序章
在探讨ComfyUI的工作流节点与底层逻辑之前，首先需要明确的是，我们所有的图形训练都是基于512x512像素的真实空间图像，这些图像通常被称作像素空间，它们是由单个像素生成的图像。在训练过程中，我们对这些图像进行了多维度的压缩处理，使得图片的像素降至64x64。机器在这个被称为潜在空间的空间内进行训练和运算，随后从潜在空间中合成我们所需要的信息，并将这些信息最终转换成我们肉眼可见的真实空间图像，即像素空间的完整图像。
一、深入理解ComfyUI的基础概念
1.1 工作流的核心——采样器
任何工作流的核心部分，便是采样器。
例如，在SD中采用的采样方法DPM++2M Karras，在ComfyUI的操作流程中，用户需单独挑选采样器和调度器：分别选择DPM++2M采样器与Karras调度器。这两者需要独立进行选择。
1.2 在不同采样器产生的最终效果上，差异并不会显著。
文章标题：深入解析ComfyUI工作流节点与底层逻辑 | 带插件完善指南
（文章第4/21部分，核心内容，以下为改写内容）
若意图增强图片的精致度，DPM++采样器是常用的工具。然而，在提升图片质量方面，DPM++2M的表现并不及带有sde后缀的采样器。sde采样器通过提升图像的创造性和想象力，为生成的图像带来更多变化，增加了意外的惊喜。Uni PC采样器是近期推出的新选择，其优势与lcm采样器相似，能够在较短时间内输出令人满意的图像效果。
1.3 调度器与采样器各有所长，在常用的工具中，采样器的种类相对较少。
标题：ComfyUI工作流程节点及底层逻辑深度解析 | 携插件功能补充
（本文第5/21节，正文核心部分，以下为改写内容）
原文片段：
降噪的强度是由采样次数决定的，设定得越高，降噪效果越显著。在默认情况下，文本生成图像的降噪处理通常设置为1级即可。
1.4 ComfyUI 全面的工作流程
文章标题：ComfyUI流程节点及基础逻辑深度剖析 | 附加插件功能详述
（文章第6/21部分，正文核心段落，以下为改写内容）
原文：
在ComfyUI的设计框架中，正负两面的条件设定被定义为关键词，这些关键词将引导CLIP编码器对输入文本进行分类和筛选（对于负面提示词，亦是如此进行）。
改写：
在ComfyUI的设计体系中，正面与负面的条件设定扮演着关键词的角色。这些关键词被用来指导CLIP编码器对输入文本进行细致的分类和精确的筛选。同样，对于负面提示词的处理，也遵循着这一逻辑。
文章标题：ComfyUI操作便捷指南 | 插件功能详解
（文章第7/21部分，核心内容，以下为改写正文）
在ComfyUI的操作界面中，您会发现复制和粘贴功能同样得心应手，只需轻按Ctrl+C和Ctrl+V即可；
而对于条件的快速处理，只需按住Alt键，拖动条件框，即可轻松实现复制操作；
在搜索和创建方面，只需在ComfyUI界面左键双击，即可快速弹出的搜索界面，实现高效的搜索式创建；
当条件数量较多时，我们还可以通过右键点击，新建分组，通过多选并按住Shift键，实现条件的批量移动。
二、深入解析Stable Diffusion的工作机制（补充说明）
1.1 SD实现本地快速出图训练的奥秘
在ComfyUI的工作流中，我们处理的所有图形均以512x512像素的真实空间图像形式存在，这便是我们所说的像素空间，它是由单个像素生成的图像。在训练过程中，我们对图像进行了一次多维度的压缩处理，将原本的像素分辨率降至64x64。随后，机器在这个潜在空间中进行训练和计算；在这个空间内，我们能够合成所需的所有信息；最终，这些信息被转换回肉眼可见的真实空间，即像素空间的完整图像。值得注意的是，在潜在空间中生成的像素非常微小，只有在离开潜在空间后，才会进行还原。
1.2 基础工作流中的【潜在】节点补充说明（一）
标题：ComfyUI工作流程节点及核心机制深入剖析 | 增强插件功能介绍
（本文第9/21部分，内容核心段，以下为改写内容）
原文信息保留：
1. 潜在空间（Latent space）指的是一种两个空间之间的转换；
2. 潜在空间（Latent space）与真实空间（Pixel space）在流程中经常需要转换；
3. 使用英文进行描述可能对大家来说更为方便，即所谓的空潜在图像（Empty Latent Image）；
4. 对基础工作流程中的节点【Latent】进行进一步说明。
改写内容：
1. 潜在领域，亦即Latent space，代表着一种空间之间的相互转化过程；
2. 在工作流程中，我们频繁地面临着潜在领域（Latent space）与像素领域（Pixel space）之间的转换需求；
3. 为了便于大家的理解，我们不妨采用英文进行表述，这里所说的“空潜在图像”（Empty Latent Image）即是这样一个概念；
4. 接下来，我们将对基础工作流程中的【Latent】节点进行更为详尽的解释。
紧随前文，我们已经了解到采样器、Checkpoint加载器以及空Latent均位于潜在空间之中；
小贴士：在操作过程中，务必确保VAE解码器中的VAE部分与Checkpoint模型加载器上的VAE正确连接
1.4 对基础工作流中【VAE解码】节点的进一步阐释
标题：ComfyUI工作流程节点及核心机制深入剖析 | 随附插件功能补充
（文章第11/21部分，正文核心内容，以下为改写内容）
若当前模型未内置VAE模块，或者已经额外挂载了VAE模块，此时便需额外提取一个VAE加载器（执行load VAE操作），以便独立读取VAE模型；
小贴士：一般来说，VAE模型在将潜在空间映射至真实空间时，其色彩、细节以及光影表现可能会有细微的差异，这正是VAE模型进行自我调整的一个体现；
1.5 基础工作流程中的关键节点——文本编码器
标题：ComfyUI工作流节点与底层逻辑深入解析 | 附加插件功能补充
（文章第12/21部分，正文内容改写）
文本编码器之所以被命名为CLIP text encoding而非单纯的正/负提示词，是因为它在内部执行了两个关键操作。举例来说，当我们输入"1 girl"，这里的"1 girl"是以字符串（str）的形式存在的文本。然而，这些字符串并不能直接被模型所接受；模型所需要的是经过编码后的字符串数据。这是因为模型需要处理的信息量非常庞大，从机器的角度来看，它需要处理的是多模态信息，即图像和文字是两种截然不同的处理方式。因此，我们必须将文字编码成能够解释如右图所示信息的形式，这样才能将两种不同的信息进行同时运算。
提示：在此处阐述原理，是为了让读者在后续处理文字信息时，能够区分两种不同类型的文字信息。一种是我们刚刚提到的编码后的文字信息，另一种则是纯字符串文字信息。一旦我们了解了这些原理，我们就不会轻易将纯文字节点直接连接到采样器上。
1.6 基础工作流解析
提示：经过一番努力，我们已成功搭建了一套基础的工作流，务必别忘了将CLIP文本编辑器的CLIP节点与Checkpoint加载器的CLIP节点进行连接。
三、深入剖析工作流底层原理
1.1 ComfyUI工作流的核心机制（图变图）解析
在深入掌握了一个基本的工作流程之后，我们便可以尝试根据个人的理解来模仿某设计社区的图生图工作流程。在前一章节的学习基础上，我们了解到图生图的关键在于对（空Latent）的运用；在此，我们需注意，为采样器输入的图像不应再是空白的，而应替换为一个特定的图像。通过这个特定图像进行采样，进而生成新的图像，这就要求我们将图像传递至浅空间。输出方面，我们得到的是图像（IMAGR）和遮罩（MASK）。图像输出指的是Pixel真实空间的像素输出；而遮罩输出通常无需过多关注，它是以黑白蒙版形式呈现的信息输出，仅在部分control net中偶有应用。
1.2 ComfyUI工作流（图生图）的底层运作原理
紧接着前一篇关于image无法直接与latent连接的讨论；在这个真实空间中，我们必须对图片进行编码，然后才能与采样器建立联系；这个过程类似于之前的文本编码步骤。编码完成后，我们便可以将编码后的图片与采样器Latent相连接，也就是说，通过VAE编码器将我们需要的图生图图片进行编码，然后输入到潜在空间中进行采样。在此过程中，VAE也可以使用主模型的VAE进行输入（即将VAE编码器上的VAE点与模型加载器上的VAE点连接起来）；
1.3 深入解析ComfyUI工作流（图生图）的底层运作逻辑
在ComfyUI的K采样器底部，降噪的默认设置是100%，也就是说，它将根据我们的步数执行百分之百的降噪处理；
鉴于我们正在使用图生图的工作流程，既然已经有了图像的输入，那么降噪的百分比就可以适当降低。我们可以将其调整为0.4，这意味着只有40%的重绘幅度，这样生成的图像就会更加接近我们提供的图像（请注意，我们提供的图像需要有明确的分辨率，最好与输出的分辨率相匹配。如果图像过大，可能会导致内存崩溃。当然，使用第三方插件进行图像缩小或裁切也是一种可行的方法）；完成这一步后，我们就可以点击“添加提示词队列”按钮，从而启动我们的图生图工作流程。
1.4 ComfyUI工作流（图生图）的底层逻辑
这就是在深入理解了空间概念之后，我们得以轻松地利用节点的灵活连接，实现从图像到图像的生成过程。尽管当前的工作流程尚不完美，通常在SD（某设计社区）的图生图工作流中，还需进行提示词的反向推导、图片的裁剪，以及一项名为impanting（图像重绘）的操作。实际上，这些功能在ComfyUI中将被融合成一系列独立的模块。
四、不可或缺的插件补充
1.1 安装ComfyUI工作流插件
标题：ComfyUI工作流核心节点与底层架构深度解析 | 携插件升级版
正文：
首先，我们介绍的是一款提示词汉化插件，这款插件与我们的manager翻译插件有所区别。它类似于在web-UI中提供的补齐汉化和实时翻译的全功能自定义节点；其次，是一款名为“瑞士军刀”的自定义脚本，广受用户喜爱。这个脚本集成了WebUI中的众多实用小功能，内容全面：包括嵌入补全、二级菜单、网络对齐以及模型资料查看等功能。
1.2 安装指南：
文章标题：ComfyUI操作指南：插件安装及工作流节点深入解析 | 增值插件详解
（文章第19/21部分，核心内容，以下为改写正文）
关于插件的下载过程，您可以参照我先前发布的关于Stable Diffusion报错处理的指南，下载步骤保持一致。完成下载后，您将获得两个压缩文件。将这些文件直接拖放到comfyUI的根目录中，并分别进行解压。完成这些操作后，您即可直接在云端进行运行，并重新启动comfyUI。
1.3 更新信息提示
小贴士：若在检测界面遇到停滞不前的情况，这通常意味着网络配置出现了问题。在这种情况下，若需进行科学上网操作，则需回溯至之前的手动下载方式。即便如此，仍有部分节点文件在解压后仍需进行二次网络配置下载，这时便不得不借助科学上网手段。
1.4 结语
当然，您同样可以在manager中进行安装，这样的过程要简便许多。只需在搜索栏中直接查找即可完成，之前已经提到过这一点。另外，您也可以通过复制整个github地址，通过URL的方式来进行安装。在弹出的窗口中，只需输入该链接，然后点击确定按钮，系统便会自动拉取所需内容。请注意，这两种安装方法都需要正确配置网络环境。
五、结语
在深入理解了一个基础的工作流之后，我们便可以尝试根据自己的理解来重现某设计社区中的图生图工作流。
请记得持续关注，我将不断为大家带来关于ComfyUI的最新教程。
