一、什么是工作流（Workflow）

1.1 从”界面”到”程序”

上一课我们把 ComfyUI 比喻成”AI 绘画的乐高积木”。这一课我们要进一步理解：当你把节点连起来时，你其实在写一段可视化程序。这段程序会被 ComfyUI 的后端解析、编译、执行，最终输出图像或视频。

工作流（Workflow）= 一张有向无环图（DAG）= 一段描述数据如何流动的可视化程序。

每一个工作流都包含三个核心要素：

• 节点（Node）：执行具体计算的函数
• 连接（Edge）：数据从一个节点流向另一个节点的通道
• 参数（Parameter）：控制每个节点行为的配置项

1.2 为什么工作流思想这么重要

理解工作流底层原理的好处是：你不再依赖”照着图连线”，而是能够自己判断每个节点该放哪里、为什么要这样连、报错时知道从哪里查。这是从”会操作”到”会创作”的分水岭。

二、节点的本质：每个节点都是一个 Python 函数

2.1 节点的四要素

ComfyUI 中的每个节点本质上都是一个 Python 类。它必须声明四样东西：

2.2 一个真实的节点长什么样

以 KSampler 为例，它的核心定义类似这样：

class KSampler:
    @classmethod
    def INPUT_TYPES(s):
        return {
            "required": {
                "model": ("MODEL",),
                "seed": ("INT", {"default": 0, "min": 0, "max": 0xFFFFFFFFFFFFFFFF}),
                "steps": ("INT", {"default": 20, "min": 1, "max": 10000}),
                "cfg": ("FLOAT", {"default": 8.0, "min": 0.0, "max": 100.0}),
                "sampler_name": (comfy.samplers.KSampler.SAMPLERS,),
                "scheduler": (comfy.samplers.KSampler.SCHEDULERS,),
                "positive": ("CONDITIONING",),
                "negative": ("CONDITIONING",),
                "latent_image": ("LATENT",),
                "denoise": ("FLOAT", {"default": 1.0, "min": 0.0, "max": 1.0, "step": 0.01}),
            }
        }
    RETURN_TYPES = ("LATENT",)
    FUNCTION = "sample"

    def sample(self, model, seed, steps, cfg, sampler_name, scheduler,
               positive, negative, latent_image, denoise):
        # 实际采样逻辑...
        return (latent,)

注意几个关键点：

• INPUT_TYPES 定义了它接受什么类型的输入，以及参数的范围和默认值
• RETURN_TYPES 定义了它输出什么类型
• FUNCTION = "sample" 告诉 ComfyUI 执行时调用 sample() 方法
• 返回值是一个元组 (latent,)，与 RETURN_TYPES 一一对应

三、数据类型与强类型约束

3.1 为什么连线的颜色不一样

ComfyUI 中不同颜色的连线代表不同的数据类型。这不是装饰，而是强类型约束。当类型不匹配时，ComfyUI 会拒绝连接，从源头避免运行错误。

3.2 六种核心数据类型

3.3 强类型的好处

传统编程中，类型错误往往在运行到某一步时才暴露。ComfyUI 在连接阶段就拦截错误，真正做到了“错在编译期，而非运行时”。

四、文生图数据流详解

4.1 标准文生图工作流

我们把上节课见过的标准文生图工作流再拿出来，这次从数据类型的角度重新理解它：

4.2 每个节点在做什么

4.3 数据维度变化

很多同学对”潜空间”没有直观感受。以 SD 1.5 为例，VAE 的下采样倍数通常是 8：

• 你设置生成 512×512 的图像
• Empty Latent 实际创建的是 [1, 4, 64, 64] 的噪声张量
• KSampler 在 64×64 的潜空间上做 20 步去噪
• VAE Decode 把它放大解码为 [1, 512, 512, 3] 的 RGB 图像

这就是 ComfyUI 显存优化的核心秘密——扩散过程在压缩的潜空间完成，而不是在像素空间。

五、Pipeline 执行流程：点击 Queue Prompt 后发生了什么

5.1 从界面点击到后端执行的四个阶段

当你点击”Queue Prompt”按钮时，ComfyUI 并不是立刻开始跑图。它要先完成一系列准备工作：

5.2 阶段详解

阶段 1：前端生成 JSON

ComfyUI 的前端界面（基于 LiteGraph.js）会把当前画布上的所有节点、连接、参数序列化为一个 JSON 对象。这个 JSON 就是工作流的”源代码”。

阶段 2：后端解析为 DAG

后端收到 JSON 后，会解析每个节点的输入来源，构建一张有向无环图（DAG, Directed Acyclic Graph）。DAG 的意思是：节点之间有方向（数据从上游流向下游），且没有循环。

阶段 3：拓扑排序

系统使用拓扑排序算法确定执行顺序。规则很简单：一个节点只有在其所有依赖节点都执行完毕后，才会被执行。如果两个分支互相独立，它们可以并行准备。

阶段 4：逐节点执行

按照拓扑排序得到的顺序，后端逐个调用节点的执行函数。每执行完一个节点，就把输出缓存起来，供下游节点使用。

5.3 执行顺序示例

假设你的工作流是这样的：

Load Checkpoint ──▶ CLIP Text Encode (+) ──┐
                                          ├──▶ KSampler ──▶ VAE Decode ──▶ Save Image
Load Checkpoint ──▶ CLIP Text Encode (-) ──┘
Empty Latent Image ────────────────────────┘

拓扑排序后的执行顺序可能是：

1. Load Checkpoint（为后续提供 MODEL/CLIP/VAE）
2. CLIP Text Encode (+) 和 CLIP Text Encode (-)（并行或顺序执行，互不影响）
3. Empty Latent Image（创建初始噪声）
4. KSampler（必须等 1-3 都完成）
5. VAE Decode
6. Save Image

六、智能缓存与显存优化

6.1 为什么 ComfyUI 比 WebUI 更省显存

ComfyUI 有两个重要的优化机制，让它在相同显卡上能跑出更大的图：

6.2 缓存命中的实际场景

假设你跑了一个文生图工作流，然后只修改了提示词中的”衣服颜色”：

• Load Checkpoint 的输入没变 → 缓存命中，跳过
• Empty Latent 的 seed 没变 → 缓存命中，跳过
• CLIP Text Encode 的输入变了 → 重新执行
• KSampler 的 positive 条件变了 → 重新执行
• VAE Decode 的输入变了 → 重新执行

这意味着你不用重新加载大模型，只重跑变化的后面几个节点，节省大量时间。

七、自定义节点机制

7.1 为什么需要自定义节点

ComfyUI 的官方节点只提供基础能力。真正的生产力来自社区开发的自定义节点（Custom Nodes），比如 ControlNet、Animate、SeedVR2、InstantID 等，都是通过自定义节点实现的。

7.2 自定义节点的安装位置

自定义节点存放在 ComfyUI 安装目录的 custom_nodes/ 文件夹下。每个节点包通常是一个 Git 仓库，包含：

• __init__.py：注册节点类
• 节点实现文件：定义 INPUT_TYPES、RETURN_TYPES、FUNCTION
• requirements.txt：依赖的 Python 包

7.3 自定义节点的注册

一个最简单的自定义节点注册代码如下：

NODE_CLASS_MAPPINGS = {
    "MyCustomNode": MyCustomNode,
}
NODE_DISPLAY_NAME_MAPPINGS = {
    "MyCustomNode": "我的自定义节点",
}

ComfyUI 启动时会扫描 custom_nodes/ 目录，把所有 NODE_CLASS_MAPPINGS 合并到可用节点列表中。Manager 插件就是基于这个机制，实现了”一键安装/更新/禁用”社区节点。

八、常见错误与排查思路

8.1 连线变红 / 无法连接

原因：上下游数据类型不匹配。

排查：检查输出端口类型和输入端口类型是否一致。常见错误是把 IMAGE 接到要求 LATENT 的端口。

8.2 RuntimeError: shape mismatch

原因：张量形状不一致。比如一个分支生成了 batch_size=4 的 latent，另一个分支是 batch_size=1，合并时没有做适配。

排查：检查 Empty Latent 的 batch_size，以及所有影响 batch 维度的节点。

8.3 模型加载失败 / 找不到模型

原因：模型文件不在正确的目录，或文件名与节点选择的不一致。

排查：确认 models/checkpoints/、models/loras/、models/vae/ 等路径正确。

8.4 CUDA out of memory

原因：显存不足。

排查：降低分辨率、关闭不必要的预览、使用 --lowvram 启动参数、减少 batch_size。

九、关键术语速查

本课出现了很多新术语，集中梳理一下：

Workflow

工作流，节点与连接构成的完整计算图

Node

节点，ComfyUI 的最小功能单元

Edge

节点之间的数据连线

DAG

有向无环图，ComfyUI 工作流的数学模型

Pipeline

执行流程，从输入到输出的完整处理链路

拓扑排序

确定节点执行顺序的算法

LATENT

潜空间张量，扩散模型的中间表示

CONDITIONING

条件编码，CLIP 编码后的提示词向量

INPUT_TYPES

节点输入类型声明

RETURN_TYPES

节点输出类型声明

Custom Nodes

自定义节点，扩展 ComfyUI 功能的插件

Cache

缓存，避免重复执行相同节点