快速上手：使用ComfyUI可视化工作流调用BERT文本分割模型

快速上手：使用ComfyUI可视化工作流调用BERT文本分割模型

你是不是对文本处理模型感兴趣，但又觉得写代码太麻烦？或者你想快速实验一下BERT模型，看看它能把一段文字切成什么样？今天，我们就来聊聊一个特别适合“动手党”和“视觉派”的方法——用ComfyUI来玩转BERT文本分割模型。

ComfyUI你可能听说过，它通常被用来搞图像生成，但其实它这个基于节点的工作流思路，用来处理文本任务也特别直观。你不用再面对一堆命令行参数或者复杂的脚本，只需要像搭积木一样，把不同的功能节点连起来，就能构建一个完整的文本处理流水线。这篇文章，我就带你从零开始，在ComfyUI里搭建一个调用BERT模型进行文本分割的可视化工作流，整个过程清晰明了，就算你之前没怎么接触过代码，也能轻松跟上。

1. 准备工作与环境搭建

在开始“搭积木”之前，我们得先把“工地”准备好。这里说的就是安装ComfyUI和准备好我们需要的模型。

1.1 安装ComfyUI

ComfyUI的安装方式非常灵活，你可以根据自己的习惯来选择。最常见也最推荐的方式是通过Git来获取。

首先，打开你的终端（或者叫命令行窗口），找一个你喜欢的目录，然后执行下面的命令。这会把ComfyUI的整个项目下载到你的电脑上。

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

下载完成后，进入项目文件夹。接下来需要安装它运行所依赖的各种Python库。ComfyUI很贴心地准备了一个requirements.txt文件，我们直接用pip安装就行。

pip install -r requirements.txt

如果你的网络环境不太理想，安装过程可能会慢一些，耐心等待即可。安装完成后，基本的环境就准备好了。

1.2 获取BERT文本分割模型

我们的“积木”准备好了，现在需要准备最核心的“零件”——模型。BERT文本分割模型，简单理解就是一个经过训练的、特别擅长理解句子结构和语义的模型，它能判断哪里是句子的自然边界。

你需要去一些模型分享社区（比如Hugging Face）找到并下载一个合适的BERT分词器（Tokenizer）和模型文件（通常是.bin或.safetensors格式）。这里以Hugging Face上一个常见的bert-base-uncased模型为例，但请注意，专门用于句子分割的模型可能需要寻找特定的微调版本。

下载后，将模型文件（比如pytorch_model.bin）和对应的配置文件（config.json）以及分词器文件（vocab.txt等）放在一个统一的文件夹里。为了方便ComfyUI管理，我建议你在ComfyUI根目录下创建一个专门的模型文件夹，比如models/bert_segmentation/，然后把所有文件都放进去。这样结构清晰，后面加载的时候不容易出错。

2. 认识ComfyUI界面与核心概念

第一次打开ComfyUI，你可能会觉得眼前一堆按钮和空白画布，有点无从下手。别慌，我们来快速认识一下几个最关键的部分。

启动ComfyUI很简单，在刚才的终端里，进入ComfyUI目录后运行：

python main.py

然后在浏览器里打开它提示的地址（通常是http://127.0.0.1:8188），就能看到界面了。

工作区（画布）：中间最大的空白区域就是你的“操作台”，所有节点都会放在这里，并用连线表示数据流动。节点（Nodes）：右边有一个“Add Node”按钮，点击它会弹出所有可用的节点菜单。节点就是一个个功能模块，比如“加载模型”、“输入文本”、“处理数据”等。连线（Connections）：用鼠标从一个节点的输出端口（右边的小圆点）拖到另一个节点的输入端口（左边的小圆点），就建立了数据连接。数据会沿着连线从上游流向下游。队列（Queue）：右下角有一个“Queue Prompt”按钮。当你搭建好工作流后，点击它，ComfyUI就会开始执行你的流程。

今天我们要用到的节点，主要会涉及“加载自定义模型”、“文本输入”、“Python脚本处理”等。ComfyUI的强大之处在于它的可扩展性，很多复杂功能可以通过自定义节点实现，不过我们今天先从基础的内置节点开始。

3. 构建BERT文本分割工作流

好了，基础知识已经到位，现在让我们开始动手搭建。我们的目标是构建一个这样的流程：输入一段长文本 -> 加载BERT模型进行处理 -> 输出分割后的句子列表。

3.1 添加文本输入节点

任何流程都需要一个起点。我们首先需要告诉ComfyUI，我们要处理什么文本。

在画布上右键，选择Add Node->utils->String->String。这个节点就是一个简单的文本输入框。你也可以搜索“CLIP Text Encode”节点，它通常用于输入提示词，但我们这里只需要它最基础的文本输入功能。双击节点上的文本框，输入你想要分割的段落，比如：

“ComfyUI is a powerful node-based interface. It allows you to create complex workflows visually. This tutorial shows how to use it for text segmentation.”

3.2 加载自定义BERT模型节点

这是最关键的一步。ComfyUI默认可能没有直接加载BERT模型的节点，但我们可以利用其“自定义节点”功能或“加载PyTorch模型”的通用节点。

一种方法是使用ComfyUI-Custom-Scripts这类扩展节点包。如果你安装了这类扩展，可以在节点菜单中找到类似Load HuggingFace Model的节点。

如果没有，我们可以用一个更通用的方法：使用TorchScript节点。这需要你提前将BERT模型转换为TorchScript格式（.pt或.pth文件）。在节点菜单中，尝试搜索Load Model或TorchScript。添加节点后，在节点的model_path参数里，指向你之前存放的模型文件路径，例如./models/bert_segmentation/model.pt。

同时，别忘了加载对应的分词器（Tokenizer）。我们需要一个节点来处理文本，将其转换成模型能理解的数字ID（Token）。你可以添加一个CLIP Text Encode (Prompt)节点，但更准确的做法是使用自定义脚本节点来调用Hugging Face的transformers库中的BertTokenizer。

3.3 连接预处理与模型推理节点

现在，我们需要把文本转换成模型输入格式，并喂给模型。

1. 分词：将String节点输出的文本，连接到一个自定义的Python脚本节点（实现分词功能）。这个脚本节点会调用BertTokenizer，将长文本切分成一个个Token，并添加[CLS],[SEP]等特殊符号，同时生成attention_mask。
2. 模型推理：将分词节点输出的input_ids和attention_mask，连接到Load Model（或TorchScript）节点的输入端口。将模型节点的输出，连接到一个新的Python脚本节点用于后续处理。

这个过程可能需要你编写一小段Python代码。在ComfyUI中，你可以添加Add Node->custom->Python节点。在节点编辑框中，你需要编写一个doit函数来处理输入数据。

示例：一个简单的分词脚本节点思路

# 注意：这是一个逻辑示例，实际节点编写需遵循ComfyUI函数规范 from transformers import BertTokenizer import torch class SimpleBertTokenizer: def __init__(self): self.tokenizer = BertTokenizer.from_pretrained('./models/bert_segmentation/') def doit(self, text): # 对文本进行编码 inputs = self.tokenizer(text, return_tensors="pt", truncation=True, padding=True) # 返回 input_ids 和 attention_mask return inputs['input_ids'], inputs['attention_mask']

在实际的ComfyUI自定义节点中，你需要使用@torch.no_grad()等装饰器，并正确注册输入输出类型。

3.4 添加后处理与文本输出节点

模型输出的通常是每个Token的隐藏层表示或分类标签。对于句子分割任务，我们需要根据模型输出（例如，每个Token对应“是句子边界”的概率）来还原出实际的句子列表。

1. 后处理脚本：添加另一个Python脚本节点，接收模型输出。在这个节点里，你需要解析模型的结果。例如，模型可能对每个Token预测了一个“0/1”标签，其中“1”代表句子结束位置。你的脚本需要根据这些标签，结合原始的Token序列，找到分割点。
2. Token还原为文本：使用分词器的decode或convert_ids_to_tokens方法，将对应Token ID还原成单词或子词，并拼接成完整的句子。
3. 格式化输出：将分割好的句子列表（一个Python List）整理成易于阅读的格式，比如用换行符连接。
4. 文本输出节点：最后，将处理好的字符串连接到一个输出节点。在节点菜单中搜索String或Text，找到String (output)或Preview Text这样的节点，将最终的分割结果文本连接上去。

4. 运行工作流与查看结果

当所有节点都连接完毕，你的工作流应该看起来像一条有向的数据流水线：文本输入 -> 分词 -> 模型加载与推理 -> 后处理 -> 文本输出。

点击右下角的Queue Prompt按钮，ComfyUI就会开始执行。你可以在界面上看到执行进度。如果一切顺利，在最终的文本输出节点上，你应该能看到类似这样的结果：

ComfyUI is a powerful node-based interface. It allows you to create complex workflows visually. This tutorial shows how to use it for text segmentation.

如果执行失败了，别担心，这很正常。ComfyUI会在界面上显示错误信息（通常是红色的文字）。最常见的问题包括：

• 节点连接错误：检查连线是否正确，输出端口类型是否匹配输入端口类型。
• 模型路径错误：确认加载模型节点中的文件路径是否正确。
• Python脚本错误：仔细检查自定义脚本节点中的代码，特别是输入输出的数据格式。
• 依赖缺失：确保你的Python环境中安装了transformers和torch库。

5. 保存、分享与进阶探索

成功运行一次后，你肯定不想下次重头再来。ComfyUI提供了完整的工作流保存功能。

点击菜单栏的Save按钮，可以将当前画布上所有节点和连接关系保存为一个.json文件。下次使用时，点击Load按钮加载这个文件，所有节点和设置都会恢复原样。这个功能非常适合分享你的创作，你可以把搭建好的BERT文本分割工作流文件发给朋友，他们一键就能加载使用。

今天这个工作流只是一个起点。基于这个框架，你可以进行很多有趣的扩展：

• 尝试不同模型：把bert-base-uncased换成bert-large或者其他多语言BERT模型，看看分割效果有什么变化。
• 增加预处理：在分词前，添加节点来自动清理文本（去除多余空格、特殊字符等）。
• 优化后处理：改进句子边界判断逻辑，处理缩写（如“Mr.”）或小数点造成的误分割。
• 批量处理：修改输入节点，使其能接受一个文本文件列表，并循环处理，实现批量文本分割。

整体走下来，你会发现用ComfyUI来调用BERT模型，就像是在画一张清晰的数据处理地图。它把抽象的代码逻辑变成了看得见、摸得着的节点和连线，对于理解和实验模型流程非常有帮助。虽然初期搭建可能需要一点耐心来调试节点和脚本，但一旦跑通，后续的修改和实验就会变得非常直观和高效。如果你对可视化编程和快速原型开发感兴趣，ComfyUI绝对是一个值得深入折腾的工具。不妨就从今天这个文本分割工作流开始，试试把它改造成你自己需要的模样吧。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。