如果你在 Stable Diffusion 中用过 LLM 节点大概率遇到过这个场景精心设计了一段提示词想把它保存下来下次换个模型或换个风格时直接复用却发现无从下手。或者你希望 LLM 能根据你的指令在生成图像的某个环节“暂停”一下让你手动调整一些参数却发现流程是单向的、不可中断的。这不是你的问题而是很多 ComfyUI 工作流设计之初就存在的“一次性”痛点。工作流一旦运行就像开闸放水难以在中间环节进行精细化的控制和复用。今天要讨论的正是解决这个问题的核心技巧利用“暂停文本”节点将动态的 LLM 文本输出“冻结”成静态的、可复用的提示词库。这不仅仅是多了一个节点那么简单。它意味着你的工作流从“流水线”变成了“乐高积木”。你可以将 LLM 生成的优质描述、风格指令、角色设定保存为模板在未来的任何工作流中随时调用、组合和微调。本文将彻底拆解这个技巧从原理、安装到实战让你掌握构建个人提示词资产库的能力。1. 这篇文章真正要解决的问题从“一次性消耗”到“可复用资产”在传统的 AI 绘画流程中提示词Prompt的生成和使用往往是一次性的。你通过 LLM 节点如 ChatGPT、Claude 或本地大语言模型生成一段描述然后直接喂给文生图节点。这次生成了不错的图但这段提示词就此消失在下一次流程中。如果你想微调其中某个部分比如只改背景不改主体或者想把这套描述逻辑复用到另一个角色上就不得不重新跑一遍 LLM或者手动复制粘贴——效率低下且容易出错。更关键的是LLM 的输出具有随机性。同一段前置提示Pre-Prompt可能产生风格迥异的描述。当你偶然得到一段“神级”提示词时如何将它固化下来成为你工作流中一个可靠的、可随时调用的组件这就是“暂停文本”Pause Text节点的核心价值。它不是一个让流程物理暂停的按钮而是一个数据捕获与中转站。它的工作原理是在流程执行到该节点时将上游 LLM 节点输出的文本内容“捕获”并“暂存”起来。这个被暂存的内容可以手动编辑、可以复制、可以保存为文件更重要的是它可以作为一个静态的文本输入被下游的任何节点如图像生成节点、其他文本处理节点反复使用。因此本文要解决的不是一个简单的操作问题而是一个工作流设计范式的转变痛点LLM 生成的优质文本无法沉淀工作流耦合度高调试和复用成本大。解决方案引入“暂停文本”节点作为文本数据的缓存区和编辑站。最终目标教你构建一个属于个人的、可迭代的提示词库Prompt Library将偶然的灵感转化为稳定的生产力工具。2. 基础概念与核心原理理解工作流中的“数据流”与“控制流”要理解“暂停文本”节点的妙用首先要跳出“节点即功能”的视角从 ComfyUI 的底层逻辑——数据流Data Flow来看。2.1 ComfyUI 的数据流模型ComfyUI 的工作流本质上是一个有向无环图DAG。节点是处理单元节点之间的连线代表数据的流动。例如CLIP Text Encode节点输入是文本String输出是编码后的条件张量Conditioning。KSampler节点输入是模型、正负向条件、潜空间等输出是解码后的图像。绝大多数节点的执行是自动的、即时的数据到达节点处理然后传递给下一个节点。“暂停”在这个模型里并不是一个原生概念。所谓的“暂停”实际上是通过拦截和手动干预数据流来实现的。2.2 “暂停文本”节点的原理剖析“暂停文本”节点可能来自某个自定义节点包如ComfyUI-Pause或WAS Node Suite扮演了一个特殊的角色数据拦截器它接收上游的文本输入但并不立即传递给下游。而是将文本内容显示在一个文本框或界面元素中。人工编辑站此时工作流的自动执行在此节点“阻塞”。用户可以看到被捕获的文本并可以自由地编辑、润色、复制。数据发射器当用户点击“继续”或“发送”按钮后节点将当前文本框内的内容无论是原样还是修改后的输出给下游节点。这个过程并没有真正暂停 ComfyUI 的后台引擎而是在数据流路径上插入了一个需要人工确认的“闸门”。2.3 与普通“文本输入”节点的本质区别你可能会问我直接用“文本输入”节点手动写提示词不就行了何必多此一举文本输入节点是数据源头。内容完全静态由用户预先定义。它不关心上游发生了什么。暂停文本节点是数据中转站。内容动态来源于上游 LLM 的输出。它的价值在于“捕获动态生成的内容并将其静态化”。举个例子LLM 根据“科幻机甲”生成了一段包含复杂光影和材质的描述。通过“暂停文本”节点捕获后这段描述就变成了一个静态文本块。你可以将其复制到“文本输入”节点中保存也可以直接将其连接到一个新的“CLIP Text Encode”节点用于生成另一张图。此时你不再依赖 LLM 的随机性而是在一个确定性的优质起点上进行创作。3. 环境准备与前置条件在开始实战之前请确保你的 ComfyUI 环境已就绪并安装了必要的节点包。3.1 基础环境要求ComfyUI 本体确保你有一个正常运行的 ComfyUI 环境。无论是秋叶一键整合包、官方原生安装还是云端平台均可。Python 环境ComfyUI 依赖的 Python 环境通常整合包已内置。如需手动安装节点需要能在此环境中运行pip命令。LLM 节点确保你的 ComfyUI 中已安装并能运行某个 LLM 集成节点。常见的包括ComfyUI-LLM-Vision集成多种开源和 API 大模型。ComfyUI-ChatGPT集成 OpenAI API。其他支持Oobabooga Text Generation WebUIAPI 或Local LLM的节点。文本处理节点一些基础的文本拼接、替换节点可能有用但非必需。ComfyUI 自带的基础节点通常足够。3.2 安装“暂停文本”节点“暂停文本”功能可能存在于不同的自定义节点包中。以下是两种最常见的获取方式方式一安装集成节点包推荐给大多数用户许多功能强大的工具包都包含了暂停或交互式文本节点。打开你的 ComfyUI 根目录下的custom_nodes文件夹。使用 Git 克隆其中一个包例如功能全面的WAS Node Suitecd custom_nodes git clone https://github.com/WASasquatch/was-node-suite-comfyui.git重启 ComfyUI。在节点菜单中搜索Pause或Text寻找类似WAS_Text_Pause的节点。方式二安装专门的暂停节点包如果你只需要暂停功能可以寻找更轻量的包。在custom_nodes目录下搜索并安装如ComfyUI-Pause这样的专门节点包请注意具体包名需要根据社区最新情况在 ComfyUI 管理器中搜索或通过GitHub查找。cd custom_nodes # 示例实际URL需替换为有效的仓库地址 # git clone https://github.com/某个作者/comfyui-pause.git重启 ComfyUI 并搜索节点。验证安装重启后在节点面板右键搜索“pause”如果能找到相关节点如Pause Text即说明安装成功。如果找不到请检查节点是否安装到正确路径并查看 ComfyUI 启动日志是否有错误信息。3.3 一个关键的前置理解工作流文件与“提示词库”ComfyUI 的工作流保存为.json文件。这个文件记录了所有节点的类型、参数和连接关系。当你将一个包含“暂停文本”节点且已捕获了文本的工作流保存下来时那个被捕获的静态文本也会被保存在这个.json文件里。 这意味着你可以将一个个捕获了优质提示词的.json文件作为你的“提示词库”素材进行管理。下次使用时直接加载对应的.json文件那个静态的、优质的提示词就已经在流程里就位了。4. 核心流程拆解四步构建可复用提示词工作流让我们通过一个完整的场景来串联所有步骤使用 LLM 生成一个“赛博朋克咖啡馆”的描述捕获它并用它来生成图像。4.1 第一步构建基础文生图流程首先我们搭建一个最基础的、包含 LLM 的文生图流程。新建工作流。添加你的 LLM 节点例如LLMTextGenerator。配置好模型、API密钥如果需要和初始系统提示System Prompt比如“你是一个专业的场景描述师”。在 LLM 节点的“用户输入”中键入“请详细描述一个赛博朋克风格的深夜咖啡馆内部场景注重光影和细节。”将 LLM 节点的“文本输出”端口连接到一个CLIP Text Encode节点的text输入端口。照常连接Checkpoint Loader模型加载、KSampler采样器、VAE Decode解码和Save Image保存图像等节点。 此时运行工作流LLM 会生成描述并直接用于出图。但描述无法留存。4.2 第二步插入“暂停文本”节点这是关键的一步。我们要在 LLM 和文本编码器之间插入“暂停”节点。断开连接首先断开 LLM 节点“文本输出”与CLIP Text Encode节点text之间的连线。添加节点在节点菜单中找到并添加Pause Text或类似名称节点。重新连接将 LLM 节点的“文本输出”连接到Pause Text节点的text输入端口。将Pause Text节点的text输出端口连接到CLIP Text Encode节点的text输入端口。 现在你的数据流变成了LLM → Pause Text → CLIP Text Encode → ...。4.3 第三步运行、捕获与编辑现在运行工作流体验“暂停”的魅力。点击“Queue Prompt”运行工作流。流程会执行到 LLM 节点生成一段赛博朋克咖啡馆的描述文本。当数据传递到Pause Text节点时整个工作流的执行会停下来。ComfyUI 的界面通常会高亮该节点并在节点上或某个侧边栏显示一个文本框里面正是 LLM 生成的完整文本。此时你可以浏览与评估仔细阅读 LLM 生成的内容。编辑优化直接在文本框内修改文本。比如你觉得“霓虹灯”不够多可以手动加上“窗外布满巨大的、闪烁的繁体中文霓虹广告牌”。复制保存全选文本框内容复制到你的记事本或专业的提示词管理工具中。编辑满意后点击节点上的Continue、Send或Confirm按钮按钮名称因节点而异。工作流将继续执行将你编辑后的最终文本传递给CLIP Text Encode节点并完成图像生成。4.4 第四步复用与构建库一次成功的捕获后如何复用方案A直接复用当前工作流。保存这个.json工作流文件。下次打开时Pause Text节点里存储的就是你上次编辑好的最终文本。你可以直接运行或者稍微修改文本比如把“咖啡馆”改成“酒吧”再运行。这个.json文件本身就是一个提示词模板。方案B提取文本到静态节点。将Pause Text节点中最终的文本复制到一个新的Text Input文本输入节点中。然后你可以用这个Text Input节点替代原来的LLM - Pause Text链形成一个完全静态、可快速运行的优质提示词工作流。将这个工作流另存为一个新文件。方案C模块化组合。你可以创建多个这样的“捕获工作流”分别生成“人物描述库”、“场景描述库”、“风格指令库”。在创作复杂图像时加载这些工作流复制它们输出的静态文本通过“文本拼接”节点组合成一个全新的超级提示词。通过这四步你完成了从动态生成到静态捕获再到资产复用的完整闭环。5. 完整示例与代码实现一个可保存的提示词模板工作流由于 ComfyUI 工作流本质是 JSON 配置这里我将展示一个简化但完整的工作流 JSON 结构并附上关键节点的参数解释。你可以将此 JSON 导入 ComfyUI 进行测试和修改。5.1 工作流 JSON 结构示例以下 JSON 定义了一个包含 LLM 生成、文本暂停、静态文本备用输入和文生图的核心流程。请注意节点类型如LLMTextGenerator和属性名称需要与你实际安装的节点包一致。{ last_node_id: 10, last_link_id: 9, nodes: [ { id: 1, type: LLMTextGenerator, // 你的LLM节点类型 pos: [200, 100], size: { 0: 425, 1: 180 }, flags: {}, order: 0, mode: 0, inputs: [ { name: system_prompt, type: STRING, link: null, value: 你是一个专业的场景描述师擅长生成详细、生动、充满画面感的描述。 }, { name: user_prompt, type: STRING, link: null, value: 请详细描述一个赛博朋克风格的深夜咖啡馆内部场景注重光影和细节。 }, // ... 其他LLM参数如模型选择、温度等 ], outputs: [ { name: text_output, type: STRING, links: [2], slot_index: 0 } ], title: LLM 场景生成器 }, { id: 2, type: PauseText, // 暂停文本节点 pos: [500, 150], size: { 0: 400, 1: 300 }, flags: {}, order: 1, mode: 0, inputs: [ { name: text, type: STRING, link: 1, value: } // 连接来自节点1的输出 ], outputs: [ { name: text, type: STRING, links: [3], slot_index: 0 } // 输出到节点3 ], title: 文本编辑与捕获站, properties: { Node name for SR: PauseText } }, { id: 3, type: CLIPTextEncode, pos: [800, 200], size: { 0: 425, 1: 180 }, flags: {}, order: 2, mode: 0, inputs: [ { name: text, type: STRING, link: 2, value: }, // 来自暂停节点的文本 { name: clip, type: CLIP, link: 5, value: null } ], outputs: [ { name: CONDITIONING, type: CONDITIONING, links: [7], slot_index: 0 } ] }, { id: 4, type: TextInput, // 一个备用的静态文本输入节点用于保存最终提示词 pos: [500, 500], size: { 0: 400, 1: 200 }, flags: {}, order: 3, mode: 0, inputs: [], outputs: [ { name: text, type: STRING, links: [], slot_index: 0 } ], title: 【我的提示词库】赛博咖啡馆, widgets_values: [(这里是经过暂停节点编辑后最终确定的优质提示词。将其复制粘贴到这里保存。)\n赛博朋克深夜咖啡馆内部弥漫着蓝色与品红色的霓虹灯光。雨水在巨大的落地窗上划出痕迹窗外是闪烁的繁体中文全息广告。吧台由发光的亚克力板构成酒保是一个有着机械臂的仿生人。顾客们坐在复古的皮质卡座里身边漂浮着个人终端的光屏。空气中混合着合成咖啡的香气和臭氧的味道。景深虚化电影感光影细节丰富8K。] }, // ... 其他必要节点CheckpointLoader (id:5), KSampler (id:7), VAEDecode, SaveImage等 { id: 5, type: CheckpointLoaderSimple, pos: [200, 400], size: { 0: 315, 1: 98 }, flags: {}, order: 4, mode: 0, inputs: [], outputs: [ { name: MODEL, type: MODEL, links: [7], slot_index: 0 }, { name: CLIP, type: CLIP, links: [3], slot_index: 1 }, { name: VAE, type: VAE, links: [8], slot_index: 2 } ], title: 加载模型, widgets_values: [sdXL_v1.0.safetensors] }, { id: 7, type: KSampler, pos: [1000, 300], size: { 0: 315, 1: 262 }, flags: {}, order: 5, mode: 0, inputs: [ { name: model, type: MODEL, link: 5, value: null }, { name: seed, type: INT, link: null, value: 123456 }, { name: steps, type: INT, link: null, value: 20 }, { name: cfg, type: FLOAT, link: null, value: 7 }, { name: sampler_name, type: COMBO, link: null, value: euler }, { name: scheduler, type: COMBO, link: null, value: normal }, { name: positive, type: CONDITIONING, link: 3, value: null }, { name: negative, type: CONDITIONING, link: 6, value: null }, // 假设负向提示节点id是6 { name: latent_image, type: LATENT, link: 9, value: null } // 假设空潜空间节点id是9 ], outputs: [ { name: LATENT, type: LATENT, links: [8], slot_index: 0 } ] } // 节点8: VAEDecode, 节点10: SaveImage 等省略以简化示例 ], links: [ [1, 0, 2, 0], // LLM输出 - 暂停节点输入 [2, 0, 3, 0], // 暂停节点输出 - CLIP编码器输入 [5, 1, 3, 1], // CLIP模型 - CLIP编码器 [5, 0, 7, 0], // 模型 - KSampler [3, 0, 7, 6], // 正向条件 - KSampler // ... 其他连接 ], groups: [], config: {}, extra: {}, version: 0.4 }5.2 关键节点参数解释LLMTextGenerator节点你需要根据实际安装的LLM节点配置其参数如api_base,model,temperature,max_tokens等。system_prompt和user_prompt是控制生成内容的关键。PauseText节点此节点通常很简单主要是一个输入和输出。其核心功能是通过UI交互实现“暂停”JSON中主要记录其连接关系。TextInput节点id:4这个节点在本工作流中不参与实际执行它的输出没有连接到任何地方。它的作用是作为一个便签或存档位。当你通过PauseText节点得到满意的文本后将其复制到该节点的widgets_values中并保存工作流。这个文本就被永久记录在这个工作流文件里了。下次打开它就是你的起点。工作流复用当你加载这个保存的.json文件时有两种用法快速出图直接将TextInput节点id:4的输出连接到CLIPTextEncode节点id:3的输入并断开PauseText节点的连接。这样就直接使用保存好的优质提示词。重新生成保持原连接运行工作流。LLM会生成新内容并再次经过PauseText节点供你编辑。你可以将新的优秀结果更新到TextInput节点中不断丰富你的库。6. 运行结果与效果验证如何验证“暂停文本”节点工作正常并且你的提示词库构建策略是有效的6.1 验证节点工作运行与暂停导入或创建上述工作流。点击“Queue Prompt”。观察流程执行。你应该能看到 LLM 节点先运行可能有状态提示然后流程停住Pause Text节点被高亮并弹出一个包含文本的对话框或其界面内文本框变为可编辑状态。编辑与继续在文本框中任意修改几个词然后点击“Continue”。流程应继续最终生成一张图像。检查结果对比生成的图像其内容应该与你编辑后的文本描述相符而不是最初的 LLM 原始输出。这证明文本流被成功拦截并修改。6.2 验证提示词库的复用性保存工作流在Pause Text节点中编辑好一段完美提示词后不要点继续。先将这段文本复制到工作流中那个作为存档的Text Input节点中。然后保存整个工作流Save。重新加载关闭并重新打开 ComfyUI加载刚才保存的.json文件。静态复用断开LLMTextGenerator和PauseText节点的输出。将存档用的Text Input节点的输出连接到CLIPTextEncode节点。运行工作流。它应该跳过 LLM 生成和暂停步骤直接使用存档的静态文本出图。出图速度会快很多。内容一致性生成的图像应该与第一次使用编辑后文本生成的图像在风格和核心元素上保持一致。这说明你的提示词被成功固化并复用。6.3 效果对比有暂停 vs 无暂停无暂停的工作流LLM → 文生图。每次都是新内容不可控优质结果无法留存。有暂停的工作流LLM → (捕获/编辑) → 文生图。流程中多了一个人工质检和优化环节并且优质结果可以沉淀到工作流文件或文本节点中成为可复用的资产。7. 常见问题与排查思路在使用“暂停文本”节点和构建提示词库的过程中你可能会遇到以下问题问题现象可能原因排查方式解决方案找不到Pause Text节点自定义节点未安装或安装失败1. 检查custom_nodes文件夹是否存在对应节点包目录。2. 重启 ComfyUI 后在节点搜索框输入“pause”或“文本”。3. 查看 ComfyUI 启动终端或日志文件是否有该节点的加载错误。1. 使用 ComfyUI Manager 搜索安装。2. 手动 Git clone 后确保目录正确并重启。节点已添加但流程不暂停1. 节点连接错误。2. 节点需要特定触发方式。1. 检查Pause Text节点的输入是否正确连接了上游文本数据。2. 阅读该节点文档看是否需要启用某个“激活”开关。1. 确保数据流正确文本输出 → Pause Text (input) → Pause Text (output) → CLIP Encode。2. 尝试在节点属性中寻找active或enabled复选框并勾选。暂停后点击继续无反应1. 节点 UI 卡住。2. 下游节点有错误导致流程崩溃。1. 尝试刷新浏览器页面。2. 查看 ComfyUI 运行终端或浏览器开发者工具控制台 (F12) 的错误信息。1. 刷新页面后重新运行。2. 暂时断开Pause Text下游的所有连接先测试节点本身能否完成“继续”动作。保存的工作流再次打开Text Input节点内容丢失JSON 文件未正确保存或节点值未被序列化。检查保存的.json文件用文本编辑器打开搜索你的提示词内容看是否存在于对应节点的widgets_values字段中。1. 确保在保存前文本已正确粘贴到Text Input节点的输入框内。2. 使用 ComfyUI 的Save功能而非浏览器刷新。LLM 节点输出过长在暂停节点中显示不全或卡顿文本内容过大超出节点 UI 处理能力。检查 LLM 节点的max_tokens参数限制其输出长度。在 LLM 节点设置中减少max_tokens值如从 1000 改为 500或优化提示词让输出更简洁。想批量处理多个提示词并保存手动复制粘贴效率低。思考工作流设计目标。考虑使用“文本文件读取”节点将优质提示词按行保存在.txt文件中通过工作流循环读取。但这需要更复杂的流程控制节点如循环迭代。对于库的构建手动管理.json和.txt文件在初期更直观。8. 最佳实践与工程建议掌握了基本操作后以下建议能帮助你更专业、高效地运用此技术。8.1 提示词库的架构管理不要将所有提示词堆在一个工作流里。建议按类别建立库按主题分character_prompts.json角色库、scene_prompts.json场景库、style_prompts.json风格库。按模型分SDXL_prompts_library.json、SD15_prompts_library.json。不同模型对提示词的反应不同。按项目分为每个大型创作项目建立独立的工作流文件夹里面包含专用的提示词模块。每个库文件.json可以是一个“母版工作流”里面包含多个并排的、存储了不同提示词的Text Input节点并做好命名如【人物-精灵女王】、【场景-未来城市】。8.2 工作流的模块化设计将“提示词生成与捕获”和“图像生成”分离。模块A提示词工坊一个专门的工作流只包含 LLM 节点、Pause Text节点、多个存档用Text Input节点。它的唯一任务就是生产并归档优质提示词。模块B图像生成流水线另一个干净的工作流包含加载模型、采样器、解码器等。它从Text Input节点获取提示词。 这样设计模块A负责创意和积累模块B负责高效执行。你可以将模块A输出的文本手动或通过节点连接复制到模块B中。8.3 结合其他文本处理节点Pause Text节点可以与其他节点组合实现更强大的功能文本拼接在Pause Text之后连接一个Text Concatenate节点。这样你可以在暂停编辑后再自动拼接上一些固定的质量标签如“masterpiece, best quality, 8k”。文本替换使用Text Replace节点。你可以先让 LLM 生成一个包含占位符的模板如“一个{季节}的{地点}”。在Pause Text中确认模板后在下游用Text Replace节点动态替换{季节}和{地点}实现批量生成。8.4 版本控制与迭代你的提示词库是不断迭代的资产。保存版本当对一个经典提示词做出重大优化后不要覆盖原节点。可以复制一个新的Text Input节点重命名为“V2”保存工作流。添加注释在Text Input节点的属性中或在其上方添加一个Note节点记录这个提示词适用的模型、采样器、CFG 比例等关键参数。导出为文本定期将Text Input节点中的核心提示词导出到一个结构化的 Markdown 或 CSV 文件中方便跨项目搜索和使用。8.5 性能与稳定性考量LLM调用成本如果使用商用 API如 OpenAI在Pause Text中仔细编辑可以避免因不满意而反复调用 LLM节省成本和时间。工作流复杂度添加过多节点会影响工作流加载和解析速度。如果只是做简单的文本捕获和复用保持工作流简洁。依赖管理如果你将包含自定义节点如特定LLM节点的工作流分享给他人务必注明所需节点否则对方可能无法加载。通过“暂停文本”节点你将 ComfyUI 从一个单纯的图像生成工具升级为了一个提示词研发与管理平台。它赋予了你对工作流中间数据的控制权使得灵感的捕获、精炼和复用成为标准流程。开始构建你的提示词库吧每一次暂停和保存都是在为你未来的创作积累宝贵的数字资产。
