【亲测免费】 KJNodes for ComfyUI 技术文档
1. 安装指南
1.1 克隆项目
首先,将项目克隆到 custom_nodes 文件夹中。
git clone https://github.com/kijai/ComfyUI-KJNodes.git
1.2 安装依赖
安装项目所需的依赖项。你可以选择以下两种方式之一进行安装:
1.2.1 使用 pip 安装
在终端中运行以下命令:
pip install -r requirements.txt
1.2.2 使用便携版安装
如果你使用的是便携版安装,请在 ComfyUI_windows_portable 文件夹中运行以下命令:
python_embeded\python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-KJNodes\requirements.txt
2. 项目使用说明
2.1 启用 browserstatus.js
browserstatus.js 脚本用于设置浏览器标签的图标状态。默认情况下是关闭的,需要从选项中启用。启用后,当不处理任何内容时,图标会变为绿色圆圈;当处理内容时,图标会变为红色,并显示进度百分比和队列长度。
2.2 节点使用说明
2.2.1 Set/Get 节点
Set/Get 节点用于设置和获取常量,以减少不必要的代码行。这些节点纯粹是视觉上的,可以接受和返回任何内容。右键点击这些节点,可以选择可视化路径,以及跳转到对应节点的选项。
已知限制:
- 无法与动态设置输出的节点(如
reroute或其他Set/Get节点)一起使用。 - 无法直接连接到旁路节点。
- 可能与其他基于 JavaScript 的节点发生冲突。
2.2.2 ColorToMask 节点
ColorToMask 节点将 RGB 颜色值转换为掩码,支持批处理和 AnimateDiff。
2.2.3 ConditioningMultiCombine 节点
ConditioningMultiCombine 节点用于组合任意数量的条件,节省空间。
2.2.4 ConditioningSetMaskAndCombine 节点
ConditioningSetMaskAndCombine 节点用于掩码并组合两组条件,节省空间。
2.2.5 GrowMaskWithBlur 节点
GrowMaskWithBlur 节点用于扩展或缩小(使用负值)掩码,可以选择反转输入,返回掩码和反转掩码。此外,该节点还会模糊掩码,这是一个较慢的操作,尤其是在处理大批量数据时。
2.2.6 RoundMask 节点
RoundMask 节点用于生成圆形掩码。
2.2.7 WidgetToString 节点
WidgetToString 节点用于将任何节点的控件值输出为字符串。
3. 项目API使用文档
3.1 WidgetToString 节点
WidgetToString 节点用于读取目标节点的控件值并将其输出为字符串。使用步骤如下:
- 从 Manager 菜单启用节点 ID 显示,以获取目标节点的 ID。
- 使用目标节点的 ID 和要读取的控件名称。
- 如果重新创建或重新加载目标节点,其 ID 将发生变化,
WidgetToString节点将无法找到它,直到你使用新的 ID 更新节点 ID 值。
4. 项目安装方式
4.1 克隆项目
将项目克隆到 custom_nodes 文件夹中。
git clone https://github.com/kijai/ComfyUI-KJNodes.git
4.2 安装依赖
安装项目所需的依赖项。你可以选择以下两种方式之一进行安装:
4.2.1 使用 pip 安装
在终端中运行以下命令:
pip install -r requirements.txt
4.2.2 使用便携版安装
如果你使用的是便携版安装,请在 ComfyUI_windows_portable 文件夹中运行以下命令:
python_embeded\python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-KJNodes\requirements.txt
通过以上步骤,你可以成功安装并使用 KJNodes for ComfyUI 项目。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00