小樊Felix SD-Comfyui系统教程，AI绘画入门教学

这套小樊Felix的SD-ComfyUI教程，核心价值不在“看一遍就会”，而在于它把ComfyUI的节点图逻辑拆成了可以照着复现的工程结构。如果你已经接触过Stable Diffusion WebUI，或者被ComfyUI满屏的连线劝退过，这份资料适合当作对照实践的参考，而不是纯视频消遣。

技术栈定位：ComfyUI作为主入口

教程选择ComfyUI而不是WebUI，本身就说明了取向。WebUI把参数封装成表单，上手快但隐藏了采样流程；ComfyUI把CLIP编码、Latent、采样器、VAE解码全部显式暴露成节点，适合需要精确控制生成链路的人。教程从节点连接逻辑讲起，覆盖了文生图、图生图、局部重绘这几条基础链路，而不是只教“填个提示词点生成”。配套模型目录里能看到两类权重：一类是SD1.5体系的写实模型，文件体积在2GB量级；另一类是SDXL体系的大模型，6.5GB左右。这个体量差异直接对应显存占用和出图分辨率的取舍，教程在模型应用部分会涉及这类工程判断，对拿不准自己显卡能跑什么的人有参考意义。

项目结构：模型分层与工作流组织

资料包把模型按用途分了目录，checkpoints下面同时放了真实风格人物模型和SDXL大模型，这种混放其实反映了实际工作状态——不同任务切不同底模，而不是一个模型走天下。对开发者来说，值得关注的是工作流的保存与复用方式。ComfyUI的workflow可以导出成JSON，这意味着你可以把调好的一套节点图当成模板，改几个参数就迁移到新任务上。教程里多个案例大概率对应多个工作流文件，建议边看边把节点图导出归档，形成自己的片段库。模型放哪个目录、VAE要不要单独挂、LoRA怎么插进链路，这些细节在节点图里都是可见的，比对着表单猜参数要实在。

可复用的几个模块

• 基础采样链路：Checkpoint加载 → CLIP文本编码（正/负）→ Empty Latent → KSampler → VAE Decode → Save Image。这条链路是所有变体的骨架，先跑通再谈优化。
• 图生图与降噪强度控制：在基础链路上把Empty Latent换成Load Image加VAE Encode，denoise参数决定保留多少原图信息。这个模块直接决定重绘、风格迁移的效果走向。
• 局部重绘（Inpaint）：加载蒙版、对蒙版区域做Latent处理，再拼回原图。电商修图、角色换装这类需求基本靠它。
• SDXL与SD1.5的分支处理：两者在文本编码器数量和分辨率适配上不同，教程里应该会体现两套接法，注意别把SDXL的工作流直接套到1.5模型上。

自学路径建议

不要一上来就啃复杂工作流。第一遍先把基础文生图链路手动连一遍，理解每个节点的输入输出张量长什么样；第二遍换成图生图，调denoise观察变化；第三遍再上局部重绘和SDXL。模型方面，先用2GB的写实模型把流程跑顺，确认显存和速度能接受，再考虑上6.5GB的SDXL。遇到节点报错先看是模型路径问题还是维度不匹配，ComfyUI的报错信息通常比WebUI更直白。教程作为参考，真正形成能力的是你自己导出的那几份工作流JSON。

适合谁对照实践

有Python环境配置经验、想搞清扩散模型推理链路的人，能从节点图里读出采样器、调度器、CFG这些参数的实际作用；做AI绘画工具二次开发的人，可以把ComfyUI当成一个可编程的推理后端来理解；纯创作者如果只想出图，WebUI可能更省事，但想批量、想固定流程、想把工作流嵌进自己的脚本，ComfyUI这套节点结构值得花时间。资料里的模型和案例是起点，不是终点，照着连一遍再改一遍，比只看不练有用得多。