博主头像

ComfyUI 十大核心节点详解

外来客 • 2026-09-02 13:17:28

分享
𝕏 f ◉
声明：本文为对公开内容的摘要整理， 未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：10 essential ComfyUI nodes.）

📂 ComfyUI 核心节点解析

  • Load Nodes（加载节点）：作为工作流的入口，用于导入图像、视频及 AI 模型。核心节点如 `Load Image` 支持直接拖拽上传；处理视频时推荐使用 VHS (Video Helper Suite) 插件的 `Load Video Upload`，相比核心节点能提取帧数、音频及元数据，并支持调整分辨率、跳过首帧或按 Nth 间隔抽帧以优化 AI 动画测试。
  • 模型加载：通过特定节点加载扩散模型（如 Z Image Turbo）、LoRA（含 Model/Clip 强度参数）以及文本编码器（如 Qwen 3-4-B）。VAE（变分自编码器，如 AE.safetensors）负责在像素空间与潜空间之间转换数据。

⚙️ KSampler 生成机制

  • 核心功能：KSampler 是 AI 生成的引擎，接收模型、正负提示词及潜图像（Latent Image），执行去噪过程后输出结果。
  • 关键参数：
  • Seed（种子）：控制随机噪声，固定数值可复现相同结果。
  • Steps（步数）：决定生成过程的迭代次数，类比视频帧数。
  • CFG（Classifier Free Guidance）：调节提示词遵循度；设为 1 可禁用负向提示并显著加快生成速度。
  • Denoise（去噪强度）：取值 0-1。值为 1 时完全重绘图像，忽略输入内容；值越低则越保留原始图像特征。
  • Sampler/Scheduler：分别决定采样算法与噪声调度策略，类似不同锤子及其使用节奏，通常保持默认即可。

🖼️ 图像处理与空间转换

  • VAE Encode/Decode：`VAE Encode` 将 RGB 图像转换为潜空间数据以供 AI 处理；`VAE Decode` 则将生成结果还原为可视化的 RGB 图像。
  • Empty Latent Image：提供空白画布，设定初始生成的宽度和高度（如 512x512），适用于无输入图像的纯文生图场景。
  • Resize Image V2 (KJ Nodes)：用于调整图像尺寸以匹配模型要求。支持裁剪、拉伸或填充边缘，可指定裁剪位置及确保尺寸被特定数字整除，并输出宽高分量数据供其他节点使用。

🛠️ 工作流辅助与控制节点

  • Primitive Node：强大的参数控制工具，可将数值、字符串等变量提取为独立节点，实现多个 KSampler 或其他节点的统一参数控制（如同步步数或采样器名称）。
  • Set/Get Nodes (Variables)：用于管理工作流中的变量传递。`Set Variable` 存储数据（如图像、模型），`Get Variable` 调用这些数据，减少连线混乱并支持多路复用。
  • Preview Any：用于预览任意文本或字符串输出，特别适用于查看 LLM 节点生成的提示词或其他中间文本信息。
  • Note Node：纯文本注释工具，用于在工作流中添加说明、指令或个人备忘，提升复杂工作流的可读性。

📝 基础工作流逻辑总结

  • 标准流程：加载模型（Model/Clip/VAE）→ 设置变量 → 创建空潜图像或编码输入图 → 通过 KSampler 结合正负提示词进行生成 → VAE Decode 还原图像 → Save Image 保存结果。
  • 核心认知：理解 RGB 空间与 Latent 空间的转换机制是掌握 ComfyUI 的关键，所有 AI 模型均在潜空间中运作，需通过 VAE 节点进出该空间。

博主头像 👤 同一博主

查看该博主全部 16 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。