设计师必学Flux基础工作流零基础入门教程上篇

许多用户在初次接触Flux模型和ComfyUI工作流时，常会感到困惑：它与我们熟知的SDXL、SD1.5究竟有何不同？基础工作流应如何搭建？ControlNet又该如何连接？

不必担心，本文将为你系统解析Flux模型的核心优势，并手把手教你搭建四个最核心的工作流：文生图、图生图、局部重绘以及高清放大。掌握这些基础，你就能快速上手Flux，为后续学习更复杂的AI绘画技术打下坚实基础。

一、什么是Flux模型？

Flux模型由Black Forest Labs（黑森林实验室）于2024年8月发布，迅速成为开源文生图领域的新标杆。其显著特点在于原生支持高分辨率输出、对提示词的理解极为精准，并且在图像的光影、材质等细节表现上远超SDXL等前代模型，带来肉眼可见的画质提升。

FLUX出图效果

因此，尽管在ComfyUI中的节点连接逻辑有所调整，但为了获得更出色的图像质量，转向Flux模型是完全值得的。那么，Flux模型从哪里获取呢？

目前，Flux主要提供三个版本：FLUX.1(pro)、FLUX.1(dev)和FLUX.1(schnell)。它们主要在推理速度、显存占用和图像质量之间进行权衡，具体区别可参考下图：

FLUX三个版本模型的差异

值得一提的是，Flux模型在文本理解方面表现卓越。即使输入包含具体字母的复杂描述，它也能准确生成对应文字，有效避免了传统模型中常见的“文字乱码”问题。

Flux对文字的理解

模型可以通过HuggingFace官网的Black Forest Labs主页下载。如果本地硬件配置有限，也可以考虑使用在线的ComfyUI托管平台，省去本地部署的繁琐步骤。

FLUX模型下载

此外，请务必下载Flux专用的VAE模型，这是确保生成图像色彩准确、细节正常的关键一步。

VAE模型下载

二、Flux为何强大？与SDXL、SD1.5的底层差异

知其然，更要知其所以然。Flux模型的强大性能源于其底层架构和训练数据的全面升级。

简而言之，模型的“学习能力”与其参数量及训练数据质量直接相关。据了解，SD1.5的参数量约为4.2亿，而Flux的参数量高达120亿。更多的参数意味着模型能够学习并表达更复杂的视觉特征和模式。同时，SD1.5的训练图像尺寸为512x512，而SDXL和Flus均提升至1024x1024，这为生成高清图像奠定了更好的基础。

更重要的是架构革新。Flux基于更先进的多模态Transformer架构设计，使其对自然语言提示词的理解能力远超前辈。三者核心差异可参考下图：

三个模型的区别

三、Flux基础文生图工作流搭建

理解了模型差异后，我们进入实战环节。Flux的文生图工作流与SDXL的主要区别集中在模型加载和提示词处理流程上。

第一个差异点：模型加载方式。 Flux模型不再使用传统的「Checkpoint Loader」单一节点。你需要将其拆分为三个独立节点：「Load UNet」、「Load Dual CLIP」和「Load VAE」，分别对应原检查点文件中的MODEL、CLIP和VAE输出。

第二个差异点：无需负面提示词。 Flux在设计上不强制使用负面提示词。因此，原来连接CLIP的正负向提示词输入，现在只需保留正向输入。对于负向输入端口，需要使用「Conditioning Zero Out」节点将其置空，再连接到K采样器。

第三个关键点：「Flux Guidance」节点。 这是Flux工作流中的新成员，位于「CLIP Text Encode」和「KSampler」之间。它的作用类似于传统K采样器中的“cfg”参数，但控制更为精细。引导系数越大，图像越严格遵循提示词，但可能限制创意；系数越小，则创意空间越大，但可能偏离描述。通常建议使用默认值3.5。

通过一个测试可以直观感受其影响：使用同一段提示词，分别设置引导系数为2.5、3.5、10、20，结果如下图所示。系数过低画面可能偏灰暗，过高则细节会显得生硬。

Flux不同引导系数的差异

最后一个调整： 由于「Flux Guidance」节点接管了提示词遵循度的控制，因此「KSampler」内部的“cfg”参数需要设置为1，相当于将其功能禁用。

至此，一个完整的Flux文生图工作流就搭建完成了，整体连接如下图所示：

FLUX文生图工作流

四、Flux基础图生图工作流搭建

有了文生图的基础，图生图工作流的搭建就简单多了，其核心逻辑与SD系列基本一致。

核心操作是：将上传的参考图片通过「VAE Encode」节点编码为潜在空间表示，然后将其输入到「KSampler」的“latent_image”端口。同时，通过调整“denoise”（降噪强度，通常设为0.8左右）来控制生成结果对原图的参考程度。数值越高，生成结果越偏向遵循新提示词；数值越低，则越保留原图的特征和风格。

flux图生图工作流

如果想基于原图风格生成新内容，可以加入提示词反推节点，例如「Joy Caption Two」。将原图输入该节点，它会自动分析并输出描述性提示词，再将其输入「CLIP Text Encode」节点，这样就能生成风格一致的新图像了。

提示词反推节点

出图结果

五、Flux基础局部重绘工作流搭建

局部重绘，即只修改图像的特定区域。这里推荐使用「Detailer (SEGS)」节点来替代标准的「KSampler」，它能对指定区域进行更精细化的处理。

首先，使用画笔工具在需要修改的区域创建遮罩。然后，通过「MASK to SEGS」节点将遮罩转换为「Detailer (SEGS)」能识别的“Seg”输入。在「Detailer (SEGS)」节点中，同样需要将“cfg”设为1，并根据修改幅度调整“denoise”降噪强度。

局部重绘节点

例如，想把图中人物的头发改成红色，就在「CLIP Text Encode」节点输入“red hair”。下图展示了“denoise”设置为0.95的效果，重绘部分能较好地与原图融合。如果设置为1，则重绘区域会完全根据新提示词生成，可能与周围环境产生割裂感。

局部重新绘制 denoise=0.95

denoise=1

六、Flux高清放大修复工作流搭建

最后是高清放大工作流，用于提升图像分辨率和细节。这里使用经典的「Ultimate SD Upscale」节点。

在文生图流程中： 将该节点连接到「KSampler」之后即可。节点参数虽多，但重点关注的只有四个： - upscale_by：图像放大倍数。 - cfg：设为1（原因同前）。 - scheduler：采样器类型，需与K采样器保持一致（例如simple）。 - denoise：重绘幅度，默认0.2即可，设置过高可能引入不必要的变化。

下图展示了放大前后的细节对比，可以清晰看到发丝、盔甲纹理等清晰度得到了显著提升。

放大前后效果对比

完整的文生图高清修复工作流如下：

文生图高清修复放大工作流

在图生图流程中： 搭建方式类似，但可以绕过「KSampler」，直接将编码后的图像连接到「Ultimate SD Upscale」节点。同时，在提示词中加入质量相关的词汇，如“high quality, detailed, 8k”，能有效引导模型在放大过程中优化细节。

图生图高清修复放大工作流

总结

以上就是Flux模型的核心优势解析与四个基础工作流的完整搭建指南。不难发现，Flux工作流的大部分节点与SDXL、SD1.5一脉相承，主要变化集中在模型加载和提示词处理模块。一旦理解了其背后的设计逻辑，你会发现它的流程甚至更加精简和直观。

掌握了这些基础工作流，你就能顺利开启Flux的AI绘画创作之旅。在下一篇文章中，我们将探讨更进阶的应用，例如换背景、风格迁移、手部修复等工作流的搭建方法，敬请期待。