ComfyUI 使用方式与典型场景

使用方式与典型场景

示例一：最小可用的 txt2img 工作流

这是所有人第一张图都要连的六节点链路，连完就能出图：

1. Load Checkpoint 加载一个 checkpoint，它输出 MODEL、CLIP、VAE 三路。
2. 第一个 CLIP Text Encode 接 CLIP，text 写正向提示词；第二个 CLIP Text Encode 接同一个 CLIP，text 写负向提示词。
3. Empty Latent Image 设置宽高与 batch_size，得到一张全噪声的 latent。
4. KSampler 的 model 接 Load Checkpoint 的 MODEL，positive 接正向文案节点，negative 接负向文案节点，latent_image 接 Empty Latent Image。
5. VAE Decode 的 samples 接 KSampler 输出，vae 接 Load Checkpoint 的 VAE。
6. Save Image 接 VAE Decode 的 IMAGE，填一个 filename_prefix，点 Queue Prompt。

关键节点的参数大致这样设：

调好之后，用界面上的 Save 把工作流存成 JSON；也可以在设置里打开开发者模式选项，用「Save (API Format)」导出 API 格式，这是下一步自动化的输入文件。

示例二：用 API 模式批量提交

ComfyUI 的队列接口是 POST /prompt，请求体结构是 {"prompt": {...}, "client_id": "..."}。其中 prompt 的每个键是节点 id，值是带 class_type 与 inputs 的对象，节点之间的连线用「节点 id 加输出序号」的数组表示，例如 ["4", 0] 表示取第 4 号节点的第 0 路输出。

{
  "prompt": {
    "3": {
      "class_type": "KSampler",
      "inputs": {
        "seed": 12345,
        "steps": 25,
        "cfg": 7,
        "sampler_name": "dpmpp_2m",
        "scheduler": "karras",
        "denoise": 1.0,
        "model": ["4", 0],
        "positive": ["6", 0],
        "negative": ["7", 0],
        "latent_image": ["5", 0]
      }
    },
    "4": {
      "class_type": "CheckpointLoaderSimple",
      "inputs": { "ckpt_name": "your_model.safetensors" }
    },
    "5": {
      "class_type": "EmptyLatentImage",
      "inputs": { "width": 832, "height": 1216, "batch_size": 1 }
    },
    "6": {
      "class_type": "CLIPTextEncode",
      "inputs": { "text": "a calm classroom, soft light", "clip": ["4", 1] }
    },
    "7": {
      "class_type": "CLIPTextEncode",
      "inputs": { "text": "low quality, blurry, watermark", "clip": ["4", 1] }
    },
    "8": {
      "class_type": "VAEDecode",
      "inputs": { "samples": ["3", 0], "vae": ["4", 2] }
    },
    "9": {
      "class_type": "SaveImage",
      "inputs": { "filename_prefix": "batch_job", "images": ["8", 0] }
    }
  },
  "client_id": "my-script"
}

用 cURL 提交：

curl -X POST http://127.0.0.1:8188/prompt \
  -H "Content-Type: application/json" \
  -d @workflow_api.json

用 Python 循环改参数、批量提交：

import json
import requests

API = "http://127.0.0.1:8188"

with open("workflow_api.json", "r", encoding="utf-8") as f:
    wf = json.load(f)

for i, seed in enumerate(range(1000, 1010)):
    wf["prompt"]["3"]["inputs"]["seed"] = seed
    wf["prompt"]["9"]["inputs"]["filename_prefix"] = f"job_{i:03d}"
    r = requests.post(f"{API}/prompt", json=wf, timeout=30)
    print(r.status_code, r.json().get("prompt_id"))

几个配套接口：GET /history/{prompt_id} 查任务结果与输出文件名，GET /view?filename=...&subfolder=...&type=output 下载图片，GET /queue 看队列，POST /interrupt 中断当前任务。需要实时进度可以连 WebSocket /ws?clientId=...，采样进度会推送过来。更稳的做法是导出 API 格式的工作流当模板，脚本只负责替换提示词、seed 与输出前缀，不改图结构。

适合与不适合的场景