ComfyUI KJNodes 完整上手指南200 工具节点如何给你的图像与视频工作流提速【免费下载链接】ComfyUI-KJNodesVarious custom nodes for ComfyUI项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-KJNodesKJNodes仓库名 ComfyUI-KJNodes是 ComfyUI 生态里一个工具箱型自定义节点包它不主打某一个模型或某一种玩法而是把日常调工作流时反复要用的杂活——改图、做遮罩、批量裁剪、盯显存、加速推理、拆 LoRA——做成了一个个即插即用的小节点同时把第三方依赖压到最低。它的定位可以概括成三句话图像与视频的数据流水线工具、模型推理的优化开关、以及画布交互的效率插件。如果你是刚用 ComfyUI 不久的新手可以把它当成标准件仓库用到哪个拿哪个不用一次学会全部。先看懂 KJNodes 的能力地图按活分类而不是按文件分类打开源码目录你会发现节点按功能拆在很多文件里但对使用者来说更实用的心智模型是按它替我干什么活来分布线与调试类Set/Get 跨子图传参、WidgetToString 读取任意节点的参数值、VRAM_Debug 一键清缓存看显存、Timer Node 计时。适合所有想把工作流理干净的人。图像/遮罩流水线类Resize v2 分块缩放、CrossFade/Transition 做转场、BatchCropFromMask 批量裁剪与还原、流体遮罩/沃罗诺伊遮罩/音频遮罩等特效遮罩生成。视频剪辑式工作流的核心就靠它。模型推理优化类TorchCompile 系列编译加速、Sage/Flash/NABLA 三种注意力替换、WanVideoTeaCacheKJ 时间步缓存、显存历史录制与可视化。这是 KJNodes 里提速省显存的主力。LoRA 加工类LoraExtractKJ 从两个模型差值里提取 LoRALoraReduceRankKJ 动态降秩压缩体积。曲线与路径类Spline Editor / Points Editor 在画布上画轨迹让文字、形状、追踪框沿路径运动配合 Instance Diffusion 追踪非常顺手。音视频输入类屏幕录制、摄像头采集、按文件夹批量读视频、音频幅度转遮罩。注册机制上init.py 用一个NODE_CONFIG大字典把所有节点类登记进去再统一生成 ComfyUI 需要的映射表——所以你在菜单里看到的每个节点名都能在这个文件里找到出处。值得注意的一点是LTXV、MiniMax、TritonVAE 这几组节点是用try/except包裹加载的如果缺少对应依赖启动时会打一条 warning节点直接静默缺席而不是报错崩溃。这也是后文节点不见了排查的根源。KJNodes 安装教程三条命令装好含 portable 版按 README.md 的说明安装只有两步。把仓库放进 ComfyUI 的custom_nodes文件夹然后装依赖cd ComfyUI/custom_nodes git clone https://gitcode.com/gh_mirrors/co/ComfyUI-KJNodes pip install -r requirements.txt如果你用的是 Windows 便携版ComfyUI_windows_portable把第二条换成python_embeded\python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-KJNodes\requirements.txt装完重启 ComfyUI 即可。前端 JS 部分快捷键、右键菜单、虚拟连线位于 web/js/随插件自动加载无需额外配置。上手第一个实用技巧Node Insert 与 WidgetToString装好后最值得立刻体验的是两个交互小动作它们不改变出图结果但会明显改变你连线的体力活Node Insert按住默认快捷键D把一个节点直接拖到连线中间松手自动完成断开—插入—接好三连。对应源码在 web/js/node_insert.js模式可在设置里选 always / hotkey / disabled。Node Swap快捷键S选中一个节点后拖另一个节点过来直接替换并继承连线见 web/js/nodeswap.js。Shake to Disconnect晃动节点批量断线默认关闭需在设置里开启。再配合WidgetToString节点你可以偷看工作流里任何节点的任何参数填上目标节点 ID 和参数名它就把那个值以字符串形式输出。比如想在工作流末尾显示当前加载的 checkpoint 名字一个 WidgetToString 加一个 Show Text 就够了不用去翻 prompt JSON。场景一KJNodes 视频工作流优化——注意力、缓存与显存三板斧视频类模型Wan、LTX2、MiniMax H3 等是 KJNodes 优化节点最密集的方向核心思路是三件事换注意力实现、跳过冗余计算、把显存花在哪看清楚。第一步换注意力。nodes/model_optimization_nodes.py 里提供了PathchSageAttentionKJ量化版注意力省显存明显和PatchFlashAttentionKJ求稳求快针对长序列还有NABLA_AttentionKJ稀疏注意力。它们的用法一样把模型接进节点输出打过补丁的模型再送进采样器。选哪个取决于你的瓶颈——显存不够先试 Sage只想要稳定提速就用 Flash。第二步时间步缓存。跑 Wan 系列时加上WanVideoTeaCacheKJ它利用相邻时间步的中间结果很相似这一点跳过部分重复计算对长视频收益明显代价是极端参数下可能有轻微画质损失建议从保守阈值开始试。第三步显存可见化。三个节点Start Recording CUDAMemory History/End Recording.../Visualize CUDAMemory History可以录下一段生成过程然后直接画出显存分配时间线——哪里涨、哪里没释放一眼定位。日常轻量排查则用VRAM_Debug强制 gc、清缓存、卸载全部模型和ModelMemoryUseReportPatch生成后报告模型显存占用。关于 TorchCompile 后端怎么选TorchCompileModelFluxAdvancedV2、TorchCompileModelWanVideoV2、TorchCompileVAE、TorchCompileControlNet分别对应不同组件的独立编译。后端一般三选一inductor是综合性能首选nnc面向部分非 NVIDIA 硬件aot_eager适合排查问题不真正优化方便看报错。要提醒的是第一次跑编译会明显变慢这是正常的交学费时间之后才是收益期。另外 V2 节点里有compile_transformer_blocks_only这类选项可以在全图编译失败时退化为只编译主干块是排错时的常用退路。旧的TorchCompileModelFluxAdvanced等一代节点已标记弃用工作流里看到请换成 V2。场景二批量图像处理的分块思路Resize v2 的 per_batch批量处理几百张大图时最常见的死法不是算得慢而是一口气申请不下内存。KJNodes 的图像节点普遍内置了**子批次sub-batch**机制。以 nodes/image_nodes.py 里的ImageResizeKJv2为例它的per_batch参数默认 64当输入批次超过这个值时节点会切成一小块一小块地缩放再拼回节点还会在日志里打印预计输出约多少 MB、按 64/B 分批这类信息让你提前知道这次处理吃不吃得下。显存紧张就把这个值调小它几乎是这类节点的第一调节旋钮。围绕批量处理KJNodes 还凑齐了一条视频预处理流水线ImageBatchMulti/MaskBatchMulti多路输入合并成一条批次流中间还能智能过滤空帧ImageConcatFromBatch、ImageGridtoBatch批次与拼图网格互相转换方便做分镜预览CrossFadeImages/TransitionImagesMulti多组图片之间做交叉淡入淡出支持多种缓动曲线BatchCropFromMask/BatchUncrop按遮罩把每张图裁成紧贴主体的小图去处理省算力处理完再按原始坐标贴回并带 bbox 平滑参数减少裁剪框抖动——做只精修人脸/主体的流水线基本靠这对节点。遮罩生成方面nodes/mask_nodes.py 提供的不是画板而是程序化遮罩流体遮罩、音频波形遮罩、渐入渐出遮罩、沃罗诺伊细胞遮罩、按颜色抠图、CLIPSeg 批量分割再配合GrowMaskWithBlur膨胀收缩、SeparateMasks拆分连通域基本能覆盖视频局部控制的常见需求。KJNodes Set/Get 节点用法2026 年 3 月重写后到底强在哪Set/Get 是 KJNodes 的前端王牌源码 web/js/setgetnodes.js用一对同名字节点替代物理连线把参数像变量一样传递。2026 年 3 月的重写把它从图内小工具升级成了跨子图的数据总线关键能力包括跨子图边界父图里的 Set 对所有子图可见Get 会向上逐级查找祖先跨图连接在执行时自动解析连线一键互转右键任意连线的中点即可转成 Set/Get 对右键 Set/Get 节点又可转回直连还支持批量把选中节点的所有输出转成 Set/Get快捷操作CtrlShiftS在选中处加 SetCtrlShiftG加 GetCtrlShiftL临时显示全部虚拟连线双击 Get 节点直接跳到对应的 Set 并选中可视化可控设置面板里KJNodes Set Get分类下可以控制虚拟连线何时显示从不 / 仅选中时 / 总是。对老用户的意义很直接复杂工作流可以大胆拆子图归档了参数传递不再被子图输入输出端口卡脖子反过来如果你维护的是旧习惯设置里也有一键把全部 Set/Get 转回直连的开关迁移成本很低。常见坑与排查清单某些节点菜单里找不到优先看 ComfyUI 启动日志。LTXV、MiniMax、TritonVAE 三组节点属于可选模块依赖缺失时只会打 warning 然后缺席。补装对应依赖后重启即可这属于设计行为而非 bug。第一次跑编译节点卡很久正常现象属于编译耗时若反复报图编译失败把节点切到aot_eager后端跑一遍定位报错或勾选只编译主干块降级。批量处理 OOM先找节点上的per_batch类参数调小仍不够就用VRAM_Debug强制 gc 清缓存再试还不行就上显存历史录制看是谁在占内存。预览糊/慢视频采样阶段可换用ModelPreviewOverrideKJ控制预览帧率与分辨率或配合 FastPreview 走轻量解码把完整 VAE 解码留给最终输出。找不到文档KJNodes 的官方说明主要写在节点自身的描述和悬停提示里官方文档见 README.md工具函数参考 utility/。下一步建议按你的工作流类型选路纯图像用户从 Resize v2、CrossFade、BatchCrop 这对预处理三件套入手再试 WidgetToString 清理工作流收益立竿见影。视频用户主线是注意力替换 TeaCache 显存监控三件套按瓶颈逐项加别一次全开。工作流维护者重点学 Set/Get 子图化改造和 Node Insert/Swap 快捷键把连线体力活变成拖拽。适用边界KJNodes 是工具集而非教程很多优化节点针对特定模型家族Wan、LTX2、MiniMax、Ideogram4换模型前先看节点提示词里的适用范围也不建议把编译、缓存、稀疏注意力同时叠加——每加一层都单独验证画质排查问题才有抓手。【免费下载链接】ComfyUI-KJNodesVarious custom nodes for ComfyUI项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-KJNodes创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
