ComfyUI-KJNodes：让 ComfyUI 更快更省心的完整教程
ComfyUI-KJNodes：让 ComfyUI 更快更省心的完整教程
【免费下载链接】ComfyUI-KJNodesVarious custom nodes for ComfyUI项目地址: https://gitcode.com/gh_mirrors/co/ComfyUI-KJNodes
如果你用 ComfyUI 有一段时间，多半遇到过这些糟心事：批量处理上百张图很慢、显存（VRAM，即显卡显存）占用摸不着头脑、工作流越长线越乱、模型加载的参数散得找不着。ComfyUI-KJNodes 是 ComfyUI 的一个自定义节点包，把这些常见痛点做成了一个系列现成节点：批量图像处理、模型编译加速、注意力优化、显存监控、子图数据传递（Set/Get 节点）。装好之后直接在界面里拖出来就能用。这篇文章带你走一遍：装好它 → 跑通第一个小例子 → 调性能 → 避坑。
它到底能干什么：核心功能先扫一眼
装之前先看看"工具箱"里有什么：
- 批量图像处理：
ImageBatchMulti、ImageConcatFromBatch这类节点会把大批次图片自动拆开分批处理，适合数据集预处理和批量出图 - 模型加载与组件分离：
CheckpointLoaderKJ、DiffusionModelLoaderKJ支持 SDXL 多组件分离加载，有限显存下也能跑 - 模型编译加速：
TorchCompileModelFluxAdvancedV2、TorchCompileVAE、TorchCompileControlNet把模型的不同部分分别编译，支持多种编译后端 - 显存监控：
StartRecordCUDAMemoryHistory/EndRecordCUDAMemoryHistory/VisualizeCUDAMemoryHistory三件套可以录制并回放显存使用曲线；ModelMemoryUseReportPatch给你实时报告 - 注意力优化：SAGE 注意力（
PathchSageAttentionKJ）、NABLA 稀疏注意力（NABLA_AttentionKJ），主要面向长序列视频生成 - 工作流整理：2026 年 3 月重写的 Set/Get 节点系统支持跨子图边界取数，还带一批快捷键；
WidgetToString能把任意节点的参数值读成字符串，方便显示和传递
更完整的更新记录可以看项目根目录的 README.md，里面也有官方安装说明。
KJNodes 安装教程：3 步装完
安装过程本身很简单，三步：
- 把仓库克隆到 ComfyUI 的
custom_nodes目录 - 安装依赖
- 重启 ComfyUI，在节点菜单里搜 KJNodes 相关节点
命令行版：
git clone https://gitcode.com/gh_mirrors/co/ComfyUI-KJNodes ComfyUI/custom_nodes/ComfyUI-KJNodes pip install -r ComfyUI/custom_nodes/ComfyUI-KJNodes/requirements.txt如果你用的是 Windows 便携版，要改用自带 Python 装依赖：在 portable 目录里执行
python_embeded\python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-KJNodes\requirements.txt。
3 分钟跑通第一个工作流
装完之后，先跑个最小例子确认环境没问题。
用 Get Model Name 读出模型信息
以加载 SDXL 模型为例。把加载节点的输出接到Get Model Name节点，就能拿到工作流里任意节点的 ID 和参数名（比如base_ckpt_name），再喂给 Show Text 显示出来。调试的时候特别好用：一眼看出当前实际生效的是哪个 checkpoint。
上图是 Eff. Loader SDXL 节点（左侧来自另一个插件）加载 SDXL 模型，基础模型、refiner、VAE 等参数一目了然；右侧Get Model Name按 ID（193）读出了 #193 节点的base_ckpt_name取值，Show Text 把结果直接打在画布上。
WidgetToString：把参数值变成字符串
WidgetToString解决更麻烦的场景：你想读的不是节点 ID，而是某个非字符串参数（比如下拉框选项）。填上目标节点的 id 和参数名（widget_name），输出就是一个 STRING，可以接到任意显示节点。
图中WidgetToString（id=2）读出 Load Checkpoint 节点的ckpt_name参数，Show Text 里直接显示 "1_5\photon_v1.safetensors"——核对加载的文件对不对，比反复点开参数框快得多。
Set/Get：长工作流的生命线
工作流一旦超过几十个节点，"线多到打架"就难免。KJNodes 的 Set/Get 系统就是干这个的：数据放进 Set 节点，从 Get 节点取出来，物理连线不用横穿全屏。2026 年 3 月的更新还支持跨子图边界——父图里 Set，子图里 Get。常用快捷键：
Ctrl+Shift+S：给选中节点添加 SetCtrl+Shift+G：在光标处添加 GetCtrl+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 节点
显存不够时这样配：性能调优实战
这是 KJNodes 最能体现价值的部分。参考文章给出的测试环境是 RTX 4090、24GB 显存，几个有出处的数字：
- 图像批处理：处理 100 张 512×512 图片，速度快 42%，显存占用降 28%
- 视频生成：生成 30 秒 1080p 视频，推理时间少 35%，显存峰值低 31%
- 模型编译：首次编译比平时慢 15% 左右，之后的推理速度快 48%
三类优化的大致收益对比：
| 优化策略 | 显存降低 | 速度提升 | 最适合 |
|---|---|---|---|
| 模型编译 | 15–25% | 30–50% | 大规模批处理 |
| 注意力算法 | 20–35% | 25–40% | 长序列视频生成 |
| 内存管理 | 30–45% | 10–20% | 显存有限的环境 |
| 批量处理 | 25–40% | 40–60% | 数据集预处理 |
编译：后端选对才算数
TorchCompileModelFluxAdvancedV2支持多种编译后端，选择逻辑很简单：
- Inductor：NVIDIA RTX 系列用，性能最好
- NNC：AMD 和 Intel 显卡用，跨平台兼容性好
- AOT-Eager：调试和开发环境用
注意力算法：按任务挑
- SAGE 注意力：追求出图质量时用
- NABLA 稀疏注意力：长序列视频，显存占用明显更低
- Flash 注意力：实时场景，推理速度最快
先监控，再动手调
不确定显存在哪被吃掉时，先在待测段落前后各放一个StartRecordCUDAMemoryHistory和EndRecordCUDAMemoryHistory，再用VisualizeCUDAMemoryHistory回放曲线。视频类工作流还可以试试WanVideoTeaCacheKJ，它做时间缓存，跳过重复计算。
KJNodes 和原生节点的区别 + 常见坑
一句话总结区别：原生节点是"功能积木"，KJNodes 是积木之上的"工程工具"——批量、编译、监控、工作流组织，这些在原生 ComfyUI 里点不出来。
容易踩的坑，提前说：
- 别把编译当瞬时的：第一次运行要做完整编译，比不编译还慢，后面的运行才快。别拿一次性测试下结论。
- 编译后端别选错：生产环境用 AOT-Eager、NVIDIA 卡上选 NNC，都是白亏性能。
- 批量节点不是万能加速：
ImageBatchMulti是分块处理的，批次越大收益越明显；只处理两张图，原生节点照样快。 - Set/Get 复制粘贴后注意命名：粘贴 Set+Get 对时 Get 节点会跟着 Set 的改名走（比如
MODEL变MODEL_0），避免重名冲突；想转回普通连线，右键 Set/Get 节点即可。 - 显存监控节点有开销：录制回放本身占一点资源，测完记得摘掉。
收尾：把要点带走
ComfyUI-KJNodes 解决三类事：大批量图跑得快、推理提速、长工作流可读。建议路径是：先装好，跑通一次模型信息读取的例子，再按你的硬件挑编译或监控节点。等工作流越长，Set/Get 和子图支持会成为你最高频的功能——这也是 KJNodes 和原生节点最大的差异所在。
【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