清的图像，逐渐变得清晰。

• 模型（来自 Checkpoint）

• 正面条件（Prompt 编码器）

• 负面条件（Negative Prompt 编码器）

• Latent（来自空Latent）

• 随机种子：控制生成图像的随机性。相同的种子 + 相同的条件会生成完全一致的图像。

• 运行后操作：控制图像生成完成后的额外操作，例如是否随机化种子等。

• 步数：控制采样的迭代次数，即去噪过程的步数。

• CFG：控制提示词对结果影响力度

• 采样器：选择具体的去噪迭代算法。

• 调度器：控制去噪随步数变化的强度。

• 噪声：控制 Latent 图像去噪的强度。

6. VAE解码

功能：将采样器输出的 latent 空间数据解码为可见图像。

• Latent（来自采样器）

• VAE（VAE模型，有的模型内置，也可以从外部引用单独的VAE模型）

输出：真实可见图像。

7. 保存图像

• 功能：将生成的图像保存到本地。

总结

以上就是一个文生图的基本工作流。就是用一个模型，基于提示词等等一系列条件，把一个无序的空Latent图像，通过很多步的重复，变成目标图像。

• 先有一个大模型（Checkpoint），

• 通过提示词（CLIP）提供创作方向，

• 在 latent 空间里用采样器不断迭代（逐步去噪），

• 再通过 VAE 解码，

• 最终得到清晰可见的图像。

一句话总结就是，模型是画师，提示词是灵感，采样器是雕刻过程，VAE 是还原工具，最终呈现就是一幅完整的作品。