logseq/pages/Nodes.md

• 节点分类
  • 1. 加载器 (Loaders): 工作流的起点，负责加载所有必需的模型和文件。
    2. 条件/提示词 (Conditioning): 负责将文本和图像提示转换为 AI 能理解的数据。
    3. 潜空间 (Latent Space): 负责创建或处理 AI 进行创作的“画布”。
    4. 采样器 (Sampling): 核心的 AI 计算单元，负责根据提示词生成图像。
    5. 图像处理 (Image): 负责将 AI 生成的结果解码、后处理和保存。
    6. 控制与引导 (Control & Guidance): 用于给 AI 提供额外的、精确的生成指引 (如 ControlNet)。
    7. 工具/辅助 (Utilities): 提供各种便利功能，如数据转换、流程控制和组织。

• 1. 加载器 (Loaders)

• 这是所有工作流的起点。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  Load Checkpoint	加载基础模型。这是最重要的节点，决定了画面的基础风格、画质和内容。	在节点内选择你的 .safetensors 或 .ckpt 文件。它会输出 MODEL、CLIP 和 VAE 三个核心组件。
  Load VAE	加载独立的 VAE 模型。VAE 影响图像的色彩和细节，好的 VAE 能修正颜色灰暗、面部崩坏等问题。	如果不满意基础模型自带的 VAE，可以在此加载一个独立的 VAE 文件，然后将其 VAE 输出连接到需要 VAE 的节点（如 VAE Decode）。
  Load LoRA	加载 LoRA 微调模型。用于向基础模型添加特定的角色、风格或概念。	将 Load Checkpoint 输出的 MODEL 和 CLIP 连接线“穿过”Load LoRA 节点。它会输出被 LoRA 修改后的 MODEL 和 CLIP。
  Load Image	加载一张图片。用于图生图 (Image-to-Image) 或图像修复 (Inpainting)。	上传一张图片。它会输出 IMAGE（图像数据）和 MASK（蒙版，默认是全白）。

• 2. 条件/提示词 (Conditioning)

• 将你的想法告诉 AI。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  CLIP Text Encode (Prompt)	将文本提示词编码。把人类语言（如 "a beautiful cat"）转换成 AI 能理解的数学表示 (Embedding)。	将 Load Checkpoint 或 Load LoRA 输出的 CLIP 连接到此节点的 clip 输入。在 text 框中输入提示词。通常会创建两个此节点，一个用于正向提示词，一个用于负向提示词。
  Conditioning (Combine)	合并多个条件。例如，将两个不同权重的提示词条件合并成一个。	将两个 CONDITIONING 输出连接到此节点的 conditioning_1 和 conditioning_2 输入，输出一个合并后的 CONDITIONING。

• 3. 潜空间 (Latent Space)

• 为 AI 的创作准备“隐形画布”。AI 并不是直接在像素上作画，而是在一个名为“潜空间”的压缩数据空间中进行。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  Empty Latent Image	创建空白的潜空间图像。这是文生图 (Text-to-Image) 的标准起点，相当于一张充满随机噪点的画布。	设置要生成的图像 width (宽度)、height (高度) 和 batch_size (批次数)。
  VAE Encode	将真实图像编码为潜空间图像。用于图生图 (Image-to-Image)。	将 Load Image 输出的 IMAGE 和加载器输出的 VAE 连接到此节点，它会输出一个包含图像信息的 LATENT。

• 4. 采样器 (Sampling)

• 这是整个流程的心脏，AI 在这里进行真正的“绘画”。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  KSampler	核心图像生成器。它接收模型、提示词和潜空间画布，通过一步步“去噪”来生成最终的图像内容。	这是连接线最多的节点：<br>- model: 连接 MODEL 输出。<br>- positive: 连接正向提示词的 CONDITIONING 输出。<br>- negative: 连接负向提示词的 CONDITIONING 输出。<br>- latent_image: 连接 Empty Latent Image 或 VAE Encode 的 LATENT 输出。<br>同时需要设置重要参数：seed (种子), steps (步数), cfg (提示词相关性), sampler_name (采样器算法)。
  KSampler (Advanced)	高级采样器。提供更复杂的控制，例如可以指定生成过程的起始和结束步数，用于实现复杂的采样器串联或精细控制。	使用方法与 KSampler 类似，但多了 start_at_step 和 end_at_step 等参数。适合高级用户。

• 5. 图像处理 (Image)

• 将潜空间的结果变成我们能看到的图片，并进行后续处理。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  VAE Decode	解码潜空间图像。将 KSampler 输出的抽象的 LATENT 数据，转换成我们能看到的真实像素 IMAGE。	将 KSampler 输出的 LATENT 和加载器输出的 VAE 连接到此节点。
  Save Image	保存图像。工作流的终点之一，将生成的图像保存到你的电脑硬盘上。	将 VAE Decode 或其他图像处理节点输出的 IMAGE 连接到此节点。可以设置文件名前缀。
  Preview Image	预览图像。与 Save Image 类似，但它只在浏览器界面中显示预览，并不会将图片保存到硬盘，适合调试。	将 VAE Decode 等节点输出的 IMAGE 连接到此节点。
  Upscale Image (using Model)	图像放大。使用专门的放大模型（如 ESRGAN）来提升图像的分辨率。	需要一个 Load Upscale Model 节点来加载放大模型，然后将 IMAGE 和 upscale_model 连接到此节点。

• 6. 控制与引导 (Control & Guidance)

• 这类节点通常来自 Custom Nodes (自定义节点)，例如 ComfyUI Manager 中安装的 ControlNet 预处理器。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  ControlNetLoader	加载 ControlNet 模型。加载用于姿态、深度、线稿等控制的模型。	选择对应的 .safetensors ControlNet 模型文件。
  (各种) Preprocessor<br>(e.g., OpenPose, Canny, Depth)	预处理器。将一张输入图片转换成 ControlNet 能理解的控制图（如姿态骨骼图、边缘线稿图）。	将 Load Image 输出的 IMAGE 连接到预处理器节点，它会输出一张处理后的控制图 IMAGE。
  Apply ControlNet	应用 ControlNet。将 ControlNet 的控制信息应用到生成流程中。	将 ControlNetLoader 的 CONTROL 输出和预处理器的 IMAGE 输出连接到此节点。它会修改 CONDITIONING 信号，然后将修改后的信号传递给 KSampler。

• 7. 工具/辅助 (Utilities)

• 让工作流更整洁、更强大、更灵活。

• 节点名称 (Node Name)	作用 (Role in Process)	使用方法 (Usage)
  Reroute	重路由/节点。一个简单的“点”，用于重新组织连接线的走向，让复杂的工作流保持整洁、不交叉。	将任何输出连接到它，再从它连接到任何输入。它本身不处理数据，只是一个中继站。
  Primitive	创建原始数据。可以生成一个独立的数据节点（如 INT 整数, FLOAT 浮点数, STRING 字符串），然后将它连接到多个节点的输入端。	非常有用！ 例如，创建一个 Primitive 整数节点，将其连接到 Empty Latent Image 的宽度和高度，以及 KSampler 的种子值，就可以用一个节点同时控制多个参数。
  Mask to Image / Image to Mask	蒙版与图像互转。在蒙版数据和灰度图像数据之间进行转换。	用于高级的蒙版处理和可视化。

• 自定义节点
  • 动画制作节点 (AnimateDiff)
  • 高级面部修复节点 (Face Detailer)
  • 工作流管理和组织节点
  • 各种特效和图像处理节点