⬡ 节点流学园

🧱 01-基础

第一个文生图工作流解剖

入门文生图默认模板KSampler

一句话定义

默认文生图模板只有 6 个节点:加载模型 → 正/负提示词 → 空白潜空间 → KSampler 采样 → VAE 解码 → 保存图像,本页逐节点拆解它的每根线,让你从此"会读"而不只是"会用"。

为什么重要

它是所有工作流的母体:图生图、重绘、放大、ControlNet……全是在这张图上"加节点"。把这 6 个节点吃透,后面一切都是增量。

前置知识

节点与工作流的心智模型：端口、连线与执行、模型文件与目录组织(目录里已有一个 checkpoint 模型)。

核心概念(逐节点)

  1. Load Checkpoint:下拉选择 models/checkpoints/ 里的模型;输出 MODEL、CLIP、VAE 三路——一个文件携带三个组件(见 模型文件与目录组织)。
  2. CLIP Text Encode(正):把你的描述编码成 CONDITIONING;接的是 CLIP 输入。
  3. CLIP Text Encode(负):编码"不想要什么",同样输出 CONDITIONING。
  4. Empty Latent Image:生成一张纯噪声潜空间作为起点;参数 width/height(注意 8 的倍数,SD1.5 用 512 家族、SDXL 用 1024 家族)与 batch_size。
  5. KSampler:核心采样器,输入 MODEL + 正/负条件 + 潜空间,参数(seed、steps、cfg、sampler、scheduler、denoise)详见 KSampler 全参数解剖:seed/steps/cfg/denoise。
  6. VAE Decode:把去噪完成的潜空间解码成像素图像 → Save Image 落盘到 output/。

原理与机制

三路数据流贯穿全图:

KSampler 内部发生的事:取 seed 生成噪声 → 与初始 latent 混合 → 按步数调用模型逐步去噪,每一步都用正/负条件"拉扯"结果。

公式 / 模型 / 图示

                    ┌──────────────┐ MODEL
Load Checkpoint ────┤              │──────────┐
                    │              │ CLIP     │
                    └──┬───────────┘          ▼
            ┌──────────┴──────────┐    ┌──────────┐ LATENT ┌───────────┐ IMAGE ┌────────────┐
            │ CLIP Text Encode 正 │───▶│ KSampler │───────▶│VAE Decode │─────▶│ Save Image  │
            │ CLIP Text Encode 负 │───▶│          │        └───────────┘       └────────────┘
            └─────────────────────┘    └────▲──────┘
                                            │ LATENT
                                   ┌────────┴────────┐
                                   │ Empty Latent Img │
                                   └──────────────────┘

直观类比

做菜:Checkpoint 是"请来一位厨师(MODEL)+他的味觉记忆(CLIP)+装盘手艺(VAE)";正/负提示词是"要什么/不要什么";Empty Latent 是一块大理石坯;KSampler 是厨师反复雕琢;VAE Decode 是把作品从"意念态"还原成"实物"。

实例与案例

跑通三连改(每改一处按 Ctrl+Enter 重新队列):

  • 改 prompt:换一句话,观察构图变化;
  • 改 seed:同参数不同种子 = 完全不同的图;
  • 改分辨率:512→768(SD1.5)大概率出现重复肢体,先埋个伏笔(机制见 故障排查手册:症状→原因→修法 的排障表)。

常见误区

  • 没选模型就点运行:Checkpoint 下拉是空的或指向不存在的文件 → 报错,先去 模型文件与目录组织 下载放置。
  • 分辨率随便填:SD1.5 生成 1024×1024、SDXL 生成 512×512 都会明显劣化,每个模型有"原生分辨率家族"。
  • 负提示词留空以为不能跑:能跑,但默认模型不填负面通常更"脏";具体影响见 CFG 与负面引导:引导强度的数学。
  • 以为 SaveImage 节点删了图就没了:没落盘的图像只在内存里,队列结束即丢。

自测题

  1. Load Checkpoint 的三个输出分别是什么类型?各流向哪里?
  2. 把 batch_size 改成 4,seed 只有一个,四张图为什么会各不相同?
  3. 用 SD1.5 模型生成 1024×1024 会发生什么?为什么?
  4. 正负两条提示词路的"汇合点"在哪个节点?
参考答案
  1. MODEL→KSampler;CLIP→两个 Text Encode;VAE→VAE Decode。
  2. batch 内每张使用 seed、seed+1、…连续派生的独立噪声,所以各不相同(可复现性仍成立:重跑同 batch 序列结果一致)。
  3. 出现重复肢体、构图混乱等劣化——模型在 512 家族分辨率上训练,偏离训练分布就崩。
  4. KSampler 的 positive 与 negative 两个输入端口。

与其他知识点的关系

延伸阅读

前置知识

界面导览：画布、侧栏、队列与模板模型文件与目录组织

关联知识点

扩散模型直觉：从噪声到图像的迭代雕刻KSampler 全参数解剖:seed/steps/cfg/denoise提示词工程:权重、结构与负面写法