MODEL、CLIP 与 VAE
MODEL 表示去噪模型；Contrastive Language–Image Pre-training（CLIP）文本编码器把提示词变成条件；VAE 在图像与潜空间之间编码或解码。一个 checkpoint 是否同时携带这些组件，以及它们是否与 LoRA 或控制模型兼容，取决于具体模型族。
自我图书馆SELF LIBRARY持续整理中SHELF 04 / FUNDAMENTALS · NODE GRAPH
节点与数据流
先看类型，再看画面。
ComfyUI 用节点图描述一次生成的执行路径。理解它的第一步不是记住某套热门工作流，而是分清模型、条件、潜变量、图像和掩码分别是什么，以及它们为何只能按特定方式连接。
CLIENT / SERVER 界面与执行LATENT 采样空间IMAGE 像素空间
01 / EXECUTION MODEL
节点图不是装饰，
它是一次运行的执行说明。
ComfyUI 采用客户端—服务器结构：浏览器画布负责编辑图，Python 服务器负责加载模型、执行节点和调度队列。提交任务时，客户端把当时完整的工作流发送给服务器；之后再修改画布，并不会改写已经进入队列的那次执行。这也是为什么截图不足以复现结果，真正需要保存的是图、输入资产和运行条件。
把“节点”理解为有输入、输出和类型约束的计算单元。
连接线不是任意的视觉连线。ComfyUI 的数据类型在前端承担连接校验的作用：只有上游输出与下游输入在语义上兼容时，图才有机会成立。模型族是否匹配、权重是否存在和节点内部是否支持，仍需要在真正执行时由后端验证。
02 / WHAT FLOWS THROUGH A GRAPH
先分辨“模型”，
再分辨“数据”。
一个典型扩散工作流至少会涉及扩散模型、文本编码器、变分自编码器（Variational Autoencoder，简称 VAE）、条件信息、潜变量和图像。它们处在不同层：模型负责变换，数据是被变换的对象。不要因为它们都出现在一张图里，就把它们当成同一种文件或同一种张量。
CONDITIONING 与 LATENT
CONDITIONING 是供采样过程使用的条件信息；LATENT 是尚未解码为像素的潜表示。官方节点文档中，LATENT 通常以包含 samples 的字典传递，张量维度约定为 [B, C, H, W]；其中通道数与缩放比例必须以所用模型为准。
IMAGE 与 MASK
官方自定义节点文档约定 IMAGE 张量为 [B, H, W, C]，MASK 为 [B, H, W]。图像和潜变量的通道位置不同，直接把一个当作另一个传递是常见错误；需要由 VAE 或专用节点在两种空间之间转换。
03 / THE MINIMUM GENERATION PATH
最小文生图路径，
由五类职责组成。
下方不是唯一节点名称，也不绑定某个模型版本；它描述的是一条常见职责链。换用不同模型、采样器或自定义节点时，先确认每个替代节点的输入输出类型，再替换图中的局部环节。
01 / LOAD
→加载匹配组件
读取去噪模型、文本编码器与 VAE
02 / CONDITION
→编码提示词
构造正向与负向 CONDITIONING
03 / INITIALIZE
→准备 LATENT
创建空潜变量，或由输入图像编码得到
04 / SAMPLE
→迭代去噪
采样器按噪声日程、种子和条件更新潜变量
05 / DECODE
输出 IMAGE
VAE 解码后保存或送往下游处理
04 / READ A BROKEN GRAPH
排错先找边界，
不要先改参数。
当工作流无法运行，最有效的顺序通常是从“能否加载”到“能否连接”再到“输出是否合理”。这比盲目降低分辨率、重复安装节点或随机调整采样步数更能定位原因。
先核对模型族
确认 checkpoint、文本编码器、VAE、LoRA 与 ControlNet 的基座和版本关系，而不是只确认文件“能被看到”。
再查看节点边界
检查连接处期待的是 IMAGE、MASK 还是 LATENT；对有批量维度的节点，核对数量与分辨率是否仍可对齐。
最后保留中间结果
把预处理图、编码后的潜变量或单次去噪输出拆出来观察，定位是输入、条件、采样还是解码阶段改变了结果。
READING LIST / ORIGINAL SOURCES
ComfyUI Custom Nodes Overview↗ComfyUI Custom Node Datatypes↗ComfyUI Images, Latents, and Masks↗ComfyUI 官方仓库↗
ComfyUI 的节点、工作流格式和模型支持会持续演进。本文只归纳对应资料可确认的机制；导入工作流前仍应核对 ComfyUI、节点包、模型权重与许可证的实际版本。