ComfyUI提示词需分层设计：基础层拆解原子节点并分离正负提示，业务层用节点组或动态变量封装模板，编排层按DAG布局、打标签并加Conditioning Set Area防截断。
☞☞☞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☜☜☜
在ComfyUI中写出稳定、可复用、易调试的提示词，不是把一堆描述词塞进CLIP Text Encode节点就完事；而是要让每个词都落在它该起作用的位置，让修改一个发色不影响构图，切换一种风格不重写整段逻辑，调试时能一眼定位到是“赛博朋克”权重过高还是“阴天”被负面词误杀。
基础层：拆解原子节点，拒绝面条式堆叠
第一步：把“正面提示词”和“负面提示词”彻底分离，各自接入独立的CLIP Text Encode节点。别用一个节点拼接正负内容再切分——模型根本不会这样读，反而会让负面约束失效。
第二步：为每类语义功能分配专用节点。例如，“画质强化词”（masterpiece, best quality, 8K）单独走一个String Literal → CLIP Text Encode链；“主体描述”另起一路；“风格锚点”（cyberpunk, oil painting）再单独一路。这三路最终用Conditioning (Combine)节点加权合并。
第三步：在每个CLIP Text Encode节点后立刻接一个Preview Text节点。这一步不能省——【没有中间预览，你永远不知道哪段提示词实际被编码成了空字符串或乱码】。尤其当使用中文提示词时，全角逗号、隐藏Unicode字符会导致整个节点输出为空，但工作流仍能跑通，只出黑图。
业务层：用节点组封装高频模板
方法一：直接拖选已有节点→右键→“Create Group”。比如把“赛博朋克角色模板”打包：固定包含霓虹光效词（neon glow, volumetric light）、机械细节词（exposed wiring, hydraulic piston）、以及一组可调参数入口（如hair_color、outfit_type）。打包后，这个组对外只暴露3个输入口，内部结构完全隐藏。
方法二：用“Primitive”节点注入动态变量。例如，在String Literal里写入"{{hair_color}} hair, {{outfit_type}} armor"，再配合Python脚本或自定义节点做Jinja2渲染。这种方式适合批量生成100个不同发色的角色图，改一次模板，全量更新。
注意：别把所有模板都塞进同一个Group。角色模板、场景模板、光照模板必须物理隔离——混在一起会导致Conditioning向量维度错乱，KSampler报错“tensor size mismatch”。
编排层：DAG结构决定调试效率
第一步：从左到右严格按数据流向布局。左侧放所有文本源（String Literal、Load Text File），中间是编码与组合（CLIP Text Encode、Conditioning Combine），右侧是采样与解码（KSampler→VAEDecode）。任何反向连线或跨区域跳连，都会让逻辑链断裂。
第二步：给每条关键路径打标签。双击连线→在弹出框中输入语义名，例如“positive_style_input”或“negative_hands_filter”。这些标签会出现在鼠标悬停提示里，5分钟后回来调试时，你能立刻认出哪根线负责过滤手指畸变。
第三步：在KSampler节点前插入一个“Conditioning Set Area”节点。这步看似多此一举，但它能把合并后的Conditioning向量显式截断并重置上下文长度，避免长提示词触发CLIP tokenizer的截断bug——【超过77 token的提示词，不加此节点大概率丢失后半段语义】。
