在ComfyUI中优化提示词流程，核心目标非常明确：每次生成都要稳定、快速且可重复使用。不必依赖反复试错或手动输入，而是通过结构化输入和参数分离来实现。设想一下，如果每次都在CLIP Text Encode节点里手动敲入“masterpiece, best quality, 8K”，再反复修改光照描述，那么效率从一开始就被卡住了。

首先介绍一个关键思路：把高频出现的提示词片段（比如画质描述、通用负向词）从节点内部抽离出来，统一交由Text Concatenate节点管理。正向提示词主干通过一个CLIP Text Encode处理，而“cinematic lighting, sharp focus”这类修饰语则单独走另一个分支，最后用Concatenate合并输出conditioning。这样一来，调整光照风格时只需改动一个节点，既不会遗漏，也不会连接错误。

操作十分简单，直接将文件拖入即可。但要注意：不要把全部提示词都塞进同一个CLIP Text Encode——否则每次微调都需要重新计算所有文本嵌入，显存占用翻倍，而且中间结果无法复用。

用变量替代硬编码

这一思路的本质就是用变量替代硬编码。将高频词汇集中管理，主干与修饰语分两条路径执行，耦合度降到最低。

构建可切换的提示词分支

接下来考虑如何让工作流支持多种任务类型。无需复制粘贴整套节点，使用Primitive加Switch就能实现。

具体步骤如下：添加一个Primitive节点，类型选择“STRING”，默认值设为“portrait”；然后连接到ConditioningSetTimestepRange节点的timestep_start端口；再用Switch节点接收这个字符串，根据数值自动路由到不同的CLIP Text Encode分支——比如portrait分支输出人像专用提示词，landscape分支输出场景类提示词。所有分支最终汇入同一个KSampler的conditioning输入口。

这个结构的优势在于：切换用途时只需要修改Primitive中的文字，其他节点完全不动。一次搭建即可多任务复用。

权重分层控制：主次分离，避免冲突

提示词的权重分配也是一门精细操作。主体对象使用高权重，比如(a samurai:1.3)，确保角色结构优先被建模；风格或材质等辅助信息使用中等权重，比如[cyberpunk city:1.1]，防止压制主体；容易引发畸变的词汇（如“multiple arms”“extra fingers”）应放入负向提示词，并加权(deformed, mutated:1.4)，这比单纯写“deformed”生效更快。

经验表明，权重超过1.5后模型注意力容易失焦，尤其是在低CFG（如5–7）下更为明显。不是细节更强，而是画面开始崩散。因此控制好这个尺度非常关键。

接入自动补全插件提升输入效率

最后介绍一个提升输入效率的插件：ComfyUI-Custom-Scripts。安装后，在任意CLIP Text Encode的text输入框里键入“re”，按Tab键，会自动弹出“realistic, red, render, retro”等建议词；输入“anime”按Enter，直接插入“anime style, cel shading, clean lines”，并自动补上逗号分隔。LoRA模型名也支持联想，比如输入“epi”回车，自动填入“epicrealism”并附加括号权重格式“(epicrealism:0.8)”。

这个功能不改变工作流结构，但能将提示词输入时间从30秒压缩到3秒以内。批量调试时，差距立现。

总结一下：结构化提示词的核心在于变量管理、分支切换、权重分层和输入提速。把这四点做到位，出图效率自然能提升一个台阶。