​
简单示例

下面是“反转图片节点”的代码，概述了自定义节点开发中的关键概念。 
class InvertImageNode:
    @classmethod
    def INPUT_TYPES(cls):
        return {
            "required": { "image_in" : ("IMAGE", {}) },
        }

    RETURN_TYPES = ("IMAGE",)
    RETURN_NAMES = ("image_out",)
    CATEGORY = "examples"
    FUNCTION = "invert"

    def invert(self, image_in):
        image_out = 1 - image_in
        return (image_out,)

​
主要属性

每个自定义节点都是一个 Python 类，具有以下关键属性：

​
INPUT_TYPES

顾名思义，INPUT_TYPES 定义了节点的输入。该方法返回一个 dict，必须包含 required 键，也可以包含 optional 和/或 hidden 键。required 和 optional 输入的唯一区别在于，optional 输入可以不连接。
关于 hidden 输入的更多信息，参见 隐藏输入。 每个键的值又是一个 dict，其中的键值对指定输入的名称和类型。类型由一个 tuple 定义，第一个元素是数据类型，第二个元素是包含附加参数的 dict。 这里我们只有一个必需输入，名为 image_in，类型为 IMAGE，没有额外参数。 注意，与接下来几个属性不同，INPUT_TYPES 是一个 @classmethod。这样做的目的是让下拉小部件中的选项（比如要加载的 checkpoint 名称）可以在运行时由 Comfy 动态计算。我们稍后会详细介绍这一点。

​
RETURN_TYPES

一个由 str 组成的 tuple，定义了节点返回的数据类型。如果节点没有输出，也必须提供 RETURN_TYPES = ()。
如果你只有一个输出，记得加上逗号：RETURN_TYPES = ("IMAGE",)。这是 Python 创建元组所必需的。

​
RETURN_NAMES

用于标记输出的名称。此项为可选；如果省略，名称将直接使用 RETURN_TYPES 的小写形式。

​
CATEGORY

节点在 ComfyUI 添加节点 菜单中的分类。可以用路径指定子菜单，例如 examples/trivial。

​
FUNCTION

节点执行时应调用的 Python 函数名。 该函数以命名参数的方式被调用。所有 required（和 hidden）输入都会包含在内；optional 输入只有在连接时才会包含，因此你应在函数定义中为它们提供默认值（或用 **kwargs 捕获）。 该函数返回一个与 RETURN_TYPES 对应的元组。即使没有返回内容，也必须返回元组（return ()）。同样，如果只有一个输出，记得加上逗号 return (image_out,)！

​
执行控制扩展

Comfy 的一个很棒的特性是它会缓存输出，并且只会执行那些结果可能与上次运行不同的节点。这可以极大地加快许多工作流的速度。 本质上，这通过识别哪些节点会产生输出（比如 Image Preview 和 Save Image 节点，这些节点总是会被执行），然后反向追踪哪些节点提供了自上次运行以来可能已更改的数据。 自定义节点有两个可选特性可以协助这一过程。

​
OUTPUT_NODE

默认情况下，节点不会被视为输出节点。设置 OUTPUT_NODE = True 可以指定该节点为输出节点。

​
IS_CHANGED

默认情况下，如果节点的任何输入或小部件发生变化，Comfy 会认为该节点已更改。这通常是正确的，但在某些情况下你可能需要重写此行为，例如节点使用了随机数（且未指定种子——此时最好提供一个种子输入，以便用户可以控制可复现性并避免不必要的执行）、加载了可能已在外部更改的输入，或有时会忽略某些输入（因此不需要仅因这些输入变化而执行）。
注意，IS_CHANGED 的返回值不应为 bool 类型。
IS_CHANGED 接收与主函数（由 FUNCTION 指定）相同的参数，并可以返回任意 Python 对象。该对象会与上次运行时返回的对象进行比较，如果 is_changed != is_changed_old，则认为节点已更改（相关代码在 execution.py 中）。 由于 True == True，如果节点返回 True 表示已更改，实际上会被认为未更改！如果不是为了兼容现有节点，这一行为本可以在 Comfy 代码中修正。 如果你希望节点始终被认为已更改（不推荐，因为这会阻止 Comfy 优化执行流程），可以 return float("NaN")。这会返回一个 NaN，它与任何值都不相等，甚至与另一个 NaN 也不相等。 一个实际检查变化的好例子是内置的 LoadImage 节点的代码，它会加载图片并返回哈希值： 
    @classmethod
    def IS_CHANGED(s, image):
        image_path = folder_paths.get_annotated_filepath(image)
        m = hashlib.sha256()
        with open(image_path, 'rb') as f:
            m.update(f.read())
        return m.digest().hex()

​
其他属性

还有三个属性可以用来修改 Comfy 对节点的默认处理方式。

​
INPUT_IS_LIST, OUTPUT_IS_LIST

用于控制数据的顺序处理，详见后文。

​
VALIDATE_INPUTS

如果定义了类方法 VALIDATE_INPUTS，则在工作流开始执行前会被调用。
VALIDATE_INPUTS 如果输入有效应返回 True，否则返回一个描述错误的字符串（这会阻止执行）。

​
常量校验

注意，VALIDATE_INPUTS 只会接收到在工作流中定义为常量的输入。任何来自其他节点的输入都不会在 VALIDATE_INPUTS 中可用。
VALIDATE_INPUTS 只会收到其签名中请求的输入（即 inspect.getfullargspec(obj_class.VALIDATE_INPUTS).args 返回的参数）。通过这种方式接收的输入不会经过默认校验规则。例如，在下面的代码片段中，前端会使用 foo 输入指定的 min 和 max，但后端不会强制校验。 
class CustomNode:
    @classmethod
    def INPUT_TYPES(cls):
        return {
            "required": { "foo" : ("INT", {"min": 0, "max": 10}) },
        }

    @classmethod
    def VALIDATE_INPUTS(cls, foo):
        # YOLO，啥都行！
        return True
此外，如果该函数接收 **kwargs，则会收到所有可用输入，并且所有这些输入都将跳过校验，就像显式指定一样。

​
类型校验

如果 VALIDATE_INPUTS 方法接收一个名为 input_types 的参数，则会传入一个字典，键为每个连接到其他节点输出的输入名，值为该输出的类型。 当存在此参数时，所有输入类型的默认校验都会被跳过。下面是一个利用前端允许指定多种类型的例子： 
class AddNumbers:
    @classmethod
    def INPUT_TYPES(cls):
        return {
            "required": {
                "input1" : ("INT,FLOAT", {"min": 0, "max": 1000}),
                "input2" : ("INT,FLOAT", {"min": 0, "max": 1000})
            },
        }

    @classmethod
    def VALIDATE_INPUTS(cls, input_types):
        # input1 和 input2 的 min/max 仍然会被校验，因为
        # 我们没有将 `input1` 或 `input2` 作为参数接收
        if input_types["input1"] not in ("INT", "FLOAT"):
            return "input1 必须是 INT 或 FLOAT 类型"
        if input_types["input2"] not in ("INT", "FLOAT"):
            return "input2 必须是 INT 或 FLOAT 类型"
        return True