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

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-KJNodes

KJNodes（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 LoRA，LoraReduceRankKJ 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：Ctrl+Shift+S在选中处加 Set，Ctrl+Shift+G加 Get，Ctrl+Shift+L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