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。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。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。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。环境选项说明获取/安装方式秋叶一键整合包适合 Windows 用户内置了常用插件和模型管理工具开箱即用。从作者发布页如 B站、GitHub下载最新版本解压后运行启动器。官方源码部署适合需要深度定制或 Linux/macOS 用户通过 Git 克隆和 Pip 安装依赖。git clone https://github.com/comfyanonymous/ComfyUI然后根据官方 README 安装依赖。云端平台无需本地硬件直接使用在线服务。功能可能受限且自定义节点安装复杂。搜索提供 ComfyUI 服务的云平台注册使用。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。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。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。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。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”。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, encodingutf-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(fWarning: 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, encodingutf-8) as f: return json.load(f) except Exception as e: print(fError 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。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。重启 ComfyUI使新节点生效。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。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问题现象可能原因检查与解决步骤重启 ComfyUI 后在节点列表找不到新安装的节点。1. 插件未放置在custom_nodes目录下。2. 插件目录缺少__init__.py或__pycache__缓存问题。3. Python 依赖缺失。1. 确认插件文件夹在ComfyUI/custom_nodes/内。2. 检查插件主目录是否有__init__.py文件。可尝试删除插件目录下的__pycache__文件夹后重启。3. 查看 ComfyUI 启动日志或终端报错根据提示安装缺失的包 (pip install package_name)。节点显示红色提示“Missing node”或“Failed to load”。节点类定义有语法错误或引用了不存在的模块。1. 检查节点的 Python 文件是否有语法错误。2. 查看 ComfyUI 启动时的错误日志定位到具体文件和行号进行修复。5.2 LLM 节点无响应或报错问题现象可能原因检查与解决步骤LLM 节点长时间无输出最终超时。1. API Key 错误或余额不足。2. 网络问题无法访问 API。3. 本地模型路径错误或显存不足。1. 确认 API Key 正确且有效。检查对应平台的控制台确认是否有可用额度。2. 测试网络连通性。如果使用需要特殊网络环境请确保配置正确。3. 检查本地模型文件路径是否正确并通过任务管理器查看 GPU 内存占用。报错InvalidRequestError或Model not found。1. 指定的模型名称错误。2. API 端点 (Base URL) 配置错误。1. 核对插件文档使用正确的模型标识符。2. 如果使用第三方代理或本地部署的模型确保 Base URL 填写正确。5.3 自定义节点逻辑错误问题现象可能原因检查与解决步骤节点能运行但输出文本未按预期合并库内容未生效。1. JSON 文件路径错误或格式错误。2. 代码中解析library_selection的逻辑有误。3.action参数判断逻辑错误。1. 在节点代码中添加print语句输出lib_path和加载的library_data检查文件是否被正确读取。2. 打印library_selection的值确认其格式与代码中split(‘:’)的逻辑匹配。3. 检查if-elif逻辑分支确认当前action的值是否落入正确的分支。工作流运行时自定义节点导致 ComfyUI 卡死或无响应。节点代码可能存在死循环或同步阻塞操作如弹窗等待。1. 避免在节点处理函数中使用input()等同步阻塞操作。ComfyUI 是异步服务器。2. 复杂的交互应通过前端 UI 组件和 websocket 通信来实现。对于“暂停”功能可以考虑使用工作流本身的“队列”机制先中断等用户通过其他方式如修改节点参数后重新运行。5.4 提示词库管理问题问题现象可能原因检查与解决步骤新增的提示词模板在节点下拉菜单中不显示。JSON 文件已更新但节点下拉菜单选项在启动时已缓存。重启 ComfyUI 服务让节点重新执行INPUT_TYPES类方法加载最新的 JSON 数据。对于生产环境可以考虑实现一个“刷新库”按钮或定时重载机制。多人协作时提示词库无法共享。JSON 文件存储在本地。将 JSON 文件放在网络共享存储或版本控制系统如 Git中。或者将提示词库升级为使用轻量级数据库如 SQLite并通过一个简单的管理界面进行增删改查。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(filenamecomfyui_prompt_library.log, levellogging.INFO) class YourNode: def process(self, ...): try: # ... 业务逻辑 logging.info(fProcessed with selection: {library_selection}) except Exception as e: logging.error(fNode error: {e}, exc_infoTrue) # 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。