ComfyUI核心节点详解：AI漫剧必备的工作流节点大全

ComfyUI节点体系
├── 模型加载节点（Loaders）
│   ├── Checkpoint Loader - 加载主模型
│   ├── LoRA Loader - 加载LoRA模型
│   ├── VAE Loader - 加载VAE模型
│   └── CLIP Vision Loader - 加载CLIP视觉模型
├── 条件节点（Conditioning）
│   ├── CLIP Text Encode - 文本编码
│   ├── Conditioning Combine - 条件合并
│   └── Conditioning Set Area - 区域设置
├── 采样节点（Sampling）
│   ├── KSampler - 核心采样器
│   ├── KSampler Advanced - 高级采样器
│   └── Sampler Custom - 自定义采样器
├── 潜空间节点（Latent）
│   ├── Empty Latent Image - 空白潜空间图像
│   ├── Latent Upscale - 潜空间放大
│   └── Latent Blend - 潜空间混合
├── 图像节点（Image）
│   ├── VAE Decode - VAE解码
│   ├── VAE Encode - VAE编码
│   ├── Load Image - 加载图像
│   └── Save Image - 保存图像
├── ControlNet节点
│   ├── Load ControlNet Model - 加载ControlNet模型
│   ├── Apply ControlNet - 应用ControlNet
│   └── ControlNet Preprocessor - 预处理器
├── IP-Adapter节点
│   ├── Load IP-Adapter - 加载IP-Adapter
│   ├── Apply IP-Adapter - 应用IP-Adapter
│   └── IP-Adapter FaceID - 人脸识别适配
└── 辅助节点（Utility）
    ├── Preview Image - 图像预览
    ├── Switch Node - 条件切换
    └── Reroute Node - 路由节点

在AI漫剧创作中，经常需要同时使用多个LoRA。
注意以下原则：

1. 总强度不宜超过1.5（所有LoRA强度之和）
2. 角色LoRA优先级最高，强度最大
3. 画风LoRA强度适中，避免过度影响角色特征
4. 使用LoRA Stack节点管理多个LoRA

正向提示词结构（从重要到次要）：

1. 角色描述（最重要）
   masterpiece, best quality, 1girl, character_name,
   age, hair_style, hair_color, eye_color,

2. 服装和配饰
   outfit_description, accessories,

3. 动作和表情
   pose, expression, gesture,

4. 场景和环境
   background, environment, lighting, weather,

5. 画风和镜头
   art_style, camera_angle, composition,

6. 质量标签
   detailed, highres, 8k, sharp_focus

反向提示词示例：

(worst quality, low quality:1.4), deformed, bad anatomy,
bad hands, missing fingers, extra digit, fewer digits,
cropped, mutation, poorly drawn face, poorly drawn hands,
mutation, deformed, blurry, out of focus, long neck,
long body, disgusting, poorly drawn, mutilated, mangled,
lowres, bad anatomy, bad proportions, watermark, text

CLIP Text Encode (角色描述)
        ↓
Conditioning Combine ← CLIP Text Encode (场景描述)
        ↓
   KSampler (positive)

# 角色设计（需要高质量和一致性）
sampler: dpmpp_2m_sde
scheduler: karras
steps: 30
cfg: 7

# 场景生成（需要创意性和多样性）
sampler: euler_ancestral
scheduler: normal
steps: 25
cfg: 6

# 快速预览（需要速度）
sampler: euler
scheduler: normal
steps: 15
cfg: 5

# 精细调整（img2img/重绘）
sampler: ddim
scheduler: normal
steps: 20
cfg: 5

# 第一阶段：生成基础构图
KSampler Advanced (steps: 10, start_at: 0, end_at: 10, add_noise: yes)
        ↓
# 第二阶段：添加细节
KSampler Advanced (steps: 10, start_at: 10, end_at: 20, add_noise: no)
        ↓
# 第三阶段：精细调整
KSampler Advanced (steps: 10, start_at: 20, end_at: 30, add_noise: no)

Load Image（参考图）
      ↓
ControlNet Preprocessor（预处理）
      ↓
Load ControlNet Model（加载模型）
      ↓
Apply ControlNet（应用控制）
      ↓
KSampler（采样生成）

# AI漫剧中最常用的ControlNet配置
模型: controlnet-openpose-sdxl-1.0
预处理器: dwpose_openpose_full
强度: 0.7-0.9
适用场景: 控制角色在不同分镜中的姿态一致性

# 用于保持场景在不同分镜中的轮廓一致
模型: controlnet-canny-sdxl-1.0
预处理器: canny
参数:
  low_threshold: 0.1
  high_threshold: 0.2
强度: 0.5-0.7
适用场景: 场景切换时的构图保持

                    ┌→ Apply ControlNet 1 (OpenPose, strength: 0.8)
                    │
CLIP Text Encode → ┼→ Apply ControlNet 2 (Canny, strength: 0.5)
                    │
                    └→ Apply ControlNet 3 (Depth, strength: 0.3)
                                    ↓
                              KSampler

Load Image（角色参考图）
      ↓
CLIP Vision Encode（视觉编码）
      ↓
Load IP-Adapter Model（加载IP-Adapter）
      ↓
Apply IP-Adapter（应用适配）
      ↓
KSampler（采样生成）

# AI漫剧角色一致性核心配置
IP-Adapter模型: ip-adapter-plus_faceid_v2_sdxl
CLIP Vision: CLIP-ViT-H-14-laion2B-s32B-b79K
强度: 0.7-0.85
权重类型: linear
开始步数: 0
结束步数: 100%

# 配合使用：
# 1. 准备一张高质量的角色正面照作为参考
# 2. 使用FaceID提取面部特征
# 3. 在不同分镜中保持同一参考图
# 4. 配合LoRA进一步增强一致性

角色参考图 → IP-Adapter FaceID（保持角色面部一致）
      +
姿态参考图 → ControlNet OpenPose（控制角色姿态）
      +
场景描述 → CLIP Text Encode（定义场景内容）
      ↓
KSampler（生成最终图像）

# 文生图（txt2img）
KSampler → VAE Decode → Save Image

# 图生图（img2img）
Load Image → VAE Encode → KSampler → VAE Decode → Save Image

# 局部重绘（inpainting）
Load Image → VAE Encode (for Inpainting) → KSampler → VAE Decode → Save Image

工作流名称：AI漫剧角色设计
用途：生成高质量的角色设定图

节点连接：
1. Checkpoint Loader (Juggernaut XL)
   ├── MODEL → LoRA Loader → KSampler
   ├── CLIP → CLIP Text Encode (正向)
   └── VAE → VAE Decode

2. CLIP Text Encode (正向)
   "masterpiece, best quality, 1girl, 25 years old,
    long black hair, brown eyes, wearing white dress,
    gentle smile, standing pose, full body,
    simple white background, studio lighting"

3. CLIP Text Encode (反向)
   "(worst quality:1.4), deformed, bad anatomy,
    bad hands, missing fingers, blurry"

4. LoRA Loader
   模型: 角色风格LoRA
   强度: 0.6

5. Empty Latent Image
   尺寸: 832 x 1216 (3:4竖版)

6. KSampler
   sampler: dpmpp_2m_sde
   scheduler: karras
   steps: 30
   cfg: 7
   denoise: 1.0

7. VAE Decode → Save Image

工作流名称：AI漫剧分镜生成（角色一致性）
用途：保持角色外观一致的分镜批量生成

节点连接：
1. Checkpoint Loader (SDXL模型)
2. LoRA Loader (角色LoRA, strength: 0.7)
3. IP-Adapter FaceID (角色参考图, strength: 0.8)
4. ControlNet OpenPose (姿态参考, strength: 0.7)
5. CLIP Text Encode (场景描述)
6. Empty Latent Image (832 x 1216)
7. KSampler (dpmpp_2m_sde, karras, 30步, cfg: 7)
8. VAE Decode → Save Image

关键配置：
- IP-Adapter使用FaceID模型，保持角色面部一致
- ControlNet使用OpenPose，控制角色姿态
- LoRA进一步增强角色特征
- CLIP Text Encode描述场景和服装变化

工作流名称：AI漫剧场景生成
用途：生成高质量的背景场景

节点连接：
1. Checkpoint Loader (风景专用模型)
2. CLIP Text Encode (场景描述)
3. ControlNet Depth/Canny (构图参考, strength: 0.4)
4. Empty Latent Image (1344 x 768, 16:9横版)
5. KSampler (euler_ancestral, normal, 25步, cfg: 6)
6. VAE Decode → Save Image

提示词示例：
"anime style cityscape, night scene, neon lights,
 tall buildings, rain, wet streets, reflections,
 cinematic lighting, wide angle shot, detailed background,
 no humans"

# LCM加速配置
LCM LoRA: lcm-lora-sdxl
采样器: lcm
步数: 4-8
CFG: 1.0-2.0

# 注意：需要安装LCM LoRA模型
# 下载地址：https://huggingface.co/latent-consistency/lcm-lora-sdxl

# 两阶段生成
第一阶段：低分辨率生成
Empty Latent Image (512 x 768)
KSampler (20步) → VAE Decode

第二阶段：高分辨率放大
Latent Upscale (1024 x 1536)
KSampler (15步, denoise: 0.3) → VAE Decode

# 使用FreeU节点增强生成质量
# 安装ComfyUI-FreeU插件
# 在KSampler前添加FreeU节点
# 参数：
#   backbone_scale: 1.2
#   skip_scale: 0.9

# 使用batch_size参数批量生成
Empty Latent Image:
  width: 832
  height: 1216
  batch_size: 4  # 一次生成4张

# 配合不同的seed生成多个变体
# 使用Primitive节点控制seed
# seed: random → 每次生成不同结果
# seed: fixed → 每次生成相同结果