# ComfyUI文生图教程

用一个小尺寸单图任务理解正负提示词、latent、采样与保存节点，建立自己的首张图记录。

本地结构与素材核验，未执行 ComfyUI 前端导入或扩散/ESRGAN 推理。图像与原 JSON 来源见 provenance.json。所有工作流为 UI 格式 0.4，与 prompt-api.json 分开。权重不打包。

## 使用

1. python check.py
2. 查看 models.csv，按模型出处准备文件。
3. 用本地 ComfyUI 打开 workflow.json，重新选择 Loader 下拉和输入。
4. 自己完成真实小样，填写 acceptance.csv。

## 1. 准备最小工作流和模型

下载官方派生 workflow.json，按 models.csv 获取对应 SD1.5 模型并放到 checkpoints。本站材料未打包权重；先确认文件不是下载错误页，Loader 下拉实际能选中它。

## 2. 读懂模型和文本连接

Load Checkpoint 的 MODEL 接 KSampler，CLIP 接正向与负向两个 CLIP Text Encode，VAE 接 VAE Decode。用节点表核对输入名，而不是凭相邻位置判断连线。

## 3. 写单一可检查的场景

把正向文本改为 a blue ceramic mug on a wooden table, soft window light；负向约束写 blurry, extra handles。先只要求一个主体，记录原文；提示词不能保证文字和杯把准确。

## 4. 设置单图尺寸与随机起点

Empty Latent 使用 512×512、batch_size=1；KSampler 固定 seed=24680、20 steps、euler、normal。先别一次提升尺寸和步数，避免无法定位耗时与显存来源。

## 5. 提交并观察当前任务

点击 Queue 后查看任务和控制台，确认错误发生在加载、采样还是解码。若模型未找到，回到 Loader；若是 OOM，保存日志后按专门教程缩小 latent 与 batch。

## 6. 检查真实输出的基础属性

在 Save Image 下载 PNG，查看尺寸、主体数量、杯把和构图，再读取其中工作流元数据。用 acceptance.csv 记录真实文件名和人工判断，不用官方例图代替自己的成功结果。

## 7. 保存下一次可重跑的版本

修改 Save Image filename_prefix 为 practice/mug-v1，保存最终 UI JSON 与环境版本。官方截图只说明节点连接方式，本页未执行模型生成；实际效果和速度由你的运行结果核验。


queue_client.py 默认只查询；--submit 明确触发本地真实推理。batch_manifest.py 仅生成计划，未提交。故障日志、history 响应和空验收栏是教材，不是本站成功实测。

## 官方来源

- https://docs.comfy.org/tutorials/basic/text-to-image
- https://github.com/Comfy-Org/ComfyUI
- https://www.douyin.com/video/7691594447310244330