先聊聊为什么一定要让ComfyUI先输出提示词，而不是直接生成图像——本质上是为了避免显存被白白浪费。你很可能也遇到过这种情况：参数调了半天，最后跑出来的画面里，孩子的手搭在积木塔顶上，积木塔却比孩子还高，整个空间关系完全错乱。因此，让模型先把“骨架”理清楚，再进行渲染，这才是最高效的做法。

具体该怎么操作？核心思路如下：利用真实照片反推空间结构，采用三段式结构锚定法撰写提示词初稿，再通过模块化拼接变量输出结构草稿，最后借助PreviewImage节点预览文本而非图像。

用ClipInterrogator反推原图空间结构

第一步，挑选一张真实的儿童玩具使用场景照片——比如孩子蹲在地板上拼乐高、毛绒熊斜靠在沙发边、积木散落在木地板缝隙中。关键是画面中必须有明确的主体、环境和互动痕迹。千万不要使用AI生成图或电商白底图作为输入，否则反推出来的全是通用模板词，与真实空间关系毫无关联。

操作非常简单：在ComfyUI中拖入LoadImage节点，上传照片，连接到ClipInterrogator节点，然后点击【添加提示词队列】运行。等待几秒后，它会输出3～5组英文描述。重点提取那些包含空间关系的短语——比如“child sitting cross-legged on hardwood floor, plastic bricks scattered within arm’s reach”就比“a child playing with toys”更精准地锁定了构图层级。如果出现“toy box in background, slightly out of focus”，说明模型已经识别了景深结构，这样的短语可以直接作为后续提示词的骨架句。

套用“三段式结构锚定法”撰写初稿

接下来，在CLIP Text Encode节点前插入一个「Structured Prompt Builder」节点（需要提前安装Easy-Use扩展）。然后按照三段式填写：

第一步，Role栏填写“你是一名早教中心视觉设计师，专为0–6岁儿童安全玩具拍摄生活化场景图”。这个角色设定会激活模型对低矮视角、圆角处理、无尖锐边缘等安全要素的隐式响应。

第二步，Task栏严格按空间顺序书写——例如“镜头俯拍角度→孩子手部特写正在搭第三块积木→积木堆高度不超过孩子胸口→右侧露出半截毛绒兔耳朵→地板有两道自然划痕延伸至画外”。这里的→符号不是装饰，而是强制模型按照这个物理顺序渲染，防止“毛绒兔”突然飘到孩子头顶。

第三步，Constraint栏输入“must show floor texture, no small parts detached, no glass reflection, no electrical cord visible”。所有以must开头的句子会被自动转为强排除项，比手动编写negative prompt更加稳定可靠。

用JSON脚本注入变量生成结构草稿

方法一：启用ComfyUI内置的“Text Concat”节点进行模块拼接。拖入四个String节点，分别命名为【主体动作】【地面材质】【道具状态】【安全约束】；右键每个节点，选择“Convert to Input”，将它们变成外部可修改字段。

举例来说：【主体动作】填写“toddler crouching, left hand pressing blue brick into stack”；【地面材质】填写“light oak floor with faint scuff marks near baseboard”；【道具状态】填写“two LEGO pieces snapped together, one yellow, one red”；【安全约束】填写“no loose bricks under 2cm diameter, no sharp corners visible”。

将这四段文本依次接入Text Concat节点，输出结果喂给CLIP Text Encode。注意，此时不要连接KSampler，只连接PreviewImage节点。运行后，你会看到纯文本输出框里跳出完整的结构化提示词，而不是图像。这就是我们想要的“先给结构”效果——可以逐段检查角色位置、道具逻辑、安全边界，确认无误后再连回KSampler正式渲染，避免反复重跑浪费显存。