ComfyUI新增循环节点：工作流从单向图走向迭代生成

ComfyUI 一直以来给人的印象是一张「单向流程图」——无论节点多复杂，只要顺着连线走，基本就能看懂一个工作流在做什么。而最近官方新增的一组通用循环（loop）节点，正在打破这种直觉。

循环节点带来了什么

这套节点的核心能力是让工作流具备「重复执行」的逻辑。原帖作者用「在 ComfyUI 里生成斐波那契数列」作为半开玩笑的标题，实际想表达的是：过去需要外部脚本或手动重复操作的任务，现在可以完全用核心节点在图内完成。

最直接的两个应用场景很能说明问题：

• 视频延展：把几秒钟的生成视频反复延伸，最终拼接成一段更长的内容。循环让「上一次的输出成为下一次的输入」这一模式成为可能。
• 图像自动迭代编辑：让一个多模态大模型（MLLM）来评判生成结果的好坏，然后自动地一遍遍修改图像，直到满足条件为止。

这类「生成—评估—再生成」的闭环，正是循环结构最擅长的地方。它把人从反复点击运行的操作中解放出来，让工作流自己完成迭代。

为什么循环比想象中更难理解

作者特别强调了一点：循环比 ComfyUI 里大多数功能都更难上手。

原因在于它改变了阅读工作流的方式。传统的 ComfyUI 图是有向无环的——数据从输入端一路流向输出端，你只需追踪连线的方向就能推断出整个流程的意图。节点再多，本质上仍是线性的因果链。

循环则引入了「回流」。某个节点的输出会被送回到更早的位置，作为下一轮迭代的输入。这意味着同一条连线上的数据在不同轮次里含义不同，工作流不再是「看一眼连线就懂」的静态结构，而是带有状态和时间维度的动态过程。对习惯了线性思维的用户来说，这需要额外的心智负担去理解「这是第几轮」「哪些值在轮次间保留」。

计算机科学中将这类结构称为「有向有环图」（DAG 的对立面）。传统 ComfyUI 工作流是严格的有向无环图（Directed Acyclic Graph，DAG），拓扑排序保证了每个节点只被执行一次、执行顺序唯一确定。一旦引入循环，图中出现了环路，拓扑排序失效，执行引擎需要额外的机制来管理「第几次经过这个节点」以及「何时终止」。这也是为什么循环节点通常需要配套的计数器、条件判断节点和明确的退出信号——这些在无环工作流里根本不需要存在的概念，在循环场景中都变成了必须显式处理的要素。

对社区工作流生态的影响

作者预期，随着循环节点的普及，社区里会出现越来越多利用循环的工作流。这是一个值得关注的趋势。

一旦循环成为常见构件，工作流分享和复用的门槛会随之提高——下载别人的工作流时，你不能再只靠「顺着线看」来理解它，而需要搞清楚循环的边界条件、终止逻辑和状态传递。为此作者专门写了一份较为详细的指南，帮助用户在遇到含循环的工作流时不至于一头雾水。指南地址为 comfyui.nomadoor.net 上的 loop 相关页面。

从更宏观的角度看，循环能力让 ComfyUI 从一个「一次性生成器」向「可编程的迭代系统」演进。视频的逐段延展、图像的自动优化，本质上都是把 AI 生成能力嵌入到一个带反馈的控制流里。这与近年来 AI 应用中「agent 循环」「自动评估—修正」的思路一脉相承，只不过它发生在一个可视化的节点编辑器里。

「Agent 循环」是近年 AI 应用领域的核心范式之一：让语言模型或视觉模型反复调用工具、观察结果、再决定下一步动作，直到完成目标。ComfyUI 的循环节点本质上是把这一范式带入了可视化节点编辑器——MLLM 充当「评估者」，图像生成节点充当「执行者」，循环结构把二者串联成一个自主运行的闭环。这与 LangChain、AutoGen 等框架在代码层面实现的 agent 循环在逻辑上高度一致，区别在于 ComfyUI 提供了无需编程的可视化实现路径，大幅降低了非开发者搭建此类系统的门槛。

上手建议

对于想尝试的用户，几点值得留意：

1. 先理解终止条件。循环最容易出问题的地方是无限循环或状态未正确重置，动手前想清楚它在什么条件下停止。
2. 区分轮次间保留与重置的变量。哪些数据需要跨轮累积（如逐段拼接的视频），哪些需要每轮重来，是构建循环工作流的关键。
3. 从简单案例起步。不要一上来就搭建复杂的 MLLM 自动编辑闭环，先用简单的重复任务熟悉循环节点的行为再逐步扩展。

循环节点的加入，标志着 ComfyUI 在表达能力上迈出了重要一步。它虽然抬高了理解门槛，但也为自动化、长内容生成和智能反馈类工作流打开了新的空间。