要在ComfyUI中实现“用户输入初步想法→AI主动追问细节→再生成Logo设计”的动态交互逻辑，默认的一步到位工作流显然无法胜任。常规工作流是一次性的：输入提示词，直接出图，完全没有“对话”的过程。

如何绕过这一限制？必须借助LLM节点和条件分支，模拟出一种“追问-确认”的循环。ComfyUI本身不内置对话状态管理，因此需要依赖外部插件和节点组合来搭建这个架构。

搭建具备追问能力的LLM推理环境

首先安装自定义节点插件：ComfyUI-LLM-Chat，这不是官方自带的组件，需要前往GitHub手动下载release包，解压后放入custom_nodes目录。重启ComfyUI后，节点列表中就会新增ChatLLM、ChatInput、ChatOutput等节点。

这一步至关重要，切勿跳过。原生ComfyUI中的CLIPTextEncode仅支持单次编码，既无法记忆上下文，也无法主动追问。这是整个交互工作流的基础，缺少此步骤，后续所有环节都无法实现。

构建支持追问逻辑的提示词工作流

方法一：利用ChatLLM节点配合条件判断，模拟“追问-确认”循环

1. 将初始需求（例如“科技感蓝色SaaS公司Logo”）输入ChatInput节点，并连接到ChatLLM节点的prompt输入端；

2. 关键步骤：在ChatLLM的system_prompt中写入明确的指令，内容如下：【如果用户描述缺少风格、图形元素、文字缩写、目标受众中的任何一项，则仅输出一句追问，格式为“请补充：[缺失项]？”；否则，输出完整的Logo提示词，格式为“logo design, [用户原意], [补充细节]”】；

3. 将ChatLLM的输出接入SplitText节点，使用正则表达式^请补充：判断结果究竟是追问还是完整提示词；

4. 如果匹配到“请补充：”，则将该追问文本发送至前端显示，同时阻断后续的图像生成流程，让用户继续补充回答。如果不匹配，说明信息已齐全，再将完整提示词送入常规的CLIPTextEncode → KSampler → SaveImage链路，生成Logo。

方法二：使用PromptSchedule节点按阶段注入（前提是追问的点已知且固定）

如果每次需要追问的内容都是预先设定好的，例如必须询问“主视觉图形”和“是否包含公司英文缩写”，那么可以在工作流中预置两个TextInput节点，初始状态设为不可用。通过Button节点触发启用，待用户填写完毕后，PromptSchedule节点按时间轴将三段内容拼接：第一段为基础要求，第二段为图形描述，第三段为文字处理方式。

这个方案虽然简单，但存在明显短板：缺乏动态判断能力。即使用户在第一行就已经提供了所有信息，系统仍然会机械地弹出两个输入框要求填写。因此，这种方法更适合流程完全固定的场景。

确保追问结果切实提升图像质量

追问得到了补充信息，但如何保证这些细节能够真正确体现在最终生成的Logo上？

第一步：在CLIPTextEncode前面插入一个ConditioningCombine节点，将追问后获得的完整正面提示词与固定的负面提示词（例如“text, words, letters, photorealistic, photo, blurry”）合并。这样做的目的是压制不想要的元素。

第二步：调整采样参数。KSampler的步数建议设为≥30，CFG scale控制在7–9之间。追问所带来的细节——矢量感、负空间利用、图形隐喻——只有在足够高的采样精度下，模型才能准确理解并呈现；精度过低则容易模糊。

第三步：如果有条件，改用Logo专用VAE，例如vae-ft-mse-840000-ema-pruned.safetensors。这款VAE对几何线条和高对比色块的解码更加稳定、清晰。追问后新增的“极简”“对称”“负形”等关键词，使用普通VAE可能会被弱化，而换用这款VAE则能最大化保留这些细节。