从零搭建ComfyUI文生图基础工作流：Checkpoint与VAE节点连接教程

在ComfyUI中，大多数新手习惯于直接加载官方默认工作流或下载他人的JSON文件。虽然这样能快速出图，但一旦报错或需要微调，往往无从下手。理解“模型加载-提示词编码-潜空间采样-图像解码”这一完整链路，是掌握ComfyUI灵活性的关键。

本文将剥离所有复杂插件，仅使用原生核心节点，手动搭建一个标准的文生图工作流。完成后的工作流不仅结构清晰，而且每一个连接点都对应着Stable Diffusion生成的具体步骤，方便后续排查问题和优化效果。

包含Checkpoint加载、提示词编码、KSampler采样及VAE解码的完整连线视图

1. 加载大模型Checkpoint

一切生成的起点都是模型。在空白画布上右键点击，选择【Add Node】>【Loaders】>【CheckpointLoaderSimple】。这个节点负责加载包含UNet、CLIP和VAE权重的完整大模型文件（.safetensors或.ckpt）。

在节点右侧的模型下拉菜单中，选择一个你熟悉的SD1.5或SDXL模型。此时，该节点会输出三个端口：MODEL（用于去噪）、CLIP（用于处理文本）和VAE（用于图像编解码）。这是整个工作流的数据源头。

1. 加载大模型Checkpoint

2. 编写正向与反向提示词

模型知道“怎么画”，但不知道“画什么”。我们需要通过CLIP将自然语言转化为模型能理解的向量。右键添加两个【Add Node】>【Conditioning】>【CLIP Text Encode (Prompt)】节点。

将第一个节点的标题改为“Positive Prompt”，输入如“masterpiece, best quality, 1girl”等描述画面内容的词汇；将第二个节点改为“Negative Prompt”，输入“lowres, bad anatomy, text”等需要避免的元素。注意，这两个节点都需要连接到CheckpointLoaderSimple输出的CLIP端口，因为提示词编码依赖于模型自带的文本编码器。

正向与反向提示词节点均连接至CheckpointLoaderSimple的CLIP输出端

3. 配置KSampler采样器

KSampler是ComfyUI的心脏，它负责在潜空间中进行去噪生成。右键添加【Add Node】>【Sampling】>【KSampler】。

接下来进行关键的连线操作：

1. 将CheckpointLoaderSimple的MODEL端口连接到KSampler的model输入端。
2. 将Positive Prompt节点的CONDITIONING输出连接到KSampler的positive输入端。
3. 将Negative Prompt节点的CONDITIONING输出连接到KSampler的negative输入端。
4. 添加一个【Add Node】>【Latent】>【Empty Latent Image】节点，将其output连接到KSampler的latent_image输入端。这里设置图像的分辨率（如512x512）和批次数量。

在KSampler参数中，seed控制随机性，steps决定采样步数（通常20-30步），cfg_scale控制提示词遵循程度（通常7-8），sampler_name和scheduler选择采样算法（如euler_a或ddim）。

4. VAE解码与图像保存

KSampler输出的是潜空间数据（Latent），人眼无法直接查看，必须通过VAE解码为像素图像。右键添加【Add Node】>【Latent】>【VAE Decode】。

连接方式如下：

1. 将KSampler输出的LATENT连接到VAE Decode的samples输入端。
2. 将CheckpointLoaderSimple输出的VAE连接到VAE Decode的vae输入端。这一步至关重要，如果VAE不匹配，生成的图像会出现灰暗或色彩失真。

最后，为了看到结果，添加【Add Node】>【Image】>【Save Image】或【Preview Image】。将VAE Decode输出的IMAGE连接到保存节点的images输入端。点击界面上的【Queue Prompt】按钮，即可看到生成的图像。

VAE Decode将潜空间数据转换为可视图像并连接至保存节点

5. 验证工作流的灵活性

现在的工作流已经具备完整的文生图能力。尝试修改Positive Prompt中的描述，例如将“1girl”改为“a cat”，再次点击队列执行，观察图像内容的变化。或者调整Empty Latent Image的宽度为768，高度为512，验证横向构图的生成效果。

这种手动搭建的方式让你清楚每一根线的作用：如果图像模糊，检查VAE连接；如果提示词无效，检查CLIP连接；如果噪点过多，调整KSampler的steps。保留这个基础文件作为模板，后续添加ControlNet或LoRA时，只需在相应环节插入新节点即可，无需重新理解整个流程。

验证工作流有效性：修改提示词后成功生成新的图像内容