1. 为什么你需要cg-image-picker告别AI出图后的“选择困难症”如果你用过ComfyUI跑过几次图尤其是尝试过批量生成或者多参数对比那你肯定对下面这个场景不陌生工作流跑完了输出文件夹里一下子多了几十张、上百张图片。你满心欢喜地点开准备挑几张最满意的出来精修或者发朋友圈结果十分钟过去了你还在不停地滑动鼠标滚轮眼睛都快看花了心里嘀咕着“这张好像还行那张颜色也不错哎这张脸怎么崩了”。更头疼的是当你需要从这些图里挑出特定风格、特定构图或者符合某个技术参数比如用了特定LoRA、特定采样步数的图片时那感觉就像大海捞针。这就是典型的“AI图像工作流效率瓶颈”。生成图片可能只需要几分钟但筛选和整理图片却要花上几倍甚至几十倍的时间。传统的方法无非就是手动一张张看顶多用系统自带的图片查看器快速浏览效率低下不说还特别容易看走眼把好图给漏了。我之前做一个角色设计项目需要从200多张不同姿势、不同光影的测试图中筛选出“侧脸角度、眼神锐利、光影对比强”的图片纯靠肉眼筛选花了整整一个下午最后还担心有遗漏。cg-image-picker这个插件就是专门来治这个“选择困难症”的。它不是什么花里胡哨的生成模型而是一个扎根于工作流内部的“智能筛选器”。你可以把它理解为你工作流里的一个“图片管理员”或者“AI策展人”。它的核心价值就是把我们从繁琐、重复、易错的人工筛选劳动中解放出来让筛选这个动作变得可定义、可自动化、可精准控制。简单来说它让你能用“条件”和“规则”来选图而不是全靠感觉和运气。这对于需要大量测试、多方案对比、或者追求工作流全自动化的朋友来说简直就是神器。无论你是刚接触ComfyUI的新手还是已经构建了复杂工作流的老鸟这个插件都能显著提升你从“出图”到“成图”这个最后环节的体验和效率。2. 不只是“按索引选图”深入理解插件的智能筛选逻辑很多人第一眼看到这个插件可能会觉得它就是个“按编号选图”的工具——我生成了一百张图告诉它我要第3、第7、第15张它给我吐出来。这功能当然有用但如果你只用到这个那真是只用了它三成的功力。cg-image-picker的“智能”之处在于它提供了多种维度的筛选逻辑能与ComfyUI工作流深度结合。2.1 基础但核心索引Index筛选这是插件的基石功能也是最直观的。SelectedIndexes这个参数就是干这个的。它的强大在于灵活性单选3就是只要第三张。多选3,5,9就是把第三、第五、第九张图挑出来。范围选10:20就是把第十张到第二十张包含首尾全部选中。混合选1,3,5:8,15这种组合拳也没问题。这有什么用呢举个例子我经常用“XY Plot”节点来测试不同采样器Sampler和调度器Scheduler的组合。一次会生成一个网格图比如5种采样器×5种调度器一共25张小图。输出时ComfyUI通常会把这些图打包成一张大图同时也会保存25张独立的小图。这时候如果我通过预览发现第7种组合假设对应索引7的效果最好我就可以直接用SelectedIndexes: 7在工作流后续节点中只对这张最优的图进行高清修复Hires. Fix或者放大而不需要手动去文件夹里找。这大大简化了A/B测试的后续操作流程。2.2 进阶利器条件Condition筛选这才是插件真正发挥威力的地方。FilterCondition参数允许你基于图像的**元数据Metadata**来筛选。ComfyUI生成的每张图片如果保存了PNG信息里面都会嵌入一大堆参数使用的模型名称、正向提示词、负向提示词、采样步数steps、采样器sampler、种子seed、尺寸等等。cg-image-picker可以读取这些信息并让你用简单的表达式进行筛选。比如按模型筛选FilterCondition: modelsdXL_v1.0.safetensors。当你一次跑图用了多个模型混合比如通过Checkpoint Loader Switch想单独挑出某个模型生成的图时这个功能就太方便了。按提示词关键词筛选FilterCondition: prompt LIKE %cyberpunk%。注意这里我用了“LIKE”这个近似匹配的操作符。假设你批量生成了一批包含多种风格赛博朋克、古风、科幻的图这个条件能帮你把所有包含“cyberpunk”关键词的图都捞出来。虽然插件文档可能没明确写支持LIKE但根据其设计逻辑和常见用法这类基于字符串包含关系的筛选是合理且强大的应用场景。按技术参数筛选FilterCondition: steps 30。你想看看高步数下图片的细节是否更好用这个条件就能一键筛选出所有采样步数大于30的成果。或者FilterCondition: seed123456专门挑出某个特定种子生成的系列图进行对比。我自己的一个实战案例是用于LoRA训练集的筛选。我生成了几百张同一角色、不同角度和表情的图片但其中一些图片因为参数问题角色特征不明显。我通过设置FilterCondition: prompt LIKE lora:MyCharacter:1快速筛选出所有以较高权重这里是1使用了该角色LoRA的图片这些图片通常特征更鲜明更适合作为训练集而过滤掉了那些LoRA权重低、特征融合不好的“废片”。2.3 与工作流的动态结合插件的高明之处在于这些索引和条件不仅可以是你手动输入的静态值更可以来自其他节点的动态输出。这意味着你的筛选标准可以是“活”的。想象一个场景你有一个“图像质量评估”节点可能是另一个AI模型或者一些图像分析算法它能对一批图片打分。你可以将“分数”作为一个参数输出。然后将cg-image-picker的FilterCondition连接到这个分数上设置为score 0.8。这样工作流就能自动筛选出“质量评估节点”认为优秀的图片进入下一个精修环节实现完全无人值守的“生成-评估-筛选-优化”闭环。这才是自动化工作流的精髓。3. 手把手安装与核心节点拆解光说不练假把式咱们来看看怎么把它装到你的ComfyUI里以及它的核心怎么用。3.1 安装一条命令的事安装过程非常简单和绝大多数ComfyUI插件一样。打开你的命令行终端Windows用PowerShell或CMDMac/Linux用Terminal。导航到你的ComfyUI安装目录。通常里面会有一个叫custom_nodes的文件夹。这是所有第三方插件的家。cd /path/to/your/ComfyUI/custom_nodes请把/path/to/your/ComfyUI/替换成你电脑上实际的路径执行克隆命令git clone https://github.com/chrisgoringe/cg-image-picker.git重启ComfyUI。一般来说重新启动ComfyUI的Web服务后插件就会自动加载。你可以在节点菜单里搜索“image picker”或者“cg”来找到它。如果遇到问题比如重启后没看到节点可以检查一下ComfyUI启动时有没有报错。有时候可能需要手动安装依赖但这个插件本身很轻量依赖问题比较少见。3.2 核心节点ImagePickerNode安装成功后你在节点菜单里找到的就是它——ImagePickerNode。把它拖到画布上你会看到一个非常简洁的界面。它的输入通常是一个图像列表IMAGE List。这个列表可以来自很多地方Save Image节点如果你在批量保存时选择了输出多张图片它会产生一个列表。VAE Decode节点当你的工作流末端连接了多个VAE Decode并打包成列表时。任何能输出多张图片的节点比如一些专门的批量处理节点。它的输出也很直接一个筛选后的图像列表或者根据设置也可以输出单张图像。核心就是配置那两个参数selected_indexes类型是字符串。就像前面说的直接填3、1,5,7、10:20这样的格式。filter_condition类型也是字符串。这里就是写“条件表达式”的地方。表达式语法通常很直观比如steps20,width1024,modelmyModel.safetensors注意字符串值可能需要引号。具体支持哪些字段取决于你的图片里嵌入了哪些元数据。你可以先用一些工具查看一张PNG图片的元信息就知道能筛选什么了。一个容易被忽略但很重要的点是索引是从0开始还是从1开始在绝大多数编程和ComfyUI的上下文中索引Index通常是从0开始的。也就是说列表中的第一张图索引是0。所以当你想选“第一张”图时在selected_indexes里应该填0。这一点务必在实际使用中先小范围测试确认否则很容易选错图。4. 实战工作流搭建从概念到落地的三个案例理论讲完了我们来点实在的。下面我分享三个我自己常用也推荐大家尝试的工作流设计。你可以直接照着搭体会一下插件是如何融入并改变工作流的。4.1 案例一自动化A/B测试筛选器场景测试不同CFG Scale指导系数对出图效果的影响。我们让工作流用5个不同的CFG值比如从5到9步长为1各生成一张图。传统做法生成5张图人眼对比凭感觉选一张最好的然后手动把它拖进高清修复Hires. Fix流程里。使用cg-image-picker的自动化流程使用KSampler或KSampler Advanced节点将其cfg参数连接到一个Primitive节点如整数或浮点数上但更常见的做法是利用XY Plot节点。这里为了清晰我们假设用一个可以接收列表输入的采样器。实际上更标准的做法是使用“XY Plot”节点。在XY Plot中X轴类型选择“CFG Scale”值设置为5,6,7,8,9。这样它会自动运行5次采样生成5张图并输出为一个图像列表。将XY Plot输出的图像列表连接到ImagePickerNode。关键来了我们怎么自动选“最好”的这里需要引入一个“裁判”。我们可以接一个CLIP Image Encode图像相似度比较节点或者任何你认为能评估图像质量的节点甚至是另一个AI评分模型。但为了简化假设我们根据经验认为CFG7.5时通常最稳定。那么我们可以通过元数据筛选。然而CFG值可能没有被直接保存在每张图的元数据中供filter_condition使用取决于工作流配置。这时索引筛选就派上用场了。如果我们知道CFG值列表是[5,6,7,8,9]那么索引0对应CFG5索引2对应CFG7。我们可以直接设置selected_indexes: 2来精准挑选出CFG7的那张图。将ImagePickerNode输出的单张图CFG7的图送入后续的Hires. Fix流程进行放大和精修。这个流程的好处是一旦设定好你只需要点一次“Queue Prompt”就能自动完成“多参数测试-自动选择预定最优结果-高清修复”的全过程。4.2 案例二基于提示词关键词的风格分类器场景你用一个包含多种风格混合提示词例如“a portrait, cyberpunk style, OR medieval style, OR steampunk style”的模板配合随机种子批量生成了100张人物肖像。现在你想把不同风格的作品分开存放。传统做法打开100张图人工判断每张是赛博朋克、中世纪还是蒸汽朋克然后新建三个文件夹手动拖拽分类。耗时耗力。使用cg-image-picker的自动化流程你的批量生成工作流会输出一个包含100张图的列表。搭建三条并行的处理支路支路一接入一个ImagePickerNode设置filter_condition: prompt LIKE %cyberpunk%。输出所有赛博朋克风格的图。支路二接入第二个ImagePickerNode设置filter_condition: prompt LIKE %medieval%。输出所有中世纪风格的图。支路三接入第三个ImagePickerNode设置filter_condition: prompt LIKE %steampunk%。输出所有蒸汽朋克风格的图。每条支路后面各自连接一个Save Image节点并配置不同的输出子文件夹例如./output/cyberpunk/,./output/medieval/,./output/steampunk/。点击运行。工作流会自动解析每张图的提示词元数据将其分门别类地保存到对应的文件夹中。这样一来你就构建了一个自动化的“风格筛分机”。未来任何基于提示词关键词的批量分类任务都可以套用这个模式比如分离“白天”和“夜晚”的场景分离“微笑”和“严肃”的表情等。4.3 案例三种子迭代与精选工作流场景你找到了一个非常棒的提示词和参数组合但对随机种子不满意想通过迭代种子来找到最完美的一张。通常的做法是固定其他所有参数只变化种子生成几十个样本。传统做法生成几十张图人工浏览挑出最喜欢的一张。如果想对挑出来的几张进行二次细化又得手动操作。使用cg-image-picker的增强流程使用Seed节点将其设置为“随机”但为了批量我们可以用“XY Plot”节点将Y轴类型设为“Seed”值设为一系列随机数或递增数例如1, 2, 3, ..., 20生成20个不同种子的版本。20张图生成后你作为人类设计师快速浏览缩略图。假设你相中了第3、第7、第12张对应索引2, 6, 11。在工作流中在图像列表后插入ImagePickerNode设置selected_indexes: 2,6,11。将这个包含3张精选图片的列表输入到一个批量人脸修复/细节增强节点比如一个专用的Face Detailer节点或者再次用小步数、低重绘的Hires. Fix处理。最后将增强后的3张图列表保存。这样你就一次性完成了“批量生成-人工初选唯一需要人工的步骤-自动批量精修-保存”的流程。这个工作流将人的审美判断选择哪几张和机器的重复劳动对选中的图进行统一处理完美结合既保证了最终成果的质量又最大化提升了效率。5. 避坑指南与高手进阶技巧用了这么久我也踩过一些坑总结出一些能让插件发挥更大效力的心得。第一个坑索引的起始值。前面提过再强调一遍。ComfyUI内部处理列表索引通常从0开始。当你从Save Image节点拿到一个包含5张图的列表想选第一张就用索引0。很多新手在这里栽跟头以为填1就行结果总是选错。开始用之前先用3张图的小列表测试一下摸清规律。第二个坑元数据Metadata的完整性。filter_condition的强大完全依赖于图片中是否保存了完整的PNG Info。你必须在你的工作流中确保Save Image节点或你使用的任何保存节点的“保存元数据”选项是勾选的。如果没勾选生成的图片就没有提示词、参数等信息条件筛选就无从谈起。这是一个必须检查的开关。第三个坑条件表达式的格式。写filter_condition的时候字段名和值要准确。字段名就是元数据里的键key比如steps,sampler,model。值是字符串的时候最好用双引号括起来比如modeldreamshaper_8.safetensors。进行数值比较时直接写steps20。如果不确定元数据里具体有什么可以先只用索引筛选或者用一些插件如ComfyUI-Image-Selector或其他元数据查看器先打开一张图看看。高手进阶技巧组合节点实现“条件索引”如果你想实现“选出所有CFG7的图中索引最小的那张”这种复杂逻辑可以配合“Get Image List Size”和“Conditional”等逻辑节点。先用条件筛选出一个子列表再对这个子列表进行操作。这需要更复杂的工作流编排但能实现极其精准的控制。与“缓存”节点配合在处理超大型图像列表时可以将cg-image-picker筛选出的结果先输入到一个“Cache”节点如果ComfyUI-Manager里有类似功能的节点进行缓存避免在复杂工作流中重复执行耗时的筛选逻辑。动态参数输入selected_indexes和filter_condition这两个参数是可以接收其他节点的文本输出的。这意味着你可以用“Text”节点或者“String”节点来动态生成筛选条件。例如你可以做一个面板手动输入几个喜欢的索引号这个文本作为输入传给selected_indexes实现交互式筛选。说到底cg-image-picker插件体现了一种思维在AI绘画工作流中凡是重复的、有明确规则的判断和操作都应该尝试交给节点自动化。它可能看起来只是一个简单的小工具但当你把它巧妙地编织进你的工作流网络时它带来的效率提升是成倍的。它让你从“图片的搬运工”变成了“工作流的设计师”把时间和精力真正集中在需要创造力和审美判断的事情上。刚开始可能需要花点时间适应这种节点式思维但一旦掌握你会发现构建一个高效、智能的AI图像生产线其乐趣不亚于创作一幅好作品本身。