2. 提示词规则详解上一篇文章我们聊了ComfyUI的基本安装和节点连接逻辑这次专门把提示词这块掰开揉碎讲讲。标题虽然挂着“从入门到精通二”但这篇更适合当作一份提示词操作手册来用不管你是在WebUI里写过提示词还是刚接触ComfyUI被一大堆节点整懵这篇都能帮上忙。ComfyUI里提示词的工作方式和WebUI有一个本质区别在WebUI里你只是往一个文本框里输入文字而在ComfyUI里提示词是被拆成节点、接线、再由不同的采样器去处理的信息流。说白了提示词在ComfyUI中不再是一段“文字”而是一种“数据”。这个认知一旦建立起来后面所有规则都好理解了。这篇博文我会围绕提示词的输入位置、格式规则、加权语法、前后台词条顺序的影响、动态提示词写法、常见坑点这几块展开。里面涉及的例子都是我实际调试工作流时用过的你直接照抄也能跑但不建议无脑抄最好理解每条规则背后的模型逻辑再去做改动。2.1 提示词在ComfyUI里的三个关键位置很多新手容易忽略一个事实ComfyUI不是只有一个地方能写提示词。从你加载默认工作流开始提示词相关的节点就有好几个先分清它们各自的角色后面才不会混乱。第一个位置是CLIP Text Encode节点也叫正向提示词节点。它接收一个字符串输入然后通过CLIP模型把这段文字编码成特征向量供后续采样器使用。这个节点是大多数工作流的主力提示词入口。第二个位置同样是CLIP Text Encode节点但接在条件输入的另一侧通常被称为负向提示词节点。它的输出同样也是文本编码但因为连接到了采样器的negative参数上所以作用变成了“告诉模型不要生成什么”。第三个位置是KSampler节点中与文本提示词间接相关的参数区包括seed、cfg、steps等。严格来说这不是提示词输入位置但采样器读取的是前面文本编码后的结果所以CFG数值的设定会直接影响提示词被遵循的强度。可以这样理解同样是“一只猫”的提示词CFG为2和CFG为10出来的图差异会非常大。第四个容易被忽视的位置是文本文件加载节点。ComfyUI里可以通过Load Text File节点读取外部的txt文件作为提示词输入这个在批量生成和自动化工作流中特别实用。没人规定提示词必须手动输入从文件、表格甚至数据库里拉取都可以。理解了这四个位置后你会意识到在ComfyUI中“提示词从哪里来”是个可以高度定制的问题。你可以让所有正向提示词来自同一个文本节点然后通过ConditioningCombine和ConditioningConcat把多组文本编码合并形成更复杂的条件信号。这个能力WebUI暂时没开放给普通用户但在ComfyUI里只是几根线的事。2.2 提示词的基本格式规则提示词本身遵循自然语言风格加关键词组合的方式。虽然底层是CLIP模型做文本编码但写成什么样对生成结果影响很大。我整理了三条最基本但也是最重要的格式规则这三条是后面所有高级写法的地基。规则一使用英文逗号分隔不同概念。中国用户习惯使用中文逗号但在提示词里必须用英文半角逗号否则CLIP会把整段文字视为一个连续语义片段。实测中中文逗号很容易导致相邻概念被模糊合并比如“一只猫蓝色背景”和“一只猫,blue background”的语义隔离程度完全不同。英文逗号的作用相当于给模型一个“这是两个独立概念”的分隔信号。规则二名词性短语优先。CLIP模型是在图文对上训练的它对名词的响应最稳定对动词和抽象形容词容易漂移。“a red car”比“make the car red”稳定得多“golden hour lighting”比“beautiful lighting”效果好得多。原因是训练数据里的图片标题基本都是名词短语模型更熟悉这种模式。规则三避免长句和复杂从句。尽量把提示词拆成短片段。比如“a beautiful young woman sitting on a wooden chair in front of an old brick wall”这种长句可以改成“beautiful young woman, sitting on wooden chair, old brick wall background, front view”。分段式写法的好处是每个概念都能被模型更清晰地解析不容易出现特征混淆。这有点像厨师配菜每样食材单独备好下锅时才不会糊成一团。这三条规则看着简单但实际运行中能解决八成以上的“生成结果和预期不符”问题。我见过太多人把英文作文直接丢进提示词框里出图效果自然一言难尽。记住提示词写给模型看不是写给语法老师看短语化、名称化、短促化是基本素养。2.3 权重语法控制每个词条的影响力提示词权重是ComfyUI进阶途中绕不开的关卡。默认情况下所有词条的权重是相同的但实际生成中你需要让模型更关注重点元素这时就要用到权重语法。ComfyUI直接支持WebUI风格的权重修饰符号主要有三种写法第一种是括号增强法即在词条两侧加上半角圆括号权重默认增强1.1倍写成(red dress)。层数越多权重越高三层就是1.1的立方约1.331倍。同理中括号表示减弱写成[red dress]时权重默认降低到0.91倍左右。大括号也有特殊含义不过用得相对少。第二种是显式权重法在括号内冒号后直接写数值写成(red dress:1.3)表示把“red dress”的权重设为1.3倍。这种写法最直观也是我最推荐的方式。数值可以大于1也可以是0到1之间的小数分别代表增强和减弱。实测中权重超过1.5后容易导致画面过饱和或伪影建议1.0到1.5之间细心调。第三种是注意力控制法在词条末尾添加加号或减号比如red dress表示累积增强red dress---表示累积减弱。这种方法在WebUI老版本里更常见ComfyUI的新版本依然支持但效果不如显式权重法稳定。权重语法在ComfyUI中同样适用于负向提示词。需要注意负向提示词里的权重增强和正向逻辑不完全相同。比如在负向里写(bad hands:1.3)实际上是在告诉模型“更强烈地避免出现坏手”这个表述很多人理解反了以为是在负向里加强修正力度其实它的意思是加重这个负面标签的语义权重让模型更坚决地避开这个东西。关于权重我最想强调的一点是权重是相对概念不是绝对概念。当你把所有词条都写在1.3以上模型区分度反而会下降。就像一堆人大声说话每个人都提高嗓门结果谁也听不清谁。合理的权重分配应该是大部分词条保持在1.0左右只给核心元素1.2到1.4的权重。2.4 词条顺序注意力从前往后递减提示词的排列顺序对整个生成结果有实际影响这一点很多教程一笔带过但实际调试时影响极大。CLIP模型对文本编码时会为每个token生成一个注意力权重矩阵。不同位置的token在处理过程中会经历不同的关注度分配整体趋势是前面的词条获得更多注意力。理解这个机制后你应该按这个优先级去排词序第一优先级画面主体。比如人物角色、核心物体放在最前面。第二个优先级主体特征。比如外貌描述、服装细节、姿态动作紧跟主体之后。第三个优先级环境氛围。包括场景、背景、光照、色调放在中后部。第四个优先级风格修饰。画风、艺术流派、镜头语言、画质描述通常放在尾部。举一个实际例子生成一张“中世纪骑士在城堡前的肖像画”错误版本castle, medieval knight, portrait painting, dramatic lighting, highly detailed, armor, sword正确版本medieval knight, full body armor, castle background, dramatic lighting, portrait painting, highly detailed两者内容几乎一样但顺序不同导致模型对“谁是这个画面的主角”理解完全不同。错误版本里“castle”排第一生成的画面很容易把城堡当作视觉重心正确版本把knight放在首位画面自然围绕骑士构建。这里还有一个细节采样器每一步去噪时都在重新利用这些条件信号。权重分配决定了每个概念对潜空间特征的“引导强度”位置靠前的词条在早期去噪阶段就锚定了画面结构靠后的词条更多影响细节。所以如果主体位置和特征位置写反了就会出现“姿势对了但长相不对场景对了但角色不像”的诡异效果。负向提示词的顺序也同理质量类的负面词条blurry, low quality, deformed放在前面具体元素类的负面词条放在后面。为什么不推荐所有负面词条混排因为模型需要优先“知道”哪些全局性问题是绝对不要出现的在负向里如果某个具体元素的优先级超过“low quality”模型有可能会在尝试避免那个元素时牺牲画质。2.5 标签式写法与自然语言写法的选择关于提示词到底用标签式写法还是自然语言写法社区里一直有争论。我的结论是两者不矛盾关键看你用的模型是什么以及在哪个节点输入。SD 1.5系列模型对标签式写法的响应非常稳定。BNK、Anything V5、Realistic Vision这些模型都是用标签库训练的风格你写“1girl, long hair, blue eyes”这种逗号分词的标签组合模型的每个概念都能准确对应训练数据中的图像特征。此时如果改用完整句子效果反而会出现偏差。SDXL系列模型对自然语言的适应能力明显提升。SDXL在训练时引入了更多自然语言描述的caption方式所以“(1girl), (long hair), (blue eyes)”这种标签式写法在SDXL上虽然也能用但写完整句子如“a girl with long hair and blue eyes wearing a white dress”效果也不差甚至在一些细节元素上会更细腻。ComfyUI里有一个实用技巧在同一个工作流中串联多个CLIP Text Encode节点用ConditioningConcat把自然语言节点和标签式节点的输出合并。这样既保留了自然语言的语义丰富度又利用了标签式写法的精确引导。这种组合方法在生成复杂画面时效果远好于只用一种格式。举个实际案例我需要生成“穿着红色汉服、坐在竹林里弹古筝的女性”自然语言节点里写“A woman in red hanfu playing Guzheng in bamboo forest, soft cinematic lighting”标签式节点里写“(1girl:1.2), red hanfu, long black hair, bamboo, ancient style, masterpiece”。两者合并工作流跑出来的图和单独用任何一种写法相比主体特征更稳定、环境氛围更到位。需要注意的是两者合并时不要出现同一元素的互相矛盾。比如一个节点写“red hair”另一个写“black hair”模型会处在拉扯状态最后出来的发色大概率是脏脏的暗红色。合并前先检查各节点的内容是否存在语义冲突。2.6 动态提示词规则让提示词动起来静态提示词只能预留一套方案动态提示词可以让你在同一套工作流里通过随机选择、组合、模板替换来生成大量不同画面。ComfyUI在这方面的扩展能力很强我这里介绍两种最实用的动态提示词思路。第一种是Dynamic Prompts节点。这个节点支持大括号枚举和通配符扩展。写法如下{pink|blue|white} dress 表示每次执行时随机从pink、blue、white中选一个。a beautiful girl in a {beautiful|cozy|summer} room配合通配符随机循环。这个节点在批量生成不同风格变体时非常好用缺点是随机性较高难以精确控制某个特定组合。第二种是自定义函数节点。如果你会一点Python可以写一个简单的函数节点从CSV表格中随机读取提示词片段并组合。这种方式自由度最高适合想把提示词和业务逻辑结合的用户。例如你有一个商品列表每个商品有颜色、风格、背景三列属性写个节点随机组合这三个属性就能批量输出商品展示图的提示词序列。动态提示词的一个重要规则是“随机不等于乱”。在枚举中保持逻辑一致性很关键比如主体特征和场景描述要匹配不然会出现“沙漠背景配雪地靴”这种违和组合。建议在枚举分组时把主体特征、动作姿态、环境场景、光照风格分成独立分组这样随机组合时元素之间相对兼容。另一种动态扩展是把提示词时间线化常用于视频生成。在AnimateDiff相关的视频工作流里不同帧可以设定不同的提示词片段比如第一帧“sunrise, cool tone”, 中间帧“noon, warm tone”最后一帧“sunset, orange sky”。用Prompt Schedule节点根据帧号切换提示词就能生成具有时间演变效果的视频。这里要提醒一步切换变化不能太剧烈两个相邻帧的提示词语义差异过大会导致闪烁跳变建议在关键帧之间做语义插值。2.7 提示词数量与信息密度的平衡提示词是写得越多越好吗显然不是。根据我实际调试的经验提示词数量和信息量之间存在一个最优区间。SD 1.5模型通常建议15到50个tokenSDXL可以承载50到100个token。token就是文本编码器的最小计算单元一个英文单词通常对应1到2个token但含义稍微复杂一点的短语会占据更多。所以SDXL大约能写60到80个有效英文单词。这个上限来自CLIP模型本身的文本编码长度超过后多出的部分会被截断或合并反而干扰已有内容。但token上限只是硬限制真正需要关注的是语义密度。同样是50个token全写“beautiful, masterpiece, best quality”这种质量垫词和写“cyberpunk street, rainy night, neon signs, reflection on wet asphalt”这种具体描述信息生成效果天差地别。我有个习惯每写一个词条都自问一下“这个描述是否给模型创造了新的约束信息”。如果答案是“否”这个词条就应该考虑删掉。比如“amazing”、“wonderful”这类情感评价词对生成结果几乎没有约束力可以舍弃。“highly detailed”虽然也不属于具体约束但它对采样器的细节润饰阶段有一定作用所以可以保留但不宜过多。提示词的头部和尾部可以留几个固定的质量词位作为画质锚点。中间部分全力填充具体内容。质量词的数量控制在3到5个之间就够了。具体内容词条的数量根据画面复杂度来定建议一个画面元素对应2到3个属性描述不贪多。2.8 负向提示词的编写规则负向提示词在WebUI里被大量讨论在ComfyUI里实际上也是一样的道理。很多人刚入门时直接留空负向提示词结果高概率出废图白白浪费时间和显存。负向提示词的核心作用是约束采样器的探索空间。扩散模型的生成过程可以看作是在潜空间里逐步收敛采样器每一步都在“预测”最符合条件信号的数据分布。如果正向条件给得很具体但负向条件完全空白模型在去噪过程中可能会向一些常见劣质特征偏移比如模糊边缘、畸形手指、低画质纹理。负面提示词的编写规则可以总结为三类第一类是质量类负面词条包括low quality, worst quality, blurry, out of focus, lowres, jpeg artifacts等。这类词条是通用防护栏任何模型都建议保留。第二类是结构类负面词条包括deformed, disfigured, mutilated, bad anatomy, bad hands, extra fingers等。这类词条专门约束生物结构的合理性。不同模型的畸形表现差异很大比如SDXL对bad hands的处理就不如专门训练的模型所以写负面词条前先摸清模型短板。第三类是特定元素负面词条比如text, watermark, signature, frame, border等用于纯图像生成时排除多余文字或者watermark, artist name, copyright标志等用于防止图片水印污染。这类词条高度场景化按需添加。负向提示词的顺序有讲究。把最不希望出现的全局性问题放在最前面比如low quality和worst quality优先于bad hands。我在2.4节说过CLIP对前面的内容分配更多注意力负向里越靠前的词条模型越会优先避免。一个真实的调试案例我发现某模型在生成人物肖像时脸上总出现斑驳色块在负面里加了两个词条“skin blotch, uneven skin”顺序放在deformed之后、bad hands之前出图明显干净了许多。这种问题通常难在模型固有特征上只能通过负向去压制。2.9 常见提示词问题排查速查表实际使用中提示词相关的问题千奇百怪但高频问题其实就那么几类。我整理了一个速查表按症状分列方便大家对照排查。表格提示词问题排查速查表症状可能原因排查思路画面主体不明确主体词位置靠后或权重过低把主体词提到最前面或加上1.2以上权重元素特征互相混淆多个相似词条混淆排列检查是否存在 hair/dress 等属性张冠李戴调整顺序生成结果千篇一律seed固定且提示词质量词过多修改seed删减低信息量词条颜色杂、饱和度过高权重数值超1.5把过高的权重降到1.2到1.4输出空白图或黑色图正向提示词节点未连接或为空检查CLIP Text Encode是否真正接入采样器的conditioning输入角色容貌每次不同缺少具体面部特征描述增加face shape, eye color, distinctive features等特征词条负向无效负向词条权重过低或接错位置检查负向提示词是否接在negative conditioning输入权重建议1.0到1.3中文提示词效果异常使用了中文逗号或中文文本全部转为英文半角暂时保留少量中文核心名词的拼音或翻译切换模型后风格剧烈偏移提示词风格与模型特征不匹配了解不同模型的擅长风格调整提示词写法这个表格里第8条尤其值得注意。很多人习惯写“a cute 米菲 rabbit”把中文名词混进英文提示词里。虽然CLIP有时能理解但效果极不稳定建议全部转为英文艺名“Miffy”或干脆省略动漫角色名用描述代替。2.10 提示词与采样器的配合规则提示词规则从来不是孤立的它和采样器的参数设置密切相关。同一个提示词在不同采样器和步数下表现差异极大。CFG数值决定了提示词对生成过程的约束强度。CFG为1时提示词基本不起作用画面完全随机CFG为7时模型对提示词有较强遵循度同时保留一定的创作自由CFG超过15时模型容易被提示词“锁死”出现颜色过饱和、细节伪影等问题。不同采样器的最佳CFG区间不同DPM 2M Karras推荐7到9Euler a推荐5到7DDIM推荐7到11。步数也直接影响提示词呈现效果。步数过少时模型没有足够的去噪过程来充分响应提示词中的细节信息步数过多时后期会过度优化而损伤画面自然度。一般来说文本提示词中细节越丰富需要的步数越多。我建议采用DPM 2M Karras加20到30步这个组合能稳定处理大多数提示词。另一方面如果你的提示词里包含风格词条比如watercolor, oil painting, anime style等建议搭配CFG在5到7之间的中等偏弱约束。因为风格本身就是一种模糊概念过强约束容易让风格压过主体内容。反过来如果提示词里全是具体的内容词条希望严格还原画面CFG可以适当拉到8到10。还有一个容易被忽略的参数是sampler的start_step和end_step。在ComfyUI中你可以将一次采样分成两段前段用高CFG锚定主体结构后段用低CFG释放细节变化。这种方法适合“既想要主体固定又要细节丰富”的场景提示词在这种分阶段采样下的敏感度会大幅变化前期提示词对构图影响最大后期更多影响纹理。2.11 提示词工程的高级技巧Conditioning组合与Attention Mask这篇博文快收尾了再分享一个真正能让工作流质变的高级技巧Conditioning组合和Attention Mask。ComfyUI有个特性是WebUI拿不到的就是可以精确控制不同提示词对画面不同区域的作用范围。原理是CLIP Text Encode节点输出的conditioning不仅包含文本特征还包含一个空间范围掩膜。你可以为特定提示词绘制一个区域蒙版让“红色裙子”只影响画面中人物的裙子区域让“蓝色背景”只影响背景区域。实现方式是使用ConditioningSetMask节点。节点有三个核心参数conditioning是要作用的提示词编码结果mask是一个单通道灰度图strength控制影响强度。当你把“red dress”的conditioning经过ConditioningSetMask处理后再与其他提示词合并画面中只有mask对应的白色区域会受到这个词条的影响。这种技术对复杂场景控制非常有效。比如生成两张或多个人物的画面传统方法很难让每个人物有各自独立的特征因为有两个人时模型容易互相“串特征”。用Attention Mask把第一个人的衣服和发型约束在画面左半区把第二个人的特征约束在右半区出图后人物特征就能完美隔离。细节上需要注意mask的边界要柔和最好用羽化处理不然提示词影响范围截断太生硬会造成区域交界处的伪影。强度值建议从0.8开始试太强会让边界像贴纸一样突兀太弱则约束不住。还有一个相关技巧是使用多个CLIP Text Encode节点配合不同的CLIP模型。ComfyUI可以加载多个CLIP模型不同CLIP模型的语义理解侧重点不同。比如用SD1.5的CLIP做主体解读用SDXL的CLIP做风格描述然后通过ConditioningCombine合并有时能激发意想不到的丰富层次。2.12 值得养成的提示词管理习惯最后聊点不是技术但非常影响效率的事情提示词管理。玩ComfyUI时间久了手上会积累大量有效提示词组合如果不建立管理机制每次都要重新写一遍非常低效。我用的是组合文本加注释的方法。在每个工作流里放一个Note节点记录当前提示词的版本、用什么模型、CFG生效范围、显存占用等备注信息。这样保存工作流时提示词的使用背景也能一并存下来下次招回来时不用重新摸索。对于高频使用的提示词片段比如常用的负面词库、常见的风格描述、画质垫词可以保存成独立的.txt文件放在一个固定的提示词库目录里用Load Text File节点动态加载。这样改一处所有工作流同步生效不用一个个去改节点内容。同时也可以用PromptStyling节点管理不同风格模板。在prompt_styles.json里预设各种风格描述之后在节点下拉框里直接切换免去每次手打一长串风格词条的痛苦。最后说一个心态上的建议提示词写坏了是常态写好了才是偶然。每次出图后如果效果不对先在提示词里找原因再动参数。我遇到太多人一上来就乱改步数和CFG结果问题没解决还把一个本可以调好的工作流越改越乱。保持提示词的稳定变量一次只调整一个变量是ComfyUI调试的基本原则。