Flux工作流教程：设计师零基础入门指南与最佳实践
许多用户在初次接触Flux模型与ComfyUI工作流时，常会面临几个核心疑问：它与我们熟知的SDXL、SD1.5在架构和应用上有何本质区别？如何构建最基础的工作流？以及如何正确接入ControlNet等控制工具？
本文将系统拆解Flux模型的技术优势，并逐步演示四个核心工作流的构建方法：文生图、图生图、局部重绘与高清放大。掌握这些基础流程，是高效利用Flux进行创意生成的关键第一步。
一、什么是Flux模型？
Flux模型由Black Forest Labs于2024年8月发布，迅速成为开源文生图领域的新基准。其核心优势在于原生支持高分辨率输出、具备卓越的提示词理解能力与细节刻画精度。尤其在光影表现、材质纹理等微观细节上，Flux相比SDXL等前代模型带来了显著提升。
FLUX模型生成效果示例
因此，尽管在ComfyUI中的节点连接逻辑需要适应其新架构，但为了获得更高质量的图像输出，迁移至Flux是值得投入的。那么，如何获取Flux模型？
目前，Flux主要提供三个版本：FLUX.1(pro)、FLUX.1(dev)和FLUX.1(schnell)。三者主要在推理速度、显存占用与图像质量之间进行权衡，具体差异可参考下图：
FLUX三个版本模型的核心参数对比
Flux模型在文本理解方面表现突出。例如，输入包含特定字母组合的复杂描述，它能准确生成对应文字，有效避免了早期模型中常见的字符混乱问题。
Flux模型对文本提示的精准响应示例
模型文件可通过HuggingFace平台的Black Forest Labs官方页面下载。若本地硬件资源有限，也可考虑使用集成了Flux的在线ComfyUI托管服务，以简化部署流程。
FLUX模型官方下载页面示意
请注意，务必同时下载Flux专用的VAE模型文件，这是确保图像色彩还原与细节正常解码的关键组件。
Flux专用VAE模型下载示意
二、Flux为何强大？与SDXL、SD1.5的底层差异
理解其强大性能的根源，需要从模型架构与训练数据层面进行分析。
简而言之，模型的“智能”与其参数量、训练数据质量直接相关。SD1.5的参数量约为4.2亿，而Flux的参数量跃升至120亿。更大的参数量意味着模型能捕捉和学习更复杂的图像特征与模式。同时，SD1.5的训练图像尺寸为512x512，SDXL与Flux则提升至1024x1024，这为生成高清图像奠定了数据基础。
更关键的是架构革新。Flux采用了先进的多模态Transformer架构，使其对自然语言提示词的语义理解能力远超以往模型。三者核心差异对比如下：
SD1.5、SDXL与Flux核心架构与性能对比
三、Flux基础文生图工作流搭建
了解理论后，我们进入实战。Flux的文生图工作流与SDXL的主要区别体现在模型加载与提示词处理环节。
核心差异一：模型加载方式。 Flux不再使用单一的「Checkpoint加载器」。你需要将其拆分为三个独立节点：「UNet加载器」、「双CLIP加载器」和「加载VAE」，分别对应原检查点文件中的MODEL、CLIP和VAE组件。
核心差异二：负面提示词处理。 Flux在架构设计上不强制使用负面提示词。因此，原工作流中连接CLIP的负向提示词输入端口，现在需要使用「条件零化」节点置空，再连接至K采样器。
核心差异三：「Flux引导」节点。 这是Flux工作流的新增核心组件，位于「CLIP文本编码器」与「K采样器」之间。其功能类似于传统K采样器中的“cfg”参数，但控制更为精细。引导系数越高，生成结果越严格遵循提示词，但可能牺牲创造性；系数越低，则创造性更强，但可能偏离描述。通常建议保持默认值3.5。
通过一组对比测试可以直观展示其影响：使用同一提示词，分别设置引导系数为2.5、3.5、10、20。系数过低可能导致画面对比度不足，过高则会使细节显得生硬。
不同Flux引导系数对生成结果的影响对比
最后的关键调整： 由于「Flux引导」节点接管了提示词遵循度的控制权，「K采样器」内部的“cfg”参数需固定设置为1，以禁用其原有的调节功能。
至此，一个完整的Flux文生图工作流便搭建完成，整体节点连接关系如下：
完整的FLUX文生图工作流节点连接图
四、Flux基础图生图工作流搭建
在掌握文生图流程后，图生图工作流的构建逻辑就变得清晰了，其核心思路与SD系列保持一致。
关键步骤是：将输入图像通过「VAE编码」节点转换为潜在空间表示，然后将其输入「K采样器」的“latent_image”端口。通过调节“降噪”强度（建议值约0.8），可以控制输出结果对原图的参考程度。数值越高，生成结果越倾向于遵循新提示词；数值越低，则越保留原图的构图与风格特征。
Flux图生图基础工作流示意
若希望基于原图风格生成新内容，可以引入提示词反推节点，例如「Joy Caption Two」。将原图输入该节点，它会自动输出描述性文本，再将其送入「CLIP文本编码器」，即可生成风格连贯的新图像。
集成提示词反推节点的图生图工作流
基于原图风格生成的新图像结果
五、Flux基础局部重绘工作流搭建
局部重绘旨在修改图像的特定区域。推荐使用「Detailer (SEGS)」节点替代标准「K采样器」，它能对选定区域进行更精细的处理。
首先，使用遮罩工具标记需要修改的区域。然后，通过「MASK to SEGS」节点将遮罩转换为「Detailer (SEGS)」可识别的“Seg”格式输入。在「Detailer (SEGS)」节点中，同样需将“cfg”设为1，并根据修改幅度调整“denoise”降噪强度。
Flux局部重绘工作流核心节点连接
例如，若要将人物头发改为红色，只需在「CLIP文本编码」中输入“red hair”。下图展示了“denoise”设置为0.95的效果，重绘部分与原图融合自然。若设置为1，重绘区域将完全依据新提示词生成，可能导致与周围环境不协调。
局部重绘效果示例 (denoise=0.95)
局部重绘效果示例 (denoise=1)
六、Flux高清放大修复工作流搭建
最后是高清放大流程，用于提升图像分辨率与细节。这里采用经典的「Ultimate SD Upscale」节点。
在文生图流程中： 将该节点连接在「K采样器」输出之后即可。节点参数较多，但需重点关注的仅有四项： - upscale_by：图像放大倍数。 - cfg：固定设为1（原因同上）。 - 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，过高可能引入不必要的画面变化。
下图展示了放大前后的细节对比，可见发丝、盔甲纹理等细节清晰度得到显著增强。
高清放大前后细节对比
完整的文生图高清修复工作流结构如下：
集成高清放大的文生图完整工作流
在图生图流程中： 搭建方式类似，但可以绕过「K采样器」，直接将编码后的潜在图像连接至「Ultimate SD Upscale」节点。同时，在提示词中加入“high quality, detailed, 8k”等质量描述词，可以引导模型在放大过程中进一步优化细节。
集成高清放大的图生图工作流示意
总结
以上便是Flux模型的核心技术解析与四个基础工作流的构建指南。可以看出，Flux工作流的大部分节点与SDXL、SD1.5一脉相承，主要革新点集中在模型加载与提示词处理模块。理解其设计逻辑后，你会发现其流程甚至更为简洁高效。
掌握这些基础工作流，是探索Flux模型高级应用的前提。在后续内容中，我们将深入探讨换背景、风格迁移、手部修复等进阶工作流的实现方法。