本 ComfyUI 工作流程採用 Stability AI 的 SD 3.5 Large 模型與 Canny ControlNet，根據輸入圖像的邊緣結構生成新圖像。流程會載入 SD 3.5 checkpoint（CheckpointLoaderSimple）與 Canny ControlNet（ControlNetLoader），將你的文字提示編碼（CLIPTextEncode），並從導引圖像提取高對比邊緣圖（Canny）。邊緣圖作為結構約束，透過 ControlNetApplyAdvanced 讓 KSampler 生成內容時能遵循輪廓，同時依照你的提示詞進行創作。
技術上，流程會在目標解析度建立潛在畫布（EmptySD3LatentImage），以正向提示詞與 ControlNet 邊緣引導條件模型，並可選擇性地將負向提示歸零（ConditioningZeroOut）以簡化流程。經過取樣（KSampler）後，結果會解碼為 RGB（VAEDecode）、預覽（PreviewImage），並儲存（SaveImage）。ImageScale 用於將 Canny 邊緣圖縮放至與輸出尺寸一致，確保對齊。此設計適合需要強大構圖控制（如維持輪廓或產品外型），同時讓 SD 3.5 處理細節、質感與風格。
API
從程式碼使用此工作流
每個 Comfy 工作流都是一個 JSON 圖。下方的 payload 就是此工作流，與 ComfyUI 執行時完全相同 — 你可以從此 URL 取得、放入版本控制，或在 ComfyUI 載入並逐節點執行。
使用 Comfy SDK 以 TypeScript 或 Python 執行。相同程式碼可用於 Comfy Cloud 或你自架的 ComfyUI — 只需更改 base URL。
// Install (beta)
npm i @comfyorg/sdk
// Run "SD3.5大型Canny ControlNet" (TypeScript)
import { Comfy } from "@comfyorg/sdk";
const client = new Comfy({ apiKey: "comfyui-..." });
// This workflow, exported in API format (see note below)
const wf = await client.workflows.fromFile("sd3.5_large_canny_controlnet_example_api.json");
const asset = client.assets.fromFile("input.png");
wf.setInput("45", "image", asset); // LoadImage
wf.setInput("6", "text", "crystal pink dragon on a blue mystery sky, hyperdetailed"); // CLIPTextEncode
const job = await client.run(wf);
await job.getOutputs("9")[0].toFile("output.png"); // SaveImageSDK 需使用 API 格式的工作流：請在 ComfyUI 開啟此工作流，並使用 檔案 → 匯出工作流（API）。
常見問題
