一、为什么要做命名与整理?
工作流刚搭好时,你记得每条线的作用。一周后,面对一团节点,很容易忘记:
-- 哪条是负向 Prompt?
-- 哪个 KSampler 负责放大?
-- 为什么这里多了一个 Load Image?
命名、分组、注释的成本很低,但能:
-- 减少改错线的概率;
-- 方便导出 JSON 给他人使用;
-- 为 Subgraph 封装(3-3)打基础。
原则:工作流不仅是「能跑」,还要 像文档一样能读。
二、节点 Title(标题)命名
2.1 修改节点 Title
-- 双击 节点顶部的默认名称(如 KSampler);
-- 或在节点上右键 → Title / 属性中修改。
2.2 推荐命名方式
用 「序号 + 功能 + 可选说明」:
|
默认名 |
建议 Title |
|---|---|
|
|
|
|
CLIP Text Encode |
|
|
|
|
|
Empty Latent Image |
|
|
KSampler |
|
|
|
|
|
|
2.3 命名禁忌
-- 避免全部保持英文默认名(分享给他人的中文用户不友好);
-- 避免无意义命名如 节点1、test;
-- 多个同类节点时 必须区分,如 KSampler 初采样 / KSampler 放大;
-- PS 联动工作流中,可在 Title 前加 # 暴露给插件(见第 9 章),如 #Prompt。
三、工作流文件命名
保存 JSON 时,文件名应 见名知意:
✅ 推荐
t2i_sdxl_base_v1.json
img2id_instantid_person_v2.json
product_inpaint_white_bg.json
❌ 不推荐
workflow.json
新建.json
未命名.json
建议格式:类型_模型或功能_版本.json
|
字段 |
示例 |
|---|---|
|
类型 |
t2i / img2img / inpaint / video |
|
功能 |
sdxl / instantid / wan_i2v |
|
版本 |
v1 / v2 / 20260604 |
保存路径建议:
-- 个人:ComfyUI/user/default/workflows/
-- 项目仓库:Git 管理 + README 说明依赖模型。
四、Group(分组)
4.1 创建分组
-
框选多个节点;
-
右键 → Group(或快捷键,视版本而定);
-
输入分组标题,可设置分组颜色。
4.2 文生图推荐分组结构
|
分组名 |
包含节点 |
颜色建议 |
|---|---|---|
|
模型加载 |
Load Checkpoint |
蓝灰 |
|
提示词 |
两个 CLIP Text Encode |
绿 |
|
采样 |
Empty Latent + KSampler |
橙 |
|
输出 |
VAE Decode + Save / Preview |
紫 |
4.3 分组的好处
-- 画布拖拽时 整组移动;
-- 折叠分组(若版本支持)减少视觉噪音;
--截图、录教程时 一目了然。
4.4 注意
-- 分组 不改变 连线逻辑,只是视觉组织;
-- 不要嵌套过多层,2–4 个大组即可。
五、Note(注释节点)
5.1 添加 Note
-- 右键 → Add Node → 搜索 Note;
-- 或 Add Node 菜单中的 Note / 注释。
5.2 Note 写什么
适合记录 画布上看不出的信息:
【工作流】SDXL 文生图基础版 v1
【模型】sd_xl_base_1.0.safetensors
【分辨率】1024×1024,8GB 显存可跑
【作者】xxx,2026-06-04
【变更】v1 初版;v2 计划加 LoRA
单个关键节点旁也可放小 Note:
cfg 超过 8 容易过饱和,建议 5–7
5.3 Note 与 Group 的分工
|
工具 |
用途 |
|---|---|
|
Group |
划区、归类节点 |
|
Note |
说明参数、版本、依赖、踩坑 |
六、颜色与布局习惯
6.1 布局:从左到右
[模型与资源] → [提示词与条件] → [采样核心] → [解码与输出]
数据流与阅读方向一致,他人接手更快。
6.2 对齐与间距
-- 同类节点 垂直对齐;
-- 连线尽量 横平竖直,减少交叉;
-- 使用画布 Snap to grid(若开启)保持整齐。
6.3 节点颜色(可选)
部分版本可为节点设 color/bgcolor,用于区分「实验性」与「稳定」节点,属个人习惯,非必须。
七、团队协作命名规范(模板)
若多人共用一个项目,可统一:
|
项目 |
规范 |
|---|---|
|
工作流文件 |
|
|
节点 Title |
中文功能 + 英文类型括号,如 |
|
分组 |
固定四类:加载 / 条件 / 采样 / 输出 |
|
Note |
必填:模型、分辨率、节点依赖、更新日期 |
推荐教程
继续学习相关章节ComfyUI-Molmo 节点提供强大的图像转文本功能,用户可以通过该节点将图像转换为文本描述,支持一般描述和详细分析。用户可以自定义提...
Checkpoint加载器是ComfyUI中用于加载深度学习模型权重文件的工具节点。它的核心作用是将存储在本地或远程的模型文件(如 .ck...
K采样器基于扩散模型中的核心方法——采样算法(Sampler)。这些算法通过逐步减少噪声,将随机的高斯噪声引导到最终图像。在 ComfyU...
CLIP文本编码器 是ComfyUI中一个用于处理文本输入的工具节点。它基于OpenAI开发的 CLIP(Contrastive Lang...