今天展示的案例是一个基于 Stable Diffusion 3.5 的 ComfyUI 工作流，通过加载预训练模型、设定正向与负向提示词、采样潜在图像并结合解码器完成生成，最终将图像输出保存。

整个过程以直观的方式体现了从文本到图像的完整链路，能够在具体场景中实现复杂的视觉生成与创意表达。

工作流介绍

该工作流以 sd3.5_large_fp8_scaled.safetensors 模型为核心，结合 CLIP 文本编码器对提示词进行处理，利用采样器对潜在空间进行迭代推理，并通过 VAE 解码器完成像素图像的还原。最终结果以高分辨率图像的形式保存，便于直接展示或进行后续编辑。整体设计逻辑清晰，涵盖了从文本条件到图像输出的主要环节，体现了 ComfyUI 的模块化和可视化优势。

核心模型

在核心模型部分，工作流依赖 Stable Diffusion 3.5 的大规模权重文件，并通过 Checkpoint Loader 调用 CLIP 与 VAE 组件，为后续的提示词解析与图像生成奠定基础。模型的作用不仅体现在生成质量的提升，也保证了对高分辨率图像的兼容性，适合在创意绘制与设计场景中直接应用。

Node节点

该工作流由多个节点协作完成，Checkpoint Loader 提供了模型、CLIP 与 VAE，CLIPTextEncode 节点分别用于正向与负向提示词的向量化，KSampler 节点在潜在空间内进行迭代采样，EmptySD3LatentImage 用于初始化潜在图像，最终通过 VAEDecode 还原成图像并交由 SaveImage 节点完成输出。各节点间的衔接逻辑紧凑，保证了提示词与模型推理之间的高效流转。

工作流程

该工作流的整体运行逻辑从模型加载到最终图像输出，形成了一个完整的闭环。首先通过 Checkpoint Loader 加载 Stable Diffusion 3.5 的核心模型、CLIP 与 VAE 组件，随后由 CLIPTextEncode 节点对正向与负向提示词进行条件编码，并生成潜在空间输入。EmptySD3LatentImage 节点初始化了潜在图像，KSampler 节点在潜在空间中反复采样，依据提示词与模型权重不断优化生成结果。得到的潜在图像经 VAEDecode 解码还原为像素级的成品图像，最终由 SaveImage 节点保存输出。整个流程环环相扣，实现了从文本设定到图像呈现的全链路生成过程。

应用场景

该工作流具备通用性与拓展性，可应用于创意设计、插画生成、视觉艺术探索、概念场景构建等多个方向。由于模型支持高分辨率与复杂提示词控制，适合在商业广告、影视分镜、产品原型可视化等场景中直接投入使用。同时也能作为教学示例，帮助学习者理解从文本到图像生成的完整原理与实践过程。

开发与应用

更多 AIGC 与 ComfyUI工作流 相关研究学习内容请查阅：

ComfyUI使用教程、开发指导、资源下载

更多内容桌面应用开发和学习文档请查阅：

AIGC工具平台Tauri+Django环境开发，支持局域网使用
AIGC工具平台Tauri+Django常见错误与解决办法
AIGC工具平台Tauri+Django内容生产介绍和使用
AIGC工具平台Tauri+Django开源ComfyUI项目介绍和使用
AIGC工具平台Tauri+Django开源git项目介绍和使用