ComfyUI批量生成高还原度美食图需三步：①用实拍图嵌入锚定真实感语义；②拆解固化四类可验证词干并封装为LightMeal_Core自定义节点；③通过Slot或String Concat动态替换食材，统一负向过滤干扰项。
☞☞☞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中批量生成高还原度美食图时，每次手动拼接“焦糖布丁+柔光+浅景深+木托盘”这类提示词，容易漏掉关键物理细节或混入主观形容词，导致出图质感不一致、蒸汽不升腾、油光不反射。
用图像嵌入锚定真实感基准
拖入一个Load Image节点，加载一张你认可的美食实拍图（比如米其林餐厅拍摄的溏心蛋特写）→连接至Image to Latent→再接入CLIP Text Encode (cond)节点的conditioning输入口（不是text框！）。
这一步强制模型把所有文字描述校准到这张图的视觉语义空间里。没有它，“runny yolk”可能被理解成流质酱料而非半凝固蛋白包裹的琥珀色液体；有了它，模型会自动对齐你设定的真实感边界。
【必须用JPG或PNG原图，不能用网页压缩图；尺寸建议1024×768以上，过小会导致嵌入信息不足】
拆解并固化四类可验证词干
把原始提示词“steaming ramen bowl, glossy broth, tender chashu, nori sheet, soft bokeh background”逐字拆解：
① 主体结构：ramen bowl, chashu, nori sheet
② 可测物理状态：steaming, glossy broth, tender
③ 器皿与材质：ceramic bowl, bamboo chopsticks, dried nori
④ 镜头硬参数：Canon EF 100mm f/2.8L macro lens, f/4, studio softbox from upper left
删掉所有抽象风格词（如“delicious”“appetizing”），只保留能被摄影工业标准验证的实义词干。这些词干将作为后续所有菜品的底层提示词骨架。
封装为自定义节点LightMeal_Core
新建一个CLIP Text Encode节点，粘贴整合后的四类词干（用英文逗号+空格分隔）：“ramen bowl, chashu, nori sheet, steaming, glossy broth, tender, ceramic bowl, bamboo chopsticks, dried nori, Canon EF 100mm f/2.8L macro lens, f/4, studio softbox from upper left”。
右键该节点→选择“Convert to Custom Node”→命名为“LightMeal_Core”。这一步把真实感锚点+物理细节+镜头逻辑全部固化为单节点，后续所有轻食图都直接调用它。
注意：命名必须全小写+下划线，否则部分插件无法识别该自定义节点。
用Slot变量动态替换食材组合
方法一：用PromptGraph定义dish Slot
创建PromptGraph实例，添加名为“dish”的Slot，绑定字段：【main: "miso-glazed eggplant", side: "pickled daikon ribbons", garnish: "shiso leaf"】。再建两个CLIP Text Encode节点：一个输入“{main}, {side}, {garnish}”，另一个输入“LightMeal_Core”节点输出。两者conditioning合并后送入KSampler。
方法二：用String Concat节点拼接（无PromptGraph环境适用）
拖入三个Primitive文本框，分别填入“grilled octopus”“chickpea puree”“lemon zest”；再拖入String Concat节点，用逗号+空格串联三者输出；最后将Concat结果连入CLIP Text Encode的text输入口。
两种方式都确保：改一道菜，只动食材变量，不动任何画质、光影、镜头参数。
统一负向过滤非美食干扰项
新建一个CLIP Text Encode节点，填入负向提示词：“fried, greasy, burnt edges, blurry texture, plastic container, text overlay, watermark, spoon reflection, excessive steam”。
这个节点在整个工作流中只出现一次，所有正向分支共享它。不用每个菜品都重复写一遍“no fried”，避免CLIP编码器对同一语义反复计算。
