简介ComfyUI-Custom-Nodes-AlekPet 是面向 ComfyUI 用户的自定义节点插件用于扩展标准节点库弥补内置功能不足适合需要在图像处理、数据整理、自动化工作流中按需定制节点模块的开发者与进阶用户。压缩包共三十九个文件以 js、py、md、jpg、txt、json 为主要类型分别对应前端交互、节点逻辑、说明文档、示例截图与配置数据整体约 1.21MB轻量且结构清晰。内部集成了深度翻译、Argos 翻译、姿态检测、绘制、谷歌翻译等多个节点模块源码覆盖节点类定义、ComfyUI 图形界面接入、节点间数据流传递、插件加载与调试等关键环节能够提供完整的自定义组件落地范例结合文档和示例图可快速定位所需功能。目前已有 1068 人学习/下载通过阅读代码与实例既能掌握自定义节点的开发流程与通用技巧也能迁移到类似系统中复用为后续发布自己的插件积累基础模板。 玩 ComfyUI 的人多半都经历过这么一幕工作流好不容易搭起来了却在写提示词的时候卡住——脑子里构思的是“雨夜霓虹街道湿漉漉的沥青路面倒映着粉色招牌”可填进 Positive Prompt 的却是中英夹杂的一锅乱炖。Stable Diffusion 这些模型以英文训练为主英文提示词在 CLIP 编码空间里的响应明显更稳定于是你只能开着翻译网页来回切换、复制、粘贴一旦要批量测几组搭配整个节奏全被打乱。ComfyUI-Custom-Nodes-AlekPet 这个自定义节点包解决的就是这个“提示词翻译”环节的内嵌问题。它可以把翻译动作直接放进工作流让节点在编码前自动完成中英互译省掉外部工具来回倒腾的功夫。这篇内容我结合自己的使用记录把安装、配置、实操和踩过的报错都梳理一遍适合在 ComfyUI 里用中文写提示词、想省事的玩家参考。1. 为什么我在 ComfyUI 里装了一堆翻译节点最后只留下了 AlekPet1.1 中文提示词的真实痛感很多人觉得“中文提示词也能出图为什么非要翻译”确实ComfyUI 自带的 CLIPTextEncode 直接填中文也能跑通但生成质量和使用体验是两回事。首先是语义漂移问题。CLIP 模型的文本编码器是在以英文为主的大规模图文对数据上训练的中文虽然也在训练数据里出现但语义密度和词组关联方式和英文有很大差异。同一个意思英文表达往往能更精准地命中训练分布里的概念中文则容易出现“大方向对、细节跑偏”的情况。比如“赛博朋克风格的夜雨街头”直接写中文模型可能会倾向理解成字面组合拆成 “cyberpunk night street, rain, neon reflections” 之后光影和氛围的响应就明显更贴合预期。其次是工作流拆分的问题。很多人的提示词会分成正向、负向多条分支还要配合权重写法、分段调试。如果全靠外部翻译每次调整都要切窗口、复制粘贴一旦忘记翻译某一段整个构图就毁了。把翻译放进工作流内部是效率层面的刚需。1.2 对比了那么多方案为什么是它ComfyUI 社区里做提示词翻译的节点并不少但 AlekPet 这个包是少数几个我装完没卸载的。它的核心优势在于翻译节点分成了“只翻译”和“翻译后直接编码”两条路线。DeepTranslatorCLIPTextEncode 节点拿到你写的中文提示词先翻译成目标语言然后立刻调用 CLIP 完成条件编码直接输出 CONDITIONING 给采样器。这个设计非常关键——你不必理解 CLIPTextEncode 内部怎么接它把整条链路封装好节点输出直接对接 KSampler出错概率低很多。另外它支持多种在线翻译源还提供基于 Argos Translate 的离线翻译节点。在线接口偶尔超时或者限流的时候切到离线节点仍然能跑这在批量出图的时候特别有用。作者 AlekPet 一直在迭代插件新版本 ComfyUI 出来之后也能跟上适配这一点在社区插件里也算难得。2. 节点包全景不只是翻译这些节点能塞进哪些工作流环节2.1 核心节点功能对照AlekPet 节点包在节点菜单里的分类名就是 AlekPet装好后你会在列表里看到一批不同功能的节点。我把常用节点的功能、输入输出和典型用途整理成一张表方便你对号入座。节点名称核心功能主要输入主要输出典型用途DeepTranslatorCLIPTextEncode在线翻译后直接 CLIP 编码clip, text, target_lang 等CONDITIONING正向/负向提示词的最终入口DeepTranslatorText在线翻译文本不编码text, target_lang 等STRING给其他文本处理节点提供翻译结果ArgosTranslateCLIPTextEncode离线翻译后直接 CLIP 编码clip, text, target_lang 等CONDITIONING不依赖在线服务的稳定方案ArgosTranslateText离线翻译文本不编码text, target_lang 等STRING离线翻译结果输出PreviewText格式化显示文本textSTRING调试时核对翻译结果PainterNode简易画板尺寸、画笔粗细等IMAGE手绘遮罩或粗略构图这里最推荐新手上手的就是 DeepTranslatorCLIPTextEncode其他节点可以作为周边配套按需使用。2.2 每个节点该接在哪从工作流位置来看这些节点的使用场景非常清晰DeepTranslatorCLIPTextEncode 放在提示词区替代原本的 CLIPTextEncode。它的 clip 输入接 Checkpoint Loader 或 UNET Loader 的 CLIP 输出text 输入写中文提示词输出 CONDITIONING 直接连接 KSampler 的 positive 或 negative。DeepTranslatorText 适合放在文字处理链路上。你可以把它翻译出的字符串接到“显示文本”节点或者和其他节点做二次拼接处理。PreviewText 是调试阶段的必备节点。我在调工作流时会在翻译节点的输出后面串一个 PreviewText第一时间看到翻译结果到底准不准确认没问题之后再往下接。PainterNode 的用法比较独立。它本质上是一个画布可以用鼠标直接绘制 mask 或者粗略草图适合做局部重绘时快速圈定区域省掉来回导图片的麻烦。初次接触这个节点包的人先按“DeepTranslatorCLIPTextEncode 替代 CLIPTextEncode”这个思路去接线就足够覆盖大部分需求了。3. 安装与依赖秋叶整合包环境下最稳的装法3.1 两条安装路径我推荐直接用 ManagerAlekPet 节点的安装方式和其他 ComfyUI 自定义节点没什么两样核心就是把仓库克隆到custom_nodes目录下。目前有两种主流方式方式一通过 ComfyUI-Manager 安装。在 Manager 的 Custom Nodes Manager 页面里搜索关键字 “AlekPet” 或 “Custom Nodes AlekPet”找到对应条目后点 Install等它把代码拉下来重启 ComfyUI 就完成了。这种方式最大的好处是依赖安装一般会被自动处理省去不少手工步骤。方式二手动克隆。在终端里执行git clone https://github.com/AlekPet/ComfyUI_Custom_Nodes_AlekPet.git然后把克隆下来的文件夹放到 ComfyUI 的custom_nodes目录里。如果是秋叶整合包路径一般是秋叶ComfyUI整合包目录\ComfyUI_windows_portable\ComfyUI\custom_nodes\放错位置是最常见的安装失败原因之一。有人把文件夹解压到了custom_nodes再套一层目录或者放进了ComfyUI_windows_portable根目录这样节点都不会被扫描到。检查的时候优先确认层级结构对不对。3.2 最容易翻车的依赖安装环节装好节点包之后如果 ComfyUI 控制台里报ModuleNotFoundError: No module named deep_translator或者类似找不到argostranslate的错误说明节点代码有了但它依赖的 Python 库还没装。这里有个特别容易踩的坑秋叶整合包自带的是嵌入式 Python 环境和系统里装的 Python 不是同一个。你在系统终端里执行pip install deep-translator装到了系统 Python 里ComfyUI 用的却是它自己的python_embeded两者互不相通。正确的做法是在整合包的ComfyUI_windows_portable目录下用嵌入式 Python 显式安装依赖ComfyUI_windows_portable\python_embeded\python.exe -m pip install deep-translator argostranslate如果是手动从 GitHub 拉取的仓库可以先看看仓库根目录下有没有requirements.txt文件有的话直接一条命令安装ComfyUI_windows_portable\python_embeded\python.exe -m pip install -r requirements.txt装完依赖重启 ComfyUI打开节点菜单看到 AlekPet 分类就算安装成功了。4. DeepTranslator 节点实操一套可复制的多语言提示词翻译工作流4.1 添加节点并接线在 ComfyUI 画布上右键打开节点菜单选择 Add Node找到 AlekPet 分类点击 DeepTranslatorCLIPTextEncode。节点的输入输出结构大致是clip接入模型加载器的 CLIP 输出text在这里写中文提示词可以写多行source_lang / target_lang翻译源语言和目标语言translate_model选择使用的翻译服务输出CONDITIONING接线的简化流程如下Checkpoint Loader 的 CLIP 输出 ↓ DeepTranslatorCLIPTextEncode 的 clip 输入 ↓ 写中文提示词到 text 输入 ↓ 输出 CONDITIONING → KSampler 的 positive / negative这个节点本质上就是一个“翻译 CLIPTextEncode”的组合体。你写的每一行中文提示词在主流程跑起来的时候都会先被翻译成目标语言再进入 CLIP 编码所以它输出的 CONDITIONING 已经包含了翻译后的语义信息。4.2 关键参数怎么选translate_model 对照AlekPet 节点包支持多个翻译源在 translate_model 下拉框里可以切换。我实际用下来几个主要选项的适用场景差异挺大。translate_model特点适用场景google翻译质量整体不错对日常提示词理解准确默认首选适合网络条件好的环境mymemory免费接口无需配置 key 即可调用备用源google 超时时临时切换libre基于 LibreTranslate 的免费翻译服务对隐私有要求或者自建了服务的场景离线模式ArgosTranslate完全本地推理不依赖在线接口批量跑图、网络不稳定时最稳我的习惯是平时用 google 模式如果某次批量出图时发现节点频繁报超时或者限流就切换到 mymemory 缓一下或者直接换成阿格斯离线节点避免整条工作流中断。4.3 把翻译结果接到编码器两种接法对比除了直出 CONDITIONING 的 DeepTranslatorCLIPTextEncodeAlekPet 还提供了只翻译不编码的 DeepTranslatorText。这两种接法对应不同的使用场景接法一全自动模式。中文提示词进 DeepTranslatorCLIPTextEncode输出 CONDITIONING 直接给 KSampler。适合大多数日常绘图一句话写完节点自动翻译自动编码什么都不用管。接法二半自动模式。中文提示词先进入 DeepTranslatorText翻译结果输出为 STRING 字符串然后再接入一个普通的 CLIPTextEncode 节点由其完成编码。这种做法的好处是你可以在中间插入 PreviewText 节点亲眼确认翻译结果也可以在翻译结果上做字符串拼接临时调整措辞。如果你刚开始用建议先走接法一。跑通主链路之后再尝试接法二逐步把调试节点加进去工作流的可控性会好很多。5. 从“节点在执行过程中发生错误”到稳定运行一次完整报错排查记录5.1 先看错误报告的类型import 类还是运行类ComfyUI 报错时弹出的错误报告里通常包含节点类型和异常堆栈。所谓的“failed to execute”“节点在执行过程中发生错误”只是外层的统一提示真正有用的信息在异常详情里。我第一次遇到报错时错误报告长这样## error details - node: DeepTranslatorCLIPTextEncode - exception: ModuleNotFoundError: No module named deep_translator这种一眼就能判断是依赖缺失按前面说的方法用整合包的嵌入式 Python 安装 deep-translator 依赖即可。但如果异常信息是 ValueError、Timeout 或者翻译服务返回错误码问题就复杂一些需要按运行期错误来排查。5.2 运行期报错的四种常见根因在后续使用里我记录到了四类高频运行期错误这里逐一说明判断方法和应对措施。第一类对象类型不匹配。错误信息如果出现A value of type STRING cannot be assigned之类的描述说明你把文本节点输出直接接到了需要 CONDITIONING 的接口上。比如我用 DeepTranslatorText 把翻译结果接给 KSampler 的 positive就会触发这类问题。解决方法是把文本接到 CLIPTextEncode 的 text 输入让 CLIPTextEncode 完成编码后再进入采样器。第二类translate_model 参数值不合法。如果下拉框里的选项被手动改动过或者旧版本工作流保存的配置和新版本节点不一致可能会报类似The translate model xx is not valid的错误。重新选择下拉框里存在的选项即可同时要注意工作流升级后先检查一遍节点配置。第三类在线翻译接口超时或限流。这类报错通常伴随 timeout、Error 429、Too Many Requests 等关键词。免费翻译接口一般有频率限制批量出图时连续请求很容易触发。我的处理方式是降低节点调用频率或者切换到 mymemory / libre 模式最省心的做法是换用 Argos 离线翻译彻底绕开在线接口。第四类翻译源返回异常内容。少数情况下接口能响应但返回空字符串或错误文本导致编码结果异常。处理办法是加一个 PreviewText 节点观察实际翻译结果如果发现是空串或原文没变那就是翻译源的问题切换翻译源即可。5.3 Argos 离线翻译模型的安装与修复离线翻译节点在某些环境下比在线节点更稳定但它有一个前置步骤需要先准备 Argos Translate 的离线模型。按我踩过的流程来走先在 Python 环境里安装argostranslate包ComfyUI_windows_portable\python_embeded\python.exe -m pip install argostranslate然后下载 Argos Translate 对应的语言模型。下载下来的模型文件一般以.argosmodel结尾需要导入到本地模型目录。用 Python 执行python -c from argostranslate import package; package.install_from_path(english_chinese.argosmodel)这里的路径要换成你实际下载的模型文件位置。装好后ComfyUI 里的 ArgosTranslateCLIPTextEncode 节点就可以直接在本地完成翻译不需要访问任何在线接口。如果你打开节点时提示找不到模型多半就是模型没有正确导入对应目录按这个命令重试一遍就行。5.4 我的排查顺序总结排查 ComfyUI 节点问题时我的习惯是遵循从本地到外部的顺序尽量不要一上来就怀疑网络先看完整错误堆栈区分是 import 缺失还是运行期错误。如果节点包没加载检查 custom_nodes 目录层级和依赖安装是否生效。检查节点连线类型特别是 STRING 和 CONDITIONING 的混接问题。检查 translate_model 参数是否合法重新选择一次。最后才考虑在线翻译接口本身的问题届时切换翻译源或改用离线节点。按这个顺序排查大部分报错都能在五分钟内定位。6. 把翻译节点变成工作流里的“隐形层”我的几个使用习惯6.1 中文写好全套提示词分段翻译我现在的正向提示词习惯是全部用中文组织格式上分成三段第一段写画质和风格关键词第二段写主体和场景描述第三段写光影、色彩、画面质感。整段一次性填进 DeepTranslatorCLIPTextEncode 的 text 输入节点会自动把全部内容翻译成英文再编码。这个习惯帮我解决了一个很实际的问题——提示词的可维护性。工作流来自他人或者隔几天再打开时中文一眼就能看懂当前配置的意图而英文提示词写多了之后自己回头都可能忘了某个短语想表达什么。6.2 用 PreviewText 核对翻译结果别让模型替你猜翻译节点不是万能的不同翻译源对某些抽象风格词的翻译质量差异很大。比如“氛围感”“通透”“故事感”这类中文美学词汇有的翻译源会转换成比较贴切的英文描述有的则直接意译成这样那样的奇怪表达。所以我通常会在调试阶段把 DeepTranslatorText 的翻译结果用 PreviewText 显示出来一眼扫过确认关键词没有跑偏再决定要不要调整提示词原文。把翻译结果可视化这一步能避免很多“模型怎么画都不对”的玄学问题——因为它根本是提示词翻译错了。6.3 批量测试时先翻好再编码如果你经常做多组提示词的批量渲染实验有个小技巧用 DeepTranslatorText 先把所有中文提示词翻译成英文把翻译结果保存成一个文本列表然后在批量循环里直接用这个列表作为提示词输入。这样做的好处是运行时省掉了重复的在线翻译请求翻译接口限流的概率大幅下降批量出图速度也会快不少。毕竟翻译只是在编码前的一次性动作没必要每次重跑都请求一遍在线接口。最后再分享一个细节AlekPet 节点包里的 PainterNode 我一开始觉得鸡肋后来在做局部重绘时才感觉到它的顺手——在节点里直接画 mask省掉来回保存透明底的流程。这个包的价值不在于单个节点多惊艳而是把翻译、调试、绘遮罩这些小环节都整合进了工作流内部让整个出图过程少了很多“在工作流外操作”的断裂感。如果你也在纠结中文提示词的使用体验建议装上它试跑一周习惯了就回不去了。本文还有配套的精品资源点击获取