ComfyUI 核心节点完整梳理
一、模型加载类
这类节点负责加载各种AI模型，是所有工作流的起点。
1. Load Checkpoint（加载大模型）节点
在 ComfyUI 中，Load Checkpoint 节点是一个非常重要的核心节点。其功能是加载 checkpoint 大模型，常用的大模型有 sd1.0、sd1.5、sd2.0、sd3.0、sdXL 等。
输入：
ckpt_name -> 自行选择在模型网站下载好的大模型（在用 WebUI 时下载了大模型的可以共享路径文件，节省磁盘空间）
输出：
MODEL -> 该模型用于对潜空间图片进行去噪
CLIP -> 该模型用于对 Prompt 进行编码
VAE -> 该模型用于对潜在空间的图像进行编码和解码
注意： StableDiffusion 大模型(checkpoint)内置有 CLIP 和 VAE 模型。另加载大型模型时，可能会耗费较长时间或占用大量内存，确保系统资源充足，避免因资源不足而导致的加载失败。
2. Load Checkpoint with config（带配置加载大模型）节点
该节点是一个高级的节点，用于加载 checkpoint 大模型并同时应用 config 文件中指定的设置。
输入：
Config_name -> 指定要加载的检查点文件的路径
Ckpt_name -> 自行选择在模型网站下载好的大模型
输出：
MODEL -> 该模型用于对潜空间图片进行去噪
CLIP -> 该模型用于对 Prompt 进行编码
VAE -> 该模型用于对潜在空间的图像进行编码和解码
注意： 确保 checkpoint 文件和 config 文件与当前使用的 ComfyUI 版本兼容。
3. Load LoRA（加载LoRA模型）节点
该节点用于加载LoRA（Low-Rank Adaptation）模型，这是一种轻量级的微调模型，可以在不改变基础大模型的情况下，为生成内容添加特定风格、人物或物体特征。
输入：
model -> 接收基础大模型
clip -> 接收CLIP模型
lora_name -> 选择要加载的LoRA模型文件
输出：
MODEL -> 应用了LoRA权重后的模型
CLIP -> 应用了LoRA权重后的CLIP模型
参数：
strength_model -> LoRA对模型的影响强度（0-1）
strength_clip -> LoRA对CLIP的影响强度（0-1）
注意： 可以串联多个Load LoRA节点来同时应用多个LoRA模型，不同LoRA的强度可以独立调整。
4. UNET Loader（单独加载UNET）节点
该节点用于单独加载UNet模型，UNet是Stable Diffusion的核心组件，负责在潜空间中进行图像去噪。
输入：
unet_name -> 选择要加载的UNet模型文件
参数：weight_dtype（控制模型权重的加载数据类型，直接影响显存占用和生成速度）
- fp32：32位浮点，精度最高但显存消耗大、速度慢
- fp16：16位半精度，最常用的平衡选项
- bf16：16位Brain浮点，适用于支持该格式的新硬件
- fp8_e4m3fn：8位浮点，特定于Flux等模型，显存占用极低，速度最快
输出：
MODEL -> 单独的UNet模型
注意： 大多数情况下使用Load Checkpoint节点即可同时加载UNet、CLIP和VAE。单独加载UNet主要用于高级工作流，如模型合并或混合使用不同组件。
5. Load ControlNet Model（加载ControlNet模型）节点
该节点用于加载ControlNet模型，ControlNet可以通过额外的条件信息（如边缘、深度、姿态等）精确控制图像生成的结构和布局。
输入：
control_net_name -> 选择要加载的ControlNet模型文件
输出：
CONTROL_NET -> 加载好的ControlNet模型
常用ControlNet类型：
- Canny：基于边缘检测控制
- Depth：基于深度图控制
- OpenPose：基于人体姿态控制
- LineArt：基于线稿控制
- Segmentation：基于语义分割控制
二、文本处理类
这类节点负责处理文本提示词，将自然语言转换为模型可以理解的条件信息。
6. CLIP Set Last Layer（设置CLIP输出层）节点
对 CLIP 进行微调并调整最后一层（Set Last Layer）。该节点用来设置选择 CLIP 模型在第几层的输出数据，提高模型在目标任务上的表现。
输入：
clip -> 接收用于对 prompt 进行编码的 CLIP 模型
输出：
CLIP -> 具有新设置的输出层的 CLIP 模型。
参数：
stop_at_clip_layer -> 设置 CLIP 模型在倒数第几层进行数据输出
注意： 在 ComfyUI 中，通常使用负数来设定。-1 代表最后一层（默认值，通常用于写实模型），-2 代表倒数第二层（跳过最后一层，通常二次元/动漫类模型如 NAI 系模型需要设置为 -2，以获得更好的效果）。CLIP 模型对 prompt 进行编码的过程中，可以理解为对原始文本进行层层编码，该参数就是选择我们需要的一层编码信息，去引导模型扩散。
7. CLIP Text Encode (Prompt)（文本编码）节点
该节点用来将自然语言文本转换为模型可以理解的条件信息。
输入：
clip -> 接收用于对 prompt 进行编码的 CLIP 模型
输出：
CONDITIONING -> 将文本信息通过 CLIP 模型编码，形成引导模型扩散的条件信息
参数：
文本输入框 -> 输入需要模型生成的文本信息
注意： 节点本身不区分正负向。在实际工作流中，你需要复制并创建两个该节点，分别输入正向提示词和反向提示词，然后将它们的输出分别连接到 KSampler 采样器的 positive（正向条件）和 negative（反向条件）接口。当前 prompt 仅支持英文输入，可通过安装插件实现中文实时翻译。
三、采样生成类
这类节点是图像生成的核心，负责在潜空间中进行噪声去除和图像生成。
8. KSampler（采样器）节点
该节点专门用于逐步减少潜在空间图像中的噪声，改善图像质量和清晰度。
输入：
model -> 接收来自大模型的数据流
positive -> 接收经过 clip 编码后的正向提示词的条件信息（CONDITIONING）
negative -> 接收经过 clip 编码后的反向提示词的条件信息（CONDITIONING）
latent_image -> 接收潜空间图像信息
输出：
LATENT -> 经过 KSampler 采样器进行去噪后的潜空间图像
参数：
seed -> 在去除图像噪声过程中使用的随机数种子。种子数有限，影响噪声生成的结果
control_after_generate -> 指定种子生成后的控制方式
fixed 代表固定种子，保持不变
increment 代表每次增加 1
decrement 代表每次减少 1
randomize 代表随机选择种子
steps -> 对潜在空间图像进行去噪的步数。步数越多，去除噪声的效果可能越显著
cfg -> 提示词引导系数，表示提示词对最终结果的影响程度。过高的值可能会产生不良影响。
sampler_name -> 选择的采样器名称，不同的采样器类型可以影响生成图像的效果，大家可以根据需求进行选择和实验
scheduler -> 选择的调度器名称，影响生成过程中的采样和控制策略，推荐配置可提供更好的结果
denoise -> 去噪或重绘的幅度，数值越大，图像变化和影响越显著。在高清修复等任务中，通常使用较小的值以保持图像细节和质量
9. Empty Latent image（空白潜空间图像）节点
该节点用来控制纯噪声的潜空间图像及比例。
输出：
LATENT -> 输出指定形状和数量的潜空间图像
参数：
width -> 要生成潜空间图像的宽度
height -> 要生成潜空间图像的高度
batch_size -> 需要生成多少张潜空间图像
注意： 不同架构的模型有其对应的最佳基础分辨率（由模型训练时的数据集尺寸决定）：
- SD 1.5 及衍生模型：最佳尺寸通常为 512*512 或 512*768
- SD 2.1 模型：最佳尺寸通常为 768*768
- SDXL 及 SD 3.0 模型：最佳尺寸通常为 1024*1024
偏离最佳分辨率太多可能会导致生成画面出现多头、多手或结构崩坏。
四、VAE编解码类
这类节点负责在像素空间和潜空间之间进行图像转换。
10. VAE Encode（VAE编码）节点
该节点用于将像素级图像编码为潜空间表示，是图生图流程的关键节点。
输入：
pixels -> 接收像素级图像
vae -> 接收VAE模型
输出：
LATENT -> 编码后的潜空间图像
注意： 与VAE Decode节点相反，VAE Encode将图像从像素空间转换到潜空间，以便后续进行去噪处理。
11. VAE Encode（for inpainting）（修复专用VAE编码）节点
该节点可以有效地对指定 VAE 模型对图像进行编码解码，从而为后续提供高质量的输入数据。
输入：
pixels -> 接收输入的图像信息
vae -> 接收输入的 vae 模型，使用该模型进行图片编码
mask -> 接收蒙版信息，用来确定扩散的区域
参数：
grow_mask_by -> 控制蒙版的羽化区域，和 Pad Image for Outpainting 节点的 feathering 参数相似
输出：
LATENT -> 编码后的潜空间图像信息
12. VAE Decode（VAE解码）节点
该节点用来将潜空间图像解码到像素级的图像。
输入：
samples -> 接收经过 KSampler 采样器处理后的潜在空间图像, 用于后续的处理或展示
vae -> 接收用于解码潜在空间图像的 VAE 模型, 大部分情况下，模型的检查点（checkpoint）会包含 VAE,当然也可以单独加载一个 VAE 模型
输出：
IMAGE -> 输出经过 VAE 解码后可直接查看的图像
13. VAE Decode(Tiled)（分块VAE解码）节点
该节点用于对变分自编码器（VAE）进行解码操作，以将潜在空间（latent space）中的表示转换回图像。
输入：
Samples -> 接收 KSampler 采样器处理后的潜空间图像
vae -> 接收对潜空间图像解码使用的 vae 模型
输出：
IMAGE -> 输出经过 vae 解码后可直接查看的图像
参数：
tile_size -> 用来设定”块”的大小，进行多块处理
Tips： 这个节点特别适合处理高分辨率图像，因为将图像分成小块进行处理，然后在处理完所有块后将它们组合成完整图像，可以避免内存溢出，并且提高处理效率。
五、ControlNet类
这类节点用于实现精确的图像结构控制，是ComfyUI最强大的功能之一。
14. Apply ControlNet（应用ControlNet）节点
该节点用于将 ControlNet 模型应用到生成过程中，将控制条件与提示词条件结合，是实现精确图像结构控制的核心节点。
输入：
positive -> 接收来自 CLIP Text Encode 的正向提示词条件
negative -> 接收来自 CLIP Text Encode 的反向提示词条件
control_net -> 接收来自 Load ControlNet Model 的 ControlNet 模型
image -> 接收用于控制的参考图像（如边缘图、深度图等经预处理器处理过的图像）
输出：
CONDITIONING -> 融合了 ControlNet 控制信息的正向条件信息
CONDITIONING -> 融合了 ControlNet 控制信息的反向条件信息
参数：
strength -> ControlNet 的控制强度（0.0-1.0）
start_percent -> ControlNet 开始生效的步数百分比（0.0-1.0）
end_percent -> ControlNet 结束生效的步数百分比（0.0-1.0）
注意： 可以串联多个 Apply ControlNet 节点来同时使用多个 ControlNet 模型，实现多条件控制。旧版本中只有 strength 参数的基础节点现在已被重命名为 "Apply ControlNet (OLD)"。
15. Canny Edge Detection（Canny边缘检测）节点
该节点用于检测图像的边缘，生成边缘图，作为Canny ControlNet的输入。
输入：
image -> 接收原始图像
输出：
IMAGE -> 生成的边缘图
参数：
low_threshold -> 边缘检测的低阈值
high_threshold -> 边缘检测的高阈值
六、图像处理类
这类节点用于对图像进行各种预处理和后处理操作。
16. Load Image（加载图像）节点
该节点的主要功能是从你的计算机或其他存储设备中加载图像文件，并将其引入到 ComfyUI 的工作流程中。
输入：
upload -> 点击该按钮，去选择想要加载的图像
输出：
IMAGE -> 加载的图像可以作为输入提供给其他节点，以进行进一步的图像处理或操作
MASK -> 如果图像中带有 Alpha 通道信息，则会通过该节点进行输出
右键点击节点，会有一个功能栏，许多的功能可以在搭建工作流时会有不错的效果：
- 图像编辑: 加载图像进行剪裁、调整颜色、添加滤镜等操作。
- 图像分析: 使用加载的图像进行特征提取、模式识别等分析任务。
- 图像生成: 在生成新图像时，将现有图像作为参考或素材进行处理。
17. Save Image（保存图像）节点
该节点用来保存 image 图像。
输入：
images -> 保存图像
Tips： 一般保存的图像会在你的 ComfyUI 文件夹中（eg：安装盘:\Comfyui\ComfyUI\output）。
18. Preview image（图像预览）节点
该节点用来预览 image 图像。
如果觉得图像是想要的效果，也可以右键节点选择“Save Image”进行图像保存，或者也可以建立一个“Save Image”节点，直接保存，保存地址同上。
19. Invert Image（图像反色）节点
该节点用于反转图像的颜色。具体来说，它将图像中的每个像素的颜色值转换为其补色。
输入：
image -> 加载想要处理的图片
输出：
IMAGE -> 输出反转图像
反转图像颜色在图像处理和特效制作中有多种应用，包括但不限于以下几种：
- 视觉效果：反转图像颜色可以产生独特的视觉效果，增加图像的艺术感。
- 增强对比度：在某些情况下，反转图像颜色可以帮助突出某些细节或对比。
- 创建掩膜：反转图像颜色可以用于创建和处理掩膜（masks），以便在进一步的图像处理步骤中使用。
20. Pad Image for Outpainting（扩图填充）节点
该节点的主要目的是预处理输入图像，以便于后续的绘制或者生成任务。
输入：
image -> 接收加载的图像信息
参数：
left -> 设定图像左侧扩展的像素宽度
top -> 设定图像顶部扩展的像素宽度
right -> 设定图像右侧扩展的像素宽度
bottom -> 设定图像底部扩展的像素宽度
feathering -> 控制边框的柔化程度，使得填充的边缘与原始图像更自然地过渡
输出：
IMAGE -> 输出扩展后的图像信息
MASK -> 输出扩展部分对应的蒙版，并且结合 feathering 参数进行柔化处理。
21. Upscale image（图像放大）节点
该节点用于放大图像的尺寸，同时尽可能保持图像的细节和质量。
输入：
image -> 接收需要调整的图像
参数：
upscale_method -> 选择放大图像的算法，“nearest-exact”表示使用最近邻插值算法。
width -> 调整后的图像宽度
height -> 调整后的图像高度
crop -> 设置是否对放大后的图像进行裁剪 “disabled 表示不裁剪，center 表示从中心对图片裁剪”
输出：
IMAGE -> 输出调整之后的图像
注意： 比例需根据自身需求调整，上图的比例设置只为更好的展示节点效果。
七、条件与模型操作类
这类节点用于对条件信息和模型进行各种操作和组合。
22. Conditioning Combine（条件合并）节点
该节点用于合并多个条件信息，常用于同时使用多个提示词或多个ControlNet的场景。
输入：
conditioning_1 -> 第一个条件信息
conditioning_2 -> 第二个条件信息
输出：
CONDITIONING -> 合并后的条件信息
23. Model Merge Simple（简易模型合并）节点
该节点用于合并两个模型，创建具有不同特征的混合大模型（Checkpoint）。
输入：
model1 -> 第一个基础模型
model2 -> 第二个基础模型
输出：
MODEL -> 合并后的新模型
参数：
ratio -> 决定融合的权重比例（0.0-1.0）。如果值为 1.0，则完全使用 model2 的权重；如果值为 0.0，则完全使用 model1 的权重。
注意： 如果需要合并三个及以上的模型，需要创建多个该节点进行串接操作（即前两个模型合并的输出 MODEL 作为下一个节点的 model1 输入）。
24. Latent Upscale（潜空间放大）节点
该节点用于在潜空间中放大图像，相比直接放大像素图像，潜空间放大可以更好地保留细节并减少伪影。
输入：
samples -> 接收潜空间图像
输出：
LATENT -> 放大后的潜空间图像
参数：
upscale_method -> 选择放大算法
scale -> 放大倍数
width -> 目标宽度（与scale二选一）
height -> 目标高度（与scale二选一）
crop -> 是否裁剪图像以匹配目标尺寸
八、完整工作流示例
通过组合以上节点，我们可以搭建出各种实用的AI图像生成工作流。
25. 文生图示例工作流
熟悉以上所有节点之后，你就可以搭建第一个“文生图”工作流了。
这里使用了 sd1.5 的大模型，所以 latent 图像设置 512*512，正向提示词输入 1 girl，反向提示词输入 NSFW 避免出现不能播的内容，采样器 KSampler 使用默认设置，最终出图如下：
26. 图生图示例工作流
熟练使用以上节点，你就可以搭建第一个“图生图”工作流了。
可以看到，在整个图生图工作流中，这里使用了 SDXL 的大模型，上传一张原始底图，经过 VAE Encoder 节点对底图编码，后续通过提示词引导使用 KSampler 采样器进行去噪，最终出图如下：
核心节点分类总结
以上26个节点覆盖了ComfyUI中90%以上的基础和进阶使用场景，掌握它们就可以搭建出绝大多数类型的工作流。按照功能可以分为以下几大类：
- 模型加载类：Load Checkpoint、Load Checkpoint with config、Load LoRA、UNET Loader、Load ControlNet Model
- 文本处理类：CLIP Set Last Layer、CLIP Text Encode (Prompt)
- 采样生成类：KSampler、Empty Latent image
- VAE编解码类：VAE Encode、VAE Encode（for inpainting）、VAE Decode、VAE Decode(Tiled)
- ControlNet类：Apply ControlNet、Canny Edge Detection（及其他预处理节点）
- 图像处理类：Load Image、Save Image、Preview Image、Invert Image、Pad Image for Outpainting、Upscale image
- 条件与模型操作类：Conditioning Combine、Model Merge Simple、Latent Upscale
这些节点可以组合出文生图、图生图、局部重绘、图像扩展、高清修复、多ControlNet控制等各种复杂的AI图像生成工作流。
