总结：学习路线与进阶
这是全站的收尾——把每一篇教程收拢成一张地图。读完这篇，你应该能自信地说：给我任何一张 ComfyUI 工作流截图，我都能顺着连线讲出它在做什么。
🗺️ 全站学习地图
一张表带走核心认知
| 主题 | 一句话内核 | 详见 |
|---|---|---|
| 工作流 | 数据沿连线单向流动，节点是加工车间 | 工作流 |
| 连线 | 颜色即类型，同色才能相连 | 连线 |
| Checkpoint | 发动机 UNet + 翻译官 CLIP + 冲洗工 VAE 三件套 | 模型 |
| 文生图 | 文本 + 噪声底片 → 去噪 → 解码 | 文生图 |
| 图生图 | denoise 是「保留度」的反向旋钮 | 图生图 |
| 重绘 | 遮罩圈地，锚住圈外像素 | 局部重绘 |
| 放大 | 小图生成、二次放大补细节 | 图像放大 |
| LoRA | 插在 MODEL+CLIP 线上的低秩补丁 | LoRA |
| ControlNet | 在条件线上旁路监工结构 | ControlNet |
| 视频 | 底片变帧堆，提示词加运镜 | Wan2.2 视频 |
参数速查卡（截图保存）
| 参数 | 常用范围 | 说明 |
|---|---|---|
| steps | 20 ~ 30 | 太少糊，太多浪费 |
| cfg | 6 ~ 8 | 过低不听话，过高烧画面（视频模型另说） |
| denoise | 文生图 1.0 / 图生图 0.4 | 保留度反向旋钮 |
| 分辨率 | SD1.5≥512 / SDXL≥1024，8 的倍数 | 小图生成 + 放大是正道 |
| LoRA 强度 | 0.7 ~ 1.0 | 双旋钮（model / clip） |
| ControlNet strength | 0.6 ~ 1.0 | end_percent 0.6~0.8 收手 |
排错思维树
遇到任何故障，按这个顺序问：
- 报错点名了哪个节点？ → 从它开始查（缺输入？类型不匹配？显存？）
- 哪条颜色的线断了/悬空？ → 六色线路逐条走查
- 结果不对但没报错 → 回到参数：seed 是否被 randomize 了？cfg / denoise 是否越界？模型与外挂（LoRA/ControlNet/VAE）是否同架构同源？
- 一切可疑 → 加载官方模板原样跑一遍，确认环境无恙后，二分法逐段替换自己的改动。
进阶路线
- 效率：批处理队列、Primitive 节点统一管理参数、子流程（Subgraph）封装常用模块；
- 生态：Manager 安装社区节点包（放大算法、分割抠图、批量遮罩……），装完按
R刷新； - 云端：了解 Comfy 官方云与 API 节点，把工作流交付给无卡设备调用；
- 原理：读懂扩散模型的去噪本质（文生图教程中对扩散模型的讲解是入口），再回头理解采样器差异，你会比 90% 的使用者更「知其所以然」；
- 保持更新：ComfyUI 迭代很快，以官方文档与官方示例库为第一信息源。
结语
回到本站的承诺：「让每位爱好者都能学会 ComfyUI」。学会的标志不是背下参数，而是获得一种读图能力——看到任何陌生工作流，都能从输出端倒推到输入端，讲清每条彩色线路的来龙去脉。
现在，打开 ComfyUI，把这一路拆过的工作流重新拼一遍吧。祝你出图顺利 🎨