SD ComfyUI 基础教程（二）：文生图深度解析

ComfyUI作为Stable Diffusion的节点式界面，拥有极高的自由度 and 定制性。相比于WebUI，它能更清晰地展示图像生成的底层逻辑。本篇教程将带你深入了解文生图的核心节点配置，掌握提示词权重、采样器选择以及潜空间放大的高级技巧。

1. 核心节点流向

一个最基础的文生图工作流包含以下节点：

Load Checkpoint (加载模型): 输出 MODEL, CLIP, VAE。

CLIP Text Encode (提示词编码): 将文本转化为模型能理解的向量。需要两个节点，分别连接正向 and 反向提示词。

Empty Latent Image (空潜空间图像): 定义生成图片的尺寸 and 批次大小。

KSampler (K采样器): 核心计算节点，接收模型、正向提示词、反向提示词 and 潜空间图像，进行去噪计算。

VAE Decode (VAE解码): 将潜空间的特征图解码为我们能看到的像素图片。

在KSampler中，采样器（Sampler）and 调度器（Scheduler）的选择至关重要。

对于写实风格，推荐使用 `dpmpp_2m_sde` 配合 `karras` 调度器，步数设在 25-30 步。

对于速度优先，可以使用 `euler_ancestral`，15-20步即可获得不错的效果。

掌握ComfyUI的节点逻辑，能让你在AI绘画中拥有更强的控制力。在接下来的教程中，我们将探讨如何加入 ControlNet 进行姿态 and 线稿控制。