企业官网建设流程全解析

在实际使用 ComfyUI 处理文本生成或 AI 绘画工作流时，我们经常会遇到一个需求：当工作流中集成了大型语言模型节点时，如何让 LLM 在生成文本的某个节点处“暂停”，以便我们插入自定义的提示词片段，或者复用之前精心调试好的提示词模板？更进一步，如何将这些可复用的提示词片段管理起来，形成一个高效的“提示词库”，避免每次都要手动复制粘贴或重新编写？这正是 ComfyUI 中“暂停文本”节点和“提示词库”工作流设计要解决的核心问题。

对于使用 ComfyUI 进行 AI 图像生成、视频制作或复杂多模态任务的创作者和开发者来说，掌握这项技能意味着能将工作流从线性的、固定的脚本，升级为模块化、可交互、可复用的智能管道。本文将以一个具体的“暂停 LLM 文本并创建可复用提示词库”工作流为例，带你从零开始理解其原理，搭建环境，实现节点连接，并最终构建一个属于自己的提示词管理模块。无论你是想优化 Stable Diffusion 的提示词输入流程，还是构建复杂的多步骤 AI 创作流水线，这篇文章都将提供清晰的路径和可落地的代码。

1. 理解 ComfyUI 中 LLM 节点的文本暂停机制

在深入操作之前，我们需要先厘清几个核心概念：ComfyUI 的工作流本质、LLM 节点的数据流，以及“暂停”在这里的真实含义。

1.1 ComfyUI 工作流与节点数据流

ComfyUI 是一个基于节点图的可视化编程界面，用于构建和运行 AI 模型（如 Stable Diffusion）的工作流。每个节点代表一个处理单元（如加载模型、编码文本、生成图像），节点之间的连线代表了数据的流动方向。数据（如图像张量、文本字符串、条件信息）从一个节点的输出端口流向另一个节点的输入端口，驱动整个工作流执行。

当我们在工作流中引入 LLM 节点（例如通过ComfyUI-ChatGLM3、ComfyUI-LLM-Vision或其他集成 OpenAI API 的节点），它的核心功能是接收一个文本提示（Prompt），调用背后的语言模型，并输出生成的文本。这个输出文本通常会作为下一个节点的输入，比如直接传递给 KSampler 作为正向提示词，或者经过进一步处理。

1.2 “暂停文本”节点的作用与原理

所谓的“暂停”，并非让 LLM 模型本身停止计算，而是在 ComfyUI 的工作流数据流中制造一个“断点”或“交互点”。标准 LLM 节点的工作模式是“输入 -> 处理 -> 输出”，一气呵成。而“暂停文本”节点的设计目标是在“处理”和“输出”之间插入一个手动干预的环节。

其典型的工作原理如下：

1. 数据挂起：LLM 节点生成的原始文本不会直接输出到下游节点，而是被临时“挂起”或存储在一个中间状态。
2. 提供编辑接口：这个中间状态通过一个特殊的 UI 组件（如文本输入框、按钮）暴露给用户。
3. 用户干预：用户可以在该 UI 组件中查看 LLM 生成的文本，并对其进行编辑、删减、补充，或者从预设库中选择一个模板进行替换或合并。
4. 继续执行：用户确认编辑后，触发“继续”操作，被编辑后的文本才会作为该节点的最终输出，传递给工作流中的下一个节点。

这样，我们就实现了对 LLM 生成内容的可控性编辑，而无需中断整个工作流的其他部分（如图像生成管线）。

1.3 构建提示词库的价值

如果每次暂停都只能手动输入，效率提升有限。提示词库的价值在于将“编辑”这一步标准化和模板化。

• 效率提升：将常用的场景描述、风格关键词、构图指令、负面提示词等保存为模板，一键调用。
• 质量稳定：避免手动输入错误，确保特定风格或要求下的提示词一致性。
• 协作与分享：团队可以共享一个提示词库，统一创作标准。
• 动态组合：可以从库中选择多个片段，与 LLM 生成的文本进行智能组合（如前缀、后缀、插入）。

在 ComfyUI 中，实现提示词库通常需要结合自定义节点开发，利用 JSON 文件、数据库或简单的 Python 字典来存储和管理模板。

2. 环境准备与必要插件安装

要实现带有暂停和提示词库功能的工作流，你的 ComfyUI 环境需要包含基础的 LLM 集成能力。以下是一个清晰的准备清单。

2.1 基础 ComfyUI 环境

首先，确保你有一个可运行的 ComfyUI 环境。对于大多数用户，使用整合包是最快捷的方式。

注意：如果你使用整合包，请确保其版本不是过于陈旧，以兼容较新的插件。

2.2 安装 LLM 相关插件与自定义节点

ComfyUI 本身不包含 LLM 功能，需要安装第三方插件。我们将安装一个支持 API 调用且易于集成的插件。

1. 安装ComfyUI-LLMVision或类似插件： 这个插件通常提供了连接 OpenAI、Claude 等 API 的节点，也常包含基础的文本处理节点。在 ComfyUI 根目录下的custom_nodes文件夹内，打开终端（或通过启动器进入安装菜单）执行：

   # 进入 custom_nodes 目录 cd ComfyUI/custom_nodes # 克隆插件仓库 git clone https://github.com/your-repo/ComfyUI-LLMVision.git

   替换your-repo为实际的插件仓库地址。安装后，重启 ComfyUI。

2. 安装支持“暂停”功能的自定义节点： 标题中提到的“暂停文本节点”可能是一个特定自定义节点的功能。你需要搜索如ComfyUI-PauseText、ComfyUI-Interactive或ComfyUI-PromptControl这类节点。安装方式同上。

   cd ComfyUI/custom_nodes git clone https://github.com/another-repo/ComfyUI-PromptControl.git

   如果找不到专门的暂停节点，我们也可以利用现有节点的组合（如Primitive节点配合工作流逻辑）或自己编写一个简单的节点来实现，这将在后续实现部分详述。

3. 验证安装： 启动 ComfyUI 后，在节点菜单中搜索LLM、Chat、Prompt、Pause等关键词，检查是否出现了新安装的节点。

2.3 准备 LLM API 密钥或本地模型

根据你安装的 LLM 插件要求，准备相应的后端服务。

• 云端 API（如 OpenAI GPT-4, Claude）：你需要拥有相应平台的账号，并创建 API Key。在插件的节点中通常需要填入这个 Key 和 Base URL。
• 本地模型（如 ChatGLM3, Llama.cpp）：你需要下载对应的模型文件（.bin,.safetensors等），并确保有足够的硬件资源（GPU 内存）。插件可能需要配置本地模型的路径和运行参数。

将 API Key 或模型路径信息记录下来，后续在节点配置中会用到。

3. 构建带暂停功能的 LLM 文本生成工作流

现在，我们开始构建核心工作流。假设我们使用一个集成了 OpenAI API 的LLMTextGenerator节点和一个自定义的TextPauseAndEdit节点。

3.1 工作流结构与节点连接

我们的目标工作流逻辑如下：

[文本输入] -> [LLM文本生成节点] -> [暂停与编辑节点] -> [最终文本输出]

在 ComfyUI 中具体操作：

1. 添加 LLM 文本生成节点：

   • 在节点面板搜索LLMTextGenerator或ChatGPT，将其拖入画布。
   • 配置节点参数：
     • api_key: 填入你的 OpenAI API Key。
     • model: 选择模型，如gpt-4-turbo-preview。
     • prompt: 连接一个Text节点，输入你的初始提示，例如：“Generate a detailed prompt for a fantasy landscape painting, include style and composition.”
     • max_tokens: 设置生成文本的最大长度，如 300。

2. 添加暂停与编辑节点：

   • 如果你安装了专门的TextPauseAndEdit节点，直接搜索添加。
   • 如果没有，我们可以用组合方式模拟：
     • 添加一个Primitive节点（类型选STRING），将其输出暂时断开。
     • LLM 节点的text_output连接到这个Primitive节点的输入。此时，运行工作流，LLM 会生成文本并显示在Primitive节点上，但不会继续向下传递。
     • 你需要手动复制Primitive节点上显示的文本，然后粘贴到一个新的Text节点中，再连接后续流程。这本质上是一种“手动暂停”。

3. 连接后续流程：

   • 将“暂停与编辑节点”的输出（或手动编辑后的Text节点的输出），连接到需要最终文本的节点。例如，连接到一个CLIP Text Encode节点，作为 Stable Diffusion 的正向提示词。

3.2 关键节点参数详解与代码逻辑

理解节点内部的逻辑有助于调试和自定义。以下是一个简化版TextPauseAndEdit自定义节点的核心 Python 代码逻辑：

import comfy.sd from comfy.sd import CLIP from nodes import common_ksampler import torch class TextPauseAndEdit: @classmethod def INPUT_TYPES(s): return { "required": { "input_text": ("STRING", {"multiline": True}), "mode": (["replace", "prepend", "append"], {"default": "replace"}), "library_key": ("STRING", {"default": ""}), }, "hidden": {"unique_id": "UNIQUE_ID"}, } RETURN_TYPES = ("STRING",) FUNCTION = "process_text" CATEGORY = "text processing" def __init__(self): # 模拟一个简单的提示词库 self.prompt_library = { "style_anime": "masterpiece, best quality, anime style, vibrant colors", "style_realistic": "photorealistic, ultra detailed, 8k, realistic lighting", "negative_common": "lowres, bad anatomy, blurry, duplicate", } def process_text(self, input_text, mode, library_key, unique_id): # 1. 检查是否需要从库中提取文本 library_text = self.prompt_library.get(library_key, "") # 2. 根据模式组合文本 if mode == "replace" and library_key: final_text = library_text elif mode == "prepend": final_text = library_text + " " + input_text if library_text else input_text elif mode == "append": final_text = input_text + " " + library_text if library_text else input_text else: final_text = input_text # 3. 在实际的“暂停”节点中，这里会弹出一个UI让用户编辑final_text # 为了演示，我们假设用户直接确认了，返回最终文本。 # 真正的交互需要前端UI配合，这里仅展示逻辑。 print(f"[TextPauseAndEdit Node {unique_id}] Output: {final_text[:50]}...") return (final_text,)

关键参数解释：

• input_text: 上游 LLM 节点传入的待处理文本。
• mode: 定义提示词库内容与输入文本的合并方式。
  • replace: 直接用库中的模板替换整个输入文本。
  • prepend: 将库模板添加到输入文本的开头。
  • append: 将库模板添加到输入文本的末尾。
• library_key: 用于从内部字典（提示词库）查找对应模板的键名。

这个节点目前只是静态逻辑。一个完整的交互式节点需要定义前端 UI 模板（NODE_CLASS_MAPPINGS和NODE_DISPLAY_NAME_MAPPINGS），并在process_text函数中实现等待用户前端输入的逻辑。这涉及到 ComfyUI 自定义节点更高级的开发知识。

4. 实现可复用的提示词库管理系统

简单的字典存储只适用于演示。一个实用的提示词库需要持久化存储和方便的管理界面。

4.1 设计提示词库的数据结构

我们可以使用 JSON 文件来存储提示词库，结构清晰且易于读写。

// prompts_library.json { "version": "1.0", "categories": { "art_style": { "anime": "masterpiece, best quality, anime style, vibrant colors, detailed background", "oil_painting": "oil painting texture, impasto, classic art, rich colors, canvas feel", "cyberpunk": "neon lights, cyberpunk, futuristic city, rain, synthwave, detailed" }, "composition": { "close_up": "close-up shot, portrait, detailed eyes, facing viewer", "wide_shot": "wide angle, epic scene, vast landscape, cinematic lighting" }, "negative": { "common": "lowres, bad anatomy, blurry, duplicate, error, extra limbs", "nsfw": "nsfw, nude, sexually suggestive" } } }

4.2 创建支持文件读取的增强节点

修改之前的节点，使其能够从外部 JSON 文件加载提示词库。

import json import os class TextPauseAndEditWithLibrary: @classmethod def INPUT_TYPES(s): # 尝试从文件加载库键名作为下拉选项 library_options = ["None"] lib_path = os.path.join(os.path.dirname(__file__), "prompts_library.json") try: with open(lib_path, 'r', encoding='utf-8') as f: data = json.load(f) for category, items in data.get("categories", {}).items(): for key in items.keys(): # 使用 category:key 作为唯一标识 library_options.append(f"{category}:{key}") except FileNotFoundError: print(f"Warning: Prompt library not found at {lib_path}") return { "required": { "input_text": ("STRING", {"multiline": True}), "action": (["view_only", "prepend_lib", "append_lib", "replace_with_lib"], {"default": "view_only"}), "library_selection": (library_options, {"default": "None"}), }, } RETURN_TYPES = ("STRING",) FUNCTION = "process_text_with_lib" CATEGORY = "text processing" def load_library(self): lib_path = os.path.join(os.path.dirname(__file__), "prompts_library.json") try: with open(lib_path, 'r', encoding='utf-8') as f: return json.load(f) except Exception as e: print(f"Error loading prompt library: {e}") return {"categories": {}} def process_text_with_lib(self, input_text, action, library_selection): final_text = input_text lib_content = "" if library_selection != "None": # 解析 category:key cat, key = library_selection.split(":", 1) library_data = self.load_library() lib_content = library_data.get("categories", {}).get(cat, {}).get(key, "") # 根据用户在前端选择的 action 执行操作 # 注意：这里 action 应来自前端交互，为演示我们直接使用参数 if action == "prepend_lib" and lib_content: final_text = lib_content + " " + input_text elif action == "append_lib" and lib_content: final_text = input_text + " " + lib_content elif action == "replace_with_lib" and lib_content: final_text = lib_content # view_only 模式直接返回 input_text return (final_text,)

这个节点通过library_selection下拉菜单，动态加载 JSON 文件中的分类和键名，让用户可以直接选择预定义的提示词片段。

4.3 集成到完整工作流并测试

1. 保存节点代码：将上述 Python 代码保存为text_pause_library.py，放入你的custom_nodes目录下的一个插件文件夹内（例如ComfyUI-PromptLibrary），并确保有正确的__init__.py文件导出该类。
2. 创建 JSON 库文件：在同一目录下创建prompts_library.json，填入你的提示词模板。
3. 重启 ComfyUI：使新节点生效。
4. 构建测试工作流：
   • Text节点 ->LLMTextGenerator节点 ->TextPauseAndEditWithLibrary节点 ->CLIP Text Encode节点。
   • 在TextPauseAndEditWithLibrary节点上，选择action和library_selection。
5. 执行与验证：
   • 点击“Queue Prompt”运行工作流。
   • LLM 节点会生成文本并传递给我们的自定义节点。
   • 观察自定义节点的输出，检查是否按预期（前置、追加、替换）合并了提示词库中的内容。
   • 最终编码后的提示词应能正确引导图像生成。

5. 常见问题排查与调试指南

在实现过程中，你可能会遇到以下问题。

5.1 节点加载失败或找不到

5.2 LLM 节点无响应或报错

5.3 自定义节点逻辑错误

5.4 提示词库管理问题

6. 生产环境最佳实践与扩展方向

将实验性的工作流转化为稳定、可协作的生产力工具，需要考虑更多因素。

6.1 安全与配置管理

• 分离敏感信息：绝对不要将 API Key 等硬编码在节点或工作流 JSON 中。应使用环境变量或 ComfyUI 的配置管理功能（如果插件支持）。对于自定义节点，可以设计一个配置节点，从外部文件或环境变量读取密钥。
• 工作流版本化：将最终调试好的、包含节点连接关系的工作流 JSON 文件保存起来，并纳入版本控制（如 Git）。这样可以在不同环境间迁移和回滚。
• 提示词库版本化：prompts_library.json也应进行版本控制，记录每次的修改，便于团队协作和追溯。

6.2 性能与稳定性

• LLM 调用优化：对于高频使用的工作流，考虑以下策略：
  • 缓存：对相同的 LLM 输入提示进行结果缓存，避免重复调用产生费用和延迟。
  • 异步处理：如果工作流允许，将 LLM 调用设置为异步，避免阻塞整个图像生成管线。
  • 降级方案：当主要 LLM API 不可用时，是否有备用的本地小模型或规则引擎可以生成基础文本。
• 错误处理与日志：在自定义节点中增加完善的异常捕获和日志记录。将关键信息（如用户选择、最终生成的提示词、错误信息）记录到文件，便于排查问题。

  import logging logging.basicConfig(filename='comfyui_prompt_library.log', level=logging.INFO) class YourNode: def process(self, ...): try: # ... 业务逻辑 logging.info(f"Processed with selection: {library_selection}") except Exception as e: logging.error(f"Node error: {e}", exc_info=True) # 返回一个安全的默认值，避免工作流完全中断 return ("Error occurred, using default prompt.",)

6.3 扩展功能设想

• 可视化提示词库管理界面：开发一个独立的 ComfyUI 节点或外部网页，提供对prompts_library.json的增、删、改、查操作，支持分类管理和预览。
• 动态提示词组合：不止是前置/后置/替换，可以实现更复杂的逻辑，如根据关键词自动从库中选取多个片段组合，或实现简单的条件判断（如果输入文本包含“人物”，则自动添加“肖像光照”库片段）。
• 与图像生成参数联动：将提示词库的选择与采样器参数（如 CFG Scale、步骤数）或模型选择（如基础模型、LoRA）联动。选择“动漫风格”提示词时，自动切换到对应的动漫风格模型和较低的 CFG Scale。
• 集成外部知识库：将提示词库升级为连接向量数据库（如 ChromaDB）的知识库。LLM 节点可以先从知识库中检索相关的风格描述和案例，再生成或优化最终提示词，实现更精准的控制。

通过将 LLM 的生成能力与可暂停、可编辑、可复用的提示词库相结合，你能在 ComfyUI 中构建出真正强大且灵活的创意流水线。核心在于理解数据流，合理设计自定义节点的输入输出接口，并将可变的部分（如提示词模板）外置为可配置的资源。从实现一个简单的 JSON 文件库开始，逐步迭代，最终可以形成一套适配你个人或团队独特工作方式的智能创作系统。