liblibai结构化工作流需按数据流向搭建：第一步用checkpoint loader加载模型；第二步用clip text encode处理正负向提示词、loadimage接入图像；第三步通过ksampler采样并连vae decode出图；第四步插入controlnetloader与apply节点实现姿态或线稿控制；第五步保存为.json复用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想在LiblibAI里把提示词、图片、模型、ControlNet控制逻辑自动串成一条可复用的流水线，而不是每次生成都手动拖节点、连端口、填参数——这需要按数据流向搭建结构化工作流，而非堆砌功能模块。
第一步：从Checkpoint Loader开始构建数据起点
右键画布→“添加节点”→搜索并拖入Checkpoint Loader Simple。这个节点必须最先放置，它是整条工作流的源头，所有后续节点都依赖它输出的模型、CLIP、VAE三路数据。【没加载模型就连接其他节点，系统会直接报错“no model loaded”，此时删掉重来比调试快】
双击该节点，在下拉菜单中选择你已导入的模型（如liblibai_anime_v1.0.ckpt），VAE保持空置（该模型自带）。
第二步：接入文本与图像输入路径
方法一：处理文字提示
拖入两个CLIP Text Encode节点，分别用于正向和负向提示词。双击第一个→在“text”栏输入“masterpiece, best quality, 1girl, pink hair, studio lighting”；双击第二个→填入“low quality, blurry, text, watermark”。
方法二：接入图像输入
若需图生图或ControlNet控制，拖入LoadImage节点→点击“choose file to upload”上传本地图片；或拖入ImageScaleToTarget节点调整尺寸后再接入后续处理链。
第三步：串联核心采样与解码环节
第一步：将Checkpoint Loader的clip输出→连到两个CLIP Text Encode节点的clip输入；
第二步：将两个CLIP Text Encode的conditioning输出→分别连入KSampler的positive和negative输入；
第三步：将KSampler的latent输出→连入VAE Decode节点的samples输入；
第四步：右键VAE Decode→选择“队列提示”执行。
这四步连通后，画布右上角会弹出进度条，3秒内生成首张图。注意KSampler中采样步数设为30最稳妥——低于20易漏细节，高于50几乎不提升质量还拖慢速度。
第四步：插入ControlNet增强构图控制
方法一：用OpenPose控制人物姿态
新增ControlNetLoader节点→双击选择controlnet_openpose-fp16.safetensors；再加ControlNetApply节点；将ControlNetLoader的control_net输出→连到Apply节点的同名输入；把OpenPose预处理器节点的图像输出→连到Apply的image输入；最后将Apply的conditioning输出→连入KSampler的control_after_generate（注意不是positive/negative）。
这一步必须在KSampler之前完成连接，否则ControlNet信号无法参与采样过程。
第五步：保存与复用工作流
全部节点连通且测试成功后，框选所有节点→右键→“创建工作流”→命名并保存。该工作流会出现在画布左侧栏“我的工具箱”中，下次可直接拖入新项目复用。
保存格式为.json文件，可导出分享给他人，对方导入LiblibAI后无需重新配置即可运行。
