ComfyUI MCP, publicado por artokun, conecta ComfyUI con asistentes de IA mediante el Model Context Protocol. El repositorio artokun/comfyui-mcp lo presenta como un plano de control local-first para generar imagen, video y audio, crear y ejecutar workflows, gestionar modelos y custom nodes, y editar el grafo vivo de ComfyUI en lenguaje natural. En la verificación GitHub del 26 de agosto de 2026, el repositorio tenía licencia MIT, 687 estrellas y 105 forks, y package.json indicaba comfyui-mcp 0.52.131 con Node >=22.0.0.
Para Educasium, ComfyUI MCP es el conector media más rico de esta selección. No es solo un relé prompt-to-image. README insiste en leer instalación local, cablear el grafo, ejecutar renders, liberar VRAM, gestionar modelos y custom nodes, y trabajar con Claude, ChatGPT, Gemini, Ollama o endpoints compatibles OpenAI según configuración.
Contenidos
- Qué hace ComfyUI MCP
- Instalación, servidor y transportes
- Herramientas, skills, packs y estadísticas verificadas
- Modelos, workflows y lifecycle cliente
- Seguridad, derechos y límites
- Comparación con Photoshop MCP
- Posición de Educasium
Qué Hace ComfyUI MCP
Resumen: ComfyUI MCP convierte ComfyUI en un entorno controlable por asistente IA, manteniendo ComfyUI como motor visual principal. El usuario conserva workflows, modelos, nodos y salidas.
Control del grafo
README describe edición del workflow vivo en lenguaje natural, ejecución de prompts, monitorización de progreso por WebSocket, gestión de cola, vista del grafo y diagnóstico de nodos. Esto permite que el asistente ayude a construir o corregir un pipeline sin reemplazar la lógica de ComfyUI.
La promesa útil es operativa: detectar qué modelos faltan, entender por qué un nodo falla, modificar un parámetro, lanzar render y comparar resultados. No significa que el asistente tenga criterio artístico garantizado.
Multimedia
El repositorio menciona generación de imagen, video y audio. También apunta a Stable Canvas, gestión de custom nodes y modelos, CivitAI, HuggingFace y registro ComfyUI según tokens disponibles. Es un centro de producción, no solo un wrapper mínimo.
Para formación, eso permite enseñar una cadena completa: instalar, revisar ambiente, escoger workflow, descargar dependencias, ejecutar, evaluar salida, ajustar parámetros y documentar resultado.
Instalación, Servidor Y Transportes
Resumen: el quick start usa npx -y comfyui-mcp y espera una instalación ComfyUI accesible. Node >=22.0.0 aparece en package.json.
Configuración local
El README indica instalar ComfyUI, luego añadir npx -y comfyui-mcp al cliente MCP. El proyecto detecta ComfyUI local y puerto cuando puede. Variables como COMFYUI_URL, COMFYUI_HOST, PORT, PATH y COMFYUI_API_KEY ajustan el entorno.
La experiencia depende de ComfyUI ya funcional. Si ComfyUI no arranca, faltan modelos o el puerto está ocupado, MCP tampoco convierte el puesto en un estudio IA listo.
Transportes
El modo stdio es el caso local estándar. Streamable HTTP se activa con --http en /mcp. --tunnel puede generar URL cloudflared con token de autenticación. La autenticación es opt-in para stdio y HTTP local, pero se vuelve crítica fuera de loopback.
En un lifecycle cliente, se prueba primero local, luego se documenta cualquier acceso remoto. Un puente no protegido hacia ComfyUI puede permitir ejecutar workflows costosos o manipular archivos.
Herramientas, Skills, Packs Y Estadísticas Verificadas
Resumen: README y descripción GitHub usan cifras distintas, por lo que conviene citarlas separadas. La fuente fechada evita inflar capacidades.
Cifras
README verificado anuncia 38 herramientas MCP, 42 AI skills, 56 installer packs, 11 slash commands, 4 agents y 3 hooks. La descripción del repositorio GitHub menciona un plano de control con 178 herramientas, 36 AI skills y 55 installer packs. No son necesariamente la misma métrica.
La lectura prudente distingue herramientas MCP directas, panel, skills, packs, comandos, agentes y hooks. Si una página comercial mezcla todo como "178 herramientas MCP", pierde precisión.
Superficie técnica
package.json lista @comfyorg/sdk, @modelcontextprotocol/sdk, stable-canvas, better-sqlite3, sharp, undici, ws, yaml y zod. Esto confirma que el servidor no es solo prompt text: habla con APIs ComfyUI, WebSocket, SQLite, assets y validación de esquemas.
También importa la versión: comfyui-mcp 0.52.131 es un proyecto que evoluciona rápido. Para producción, hay que fijar versión y registrar cambios antes de actualizar.
Modelos, Workflows Y Lifecycle Cliente
Resumen: ComfyUI MCP toca modelos, workflows, custom nodes, cola y VRAM. Cada parte tiene ciclo de vida propio.
Workflows
Un workflow ComfyUI es una receta técnica. Puede depender de checkpoints, LoRA, ControlNet, upscalers, nodos personalizados y rutas de archivo. El asistente puede ayudar a montarlo, pero el usuario debe saber qué se instaló y con qué licencia.
El workflow debe versionarse. Guardar JSON, seed, prompt, modelo, parámetros y salida evita discusiones vagas sobre por qué una imagen cambió.
Modelos y nodes
La gestión de modelos y custom nodes es potente pero sensible. Descargar un checkpoint grande consume espacio y puede introducir licencias incompatibles. Instalar un node puede traer código externo dentro del entorno local.
Un protocolo Educasium separa carpeta de test, carpeta de modelos aprobados, proyectos cliente, salidas temporales y salidas validadas. Así se enseña producción, no acumulación desordenada de paquetes.
Seguridad, Derechos Y Límites
Resumen: la herramienta corre localmente, pero puede descargar modelos, llamar servicios externos y exponer HTTP si se configura. Seguridad y derechos no son automáticos.
Red y tokens
Variables como CIVITAI_API_TOKEN, HUGGINGFACE_TOKEN y COMFYUI_AUTH_TOKEN muestran que el servidor puede depender de servicios externos. COMFYUI_AUTH_TOKEN protege accesos cuando se sale de la máquina local. Tokens y rutas deben permanecer fuera del repositorio.
La distinción local-first no significa "sin riesgo". Significa que el usuario controla más partes del sistema y debe mantenerlas.
Derechos de uso
Pero descargar un modelo no autoriza automáticamente uso comercial. Licencias de modelos, datos de entrenamiento, derechos de imagen, políticas cliente y reglas de marca deben verificarse aparte.
VRAM y errores
El proyecto incluye clear_vram, watchdog que avisa si queda menos de 1 GB de VRAM, monitor-progress WebSocket y herramientas de diagnóstico. Es valioso porque ComfyUI falla por memoria, nodos ausentes, dtype, CUDA, modelos faltantes o grafos incompatibles.
Un workflow Educasium enseña la vuelta completa: crear o cargar, validar, ejecutar, inspeccionar, corregir y comparar. El render final se mira; no basta con que el job diga éxito.
Comparación con Photoshop MCP
Resumen: ComfyUI MCP genera y orquesta workflows IA; Photoshop MCP automatiza una aplicación de retoque instalada en Windows.
| Necesidad | ComfyUI MCP | Photoshop MCP |
|---|---|---|
| Generación IA de imagen/video | Muy adecuado | Indirecto |
| Grafo visual de workflow | Muy adecuado | Fuera de alcance |
| Retoque PSD y capas Photoshop | Fuera de alcance | Muy adecuado |
| Gestión VRAM y modelos | Muy adecuado | Fuera de alcance |
| Automatizar documentos Adobe | No | Sí, vía Photoshop local |
Elegir según tarea
Para generar series con modelos, ControlNet, upscale o video, ComfyUI MCP es el instrumento correcto. Para abrir PSD, añadir texto, manipular capas o guardar documento Photoshop, Photoshop MCP es más directo.
Ambos pueden complementarse: ComfyUI produce variantes o assets, Photoshop retoca, compone y prepara entrega gráfica.
Posición de Educasium
Resumen: Educasium presenta ComfyUI MCP como taller IA controlado, no como caja automática de imágenes. El lector debe entender grafo, modelos, GPU y derechos.
Qué enseñar
Un buen ejercicio empieza con workflow simple y añade una restricción: imagen de referencia, upscale, fondo transparente o control por pose. El asistente explica nodos, verifica modelos, lanza render y lee errores.
La etapa final es crítica: comparar salidas, revisar artefactos, anotar seed y parámetros, controlar derechos del modelo y decidir si la imagen es explotable. Esa disciplina vuelve ComfyUI MCP útil profesionalmente.
La revisión también debe incluir el coste técnico: tiempo GPU, memoria consumida, modelos descargados y dependencias instaladas. Cuando un workflow cambia, se guarda una copia y se nombra la variante. Así el alumno puede volver atrás, comparar resultados y explicar por qué una versión fue aceptada o descartada.
El último aprendizaje es económico. Cada render consume tiempo, hardware y a veces almacenamiento o API. Enseñar ComfyUI MCP sin medir iteraciones produce entusiasmo, pero no capacidad profesional. Un alumno preparado sabe limitar variantes, archivar prompts, comparar salidas contra un brief y justificar cuándo detener la generación.
También conviene enseñar mantenimiento. Un workflow que funciona hoy puede romperse por cambio de node, modelo movido, versión ComfyUI distinta o driver GPU actualizado. Por eso cada ejercicio debe registrar versiones, dependencias, errores y solución aplicada. Esta memoria técnica permite repetir el resultado y explicar si el fallo pertenece al prompt, al modelo, al workflow o al entorno local, incluso semanas después, ante otro alumno y otro equipo técnico.