很多人对 AI 绘画的兴趣，是从一张惊艳的图开始的：想复刻某种画风，想给自己写的故事配张插画，或者单纯想在朋友群里发一张"这是我做的"。但真正打开 Stable Diffusion 之后，画风往往急转直下——装不上、跑不动、出图糊成一团、参数一改就崩。问题通常不在"天赋"，而在于几个具体的知识缺口：扩散模型到底在干什么、ComfyUI 的节点是怎么连起来的、提示词里哪些词真正起作用、采样器和步数为什么会影响构图。

这套围绕 SD-Comfyui 的系统教程，针对的就是这些缺口。它不假设你已经懂模型、懂 Python、懂显卡，而是把"零基础"当作一个需要认真填的坑来对待。下面从几个角度说明它适合补什么、怎么用。

先搞清楚 SD 和 ComfyUI 各自的角色

初学者最容易混淆的是：Stable Diffusion 是模型，ComfyUI 是操作台，两者不是一回事。教程会先把这条边界划清楚——文生图、图生图、重绘、放大这些任务分别调用模型的哪个部分，ComfyUI 又是在哪一层把它们串起来。理解了这层关系，后面看到"加载模型""编码提示词""采样""解码"这些节点，就不会觉得是一堆陌生按钮，而是一条能读懂的流水线。

如果你之前用过其他图形界面，可能会觉得 ComfyUI 的节点式操作更麻烦。教程需要回答的是：为什么值得多花这点力气。答案在于可复用与可控——一条搭好的工作流能保存、能改动、能分享，这是把 AI 绘画从"抽卡"变成"创作"的分水岭。

提示词不是许愿，是有优先级的描述

出图效果差，十有八九卡在提示词。教程在这方面不会只给几组"万能咒语"，而会讲清结构：主体、风格、构图、光照、镜头分别在句子里的位置和权重如何体现，正向与负向提示各自负责什么，为什么堆砌十几个形容词反而会让画面失焦。

配套练习建议这样用：同一个主体，先用最短的提示词出一版，再逐步加入风格和构图词，对比每一步的变化。这个过程比背模板有用得多，因为它让你建立"哪个词对应哪种视觉结果"的直觉。

参数背后是可以验证的因果关系

采样步数与采样器：步数不是越高越好，不同采样器在相同步数下的收敛速度并不一致。
CFG 引导强度：数值偏高会让画面更"听话"但更容易过曝和僵硬，偏低则更松弛也更失控。
随机种子：固定种子是复现和微调的前提，改了种子就等于换了一张牌。
分辨率与比例：训练分辨率之外的长宽比，常常直接导致人物变形或构图割裂。

这些内容不靠记忆，靠动手改一个参数、看一次结果。教程里应该带着你把这些变量逐个跑一遍，而不是一次性全塞给你。

节点工作流要能自己搭、自己改

看别人分享的工作流截图，和自己在画布上连出一条能跑通的链路，是两种能力。前者是收藏，后者才是掌握。重点在于理解数据在不同节点之间传递的是什么——潜在空间的特征、条件编码、还是最终像素，以及为什么有些节点必须按顺序连接。

学完之后应当能回答这些问题：为什么图生图要控制重绘幅度？放大流程为什么要分两段做？一个复杂工作流里，哪一步是真正决定画面内容的、哪一步只是优化效率？如果能答上来，说明你已经不是在照抄，而是在调试。

看完应该达到的状态

这门课的目标不是让你背下一堆参数表，而是让你在遇到一张不理想的出图时，知道该去动哪一处，而不是反复重抽。零基础不等于轻松，但意味着路径是清楚的。建议的用法是：每看完一节，就用自己的素材重做一遍，把踩到的坑记下来——那些坑本身就是这门课最有价值的部分。