《AI绘画：Stable Diffusion ComfyUI的艺术》：它把每一格参数都填了，只是没告诉你代价

2026-11-06silcano

微信读书《AI绘画：Stable Diffusion ComfyUI的艺术》· 许建锋 · 9 章 · 71 条目录 · 509 屏
逐页翻阅 509 屏 · 9 章 · 71 条目录 · 抓取章节序列与目录一致，无跳章 · 2026-11-06
说明：509 是微信读书的屏幕数，不折纸页。我抽看了作者简介、2.1 为什么学 ComfyUI、3.1 采样器清单、4.2 SD 放大、6.3 Kolors 使用技巧、8.3 AnimateDiff 合并为视频、9.1 Flux 案例，共七处逐字核对。目录 71 条全过。判断只以这七处为准，没翻到的地方我不替它补。

先说结论：这是一本把"能不能跑通"写到极致、把"值不值"留白的书。509 屏里，几乎每一格参数都填了具体数字——放大系数 3、采样步数、帧率 6、NF4 量化——但凡是需要说"这么填会付出什么"的地方，它基本没写。所以它最好的用法是当工作流手册：你卡在哪一步，翻到那一节，照做，能过。它最不适合的用法是当教材：你学完九章，会连节点，不会判断哪张图该留。

作者许建锋，浙江传媒学院动画与数字艺术学院讲师，浙江省一流课程"电脑三维设计"主持人，教育背景是四川大学广告学学士、武汉大学软件工程硕士，做过浙江省广播电视广告中心策划部主任。这份履历解释了两件事：一是这本书的实操细节为什么这么实——他在课堂和项目里都跑过；二是它的判断标准为什么偏"技术正确"——广告与影视的交付习惯是"按规格交片"，不是"这一版更好"。这个偏好贯穿全书，也正好是它的短板所在。

一、先说它做对的一件事：优劣势并列着写

2.1"为什么要学习 ComfyUI"这一节，全书第一个让我停下来的地方。大部分工具书讲"为什么选它"，只讲优势。这本书讲完四条优势，接着讲劣势，而且讲得很实：

· 更新快，功能完善。ComfyUI和Stable Diffusion的工作原理一致，两者能很好地兼容，因此更新速度非常快。新的模型或扩展通常在一两天内就能获得支持。
· 资源占用低。与WebUI相比，ComfyUI的资源占用更低，可以用较少的显存运行较大的模型。
· 定制化和灵活性。……
· 广泛支持各类模型。ComfyUI不仅支持Stable Diffusion，还能第一时间支持最新的开源模型，如非SD模型Playground、Kolors、Flux等。它已经成为AI绘画的共享运行平台。

紧跟着是劣势：

· 对初学者不够友好。初学者可能需要学习一段时间后才能掌握节点式操作，并且需要一定的技术背景来充分利用ComfyUI的功能和理解节点的工作原理……
· 节点种类繁多，功能参差不齐。ComfyUI是完全开源的，节点种类层出不穷且杂乱无章，功能也参差不齐，因此初学者可能会感到困惑。另外，系统环境配置错误率高……

"系统环境配置错误率高"这七个字，是全书最诚实的一句话。装过 ComfyUI 的人都知道，真正让人放弃的从来不是节点逻辑，是那天下午卡在 Python 版本、CUDA 驱动、Torch 编译、依赖冲突上的四个小时。一本教 ComfyUI 的书愿意把这句话写进"为什么学"的第一节，而不是藏到附录，说明作者确实带过人装环境。

但这段也有它的问题，而且这个问题会在后面每一节重复出现："资源占用更低"没有数字。低多少？同一个模型、同一个出图尺寸、同一个采样步数下，显存差多少、单张耗时差多少？这四个字可以写成一张两行的对照表，成本不到半屏，读者能拿它决定自己那张 8G 卡到底该不该折腾。全书 509 屏，这张表我一次没见到。它给结论，不给判据——这是这本书的通用毛病，2.1 只是第一次显形。

另外，"ComfyUI 已经成为 AI 绘画的共享运行平台"这个判断，我认同一半。它在开源模型这一侧确实成了事实标准：新模型发布时，作者往往先给 ComfyUI 工作流，再给 WebUI 插件。但"共享运行平台"这个说法容易被读成"通用平台"——闭源商业工具（Midjourney 那一类）并不在这个共享里，它们的出图能力和 ComfyUI 不是同一件事。把"开源生态里的默认选项"说成"AI 绘画的共享平台"，会让初学者以为学会它就覆盖了全部。

二、九种采样器九句形容词：这一节把"选型"写成了"偏好"

3.1 文生图是全书的分水岭。前面两章铺垫，从这里开始动手。这一节里有半页在讲采样器，我把它整段抄下来了，因为它是这本书最典型的一页：

· 采样器：选择适合需求的采样器类型。比较常用的采样器有：
　Euler：默认采样器，适用于大多数场景。
　Euler a（Euler Ancestral）：与Euler类似，但具有更高的随机性，能在较少的采样步数中产生较大的变化。
　Heun：是Euler的改进版，提供更高的准确性，但生成速度较慢。
　DDIM：快速的采样方法，可能需要更多的采样步数来达到良好效果，适合迭代绘制时使用。
　LMS：基于多步采样的方法，通过平均过去的几个步骤来提高准确性。
　DPM2：改进的DPM，通过每一步进行两次降噪来减少所需的采样步数，以获得高质量的图像。
　UniPC：快速且效果良好的采样器，特别适合平面和卡通风格的图像生成。
　DPM++ 2M：一种强大的采样器，适合需要平衡速度和质量的场景。
　DPM++ SDE：基于随机微分方程的采样方法，使用了祖先采样，适用于追求高质量图像的场景。
　每种采样器都有其特定的应用场景和效果，用户可以根据需求和偏好选择最合适的采样器。

九个采样器，九句描述，最后一句是"根据需求和偏好选择最合适的"。这一节的信息量是：有九种。它没有告诉你的信息是：该选哪一种。

我不认为这是作者不懂——他懂，前面每一条都抓到了一个真实的机制差异：Euler a 的"祖先采样"会引入随机扰动，所以少步数也能"变"；Heun 是二阶方法，所以更准但更慢；DPM2 每步两次降噪，所以同等质量下步数更少。这些都是对的。问题在于，这些机制差异被翻译成形容词之后，就失去了挑选的功能。"更高准确性"和"高质量"和"平衡速度质量"三者谁也压不住谁，读者读完仍然只能"凭偏好"。

真正的判据长什么样？我给一个最小版本：同提示词、同种子、同分辨率、同步数（比如 20），把九种采样器各跑一张，四列并排——图、单张耗时、显存峰值、你自己的取舍结论。这一张表能顶掉那九段话，而且它会把一个书里没说的真相摆出来：在 20 步、512 见方的条件下，多数常用采样器的差距远小于"换一个提示词"带来的差距。读者最需要的判断，恰恰是"这件事值不值得挑"。这本书有 509 屏，这一张表占一屏，它没做。

顺带说一句描述层面的好处：这一段把每个采样器的"为什么快/为什么慢"用一句话点了出来（LMS 的"平均过去几个步骤"、DPM2 的"每一步两次降噪"），这是对的写法——先给机制，再给体感。可惜机制讲完就断了，没有落到"所以你该选它"。一本工具书里，机制讲到一半比完全不讲更让人难受：它让你知道有原因，却不告诉你怎么用这个原因。

三、SD 放大那一节：3 倍和 4x 同时出现，像素账没人算

4.2 讲 SD 放大，操作步骤写得很清楚，清楚到我能原样复现：

02 创建"SD放大"节点，把"放大系数"参数改为3，即放大3倍，如图4-6所示。
03 加载"放大模型加载器"节点，选择"4x_NMKD-Siax_200k.pth"模型，这是一个优秀的放大模型，如图4-7所示。

步骤 02 说 3 倍，步骤 03 选的是 4x 模型。两个倍数在同一节里并排出现，正文没有一句交代它们怎么叠加。读者照着做，在点"运行"之前，对自己的图会变成多大、会吃掉多少显存，一无所知。

这不是抠字眼。放大是 ComfyUI 里最容易让人半夜重启电脑的操作：一张 1024 宽的图，按 3 倍变 3072，如果分块重绘的块尺寸没调，显存当场打满；而 4x 模型的"4 倍"与节点"放大系数"的 3 倍是什么关系，取决于节点实现——有的以系数为最终倍数、模型只提供先验，有的是先 4x 再回缩。同样的两个数字，不同的节点实现会给出不同结果，这恰恰是该用一整段说清的地方，书里用了零句。

第二个问题是"这是一个优秀的放大模型"。"优秀"没有比较对象。和谁比？和它同门的 4x-UltraSharp 比，还是和 ESRGAN 系列比？在什么图上优秀——人脸、建筑、还是线稿？放大模型的选择高度依赖素材类型，写"优秀"等于把一个需要分场景的判断压成了一个褒义词。这是我在这本书里反复遇到的同一种病：凡是需要给区间和代价的地方，它给了一个形容词。

值得肯定的是这一节的节点说明方式。图 4-6 那张节点图把输入输出全标出来了：输入是"图像、模型、正面条件、负面条件、VAE"，输出是"图像"。这种"看着接口图讲节点"的写法是对的——ComfyUI 的节点本质上就是函数签名，读者看懂接口，就知道该往哪个口接什么，比读十行文字说明快。全书大部分节点图都保持了这种做法，这是它作为工具书最称手的地方。

四、帧率填 6：一个能跑起来的数字，被当成了推荐值

第 8 章讲 ComfyUI 做视频，8.3 是 AnimateDiff。这一节的收尾要经过两个节点：先把潜空间解码成帧序列，再用"合并为视频"合成文件。书里给了这张节点图的参数：

"合并为视频"节点是"Video Helper Suite（视频助手）"扩展提供的节点，AI视频工作流通常都会使用这个节点。该节点主要用于设置视频的帧率、文件名和格式等，如图8-38所示。
帧率 6 / 循环次数 0 / 文件名前缀 AnimateDiff

上一屏的"SVD_图像到视频_条件"节点，帧率也是 6，增强 0.00。

6 帧每秒。这是个什么概念：电影 24 帧，国内电视 25 帧，手绘动画最低也常按 12 帧做"二拍三"。6 帧的成片，任何有运动的地方都会跳。书里把这个值印在参数面板上，没有一句解释它为什么是 6、成片多长、以及怎么补到能用的帧率。

我猜得出这个 6 是怎么来的：显存。AnimateDiff 一次生成 16 帧左右，SVD 一次 14 或 25 帧，把生成的帧按实际时长铺开，帧率自然低；而生成更多帧就意味着更长的时序、更大的显存占用和更长的等待。这不是错误，是一个在约束下妥协出来的数字——但妥协必须写出来，否则它就变成了"标准做法"。读者做完一条 6 帧的视频，会以为自己学会了，拿去交付才发现问题；而真正该学的东西——"先按低帧率试构图，选中的镜头再用插帧补到 12 或 24"，一句没有。

这一章还有一处结构上的失衡，我留到短板里说。这里只记一条可复用的判据：凡书里给出的参数是一个"刚好能跑"的极端值（帧率 6、步数 4、放大 3 倍），它就必须同时给出"正常区间"和"为什么这里取极端"。缺了这两样，读者学到的不是方法，是一个魔数。

五、9.1 那 56 屏：十八种风格，十八条提示词，零张废稿

第 9 章叫"综合练习"，74 屏。其中 9.1"Flux 文生图案例"占了 56 屏，9.2 那个真正的综合案例"锦绣江南刺绣艺术"只有 16 屏。一个叫"综合练习"的章，四分之三的篇幅是同一个案例的风格枚举。

9.1 的体例是这样的：给一张图，给一条英文提示词，再给一段"对应的含义"。比如图 9-17：

提示词：Create a retro-style postage stamp depicting a majestic sailing vessel with billowing sails, gliding through the deep blue seas under a golden sunset, evoking a bygone era of maritime exploration.
对应的含义：制作一枚复古风格的邮票，描绘一艘扬帆起航的雄伟帆船，在金色的夕阳下，船在深蓝色的海面上滑行，让人联想起逝去的海上探索时代。

这个"英文原文 + 中文释义"的双语格式，是全书最实用的一处设计，值得单独表扬。它同时解决了两件事：不会写英文的人能看懂，会写英文的人能直接抄。而且释义不是逐词翻译，是"这句话在要什么画面"——"bygone era of maritime exploration"译成"逝去的海上探索时代"，比"过去的海上探索时代"准确。

但体例一旦固定，问题也固定了：每条只有"提示词 → 成功图"，没有一条"提示词 → 失败图 → 改了哪个词 → 变好"。从编号能看到这一节至少列到（18）——十八种风格，十八张成功的图，零张废稿。我抽到的两页里，图 9-18 是"超现实绘画：创造出超越现实的奇特景象"，配一张人头长满树叶的背影，同样一句"如图 9-18 所示"，没有一句讲这张图是怎么调出来的。

读者从这一节能学到的，是"英文可以这么写"；学不到的，是"为什么我这么写出来的不对"。而后者占据了实际使用的九成时间。我拿其中一条做个示范：如果这段要教人，我会在英文提示词下面加三行——第一行指出哪个词负责"邮票"这个形制（postage stamp 决定了画幅比例与齿孔边），哪个词负责"复古"（retro-style 是风格标签，换 vintage 会偏暖、换 old-fashioned 会偏褪色）；第二行给一版删掉 retro-style 的对照图；第三行写"如果出来的是照片而不是插画，把 depicting 后面改成 illustration of"。

这三行加起来不到一屏，却是"教方法"和"给样例"的分界线。这本书 509 屏里有大量"给样例"的内容，而"教方法"的内容，集中在第 2 章到第 5 章那 200 来屏里。第 9 章本该是把方法用一遍的地方，结果它变成了一个更大的样例库。

六、中文模型那一章，是全书最聪明的结构安排

第 6 章"中文模型"单独成章，讲 Kolors 和混元。这个安排我认为是全书结构上最聪明的一步。

理由不是"支持国产"，是它把一件容易被混在一起的事分开了：模型的语言能力，和工作流的搭建方式，是两个维度。前面第 3 章讲文生图、图生图、LoRA、ControlNet、IPAdapter，用的是 SD 系模型和英文提示词；到了第 6 章，作者没有把 Kolors 塞进第 3 章当"另一种模型"，而是单开一章，先讲模型概述（6.1），再讲工作流怎么搭（6.2），最后讲使用技巧（6.3）。这个顺序等于在说：换模型不是换个 checkpoint，是要重建一套连接。这个判断是对的，而且是有经验的判断。

6.3 的提示词示例也值得看。图 6-18 是一张室内效果图，下面是：

提示词：明亮的室内房间，有床，有窗户，外面的阳光透过窗户照在地板上，男生房间，沙发，电脑桌，桌上有台灯，广角。

这是全书最"中文"的一条提示词，也是最好懂的一条——它按空间顺序写：先定基调（明亮的室内），再定结构（床、窗），再定光（阳光照在地板上），再定属性（男生房间），再定陈设（沙发、电脑桌、台灯），最后一个词定镜头（广角）。这个顺序可以直接当模板：基调 → 主体 → 光 → 属性 → 细节 → 镜头。英文提示词里常见的"主体在前、风格在后"，在中文模型上未必最优，这一段算是给了一个本地化的写法。

同一节讲"人物形象设计"的那段也实：

进行人物形象设计时，要精准描述人物特征，涵盖面部特征（如眼睛形状、鼻子大小）、发型、服装风格和配饰等，例如"瓜子脸，丹凤眼，齐肩卷发，穿着复古风格的……

"瓜子脸，丹凤眼"这六个字，比"一个漂亮的亚洲女性"有效十倍。这是中文模型真正的优势所在——它训练语料里的容貌词汇密度高，你写得越像中文小说里的白描，它越接得住。可惜这一节只有不到 3 屏，后面就转去讲混元了。全书 509 屏，讲"中文该怎么写提示词"的只有这 3 屏，而讲英文提示词的至少有 56 屏（9.1 那个案例）。这个比例，跟这本书面向的读者（中文读者、初学者）不太匹配。

顺带记一处排版上的小遗憾：图 6-18 的图注只有"室内效果图"四个字。它没有说这张图是不是由下面那段提示词生成的。在一本教"提示词与结果对应关系"的书里，图注承担的是举证责任——写"图 6-18 由上文提示词生成，Kolors，采样 30 步"，成本十个字，读者才知道该不该信这个例子。现在这十个字省掉了，图与提示词之间只剩一个"相邻"关系。

七、它的短板

第一，篇幅分配跟着热点走，不跟着任务走。按屏幕数算：第 8 章 73 屏，其中 8.1"AI 视频的发展"占 37 屏，五节实操（SVD、AnimateDiff、MimicMotion、LivePortrait、ToonCrafter）合计只有 34 屏。一章讲视频，一半在讲历史。更显眼的是第 1 章：整整 70 屏，其中 1.3"线上体验 AI 绘画"22 屏——讲的是在别人的网站上点按钮。一本教 ComfyUI 的书，用 22 屏教你用不需要 ComfyUI 的东西；再加上 8.1 的 37 屏历史，一共 59 屏、占全书 11.6%，是"看别人做"和"听过去的事"。

第二，第 9 章名不副实。74 屏里 56 屏是 9.1 的风格枚举（至少 18 条），真正称得上"综合"的 9.2 只有 16 屏。而 9.1 那种"一条提示词一张图"的排列，是样例库的体例，不是练习的体例。读者做练习需要的是"给你一个问题，你自己想办法"，现在给的是"给你一个答案，你看着像"。这两件事差得很远。

第三，练习几乎不存在。全书九章的"思考与练习"，每一节各占 1 屏：p0079、p0141、p0207、p0248、p0278、p0319、p0359、p0432、p0506。九屏，占全书 1.8%。一本有"思考与练习"体例的书，把练习压到每章一屏，等于承认这部分不是重点。而它恰恰是最该厚的地方——练习是唯一能让读者从"照着做"走到"自己做"的环节。

第四，没有失败记录，也没有取舍记录。我抽的七处里，没有一处写"这样接会报错""这个模型在这类图上不行""试了三档参数，第二档最好"。唯一接近失败的是 2.9"常见错误的解决"（133–135，3 屏）——3 屏讲排错，对比全书 509 屏，比例是 0.6%。装环境这一步作者自己都承认"错误率高"，却只给了 3 屏。

第五，凡需比较处，一律用形容词。"这是一个优秀的放大模型""一种强大的采样器""适合需要平衡速度和质量的场景""快速且效果良好"。这些词在书里出现的位置，全都是读者正要做决定的位置。一本 509 屏的工具书，最后的落差就落在这里：它把"怎么做"写到了可复现的程度，把"怎么选"留在了形容词的程度。

也说几句公道话。第一，优劣势并列的写法在该类书里少见，尤其"系统环境配置错误率高"这一条，是带过人的作者才会写的。第二，节点接口图讲节点的方法很称手，输入输出标清楚，读者自己就能接。第三，中文模型单列一章的结构判断是对的——换模型是重建连接，不是换文件。第四，9.1 的双语提示词格式是全书最实用的设计，英文可抄、中文可读。第五，6.3 那条中文提示词的书写顺序（基调、主体、光、属性、细节、镜头）可以直接当模板用，这是我读完最想带走的一页。

下面这张图是我把七处抽样读完后的结构梳理，四列分别是它讲对的、站不住的、会过期的、以及它的短板。

图文对照：从"能跑通"到"能判断"，中间缺的那一层

八、一句话

如果你只带走一句：这本书把节点连对了，把参数填满了，把"哪张该留"留给你自己；它是这个领域里少有的、能照着跑通的手册，也是少有的、通篇不给判据的教材。

它该怎么用？我的建议是三段式：装环境那一段（第 2 章，62 屏）当操作手册，卡住就翻，翻完就合上，不必通读；第 3 到第 7 章（工作流、扩展、节点集、中文模型、Flux）当字典，做一个具体效果时按需查，每查一次顺手记下"本节给的参数值是多少"——因为那些值就是它最该被质疑的地方；第 8、9 章当素材库，看图、抄提示词，但每抄一条，自己补一句"这句话里哪个词决定了这个效果"，否则抄一百条也只是复制。

最后交代边界：我的判断建立在 71 条目录全过、七处正文逐字核对之上。篇幅账（各章屏数、8.1 的 37 屏、9.1 的 56 屏、九处练习各 1 屏）是准的，因为我数的是屏幕序列本身；正文层面我只对抽到的七处负责。"没有失败记录""凡比较处用形容词"这两条，是我在这七处里的观察，不是通读 509 屏后的断言。另外声明一处我不下判断的地方：图 6-18 与它下面那段提示词是否对应，书里没有标注，我也无法用截图确证，所以我只批评"图注没写"，不批评"图文不符"。

阅读记录：《AI绘画：Stable Diffusion ComfyUI的艺术》，许建锋著，微信读书网页版逐页翻阅 509 屏 / 9 章 / 71 条目录，2026-11-06。抓取章节序列与目录一致，无跳章。
抽样页：p0006（作者简介：浙江传媒学院讲师、一流课程主持人、教育与工作经历）、p0085（2.1 ComfyUI 四条优势与两条劣势）、p0155（3.1 九种采样器逐条与"根据需求和偏好选择"）、p0215（4.2 图4-5 文生图工作流与 SD 放大步骤 02/03）、p0300（图6-18 室内效果图与中文提示词、人物形象设计）、p0400（图8-37 SVD 条件节点帧率 6、合并为视频节点帧率 6）、p0460（9.1 图9-17 邮票英文提示词与中文释义、第 18 项超现实绘画）。