TJ_NODE는 대규모 ComfyUI Workflow를 유지 가능한 구조로 만들기 위한 Architecture Toolkit입니다. TJ_NODE is an architecture toolkit designed to make large-scale ComfyUI workflows maintainable.

🆕 Latest Additions

가장 최근에 추가된 노드들입니다 (일부는 아직 릴리즈 전 / 테스트 중 — 버전 태그는 CHANGELOG.md 참고). 자세한 옵션은 하단 섹션 참고. The newest nodes in the pack — some are pre-release / still being tested (see CHANGELOG.md for exact version tags). See the sections below for full detail.

🔀 Multi Switch (TJ) — v2.11.0

A/B 두 입력 중 하나를 고르는 스위치. 핵심은 선택되지 않은 쪽에 연결된 상위 노드 체인을 아예 실행하지 않는다는 것 — 큐 전송 직전 프론트엔드가 prompt JSON에서 미선택 브랜치를 통째로 잘라내므로, 모델 로드처럼 무거운 노드가 A/B 양쪽에 물려 있어도 선택 안 된 쪽은 VRAM에 올라가지도 않는다. 단순 Bypass와 다르다.

그룹 = {A_n, B_n} 입력 2개 + output_n 출력 1개, 최대 12그룹
[+ Group] / [- Group] 버튼, 우클릭 → 🗑 Delete Group...로 임의 그룹 삭제(연결 유지한 채 재번호)
toggle_mode: Global(전체 공유) / Per-Group(그룹별 개별 스위치)
선택된 쪽이 미연결이면 그 그룹만 조용히 통과 처리 — 에러 없음
서브그래프 안에 넣어도 정상 동작 (합성 노드 ID 처리)

A/B switch whose unselected branch is pruned out of the queued prompt entirely, so heavy upstream nodes on the other side never load. Up to 12 groups, Global / Per-Group modes.

🎬 Batch to MinimaxH3 (TJ) — v2.11.0

Batch to Multi Image Output (TJ)의 파생 노드. 출력 상한을 12로 낮추고, 배치 수량을 초과하는 출력은 검정 이미지 대신 None을 반환한다.

MiniMax H3 Reference to Video 같은 Autogrow 계열 노드는 None을 "그 슬롯 미연결"로 처리하도록 설계돼 있어서, 배치 3장을 넣고 출력 9개를 연결해도 나머지 6개는 조용히 빈 슬롯이 된다(검정 프레임이 레퍼런스로 들어가지 않는다).

⚠️ PreviewImage처럼 None을 받지 못하는 단일값 소비 노드에 직접 연결하면 그쪽에서 에러가 난다. 여러 optional 슬롯을 묶어 받는 노드 전용이다.

📊 PromptDBSave(TJ) / PromptDBLoader(TJ)

워크플로우에서 생성한 프롬프트/설정값/결과 이미지를 엑셀(xlsx)로 누적 기록하고, 다시 불러와 재사용하기 위한 2노드 세트.

PromptDBSave(TJ) — 이미지 배치를 받아 이미지마다 한 행씩(썸네일 포함) 엑셀에 누적. ID 자동 증가, 파일 잠김 시 재시도, positive/negative/model/seed/steps/cfg/ sampler/scheduler/기타 설정/메모까지 기록.
자동 추출(auto_extract, 기본 켜짐) — 실행 중인 워크플로우 그래프를 images 입력에서 거슬러 올라가 설정값을 스스로 채웁니다. 메인/리파이너가 함께 있으면 EmptyLatentImage에서 시작하는(denoise 1.0) 샘플러를 메인으로 판정해 주 컬럼에 기록하고, 리파이너는 extra_settings에 요약으로 덧붙입니다. 그래야 행끼리 값을 비교할 수 있습니다. 직접 연결한 입력은 항상 자동보다 우선하고, 자동으로 찾지 못한 항목은 위젯 기본값(steps 8 / cfg 1.0 / euler / simple)이 그대로 남습니다.
SAVE / BYPASS 토글 — BYPASS로 두면 아무것도 기록하지 않고 이미지를 그대로 통과시킵니다. 노드를 그래프에서 뺄 필요 없이 기록만 잠시 끌 때 씁니다.
PromptDBLoader(TJ) — 사진 라이브러리 앱처럼 썸네일 그리드로 기록된 행을 훑어보는 조회 노드. 클릭으로 선택(다음 실행에 반영), 더블클릭으로 상세 팝업을 열어 값 수정 후 저장(해당 행만 갱신)하거나 그 행을 삭제. TJ_PROMPT_PIPE 소켓으로 값 전체를 한 번에 다른 노드에 전달 가능.
출력은 positive_prompt 와 pipe 두 개뿐입니다. 나머지는 아래 브릿지가 담당합니다.
PromptDBBridge(TJ) — pipe 하나를 받아 11개 필드로 풀어주는 브릿지. 캔버스를 가로지르는 선은 pipe 하나만 쓰고, 값을 실제로 쓰는 위치 옆에서 펼치는 용도입니다. pipe를 그대로 다시 출력하므로 브릿지를 이어 붙일 수도 있습니다. sampler_name·scheduler·model_name·note 는 와일드카드 타입이라 KSampler 나 체크포인트 로더의 COMBO 입력에 바로 연결됩니다(STRING 이면 연결 자체가 막힙니다). note는 원래 "원본 경로"(source_path)였던 자유 메모 칸으로, 사용자가 출력하고 싶은 아무 값이나 넣는 용도입니다 — 엑셀 컬럼 이름도 "메모"로 바뀌었습니다(기존 파일은 다음 저장 때 라벨만 자동으로 갱신, 데이터는 그대로).
세 노드 모두 TJ_NODE 무선 Set/Get을 지원합니다 — Save는 get_name(IMAGE 수신) / setnode_name(송신), Loader와 Bridge는 auto_set으로 출력 전체를 이름으로 발행 (PDB_* / PDBB_*). get_name 목록은 타입이 맞는 프로바이더만 표시됩니다.
상세 팝업에서 썸네일을 직접 교체할 수 있습니다. 이미지 선택 창은 Multi Image Loader의 Add image와 같은 방식이며, 대상은 output 폴더로 한정됩니다(최신 파일 우선 정렬, 하위 폴더 탐색 가능). 교체하면 사이드카와 엑셀에 임베드된 이미지가 함께 갱신됩니다. 교체 시 크기를 직접 지정할 수 있습니다(v2.11.0 — 이전에는 고정 크기).
카드를 다른 라이브러리로 이동 (v2.11.0) — 상세 팝업의 ➡ 라이브러리 이동으로 행과 썸네일을 통째로 다른 워크북으로 옮깁니다. 대상에 먼저 기록한 뒤 원본을 지우는 순서라, 중간에 실패해도 데이터가 사라지지 않습니다.
썸네일 크기 분리 (v2.11.0) — 갤러리에 보이는 썸네일(기본 256px)과 엑셀에 임베드되는 이미지(128px 상한)를 따로 관리합니다. 보기는 크게, 파일 크기는 작게. 원본보다 크게 늘리지는 않습니다.
메모를 카드 제목으로 (v2.11.0) — note에 내용이 있으면 썸네일 카드 아래에 프롬프트 대신 메모가 표시됩니다(비어 있으면 기존처럼 프롬프트). 검색 대상에도 메모가 포함됩니다.
정렬 토글 (v2.11.0) — 갤러리 그리드를 오름차순/내림차순으로 전환합니다.
이미지 표시 (v2.11.0) — 상세보기는 원본 비율 그대로 보여줍니다(정사각형 크롭 없음). 그리드 카드 썸네일은 정사각형을 유지하되 상단 기준으로 잘라서, 인물 사진에서 얼굴이 잘리지 않습니다.
라이브러리 관리 — 📚 pill을 누르면 활성화된 라이브러리만 나오는 빠른 전환 메뉴가, ⚙ 버튼을 누르면 가져오기·백업·순서 변경·활성/비활성 토글이 있는 설정 모달이 열립니다. 경로를 직접 입력할 일은 없습니다. 이름과 파일은 모두 중복 등록이 차단됩니다. 등록된 라이브러리 이름 변경(파일명은 그대로)과, 등록 목록 전체를 JSON으로 내보내기/가져오기할 수 있습니다(v2.11.0 — 가져오기는 병합 방식이며 이름이 겹치면 자동으로 접미사를 붙입니다). 워크북 단위 zip 백업과는 별개입니다.
백업 — 라이브러리 행의 ⬇ 버튼은 워크북과 썸네일을 묶은 .zip을 브라우저로 내려받습니다(임의 경로 쓰기가 아니라 다운로드).
저장 위치는 promptDB/ 폴더로 고정 — 이 노드가 읽고 쓰는 모든 xlsx는 커스텀 노드 폴더 아래 promptDB/ 안에만 존재합니다. 하위 폴더는 자유롭게 만들 수 있고, 폴더 밖을 가리키는 경로는 거부됩니다. 예시로 Anime Style.xlsx, Photography.xlsx 두 개가 들어 있습니다.
썸네일은 promptDB/_tj_thumbnails_tmp/<워크북 이름>/ 에 라이브러리별로 분리 보관되고, 사라졌을 경우 엑셀에 임베드된 이미지에서 자동 복구됩니다.
두 노드가 컬럼 순서(HEADERS)를 공유하는 단일 소스 — 엑셀 파일 하나가 곧 카테고리.
CATEGORY: ✨ TJ_Node/Utility, openpyxl 필요(자동 설치됨).

🧪 TQD Score Estimate (TJ) — 실험적, 테스트 중

로컬 Vision-LLM(Qwen3-VL/Qwen2.5-VL GGUF 등)으로 이미지를 채점해서 Krea2 LoRA 학습용 TQD(Timestep-aware Quality Decoupling) 데이터셋을 만드는 노드입니다. structure_score (구도/자세)와 detail_score(얼굴/디테일)를 이미지별로 매겨서, 완벽하지 않은 데이터도 버리지 않고 각 이미지가 강한 축에 맞는 diffusion timestep 구간에 집중적으로 노출시키는 학습 방식(arXiv:2603.25527, "Beyond the Golden Data: Resolving the Motion-Vision Quality Dilemma via Timestep Selective Training")을 이미지 도메인에 맞게 적용한 것입니다.

Multi Image Loader (TJ)에서 배치를 받아 이미지 1장씩 순차 채점(로컬 VRAM 보호 — 절대 배치로 한 번에 넣지 않음), 완료마다 미리보기+점수를 노드에 바로 표시.
output_dir 한 곳에 이미지 원본 + 캡션(.txt) + tqd_scores.jsonl을 함께 저장. image_file/structure_score/detail_score 3개 키만 있는 순수 JSON Lines 형식.
이미 채점된 이미지는 스킵, 이미지 수와 점수 항목 수 불일치를 자동 검증(학습 시작 시 오류로 이어지는 걸 미리 방지).
모든 모델/백엔드 설정은 노드 안의 ⚙ 버튼 팝업에서 관리, "Save as Default"로 다음에 새로 만드는 노드에도 자동 적용.
이 노드가 만든 데이터셋은 designloves2/musubi-tuner-gui (tj-custom 브랜치)에서 실제 Krea2 LoRA 학습에 사용하며 현재 테스트 진행 중입니다.

🔒 Shortcut Launcher (TJ) 보안 수정 (v2.9.2)

/tj/shortcut/open이 원격/CSRF 요청으로 로컬 파일·프로그램을 실행할 수 있던 문제를 수정. 이제 로컬(loopback) + 동일 출처 요청만 허용됩니다. 자세한 내용은 CHANGELOG 참고.

🖼 Multi Image Loader (TJ) 업데이트

파일 피커 정렬(이름/시간/종류 × 오름/내림, 폴더는 항상 최상위) + 폴더 북마크 (input/output/download 한정, 삭제된 폴더는 자동으로 목록에서 제거)
FILENAMES 출력 슬롯 추가 — 로드된 이미지들의 원본 파일명(줄바꿈 구분)
로컬 업로드는 이미지 파일만 허용 (서버측 검증 포함)
원격/고지연 환경에서 파일 피커가 매우 느리던 문제 해결 — 썸네일을 원본 그대로 서빙하던 방식에서, 서버가 실제로 리사이즈한 작은 JPEG 을 디스크에 캐시해 내려주는 전용 엔드포인트로 교체(Cache-Control: immutable 로 브라우저도 재요청 없이 캐시 재사용). 실측 원본 95KB → 썸네일 3KB, 재조회 시 서버 0.003s·브라우저 1ms.

💾 Save With Original Names (TJ)

배치의 각 이미지를 원본 파일명 그대로 저장하는 신규 노드. Multi Image Loader 의 FILENAMES 출력을 그대로 연결해서 씁니다. output 하위 폴더로 저장 위치 격리, 확장자 원본유지/선택, 덮어쓰기/자동번호 선택 가능.

🔢 Index LoRA Loader Counter (TJ)

Index LoRA Loader 의 활성 LoRA 개수([none] 제외)를 그래프 연결 없이 실시간으로 추적하는 신규 노드. Queue Loop 의 queue_count/end_index 에 연결해 로라 개수만큼 자동으로 큐를 돌리고 싶을 때 씁니다 — Index LoRA Loader 를 직접 연결하면 Queue Loop 과 순환 참조가 생겨 ComfyUI 가 실행을 거부하므로, 이 노드는 그래프 링크가 아니라 캔버스에서 대상 로더의 위젯 값을 JS 로 직접 읽는 방식으로 그 문제를 피합니다.

🔧 Queue Loop (TJ) — 연결된 입력 처리 수정

queue_count/start_index/end_index/step 이 다른 노드(Index LoRA Loader Counter 등)에 연결되어 있어도 Reset/Start 가 연결 전 타이핑값을 쓰던 문제를 수정. 이제 연결된 원본 노드의 현재 값을 워크플로우 실행 없이 즉시 반영합니다.

🧩 그 외 안정성 수정

Resolution (TJ) — 새로고침/워크플로우 재로드 시 항상 1:1 로 초기화되던 문제 수정
LoRA Analyzer 4종 — use_original 아래 UI를 아코디언으로 접기/펴기 가능, 상태는 워크플로우에 저장되어 유지
Smart Show (TJ) — 사용자가 조절한 노드 크기가 로드 시 손상되던 문제, Edit 모드 중 새 입력이 편집 내용을 지우던 문제 수정
LLM 노드들의 clip_loader_type 을 ComfyUI 에서 동적으로 조회하도록 변경(오타 수정 + krea2 추가), model_format 목록에 KREA2 (Prompt Enhance) 추가

📮 Send (TJ) / Send Point (TJ) — Send Bridge

한 캔버스 안의 서로 다른 워크플로우 그룹을 큐 실행상 완전히 분리하면서 결과물만 전달하는 노드 쌍. Transfer results between workflow groups on one canvas while keeping their queue execution fully separate.

큐 분리가 핵심 — Send Point 는 실행 시 자기 저장값만 읽고 Send 를 그래프상 참조하지 않습니다. 덕분에 그룹A(생성)를 다시 돌리지 않고 그룹B(업스케일 등)만 단독 실행할 수 있습니다
전달은 큐 실행이 아니라 버튼 클릭 = API 한 번으로 값 복사 (연결이 아님)
point_name (고유 이름)으로 Send 노드에 버튼이 자동 생성 — 이름을 비우면 버튼이 생기지 않습니다
타입별 미리보기: 🖼 IMAGE → 이미지 · 🎬 VIDEO → 플레이어 · 📝 STRING → 텍스트 (수신 타입도 함께 표시: ✅ IMAGE ← Send (TJ))
영구 기억 — 받은 값이 워크플로우에 저장되어 ComfyUI 재시작·재오픈 후에도 유지되고 미리보기까지 복원됩니다 (LATENT 등 직렬화 불가 타입은 세션 한정으로 표시)
부분 실행 — 아직 값이 없을 때 버튼을 누르면 전체 큐가 아니라 그 Send 에 연결된 상위 노드만 실행한 뒤 전달합니다
캐시는 output/tj_send_bridge 에 내용 해시로 중복 없이 저장(자동 정리: 미사용 7일·총 1GB·5000개 상한), 경로는 ComfyUI 허용 폴더 내부로 제한
영상은 원본 경로를 참조만 하고 복사하지 않습니다 (캐시 폴더는 이미지 전용)
Send (TJ) 타이틀의 ? 버튼 → 캐시 현황(파일 수·용량) 확인 및 수동 정리(부분/전체)
Send Point (TJ) 의 출력 On/Off 토글 → OFF 시 이후 그래프 실행을 차단 (값은 유지, 값이 없어도 에러 없음)
기존 Set/Get Node (TJ) 와는 독립적인 별도 시스템 — 서로 간섭하지 않습니다
CATEGORY: ✨ TJ_Node/Wireless

📐 Resolution (TJ)

비율 프리셋 + 실제 생태계 버킷 해상도 + 커스텀 비율/해상도를 하나의 DOM UI로 고르는 노드. Ratio presets, real ecosystem-bucket resolutions, and custom ratio/resolution — all in one DOM UI.

9개 비율 프리셋(1:1, 16:9, 9:16, 2:1, 3:2, 2:3, 4:3, 3:4, 4:5), 클릭 시 그 비율의 대표 해상도 8개 목록 표시
해상도 값은 LTX-2 / Z-Image / Klein / Flux / Krea2 / Qwen-Image / Ideogram 등 실사용 버킷 기준 (예: 1664×928, 1920×1088)
Custom Ratio: RATIO [w] ⇄ [h] + 기준 크기 — 한쪽 값만 입력하면 나머지가 비율에 맞춰 자동 계산
Custom Resolution: 자유 입력 + ⇄ 스왑
스냅 8/16/32/64, 비율대로 그려지는 미리보기 박스, Auto Set 지원 (width ▶, height ▶)
CATEGORY: ✨ TJ_Node/Utility

🎛 Enhanced KSampler (TJ)

표준 KSampler + 아키텍처별 프롬프트 반영 증폭(enhancer)을 하나의 노드에 내장. A standard KSampler with a selectable per-architecture prompt-adherence enhancer built in.

enhance_arch: krea2 / klein / zimage 중 선택 — 로드된 모델에 맞는 것만 고르면 됨
enhance_enabled 마스터 토글 — OFF 시 표준 KSampler와 완전히 동일하게 동작
선택한 아키텍처에 필요한 옵션만 표시(다른 아키텍처 노브는 자동 숨김), 전 옵션에 영문 툴팁
Krea2: txtfusion 텍스트 청크 증폭(+text_scale) / Klein: Qwen3 레이어 슬라이스 스케일 / Z-Image: 중립 conditioning 연산
선택 아키텍처와 실제 모델이 다르면 감지·경고 후 안전하게 표준 동작으로 fallback
노드 높이는 수동 조절 — latent preview 영역을 원하는 만큼 확보 가능
증폭 로직은 capitan01R 의 MIT 프로젝트에서 이식 (THIRD_PARTY_LICENSES.md 참고)
CATEGORY: ✨ TJ_Node/Sampling

v2.11.0 수정 — ComfyUI 코어가 Krea2 모델의 forward()에 ref_latents 인자를 추가하면서 Krea2 enhance 사용 시 TypeError가 발생하던 문제를 고쳤습니다. 래퍼를 *args, **kwargs 방식으로 바꿔서, 앞으로 코어가 인자를 더 추가해도 깨지지 않습니다. ComfyUI 업데이트 후 Krea2 인핸스가 동작하지 않았다면 이 버전으로 올려 주세요.

🧬 LoRA Analyzer 제품군 (Krea2 / Klein 4B·9B / Z-Image)

블록 단위로 LoRA를 분석하고 선택적으로 필터링·저장하는 노드 4종. 하나의 공용 코어로 동작. Four block-level LoRA analyzer nodes sharing one core — one per architecture.

| 노드 | 블록 구조 | |---|---| | Krea2 LoRA Analyzer (TJ) | main 28 + TxtFusion layerwise 2 + refiner 2 = 32 | | Klein 4B LoRA Analyzer (TJ) | double 5 + single 20 = 25 | | Klein 9B LoRA Analyzer (TJ) | double 8 + single 24 = 32 | | Z-Image LoRA Analyzer (TJ) | layers 30 (Turbo/Base 공통) |

실시간 효과 막대 — 강도 조절 시 즉시 반영, 🔍 원본 대비 겹쳐보기
키 형식 무관 분석 — dot / kohya / diffusers / LoKr / 단축형 전부 자동 인식
🎯 핵심만 · ⚖️ 균형 · 🧹 약한블록 정리 원클릭, 프리셋 저장/불러오기
use_original 토글 — 설정 유지한 채 원본으로 A/B 비교
아키텍처 불일치 경고 — 9B LoRA를 4B 노드에 넣는 등 잘못된 조합 자동 감지
저장 경로는 설치 폴더 models/loras 하위로 샌드박스, 한/영 UI 토글 🌐
아이디어 출처: comfyUI-Realtime-Lora (코드 미카피, 자체 구현)
CATEGORY: ✨ TJ_Node/Lora Analyzer

🧠 LLM (GGUF) 노드 GPU 설치

Prompt Studio / Image to Prompt / Prompt Enhancer / Scene Maker 는 llama-cpp-python 을 사용합니다. 기본 pip 설치는 CPU 전용이라 느리고 최신 모델(Gemma4/Qwen3-VL)이 안 될 수 있습니다. GPU 가속 + 최신 모델은 소스 빌드가 필요합니다 → LLAMA_GPU_SETUP.md 참고 (build_llama_gemma4.bat 더블클릭이면 자동 빌드/설치).

v2.7.0: LLM 노드의 VRAM 처리 개선 — vision 재실행 시 GPU 유지(예전엔 CPU fallback 으로 수십 초), 실행 후 VRAM 자동 반납, GGUF 로드 전 ComfyUI 모델 언로드로 충돌 방지.

✨ Overview

TJ_NODE는 복잡한 ComfyUI Workflow를 더 읽기 쉽고, 유지 가능하며, 구조적으로 운영하기 위해 설계되었습니다. TJ_NODE was designed to make complex ComfyUI workflows cleaner, more maintainable, and structurally scalable.

TJ_NODE의 핵심은 단순한 노드 추가가 아닙니다. TJ_NODE is not simply about adding more nodes.

핵심은 Workflow Architecture입니다. The core idea is Workflow Architecture.

기존 ComfyUI Workflow가 커질수록 다음 문제가 발생합니다. As ComfyUI workflows become larger, the following problems quickly appear.

Giant Visible Wires
Routing Chaos
Preview Clutter
Save Structure Collapse
Reload Instability
Workflow Maintenance Difficulty

TJ_NODE는 이를 해결하기 위해 다음 시스템을 제공합니다. TJ_NODE introduces the following systems to solve these problems.

Wireless Fake-Wire Architecture
Embedded Get System
Multi Router Workflow Structure
Batch Workflow System
Preview Lifecycle System
Save Pipeline Architecture
HTML5 Overlay UI System
Reload-Safe Wireless Lifecycle

✨ Why TJ_NODE Exists

TJ_NODE의 목표는 단순히 Workflow를 작동시키는 것이 아닙니다. TJ_NODE is NOT about simply making workflows work.

TJ_NODE의 목표는 대규모 Workflow를 유지 가능한 상태로 만드는 것입니다. TJ_NODE is about making large-scale workflows maintainable.

핵심 철학: Core Philosophy:

Large Scale Workflow Architecture

TJ Workflow의 핵심은 다음 구조입니다. The core of TJ Workflow is section-based architecture.

INPUT
 ↓
GENERATION
 ↓
EDIT
 ↓
UPSCALE
 ↓
PREVIEW
 ↓
SAVE

각 Section 내부는 짧은 Wire를 사용합니다. Short wires are used inside each section.

Section 간 연결은 Wireless Routing을 사용합니다. Wireless routing is used between sections.

🛠 LLM Workflow System

CATEGORY: ✨ TJ_Node/LLM

GGUF/llama.cpp, ComfyUI TextGenerate, Ollama 세 가지 백엔드를 선택적으로 지원합니다. GPU 가속 설치는 아래 🧠 LLM (GGUF) 노드 GPU 설치 섹션, 필요 모델은 하단 📦 Required Models & Setup 섹션을 참고하세요.

✨ Prompt Studio (TJ)

Prompt Enhancer와 Image to Prompt를 하나로 합친 통합 LLM 프롬프트 노드입니다. 이미지가 연결되면 자동으로 Image to Prompt 모드, 아니면 Prompt Enhancer 모드로 동작합니다(Auto). Unified prompt node that auto-switches between Prompt Enhancer and Image to Prompt depending on whether an image is connected.

지원 모드: Auto / Prompt Enhancer / Image to Prompt
GGUF·llama.cpp 백엔드 + ComfyUI TextGenerate 백엔드 둘 다 지원
Embedded Get/Set 내장 — 그래프 연결 없이 Wireless 로 프롬프트 주고받기 가능

✨ Prompt Enhancer (TJ) / Image to Prompt (TJ)

Prompt Studio 안에서도 쓰이는 두 개별 노드로도 직접 사용 가능합니다.

Prompt Enhancer (TJ) — 텍스트 프롬프트를 model_format(자연어/태그/KREA2 Prompt Enhance 등) 규칙에 맞춰 재작성·보정
Image to Prompt (TJ) — 이미지를 Vision-LLM으로 분석해 캡션/태그/구조화된 프롬프트로 변환 (vision_task 로 목적 선택: 캡션, SD/Booru 태그, 포즈 분석, 컨텐츠 품질 체크 등)

✨ Prompt Show & Locker (TJ)

STRING 값을 확인하고 필요시 잠그는(lock) Inspect 노드. 워크플로우가 재실행돼도 잠긴 값은 유지됩니다. Copy 버튼으로 클립보드 복사 가능.

✨ Scene Maker (TJ)

Visual Beat(장면 단위) 기반으로 여러 개의 프롬프트를 구성·관리하는 노드. Embedded Get/Set, Auto Set, 번역(KO/EN/JP/CN) 지원. Scene Maker Result - pipe(TJ) 로 결과를 pipe 형태로 다른 노드에 전달 가능.

✨ Ollama LLM Loader (TJ)

로컬에서 실행 중인 Ollama 서버(127.0.0.1/localhost 한정, 원격 서버는 기본 차단)에 연결해 텍스트/이미지 프롬프트를 생성하는 노드. 모델 목록 자동 조회, 생성 중단(Stop) 버튼, VRAM 정책(ComfyUI 모델과의 우선순위) 설정 지원.

시스템 프롬프트 관리

System Prompt 팝업 — 내장 프리셋과 사용자 프리셋을 고르고, 편집하고, 저장합니다.
프리셋은 서버에 저장됩니다 — ComfyUI의 user 디렉터리 (user/<user>/tj_node/ollama_system_prompts.json)에 저장되므로, 서버 IP로 원격 접속해도 같은 목록이 보입니다. 브라우저 저장소(localStorage)를 쓰던 시절에는 등록한 PC의 브라우저에서만 보였는데, 그 문제를 해결한 것입니다. 기존에 브라우저에 저장해 둔 프리셋은 팝업을 처음 열 때 서버로 자동 이전됩니다. Refresh 버튼은 서버에서 목록을 다시 읽어옵니다(다른 기기에서 추가한 프리셋 가져오기). ⬇ Export / ⬆ Import 는 백업이나 다른 ComfyUI 서버로 옮길 때 사용합니다.
system_prompt_override 입력 — 시스템 프롬프트를 다른 노드에서 받아 덮어씁니다. 연결하지 않으면 노드의 위젯 값을 쓰고, 연결했더라도 내용이 비어 있으면 위젯 값을 유지합니다(빈 문자열이 흘러들어와 시스템 프롬프트가 통째로 사라지는 것을 막습니다).

✨ LLM Content Quality Controller (TJ)

LLM의 리뷰 답변(OK/FAIL 류)을 보고 이후 그래프 실행을 통과/차단하는 게이트 노드. 리뷰가 실패하면 사람이 수동으로 승인(Approve Once)하거나 취소할 때까지 대기.

✨ Z-Image Turbo (TJ)

Z-Image 모델 전용 프롬프트 기반 노드. Embedded Get/Set, Auto Set, Positive/Negative 숨김 UI, 재로드에도 안정적인 프리뷰 유지.

✨ ZIT ControlNet (TJ)

Z-Image Turbo (TJ)에 물리는 ControlNet 번들 노드. Depth / Canny / Pose 세 종류를 한 노드에서 켜고 끄고 강도를 조절해 zit_control 하나로 내보냅니다.

종류별 개별 제어: depth_enable/depth_strength, canny_enable/canny_strength, pose_enable/pose_strength
전처리 내장: depth_preprocess, canny_preprocess, pose_preprocess, preprocessor_resolution, canny_low, canny_high (이미 전처리된 이미지를 넣을 거면 해당 preprocess를 끄면 됩니다)
입력 이미지: depth_image, canny_image, pose_image
출력: zit_control → Z-Image Turbo (TJ)에 연결
CATEGORY: ✨ TJ_Node/Generator

🧪 TQD Score Estimate (TJ) — 실험적, 테스트 중

로컬 Vision-LLM으로 이미지를 채점해 Krea2 LoRA 학습용 TQD(Timestep-aware Quality Decoupling) 데이터셋(이미지+캡션+tqd_scores.jsonl)을 만드는 노드. 자세한 설명은 위 🆕 Latest Additions 섹션과 CHANGELOG.md 참고.

✨ Universal Calculator (TJ)

해상도(비율/메가픽셀)와 시간/프레임을 한 노드에서 양방향 계산하는 유틸리티 노드.

0 = 빈칸(자동) — 원하는 칸만 입력하면 나머지가 자동 계산 (예: W 1080 + 2:3 → H 1620)
비율 정수 표시(GCD 약분), 시간/프레임도 fps 기준 자동 변환
CATEGORY: ✨ TJ_Node/Utility

✨ Wireless Workflow Architecture

TJ_NODE의 핵심은 Wireless Workflow Architecture입니다. The core of TJ_NODE is Wireless Workflow Architecture.

TJ_NODE는 긴 Visible Wire 대신 Fake-Wire 구조를 사용합니다. TJ_NODE replaces massive visible wires using Fake-Wire architecture.

기존 방식: Traditional Workflow:

Load Image
 └────────────────────────────→ KSampler

TJ Workflow 방식: TJ Workflow Style:

Load Image
 → Set Node

KSampler
 ← Get Node

실제 연결은 유지되지만 시각적으로는 숨겨집니다. The logical connection remains intact while being visually hidden.

이를 통해: This allows:

Cleaner Workflow
Better Readability
Easier Maintenance
Section Modularization
Reduced Wire Clutter

✨ Embedded Get System

TJ_NODE의 핵심 기능 중 하나는 Embedded Get System입니다. One of TJ_NODE's core features is the Embedded Get System.

이제 별도의 Get Node를 반복 배치할 필요 없이 일반 노드 내부에서 직접 Wireless Receive 가능합니다. Data can now be received directly inside nodes without placing standalone Get nodes everywhere.

지원 노드: Supported Nodes:

Save & Preview Image (TJ)
Save & Preview Video (TJ)
Smart Show (TJ)
Prompt Text (TJ)
Batch to Multi Image Output (TJ)

장점: Benefits:

Reduced Node Count
Cleaner Workflow
Local Wireless Receive
Better Workflow Readability
Easier Maintenance

✨ Multi Router Architecture

Multi Router는 TJ Workflow Architecture의 핵심 노드입니다. Multi Router is one of the most important nodes in TJ Workflow Architecture.

핵심 역할: Core Roles:

Workflow Branch Separation
Section Modularization
Auto Set Provider Generation
Wireless Branch Routing

🛠 Wireless Routing System

TJ_NODE의 핵심 시스템입니다. This is the core system of TJ_NODE.

TJ Workflow Architecture의 중심 역할을 수행합니다. It acts as the foundation of TJ Workflow Architecture.

✨ Set Node (TJ)

Wireless Provider 생성 노드입니다. Wireless Provider creation node.

Workflow 내부에서 데이터를 무선으로 송신하기 위한 Provider 역할을 수행합니다. Acts as a wireless provider for transmitting workflow data.

핵심 기능: Core Features:

Wireless Provider Registration
Fake-Wire Routing
Reload-safe Provider Restore
Dynamic Provider Lifecycle

추천 사용: Recommended Usage:

IMAGE Routing
Prompt Routing
Model Routing
Section Architecture

✨ Get Node (TJ)

Wireless Receive 노드입니다. Wireless receive node.

Set Node의 Provider를 수신하여 긴 Visible Wire 없이 데이터를 받을 수 있습니다. Receives providers from Set Nodes without long visible wires.

핵심 기능: Core Features:

Wireless Receive
Fake-Wire Connection
Hover Wire Preview
Eclipse Provider Compatibility

✨ Multi Get Node (TJ)

여러 Wireless Provider를 동시에 수신하는 통합 Receive 노드입니다. Integrated receiver node for multiple wireless providers.

대규모 Workflow Module 구성에 매우 중요합니다. Very important for large-scale workflow modularization.

지원 기능: Features:

Multiple Provider Receive
Reorder UI
Compact Slot Structure
Module Architecture

✨ Multi Router (TJ)

TJ Workflow Architecture의 핵심 Branch 시스템입니다. Core branching system of TJ Workflow Architecture.

Workflow를 Section 기반으로 분리하기 위해 사용됩니다. Used to separate workflows into modular sections.

핵심 기능: Core Features:

Workflow Branch Separation
Auto Set Provider Generation
Wireless Branch Routing
Section Modularization

✨ Multi Switch (TJ)

A/B 두 입력 중 하나를 선택하는 스위치. Multi Router가 하나를 여러 곳으로 분배한다면, Multi Switch는 여럿 중 하나를 고르고 나머지 경로를 실행에서 배제합니다.

가장 큰 차이는 "선택되지 않은 쪽"의 처리입니다. 일반적인 스위치 노드는 값만 고를 뿐 양쪽 상위 노드가 모두 실행되지만, 이 노드는 큐 전송 직전 프론트엔드가 prompt JSON에서 미선택 브랜치를 통째로 잘라냅니다. 따라서 선택 안 된 쪽에 물린 체크포인트 로더나 LoRA 체인은 아예 실행되지 않고 VRAM에도 올라가지 않습니다.

| 선택 | 해당 입력 | 결과 | |---|---|---| | A | 연결됨 | A쪽 라인만 실행. B쪽 상위 체인 전체 미실행 | | A | 미연결 | 그 그룹만 통과 처리(연결 안 한 것과 동일), 에러 없음 | | B | 연결됨 | B쪽 라인만 실행. A쪽 상위 체인 전체 미실행 | | B | 미연결 | 통과 처리, 에러 없음 |

그룹 = {A_n, B_n} 입력 2개 + output_n 출력 1개, 최대 12그룹
[+ Group] / [- Group] 버튼, 우클릭 → 🗑 Delete Group... 로 중간 그룹만 삭제 (남은 그룹은 연결을 유지한 채 번호가 당겨집니다)
toggle_mode — Global(모든 그룹이 하나의 스위치 공유) / Per-Group(그룹마다 개별 스위치)
스위치 위젯은 콤보가 아니라 토글입니다 (true = A, false = B)
그룹마다 타입이 독립적이며, 연결하는 순간 해당 그룹의 타입이 확정됩니다
세로 크기는 내용에 맞춰 자동, 가로 폭만 사용자가 조절하며 그 값이 저장됩니다
서브그래프 안에서도 정상 동작합니다(중첩된 노드의 합성 ID를 인식)

ℹ️ 프루닝은 프론트엔드 큐 경로에서 이루어집니다. /prompt API를 직접 호출하는 경우에는 개입할 수 없으며, 이때는 백엔드 폴백(단순 패스스루)으로 동작합니다.

핵심 활용:

A/B 모델 비교 시 선택 안 한 모델을 아예 로드하지 않기
무거운 전처리 브랜치(업스케일·ControlNet 등)를 통째로 끄기
하나의 워크플로우에서 여러 파이프라인을 전환하며 사용

CATEGORY: ✨ TJ_Node/Wireless

🛠 Batch Workflow System

TJ_NODE의 Batch Workflow System은 단순 Batch 처리 노드 모음이 아닙니다. TJ_NODE's Batch Workflow System is not just a collection of batch utility nodes.

대규모 Workflow를 구조적으로 운영하기 위한 Architecture Layer입니다. It is an architecture layer designed for structurally managing large-scale workflows.

지원 기능: Core Features:

Dynamic Batch Processing
Resolution Normalize
Metadata Preservation
Drag Reorder
Thumbnail Grid
Auto Set Routing
Eclipse Metadata Sync

✨ Multi Image Loader (TJ)

TJ Workflow의 핵심 입력 허브입니다. Core input hub of TJ Workflow.

단순 이미지 로더가 아니라: It is not just an image loader.

Image Stack Manager
Batch Generator
Resolution Manager
Metadata Sync System
Wireless Provider Source

역할을 동시에 수행합니다. It simultaneously acts as all of the above systems.

핵심 기능: Core Features:

Drag & Drop Image Load
Thumbnail Grid
URL Download
Drag Reorder
Resolution Normalize
Batch Tensor Generation
Auto Set Provider

지원 Resize 모드: Supported Resize Modes:

None
Long Edge
Short Edge
Custom
Megapixel

Auto Set 활성화 시 다음 Provider를 자동 생성합니다. When Auto Set is enabled, the following providers are automatically generated.

TJ / BATCH
TJ / WIDTH
TJ / HEIGHT

추천 사용: Recommended Usage:

Dataset Workflow
Image Generation Pipeline
ControlNet Batch
Style Transfer Workflow
Multi Image Compare
Large Batch Processing

✨ Dynamic Image Batch (TJ)

동적 IMAGE Batch 생성 노드입니다. Dynamic IMAGE batch generation node.

Workflow 상태에 따라 유동적으로 Batch를 구성할 수 있습니다. Allows workflows to dynamically construct image batches.

핵심 기능: Core Features:

Dynamic Batch Generation
Image Grouping
Workflow Distribution
Batch Scaling

추천 사용: Recommended Usage:

Image Variation Workflow
Multi Prompt Generation
Iterative Processing
Grouped Upscale Pipeline

✨ Dynamic Image Batch (Eclipse-TJ)

Eclipse Workflow와 호환되는 Metadata 기반 Batch 시스템입니다. Metadata-aware batch system compatible with Eclipse workflows.

핵심 기능: Core Features:

IMAGE + FILES Pair Sync
Original File Metadata
Original Path Tracking
Eclipse Save Sync
Metadata Preservation

일반 Batch 시스템과 달리 원본 파일 구조를 유지합니다. Unlike normal batch systems, original file structures are preserved.

추천 사용: Recommended Usage:

Large Dataset Workflow
Eclipse Workflow
Metadata-based Pipeline
Original Path Tracking

✨ Batch to Multi Image Output (TJ)

IMAGE Batch를 최대 64개의 IMAGE Output으로 분리합니다. Splits IMAGE batches into up to 64 IMAGE outputs.

핵심 기능: Core Features:

Batch Split
Multi Branch Workflow
Individual Image Routing
Embedded Get Support

추천 사용: Recommended Usage:

Selective Upscale
Compare Workflow
Multi Save Pipeline
Branch Processing
Image Ranking

✨ Batch to MinimaxH3 (TJ)

위 노드의 파생 버전. 출력 상한이 12개이고, 배치 수량을 넘어서는 출력은 검정 이미지 대신 None 을 반환합니다.

| 조건 | 반환 | |---|---| | i < 배치 수량 | 실제 이미지 | | i >= 배치 수량 | None (그 슬롯을 연결하지 않은 것과 동일) |

MiniMax H3 Reference to Video 처럼 여러 optional 슬롯을 하나의 그룹으로 받는 (Autogrow 계열) 노드는 None 을 "미연결"로 처리하므로, 배치 3장으로 출력 9개를 연결해도 앞의 3개만 실제 레퍼런스로 쓰이고 나머지는 무시됩니다.

⚠️ PreviewImage 처럼 None 을 받지 못하는 노드에 직접 연결하면 그쪽에서 에러가 납니다.

입력: images, get_name, out_count(1~12), auto_set
출력: IMAGE_1 ~ IMAGE_12
CATEGORY: ✨ TJ_Node/Image

✨ Images Compare Sheet - Queue Loop (TJ)

Queue Loop로 여러 번 돌린 결과 이미지를 한 장의 비교 시트로 누적하는 노드. 실행할 때마다 이미지를 모아 두었다가 격자로 합성하므로, 시드/LoRA/스텝을 바꿔 가며 돌린 결과를 한눈에 비교할 수 있습니다.

레이아웃: auto_layout 또는 rows/columns 수동 지정, fill_direction, padding
라벨: show_label, name_source(이름 출처), auto_name_prefix, index_digits, remove_extension
출력: sheet, current_image, output_name, is_complete, collected_count
CATEGORY: ✨ TJ_Node/Image

🛠 Preview / Utility System

TJ Preview System은 단순 Preview Node가 아닙니다. TJ Preview System is not just another preview node system.

TJ Workflow의 Visualization & Inspection Layer 역할을 수행합니다. It acts as the visualization and inspection layer of TJ Workflow.

지원 기능: Core Features:

Fullscreen Preview
Snapshot System
Batch Viewer
Reload Restore
HTML5 Video Playback
Audio Controller
Interactive Overlay UI

✨ Save & Preview Image (TJ)

이미지 저장과 Preview를 통합한 Unified Preview Node입니다. Unified preview node combining image saving and preview systems.

핵심 기능: Core Features:

In-node Preview
Fullscreen Viewer
Smart Grid
Snapshot Preview
Keyboard Navigation
Embedded Get
Save Pipeline Support

지원 기능: Supported Features:

| Feature | Description | | ----------------- | ------------------------- | | Fullscreen Viewer | 확대 이미지 검사 | | Smart Grid | Batch Grid Preview | | Snapshot System | Preview Checkpoint | | Keyboard Control | ← → ESC Navigation | | Embedded Get | Wireless Receive | | Reload Restore | Preview Lifecycle Restore |

추천 사용: Recommended Usage:

Generation Preview
Upscale Compare
Final Output Inspection
Workflow Checkpoint

✨ Save & Preview Video (TJ)

Video Workflow용 통합 Preview 시스템입니다. Integrated preview system for video workflows.

핵심 기능: Core Features:

IMAGE Batch Playback
Video Decode
Audio Mux
HTML5 Video Player
Audio Controller
Reload-safe Preview Restore

지원 기능: Supported Features:

MP4 Decode
Frame Preview
Audio Only Mode
Dual Audio Controller
Playback Restore
Video Snapshot

추천 사용: Recommended Usage:

Animation Workflow
VFI Pipeline
Frame Inspection
Video Preview
Audio Sync Workflow

✨ LTX2. TJ Sampler

LTX-2 영상 생성 그래프에서 8개 노드를 1개로 압축한 샘플러. 노이즈·가이더·시그마·샘플러 선택을 매번 배선하지 않고 한 노드에서 처리합니다.

입력: model, positive, negative, video_latent, audio_latent, seed, cfg, sampler_name, manual_sigmas, sigmas
출력: positive, negative, video_latent, audio_latent (컨디셔닝을 그대로 다시 내보내므로 뒤에 이어 붙이기 쉽습니다)
CATEGORY: ✨ TJ_Node/Video

✨ Wan SCAIL Extend Sampler (TJ)

Wan 2.1 SCAIL-2의 generate + extend 그래프를 한 노드로 접은 샘플러. 기본 구간을 만들고 이어서 확장 구간을 반복 생성해 긴 영상을 만듭니다.

입력: model, clip, vae, reference_image, pose_video, positive, negative, width, height, base_frames, extend_segments, seed, steps, cfg, sampler_name, scheduler, shift, previous_frame_count
color_match / color_anchor — 확장 구간에서 색이 밀리는 것을 보정
출력: images, frame_count
CATEGORY: ✨ TJ_Node/Video

✨ Smart Show (TJ)

TJ_NODE의 Universal Debug Viewer입니다. Universal debug viewer of TJ_NODE.

자동으로 데이터 타입을 분석하고 표시합니다. Automatically detects and visualizes workflow data types.

지원 타입: Supported Types:

IMAGE
STRING
FLOAT
INT
JSON
LIST
VIDEO
AUDIO

핵심 기능: Core Features:

Automatic Type Detection
Text Viewer
Media Viewer
JSON Inspector
Wireless Receive
Embedded Get

추천 사용: Recommended Usage:

Workflow Debug
Metadata Inspect
Prompt Inspect
JSON Visualization
Audio/Video Check

✨ Prompt Text (TJ)

Workflow용 Modular Prompt Architecture Node입니다. Modular prompt architecture node for workflows.

긴 Text Wire 없이 Prompt를 구조적으로 관리할 수 있습니다. Allows structured prompt management without giant text wires.

핵심 기능: Core Features:

Embedded Get
Prompt Reuse
Wireless Prompt Routing
Prompt Block Architecture

추천 사용: Recommended Usage:

Character Prompt
Style Prompt
Camera Prompt
Lighting Prompt
Reusable Prompt Blocks

✨ Text Concatenate (TJ)

Dynamic Text Combine Node입니다. Dynamic text combination node.

여러 Prompt Block을 결합하여 최종 Prompt를 생성합니다. Combines multiple prompt blocks into final prompts.

핵심 기능: Core Features:

Dynamic Inputs
Custom Delimiter
Multi Prompt Merge
Scalable Text Combine

추천 사용: Recommended Usage:

Character + Style Prompt
Camera + Lighting Prompt
Modular Prompt Pipeline
Prompt Layer Architecture

✨ Go & Stop (TJ)

Workflow 실행 중 사용자가 직접 계속(Go) 또는 중단(Stop)을 선택할 수 있는 수동 게이트 노드입니다. Manual gate node allowing users to continue (Go) or abort (Stop) mid-workflow.

핵심 기능: Core Features:

ANY 타입 Pass-through
Go / Stop 버튼 (UI 오버레이)
Sound Notice (알림음 지원)
timeout_sec 위젯 — 사용자 설정 가능한 최대 대기 시간 (0=무제한)
타임아웃 초과 시 자동 Stop 처리

주의: Note:

ComfyUI 실행 스레드를 점유하는 구조이므로 타임아웃 설정을 권장합니다. Since this occupies the ComfyUI execution thread, setting a timeout is strongly recommended.

추천 사용: Recommended Usage:

Intermediate Result Inspection
Human-in-the-loop Workflow
Conditional Generation Gate
Manual Quality Control Checkpoint

✨ Save Text File (TJ)

문자열을 파일로 저장하고, 저장한 텍스트를 그대로 다시 출력합니다(체인 중간에 끼워 넣어도 흐름이 끊기지 않습니다).

path, filename_prefix, filename_suffix, filename_delimiter
filename_number_padding — 연번 자릿수
file_extension(예: txt), encoding
무선 Set/Get: get_name(수신) / setnode_name(송신)
출력: text
CATEGORY: ✨ TJ_Node/Utility

✨ LED Display (TJ)

전광판 스타일로 값을 크게 표시하는 노드. 긴 워크플로우에서 시드·인덱스·카운트처럼 멀리서도 확인해야 하는 값을 눈에 띄게 띄워 두는 용도입니다.

text, label, value, font_size, text_color, bg_color
value 는 와일드카드 타입이라 어떤 값이든 받아서 표시하고, 그대로 통과시킵니다.
출력: value (입력을 그대로 패스스루)
CATEGORY: ✨ TJ_Node/Utility

✨ Video Grid Comparer (TJ)

폴더 안의 영상들을 격자로 배치해 한 화면에서 비교하는 노드. 같은 프롬프트를 설정만 바꿔 여러 번 뽑았을 때 결과를 나란히 놓고 고르는 용도입니다.

folder_path — 비교할 영상들이 있는 폴더
grid_layout — 격자 배치 방식
CATEGORY: ✨ TJ_Node/Utility

✨ Time Segment List (TJ)

전체 길이를 겹침(overlap)을 둔 시간 구간 목록으로 잘라 주는 노드. 긴 영상을 구간별로 나눠 처리하거나, 구간마다 다른 프롬프트를 적용할 때 씁니다.

start_sec, duration_sec, total_sec, overlap_sec
include_over_total — 마지막 구간이 전체 길이를 넘어갈 때 포함할지 여부
format_mode — 출력 문자열 형식
출력: segment_list, segment_count
CATEGORY: ✨ TJ_Node/Etc

🛠 Loaders System

TJ_NODE Loaders는 Model / Clip / VAE 로딩을 더 유연하고 구조적으로 운영하기 위한 노드 그룹입니다. TJ_NODE Loaders is a node group for flexible and structured loading of Model, Clip, and VAE assets.

카테고리: ✨ TJ_Node/Loaders

✨ Model Set Loader (TJ)

Model / Clip / VAE를 각각 개별 드롭다운으로 선택하여 CheckpointLoaderSimple처럼 한 노드에서 MODEL + CLIP + VAE를 한 번에 출력합니다.

Select Model, Clip, and VAE independently but output all three together — just like CheckpointLoaderSimple.

입력 위젯: Input Widgets:

| 위젯 | 설명 | | --- | --- | | auto_set | Auto Set ON/OFF — 출력 슬롯을 Wireless Provider로 자동 등록 | | model_name | diffusion_models / unet / GGUF 모델 선택 | | model_dtype | UNETLoader weight_dtype (default / fp8_e4m3fn / fp8_e5m2 / fp16 / bf16) | | clip_name | text_encoders / clip 파일 선택 | | clip_type | CLIPLoader type (아키텍처 타입 — ComfyUI에서 동적으로 탐색) | | clip_dtype | CLIPLoader weight_dtype | | vae_name | vae 폴더 파일 선택 |

출력: Outputs:

MODEL
CLIP
VAE

핵심 특징: Key Features:

GGUF 파일 자동 감지 → UnetLoaderGGUF / CLIPLoaderGGUF 자동 전환
각 슬롯 [none] 선택 시 해당 출력만 None 반환 (부분 연결 가능)
CLIPLoader type 동적 탐색 — 하드코딩 없음
Auto Set ON 시: {이름}/MODEL ▶, {이름}/CLIP ▶, {이름}/VAE ▶ Wireless Provider 자동 생성

추천 사용: Recommended Usage:

Flux / SDXL / SD3 분리 모델 로딩
GGUF 모델 + text encoder 조합
공통 VAE 공유 Workflow
Wireless Model Routing

✨ Multi Model Selecter (TJ)

최대 64개 슬롯의 동적 모델 선택기입니다. Model / Checkpoint / Clip / VAE를 동적 슬롯 구조로 선택하고 출력합니다. Dynamic model selector with up to 64 slots. Supports Model, Checkpoint, Clip, and VAE selection with dynamic slot management.

지원 Select Type: Supported Select Types:

Model (diffusion_models / unet / GGUF)
Checkpoints (MODEL + CLIP + VAE 3출력)
Clip (text_encoders / clip)
VAE

출력 모드: Output Modes:

| 모드 | 설명 | | --- | --- | | Model Direct out | 모델 객체를 직접 출력 (각 슬롯 = 1 출력) | | Model Path out | 모델 파일 경로를 STRING으로 출력 |

핵심 기능: Core Features:

Dynamic Slot Management (JS 기반 동적 슬롯 추가/제거)
연결된 출력 슬롯만 선택적 로드 (PROMPT 기반 최적화)
PROMPT 감지 실패 시 전체 로드 fallback
Auto Set 내장 — 각 출력 슬롯 Wireless Provider 자동 등록
Clip type 슬롯별 개별 지정 지원

추천 사용: Recommended Usage:

Multi Model A/B Compare Workflow
Dynamic Model Switch
Batch Model Test
Model Path Routing

✨ Index LoRA Loader (TJ)

폴더 안의 LoRA를 인덱스 번호로 골라 적용하는 로더. Queue Loop과 함께 쓰면 LoRA를 하나씩 바꿔 가며 자동으로 순회 테스트할 수 있습니다.

index — 몇 번째 LoRA를 쓸지. Queue Loop의 index 출력을 연결하면 실행마다 자동으로 넘어갑니다.
folder_filter — 특정 하위 폴더로 대상 한정
overflow_mode — 인덱스가 목록 범위를 넘어갔을 때의 처리
무선 Set/Get: get_name_model, get_name_clip, get_name_index, auto_set
출력: MODEL, CLIP, lora_name, current_index, total_count
짝 노드로 Index LoRA Loader Counter (TJ) 가 있으며, 대상 LoRA 총 개수를 세어 Queue Loop의 queue_count에 그대로 연결할 수 있습니다.
CATEGORY: ✨ TJ_Node/Loaders

✨ Show Any (TJ)

Lightweight universal workflow inspection node. 경량 Universal Workflow Inspect Node입니다.

Show Any는 다양한 타입의 데이터를 안전하게 펼쳐서 표시하면서 원본 값을 그대로 통과시키는 Debug / Monitor Node입니다. Show Any safely visualizes workflow data while preserving the original passthrough output.

지원 타입: Supported Types:

STRING
INT / FLOAT
LIST
JSON / DICT
TENSOR
PYTHON OBJECT

핵심 기능: Core Features:

Universal ANY Input
Original Passthrough Output
Tensor Summary
JSON-safe Display
Copy Button
Embedded Get
Wireless Provider Support

추천 사용: Recommended Usage:

Workflow Debug
Tensor Inspection
Metadata Visualization
Wireless Provider Inspect
Smart Converter Status Check

✨ Smart Converter (TJ)

Universal Type Conversion Node입니다. Universal type conversion utility node.

ANY 입력을 다양한 타입으로 안전하게 변환합니다. Safely converts ANY input into multiple workflow data types.

지원 타입: Supported Types:

AUTO
INT
FLOAT
STRING
BOOLEAN
TENSOR
LIST
DICT
JSON

핵심 기능: Core Features:

Dynamic Output Type
Status Output
Strict Mode
Embedded Get
Wireless Conversion Workflow

strict_mode OFF 상태에서는 변환 실패 시 기본값과 WARN status를 반환합니다. When strict_mode is OFF, conversion failures return fallback values with WARN status output.

추천 사용: Recommended Usage:

String → Number Conversion
Tensor Scalar Conversion
Metadata → JSON
Wireless Type Correction
Boolean Workflow Control

✨ Shortcut Launcher (TJ)

Workflow 내부에서 폴더, 파일, URL을 즉시 실행하는 Utility Launcher Node입니다. Utility launcher node for opening folders, files, and URLs directly inside workflows.

핵심 기능: Core Features:

Multi Shortcut Buttons
Folder / File Launch
URL Launch
JSON Export / Import
Color Preset
Tooltip Support
Settings Modal

추천 사용: Recommended Usage:

Output Folder Launch
Custom Node Folder
GitHub Repository
Civitai Upload Page
Workflow Asset Folder
Documentation Shortcut

✨ VHS Hotkey Remote (Utility Extension)

TJ VHS Hotkey Remote는 일반 노드가 아닙니다. TJ VHS Hotkey Remote is NOT a standard node.

VideoHelperSuite(VHS) preview를 키보드 단축키로 직접 제어하는 Global Utility Extension입니다. A global utility extension for controlling VideoHelperSuite previews using keyboard shortcuts.

설치 위치: Installation Path:

ComfyUI/custom_nodes/ComfyUI-TJ_NODE/web/js/

파일명: Filename:

tj_vhs_hotkey_remote.js

지원 단축키: Supported Shortcuts:

| Shortcut | Function | | -------- | ------------------ | | Space | Pause / Play | | Alt + H | Preview Hide | | Alt + M | Mute | | Alt + O | Open in Browser | | Alt + S | Save Preview | | Alt + C | Copy Original Path | | Alt + Y | Sync Preview |

동작 방식: Behavior:

Select VHS Preview Node
 ↓
Press Shortcut
 ↓
Instant Preview Control

추천 사용: Recommended Usage:

Animation Inspection
Frame Compare
VFI Workflow
Interpolation Workflow
Rapid Preview Control

필요 없으면 단순히 JS 파일만 삭제하면 됩니다. Can be removed simply by deleting the JS file.

🛠 Save Pipeline System

TJ Save Pipeline은 단순 Save Node 구조가 아닙니다. TJ Save Pipeline is not just another save node structure.

Workflow 결과를 구조적으로 유지하기 위한 Result Management Architecture입니다. It is a result management architecture for structurally organizing workflow outputs.

✨ Save Image (Primary-TJ)

TJ Save Pipeline의 기준 Save Node입니다. Primary save node of TJ Save Pipeline.

핵심 역할: Core Roles:

Base Save Path Creation
Save Context Generation
Filename Structure Management
Downstream Save Sync

지원 기능: Core Features:

Save Context Lifecycle
Filename Prefix
Collision Handling
Metadata Save Structure

추천 사용: Recommended Usage:

Main Result Save
Generation Base Save
Workflow Save Start Point

✨ Save Image (Suffix-TJ)

Primary Save Context를 이어받아 후속 결과를 저장합니다. Stores downstream results using inherited Primary Save Context.

핵심 기능: Core Features:

Suffix Save Chain
Result Grouping
Save Context Sync
Filename Consistency

추천 사용: Recommended Usage:

Upscale Result
Detail Pass
Compare Output
Mask Save
Workflow Variations

예시 구조: Example Structure:

main.png
main_upscale.png
main_detail.png
main_compare.png

✨ Save Image (Eclipse Suffix-TJ)

Eclipse Metadata 기반 Save Pipeline입니다. Eclipse metadata-based save pipeline.

원본 파일 구조를 유지하면서 후속 결과를 저장합니다. Preserves original file structures while saving downstream results.

핵심 기능: Core Features:

Original Path Tracking
Eclipse Metadata Sync
Relative Path Restore
Metadata Save Chain

추천 사용: Recommended Usage:

Eclipse Workflow
Dataset Pipeline
Metadata Tracking Workflow
Original Structure Preservation

✨ Workflow Architecture Strategy

TJ_NODE의 핵심은 단순 Node 기능이 아닙니다. The core of TJ_NODE is not individual node functionality.

핵심은 Workflow Architecture입니다. The real core is Workflow Architecture.

TJ Workflow의 핵심 철학은 다음과 같습니다. The core philosophy of TJ Workflow is:

Maintainable Workflow Architecture

TJ Workflow에서는 다음 구조를 권장합니다. TJ Workflow recommends the following structure.

INPUT
 ↓
GENERATION
 ↓
EDIT
 ↓
UPSCALE
 ↓
PREVIEW
 ↓
SAVE

각 Section 내부는 짧은 Wire를 사용합니다. Short wires are used inside each section.

Section 간 연결은 Wireless Routing을 사용합니다. Wireless routing is used between sections.

핵심 구조: Core Strategy:

Short Wires Inside Sections
Wireless Routing Between Sections

✨ Recommended Workflow Design

TJ Workflow에서는 다음 전략을 추천합니다. TJ Workflow recommends the following workflow strategies.

✅ Recommended

Embedded Get 적극 사용

Heavy usage of Embedded Get

긴 Visible Wire 대신 Local Wireless Receive를 권장합니다. Use local wireless receive instead of giant visible wires.

Section Architecture 사용

Use Section Architecture

Workflow를 기능 단위로 분리하는 것을 권장합니다. Split workflows into functional sections.

Multi Router 중심 구조

Multi Router-centered Structure

Workflow Branch를 구조적으로 분리합니다. Structurally separate workflow branches.

Save Chain 유지

Maintain Save Chain

Workflow 결과를 그룹 단위로 유지합니다. Keep workflow outputs grouped structurally.

Stable Provider Naming 사용

Use Stable Provider Naming

Provider 이름은 Routing Map 역할을 수행합니다. Provider names act as routing maps.

❌ Anti-Patterns

TJ Workflow에서는 다음 구조를 비추천합니다. TJ Workflow strongly discourages the following structures.

Giant Visible Wire

Workflow 전체를 가로지르는 긴 Wire 구조. Massive visible wires crossing the entire workflow.

Duplicate Provider Names

MAIN_IMAGE
MAIN_IMAGE
MAIN_IMAGE

중복 Provider는 Reconnect 문제를 발생시킵니다. Duplicate providers can cause reconnect instability.

Random Naming

test
aaa
temp
123

의미 없는 이름은 Workflow 유지보수를 어렵게 만듭니다. Meaningless naming makes workflow maintenance difficult.

Random Save Structure

무작위 Save Node 사용 구조. Chaotic save node usage.

결과 추적이 거의 불가능해집니다. Makes result tracking extremely difficult.

Giant Chaos Workflow

Section 구조 없이 모든 노드를 하나의 영역에 배치하는 방식. Placing all nodes in one giant unstructured workflow.

✨ Reload-Safe Workflow Architecture

TJ_NODE는 Reload-safe Workflow를 매우 중요하게 설계합니다. TJ_NODE is heavily designed around reload-safe workflow architecture.

지원 기능: Core Features:

Wireless Reconnect
Provider Restore
Fake-Wire Rebuild
Preview Restore
Save Context Restore
Embedded Get Reconnect

✨ Preview Lifecycle Architecture

TJ Preview는 단순 Preview Node가 아닙니다. TJ Preview is not just a preview node system.

TJ Preview는 Workflow Inspection Architecture입니다. TJ Preview behaves as workflow inspection architecture.

관리되는 상태: Managed States:

Preview Image
Snapshot State
Fullscreen State
Grid Layout
Reload Metadata

핵심 기능: Core Features:

Snapshot Preview
Reload-safe Restore
Batch Grid
Fullscreen Viewer
Video Playback
Audio Controller

TJ Preview Copy는 Live Mirror가 아닙니다. TJ Preview Copy is NOT a live mirror.

현재 상태를 Snapshot 형태로 보존합니다. It preserves workflow states as snapshots.

추천 사용: Recommended Usage:

Compare Workflow
Workflow Checkpoints
Result Tracking
Debug Snapshot
Before/After Comparison

✨ Wireless Lifecycle System

TJ Wireless System은 단순 연결 시스템이 아닙니다. TJ Wireless System is not a simple connection system.

내부적으로 Wireless Lifecycle Architecture를 사용합니다. Internally, it uses a Wireless Lifecycle Architecture.

관리 기능: Managed Systems:

Provider Registry
Wireless Reconnect
Fake-Wire Sync
Cleanup
Reload Restore
Dynamic Provider Refresh

Get Node와 Embedded Get는 동일한 Lifecycle 위에서 동작합니다. Get Nodes and Embedded Get run on the same wireless lifecycle system.

핵심 기능: Core Features:

Dynamic Provider Detection
Invalid Provider Cleanup
Ghost Wire Cleanup
Hover Wire Sync
Realtime Registry Refresh

✨ Context Menu Features

TJ_NODE는 다양한 Workflow Utility Menu를 제공합니다. TJ_NODE provides various workflow utility menus.

지원 메뉴: Supported Menus:

TJ Node
 ├─ Refresh ALL Get Nodes
 ├─ Realtime Wires View Mode
 ├─ Show ALL Wires
 ├─ Properties
 └─ Properties Panel

Refresh ALL Get Nodes

Provider 리스트를 재구성합니다. Rebuilds provider lists.

추천 사용: Recommended Usage:

Provider Rename
Reload Issues
Eclipse Sync Problems
Invalid Get List

Realtime Wires View Mode

Hover 시에만 Hidden Wire를 표시합니다. Displays hidden wires only during hover.

Show ALL Wires

모든 Fake-Wire를 강제로 표시합니다. Forces all fake wires to become visible.

추천 사용: Recommended Usage:

Wireless Debug
Provider Trace
Routing Inspection
Workflow Repair

✨ TJ_NODE Identity

TJ_NODE의 모든 노드는 통합된 Visual Identity를 공유합니다. All TJ_NODE nodes share a unified visual identity.

기본 테마: Default Theme:

node.bgcolor = "#000000";
node.color = "#7612DA";
node.title_text_color = "#FFFFFF";

Category 구조: Category Structure:

CATEGORY = " ✨ TJ_Node/Wireless"
CATEGORY = " ✨ TJ_Node/Loaders"   # NEW: Model Set Loader, Multi Model Selecter
CATEGORY = " ✨ TJ_Node/Batch"
CATEGORY = " ✨ TJ_Node/Preview"
CATEGORY = " ✨ TJ_Node/Utility"
CATEGORY = " ✨ TJ_Node/Save"
CATEGORY = " ✨ TJ_Node/Eclipse"
CATEGORY = " ✨ TJ_Node/LLM"
CATEGORY = " ✨ TJ_Node/Generator"
CATEGORY = " ✨ TJ_Node/Video"
CATEGORY = " ✨ TJ_Node/Lora Analyzer"   # NEW: Krea2 LoRA Analyzer

이 구조는 Workflow 안에서 TJ_NODE 영역을 즉시 식별할 수 있게 합니다. This structure allows TJ_NODE workflows to be instantly recognizable.

📦 Required Models & Setup

각 노드 그룹별로 필요한 모델과 설치 방법을 안내합니다. Required models and setup instructions for each node group.

🤖 LLM 노드 — 백엔드별 필요 사항

TJ_NODE LLM 노드는 3가지 백엔드를 지원합니다.

백엔드 1: GGUF / llama.cpp (Prompt Enhancer, Image to Prompt, Prompt Studio)

필수 설치:

pip install llama-cpp-python

GPU 가속 (권장):

CMAKE_ARGS="-DGGML_CUDA=on" pip install llama-cpp-python --force-reinstall --no-cache-dir

필요 모델 파일 → ComfyUI/models/text_encoders/ 폴더에 배치:

| 용도 | 기본 파일명 | 설명 | |---|---|---| | LLM 본체 (텍스트) | qwen3.5-4B-Uncensored-HauhauCS-Aggressive-Q8_0.gguf | Prompt Enhancer / Prompt Studio | | Vision 프로젝터 | mmproj-qwen3.5-4B-Uncensored-HauhauCS-Aggressive-BF16.gguf | Image to Prompt (이미지 입력 시 필요) |

다른 GGUF 모델도 사용 가능합니다. models/text_encoders/ 에 .gguf 파일을 넣으면 드롭다운에 자동으로 표시됩니다.

📋 추천 GGUF 모델 목록 (HuggingFace)

⭐ Vision 지원 모델 (Image to Prompt 용)

Vision 모델은 본체 GGUF + mmproj GGUF 두 파일 모두 필요합니다. 같은 레포에 함께 있습니다.

| 모델 | VRAM | 품질 | HuggingFace | |---|---|---|---| | Qwen2.5-VL 7B (권장) | 8GB+ | ★★★★★ | bartowski/Qwen2.5-VL-7B-Instruct-GGUF | | Qwen2.5-VL 3B (경량) | 4GB+ | ★★★★☆ | bartowski/Qwen2.5-VL-3B-Instruct-GGUF | | MiniCPM-V 2.6 | 6GB+ | ★★★★☆ | openbmb/MiniCPM-V-2_6-gguf | | LLaVA 1.6 Mistral 7B | 8GB+ | ★★★☆☆ | cjpais/llava-1.6-mistral-7b-gguf | | LLaVA 1.5 7B | 6GB+ | ★★★☆☆ | mys/ggml_llava-v1.5-7b |

Qwen2.5-VL 7B Q4_K_M 기준: 본체 ~5GB + mmproj ~1GB. 총 약 6GB VRAM. bartowski의 양자화 버전이 속도와 품질 균형이 가장 좋습니다.

다운로드 및 배치 예시 (Qwen2.5-VL 7B Q4_K_M):

models/text_encoders/
├── qwen2_5_vl_7b_instruct_q4_k_m.gguf        ← 본체 (gguf_model 선택)
└── mmproj-qwen2_5_vl_7b_instruct-f16.gguf    ← Vision 프로젝터 (mmproj_file 선택)

✏️ 텍스트 전용 모델 (Prompt Enhancer / Prompt Studio 용, Vision 불필요)

| 모델 | VRAM | 특징 | HuggingFace | |---|---|---|---| | Qwen3 8B (권장) | 6GB+ | Thinking 모드 지원, 한국어 강력 | Qwen/Qwen3-8B-GGUF | | Qwen3 4B (경량) | 4GB+ | 빠름, 가성비 최상 | Qwen/Qwen3-4B-GGUF | | Qwen3 8B (bartowski) | 6GB+ | 다양한 양자화 선택 가능 | bartowski/Qwen3-8B-GGUF | | Llama 3.2 3B | 3GB+ | 영어 특화, 초경량 | bartowski/Llama-3.2-3B-Instruct-GGUF |

권장 양자화 등급: VRAM 여유가 있으면 Q6_K 또는 Q8_0, 부족하면 Q4_K_M

양자화 등급 가이드:

| 등급 | 파일 크기 | 품질 | 권장 상황 | |---|---|---|---| | Q8_0 | 가장 큼 | 원본에 근접 | VRAM 충분 | | Q6_K | 크다 | 매우 좋음 | 균형 권장 | | Q4_K_M | 중간 | 좋음 | VRAM 8GB 이하 | | Q3_K_M | 작음 | 보통 | VRAM 6GB 이하 |

백엔드 2: ComfyUI TextGenerate (Prompt Enhancer, Image to Prompt, Prompt Studio)

필수 설치: ComfyUI Manager에서 ComfyUI-TextGen 또는 TextGenerate 노드 설치

필요 모델 파일 → ComfyUI/models/text_encoders/ 폴더에 배치:

| 용도 | 기본 파일명 | 설명 | |---|---|---| | Text Encoder (LLM) | gemma4_e4b_it_fp8_scaled.safetensors | TextGenerate 백엔드용 |

clip_loader_type 위젯에서 모델 아키텍처에 맞는 type을 선택하세요. Auto 선택 시 파일명 기반으로 자동 탐색합니다.

백엔드 3: Ollama (TJ Ollama LLM Loader)

필수 설치: Ollama 별도 설치 필요

https://ollama.com 에서 설치

서버 실행:

ollama serve

모델 다운로드 예시:

ollama pull qwen3:8b
ollama pull llama3.2:3b
ollama pull gemma3:4b

기본 서버 주소: http://127.0.0.1:11434 로컬 서버만 허용됩니다. 외부 서버 URL은 보안상 차단됩니다.

🖼 Scene Maker (TJ)

필요 모델 → ComfyUI/models/clip/ 또는 ComfyUI/models/text_encoders/ 에 배치:

| 기본 파일명 | 용도 | |---|---| | t5xxl_fp16.safetensors | CLIP 텍스트 인코더 (기본값) | | clip_l.safetensors | CLIP L (fallback) |

Scene Maker는 ComfyUI TextGenerate 노드를 사용합니다. TextGenerate 노드가 없으면 CLIP 직접 로드 경로를 사용합니다.

⚡ Z-Image Turbo (TJ)

필요 모델 — 아래 경로에 맞게 배치:

| 폴더 | 파일명 | 용도 | |---|---|---| | models/diffusion_models/ZIT/ | z_Image_turbo_bf16.safetensors | Diffusion 모델 본체 | | models/text_encoders/Qwen3/ | qwen_3_4b.safetensors | Text Encoder (CLIP) | | models/vae/ | z-image-Vae.safetensors | VAE | | models/loras/Lora/lina/ | LINA_ZIT.safetensors | LoRA (선택사항) |

파일을 위 경로 구조대로 배치하면 드롭다운에서 자동으로 기본값으로 선택됩니다.

🔷 Flux2 Klein 4B/9B (TJ)

필요 모델 — 아래 경로에 맞게 배치:

| 폴더 | 파일명 예시 | 용도 | |---|---|---| | models/diffusion_models/ | klein9bKVCacheFP8_v10.safetensors | Klein 9B (KV Cache FP8) — 권장 | | models/diffusion_models/ | flux2Klein9bFp8_fp8.safetensors | Klein 9B FP8 | | models/diffusion_models/ | flux2Klein4bFp8_fp8.safetensors | Klein 4B FP8 | | models/diffusion_models/Klein9B/ | flux-2-klein-9b.safetensors | Klein 9B (서브폴더 형식) | | models/text_encoders/ | qwen_3_8b_fp8mixed.safetensors | Text Encoder — 권장 | | models/text_encoders/Qwen3/ | qwen_3_8b_fp8mixed.safetensors | Text Encoder (서브폴더 형식) | | models/vae/ | flux2-vae.safetensors | VAE | | models/vae/flux2/ | flux2-vae.safetensors | VAE (서브폴더 형식) |

노드가 파일명 키워드를 기반으로 자동 매핑합니다. 정확한 이름이 아니어도 klein, flux2, qwen 등 키워드가 포함되어 있으면 자동 인식됩니다.

📂 전체 모델 폴더 구조 요약

ComfyUI/models/
├── diffusion_models/
│   ├── ZIT/
│   │   └── z_Image_turbo_bf16.safetensors        ← Z-Image Turbo
│   ├── Klein9B/
│   │   └── flux-2-klein-9b.safetensors           ← Flux2 Klein 9B
│   └── klein9bKVCacheFP8_v10.safetensors         ← Flux2 Klein 9B (루트)
├── text_encoders/
│   ├── Qwen3/
│   │   ├── qwen_3_4b.safetensors                 ← Z-Image Turbo CLIP
│   │   └── qwen_3_8b_fp8mixed.safetensors        ← Flux2 Klein CLIP
│   ├── gemma4_e4b_it_fp8_scaled.safetensors      ← TextGenerate LLM
│   ├── t5xxl_fp16.safetensors                    ← Scene Maker CLIP
│   └── *.gguf                                    ← GGUF LLM 모델들
├── clip/
│   └── t5xxl_fp16.safetensors                    ← Scene Maker fallback
├── vae/
│   ├── z-image-Vae.safetensors                   ← Z-Image Turbo VAE
│   └── flux2-vae.safetensors                     ← Flux2 Klein VAE
└── loras/
    └── Lora/lina/
        └── LINA_ZIT.safetensors                  ← Z-Image Turbo LoRA

🔌 외부 노드 의존성

일부 TJ_NODE 기능은 아래 외부 노드가 있어야 동작합니다.

| 기능 | 필요 노드 | 설치 | |---|---|---| | ComfyUI TextGenerate 백엔드 | TextGenerate 노드 | ComfyUI Manager 검색: TextGenerate | | GGUF 모델 로딩 (UNETLoader) | UNETLoader | ComfyUI 기본 내장 | | GGUF CLIP 로딩 | CLIPLoaderGGUF | ComfyUI-GGUF 설치 필요 | | GGUF Unet 로딩 | UnetLoaderGGUF | ComfyUI-GGUF 설치 필요 |

ComfyUI-GGUF: https://github.com/city96/ComfyUI-GGUF

✨ Installation

Install via ComfyUI Manager

ComfyUI Manager
 → Install Custom Nodes
 → Search: TJ_NODE

Manual Installation

cd ComfyUI/custom_nodes
git clone https://github.com/designloves2/ComfyUI-TJ_NODE.git

설치 후 ComfyUI를 재시작하세요. Restart ComfyUI after installation.

✨ Documentation

TJ_NODE v1.0은 전체 공식 매뉴얼을 포함합니다. TJ_NODE v1.0 includes a complete official manual.

포함 내용: Documentation Includes:

Wireless Architecture
Batch Workflow System
Preview Lifecycle
Save Pipeline
Workflow Strategy
Internal Systems
Reload-safe Architecture
Debug Guide
Best Practices
Anti-Patterns

추천 문서: Recommended Documentation:

TJ_NODE v1.0 MANUAL

✨ Workflow Philosophy

TJ_NODE는 단순 Utility Node Pack이 아닙니다. TJ_NODE is not just another utility node pack.

TJ_NODE는 Workflow Operating Architecture입니다. TJ_NODE is a Workflow Operating Architecture.

TJ_NODE의 핵심은 와이어 제거 자체가 아닙니다. TJ_NODE is NOT simply about hiding wires.

핵심은 대규모 Workflow를 실제 운영 가능한 상태로 유지하는 것입니다. The real goal is keeping large-scale workflows maintainable and production-ready.

TJ Workflow의 핵심 개념: Core Concept of TJ Workflow:

Large Scale Workflow Architecture

✨ Credits

Created by TJ

일부 TJ_NODE 시스템은 아래 프로젝트에서 받은 영감을 바탕으로 재구현·확장되었습니다. Some TJ_NODE systems were rebuilt and extended based on concepts inspired by:

TooBusy Nodes — 너무바쁜베짱이 github.com/designloves2/toobusy · YouTube
comfyui-deno-custom-nodes github.com/Deno2026/comfyui-deno-custom-nodes · YouTube
RebelsPromptEnhancer github.com/designloves2/RebelsPromptEnhancer · YouTube
comfyUI-Realtime-Lora — shootthesound github.com/shootthesound/comfyUI-Realtime-Lora — LoRA Analyzer 제품군(Krea2/Klein/Z-Image)의 블록 단위 분석·필터링 아이디어에 영감을 준 프로젝트입니다. 코드는 복사하지 않았으며, 각 아키텍처 전용으로 직접 분석·구현했습니다. 감사합니다 🙏 Inspired the idea of block-wise LoRA analysis/filtering. No code was copied — built from scratch for each supported architecture. Thank you.

피드백과 버그 제보는 언제든 환영합니다. Feedback and bug reports are always welcome.