ComfyUI 基础工作流解析
什么是 ComfyUI 的节点？
在 ComfyUI 中，工作流是由一个个 节点（Node） 构成的。每个节点可以理解为一个函数，它完成特定的功能，并通过输入和输出与其他节点连接。如下图所示，这是一个基础工作流的示例：
基础工作流示例图
每个节点包含以下四个部分：
- 标题：表示节点的功能名称（类似函数名）。
- 左侧的点：表示节点的输入参数。
- 右侧的点：表示节点的输出结果。
- 表单：用于配置节点的参数（类似函数内部的控制逻辑）。
对于有编程基础的用户，可以将 ComfyUI 的节点类比为函数：
- 标题 对应函数名。
- 左侧的点 对应函数的输入参数。
- 右侧的点 对应函数的返回值。
- 表单 对应函数的配置逻辑。
通过连接这些节点（函数），ComfyUI 可以完成复杂的任务，比如图像生成、文本编码等。接下来，我们通过几个常见节点的具体示例，结合代码形式，帮助大家快速理解。
示例 1：Checkpoint 加载器
功能：加载一个指定的模型，并返回模型及其相关组件。
Checkpoint 加载器节点图
等效的代码逻辑如下：
def checkpoint_加载器_简易():
# ckpt_name：表单字段，用于配置加载的模型名称
return (MODEL, CLIP, VAE) # 返回 模型、CLIP 和 VAE
输入和输出：
- 输入：无输入。
-
输出：返回三个结果：
-
MODEL：加载的模型。 -
CLIP：文本编码器，用于处理提示词。 -
VAE：图像编码器，用于处理潜空间图像。
-
示例 2：CLIP 文本编码
功能：对用户输入的提示词进行编码，生成一个用于条件控制的向量。
CLIP 文本编码节点图
等效的代码逻辑如下：
def CLIP_文本编码(clip) -> CONDITIONING:
# clip：输入的 CLIP 模型
# 表单字段：用户输入的文本（提示词）
return CONDITIONING # 返回处理后的提示词向量
输入和输出：
-
输入：
-
clip：CLIP 模型组件（通常由 Checkpoint 加载器返回）。 - 用户输入的文本提示词（通过表单提供）。
-
-
输出：一个
CONDITIONING对象，表示处理后的提示词向量。
示例 3：生成空 Latent 图像
功能：生成一个初始的潜空间图像（Latent 图像），作为后续处理的输入。
空 Latent 图像节点图
等效的代码逻辑如下：
def 空Latent图像():
# 表单字段：width（宽度）、height（高度）、batch_size（批量大小）
return LATENT # 返回一个初始的潜空间图像
输入和输出：
- 输入：无输入。
-
输出：
-
LATENT：一个未初始化的潜空间图像。
-
示例 4：K 采样器
功能：对潜空间图像进行采样处理，生成新的潜空间图像。
K 采样器节点图
等效的代码逻辑如下：
def K采样器(model, positive, negative, latent_image):
# 表单字段：
# - seed：随机种子
# - control_after_generate：控制生成后的处理
# - steps：采样步数
# - cfg：提示词控制强度
# - sampler_name：采样器名称
# - scheduler：调度器
# - denoise：降噪强度
return LATENT # 返回处理后的潜空间图像
输入和输出：
-
输入：
-
model：加载的模型。 -
positive：正提示词向量（由 CLIP 文本编码返回）。 -
negative：负提示词向量（由 CLIP 文本编码返回）。 -
latent_image：初始的潜空间图像（由空 Latent 图像节点返回）。
-
-
输出：
-
LATENT：采样处理后的潜空间图像。
-
示例 5：VAE 解码
功能：将潜空间图像（LATENT）解码为普通像素图像。
VAE 解码节点图
等效的代码逻辑如下：
def VAE解码(samples, vae):
# samples：采样器输出的 latent 图像
# vae：模型加载器返回的 VAE 编码器
# 功能：将 LATENT 图像转换为普通像素图像
return IMAGE # 返回解码后的图像
输入和输出：
-
输入：
-
samples：采样器输出的潜空间图像（LATENT）。 -
vae：模型加载器返回的 VAE 编码器。
-
-
输出：
-
IMAGE：解码后的普通像素图像。
-
通过以上几个示例，我们可以看到 ComfyUI 的设计逻辑非常贴近编程思维，因此对于有代码基础的人来说，上手非常简单。只需理解几个核心节点的功能和输入输出关系，就可以快速搭建自己的工作流。
