ComfyUI MCP, publié par artokun, connecte ComfyUI à des assistants IA via le Model Context Protocol. Le dépôt artokun/comfyui-mcp le présente comme un plan de contrôle local-first pour générer images, vidéos et sons, écrire et exécuter des workflows, gérer les modèles et nœuds personnalisés, et modifier le graphe ComfyUI en langage naturel. Lors de la vérification GitHub du 26 août 2026, le dépôt était sous licence MIT, comptait 687 étoiles et 105 forks, et package.json indiquait comfyui-mcp 0.52.131 avec Node >=22.0.0.
Pour Educasium, ComfyUI MCP est le connecteur média le plus riche de cette sélection. Il n'est pas seulement un relais prompt-vers-image. Le README insiste sur la capacité à lire l'installation locale, câbler un graphe, lancer un rendu, libérer la VRAM, gérer modèles et custom nodes, et travailler avec Claude, ChatGPT, Gemini, Ollama ou des endpoints compatibles OpenAI selon la configuration.
Sommaire
- Ce que fait ComfyUI MCP
- Installation et modes d'exécution
- Outils, skills, panel et workflows
- Local, distant, cloud et sécurité
- Modèles, VRAM et validation des rendus
- Comparaison avec Photoshop MCP
- Position Educasium
Ce que fait ComfyUI MCP
À retenir : ComfyUI MCP donne à l'assistant un accès opérationnel au graphe ComfyUI, pas seulement à une zone de prompt. Le README vérifié annonce 38 outils MCP, 42 AI skills, 56 installer packs, 11 slash commands, 4 agents autonomes et 3 hooks, tandis que la description GitHub du dépôt parle d'un plan de contrôle plus large avec 178 outils.
Un plan de contrôle ComfyUI
ComfyUI est un environnement de génération visuelle par graphes. Un workflow y relie modèles, loaders, samplers, encoders, images, masques, upscalers et nœuds personnalisés. ComfyUI MCP donne à l'assistant des moyens de composer ce graphe, l'exécuter, inspecter les erreurs, lire les sorties et gérer une partie de l'environnement.
La différence avec un générateur d'image simple est majeure. Un assistant peut construire un workflow txt2img, ajouter ControlNet ou IP-Adapter, lancer une génération vidéo locale, produire un upscale, supprimer un fond, charger un workflow existant, le convertir, le visualiser en Mermaid ou diagnostiquer une erreur.
Une surface qui évolue vite
Le README et la description du dépôt n'utilisent pas exactement le même chiffre de surface. Le README liste 38 outils MCP directs, tandis que la description GitHub indique 178 outils dans le plan de contrôle. La lecture prudente consiste à distinguer outils MCP directs, outils panel, skills, packs, commandes et agents.
Pour une page Educasium, cette nuance est utile. Elle montre que le projet est actif et ambitieux, mais qu'il faut toujours rattacher chaque claim à une source datée plutôt qu'à une impression générale.
Installation et modes d'exécution
À retenir : l'usage standard se fait avec npx -y comfyui-mcp, ComfyUI déjà lancé et Node 22 ou plus. Le README indique que le paquet fonctionne sous macOS, Linux et Windows, avec auto-détection de l'installation et du port.
Démarrage local
Le quick start demande d'installer ComfyUI, puis d'ajouter le serveur MCP à la configuration du client avec npx -y comfyui-mcp. Le README précise qu'il n'est pas nécessaire de cloner le dépôt pour utiliser le serveur ; npx télécharge et lance le paquet.
Le package.json vérifié confirme Node >=22.0.0, le binaire comfyui-mcp, un module ESM et des dépendances comme @modelcontextprotocol/sdk, @comfyorg/sdk, @stable-canvas/comfyui-client, better-sqlite3, sharp, undici, ws, yaml et zod. Ces détails comptent, car un environnement Node trop ancien échouera avant même d'atteindre ComfyUI.
Stdio et HTTP
Le serveur parle stdio par défaut. Pour les gateways, clients distants ou connecteurs HTTP, il peut exposer Streamable HTTP à /mcp avec --http, --host et --port. Le README indique aussi une option --tunnel qui force HTTP, génère un token, ouvre un tunnel cloudflared et imprime une URL prête à coller.
Cette flexibilité est utile, mais elle change le risque. Une exécution stdio locale n'a pas le même périmètre qu'un serveur HTTP exposé. Un atelier doit donc préciser le mode utilisé, l'URL ComfyUI cible, le port et les tokens.
Outils, skills, panel et workflows
À retenir : la force du projet vient de la combinaison entre outils MCP, skills de génération, installer packs, panel ComfyUI et commandes spécialisées. Ce n'est pas seulement un serveur technique.
Outils MCP directs
Le README liste des outils autour de generate_image, get_image, workflow execution, workflow composition, validation, library, image management, model management, VRAM, custom nodes, history, diagnostics et process control. Il documente aussi un mode compact avec trois méta-outils : list_tools, describe_tool et call_tool.
Le mode compact est important pour les petits modèles locaux, car il évite de charger une grande surface d'outils dans le contexte. Le mode complet reste adapté aux modèles frontier capables de gérer plus de schémas et de chaînes d'outils.
Skills et panel
Le paquet inclut un plugin Claude Code avec commandes, skills, agents et hooks. Les skills couvrent ComfyUI core, prompt engineering, troubleshooting et model compatibility, ainsi que des guides de familles de modèles. Les hooks incluent un watchdog VRAM, un avertissement avant stop/restart et une notification de fin de job.
Le ComfyUI Agent Panel ajoute une expérience dans la sidebar ComfyUI. Il peut fonctionner avec Claude, ChatGPT, Gemini ou des modèles locaux/hosted selon les backends configurés. Cette couche rend l'outil plus proche d'un assistant d'atelier que d'un simple serveur headless.
Local, distant, cloud et sécurité
À retenir : ComfyUI MCP est local-first, pas local-only. Il peut viser un ComfyUI local, une machine LAN, un VPS, RunPod, un reverse proxy ou Comfy Cloud selon les variables.
Cibles et auth
COMFYUI_URL permet de cibler une instance précise. COMFYUI_HOST, COMFYUI_PORT et COMFYUI_PATH guident l'auto-détection. COMFYUI_API_KEY active le mode Comfy Cloud. COMFYUI_AUTH_TOKEN et les variables d'en-tête servent aux ComfyUI auto-hébergés derrière proxy ou gateway.
Le README indique que l'auth est opt-in pour le comportement stdio ou HTTP local par défaut, mais que les modes tunnel et pont non-loopback utilisent des tokens. En production ou réseau partagé, il faut traiter tout accès ComfyUI comme sensible, car un workflow peut consommer GPU, télécharger des modèles et écrire des fichiers.
Données et fichiers
Le serveur communique avec ComfyUI par REST, WebSocket et système de fichiers. Il peut lire des définitions de nœuds, logs, history, queue, modèles, inputs, outputs, métadonnées PNG et dossiers d'installation. Il peut aussi appeler HuggingFace, ComfyUI Registry, GitHub et CivitAI selon les fonctionnalités utilisées.
Ces accès doivent être documentés. Un rendu généré peut contenir des images sources, prompts, seeds, métadonnées et chemins. Un environnement client doit préciser où les sorties sont stockées, quels modèles sont téléchargés et quels tokens sont configurés.
Modèles, VRAM et validation des rendus
À retenir : l'assistant peut aider à choisir et câbler des modèles, mais la qualité visuelle et les droits d'usage restent à valider. Automatiser ComfyUI ne règle pas les contraintes de contenu.
Modèles et packs
Le README mentionne des skills de familles de modèles, un registre de modèles, CivitAI, des installer packs et des workflows prêts à charger. Ces éléments peuvent accélérer un atelier : l'assistant sait quel sampler, CFG, résolution ou fichier modèle utiliser pour une famille donnée.
Mais télécharger un modèle n'autorise pas automatiquement son usage commercial. Les licences de modèles, données d'entraînement, droits d'image, politiques clients et règles de marque doivent être vérifiés séparément.
VRAM et erreurs
Le projet inclut un clear_vram, un watchdog qui avertit si moins de 1 Go de VRAM est libre, un monitor-progress WebSocket et des outils de diagnostic. C'est précieux, car ComfyUI échoue souvent pour des raisons de mémoire, nœuds manquants, dtype, CUDA, modèles absents ou graphes incompatibles.
Un workflow Educasium doit donc enseigner la boucle complète : créer ou charger, valider, exécuter, inspecter, corriger, comparer. Le rendu final doit être regardé, pas seulement déclaré réussi.
Comparaison avec Photoshop MCP
À retenir : ComfyUI MCP génère et orchestre des workflows IA ; Photoshop MCP automatise une application de retouche installée sur Windows.
| Besoin | ComfyUI MCP | Photoshop MCP |
|---|---|---|
| Génération image/vidéo par modèles IA | Très adapté | Indirect |
| Graphe de workflow visuel | Très adapté | Hors périmètre |
| Retouche PSD et calques Photoshop | Hors périmètre | Très adapté |
| Gestion VRAM et modèles | Très adapté | Hors périmètre |
| Automatisation de documents Adobe | Non | Oui, via Photoshop local |
Choisir selon la tâche
Pour générer une série d'images avec modèles, ControlNet, upscale ou vidéo, ComfyUI MCP est le bon outil. Pour ouvrir un PSD, ajouter du texte, manipuler des calques ou sauvegarder un document Photoshop, Photoshop MCP est plus direct.
Les deux peuvent se compléter : ComfyUI produit des variantes ou assets, Photoshop sert à retoucher, composer et préparer une livraison graphique.
Position Educasium
À retenir : Educasium présente ComfyUI MCP comme un atelier IA contrôlé, pas comme une boîte à images automatique. Le lecteur doit comprendre le graphe, les modèles, les ressources GPU et les droits.
Ce qu'il faut enseigner
Un bon exercice commence avec un workflow simple, puis ajoute une contrainte : référence d'image, upscale, fond transparent ou contrôle par pose. L'assistant doit expliquer les nœuds, vérifier les modèles nécessaires, lancer le rendu et lire les erreurs.
L'étape finale est critique : comparer les sorties, vérifier les artefacts, noter seed et paramètres, contrôler les droits du modèle et décider si l'image est exploitable. C'est cette discipline qui rend ComfyUI MCP utile dans un contexte professionnel.