clip text encode节点的text字段是模型唯一读取提示词的位置。正向与负向提示词必须分别填入对应节点的text框，其他节点输入无效；需用conditioning combine合并多段提示词，并通过preview text验证实际输入内容。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
理解提示词在ComfyUI里的真实位置
你在CLIP Text Encode节点的text输入框里敲下的每一个字，就是ComfyUI真正“听懂”并执行生成指令的唯一语言——它不识别按钮标签、不解析节点名称、更不会自动补全你没写完的单词。模型只认这个框里的纯文本内容，其他所有连线、参数、节点名都只是为它服务的辅助结构。
打开一个基础工作流，找到标着“CLIP Text Encode”的矩形节点，双击它，弹出的对话框中唯一需要你手动填写的字段就是text。这就是全部战场，没有隐藏入口，也没有二级菜单。
别在Load Checkpoint节点里输提示词，也别把描述写进K采样器的CFG值里——【只有CLIP Text Encode（正向）和CLIP Text Encode (Negative)两个节点的text字段才被模型实际读取】。填错位置等于没写。
从零写出第一条有效提示词
先别管风格、光影、构图这些高级词，用最直白的主谓宾结构起步：主体 + 动作/状态 + 场景。例如：“a cat sitting on a windowsill, sunlight streaming in”。
这句能跑通，是因为它满足三个硬性条件：有明确名词（cat）、有动词或静态描述（sitting）、有空间锚点（windowsill）。缺任何一项，模型就容易自由发挥，比如只写“cat”，它可能生成漂浮在虚空中的猫。
直接复制粘贴到CLIP Text Encode节点的text框里，不要加引号，不要换行，不要用中文逗号。英文标点必须是半角，空格要清晰——“cat sitting”和“catsitting”对模型来说是两个完全不同的词。
负向提示词不是可选项，是防错保险丝
新建一个CLIP Text Encode (Negative)节点，把它连到采样器的negative conditioning端口。这是防止AI画出烂图的第一道闸门。
填入通用负向词：low quality, worst quality, text, watermark, signature, extra fingers, mutated hands, deformed face。这些词不是装饰，而是告诉模型“只要出现这些特征，立刻否决这张图”。
如果你发现生成图里总有多余的手指或模糊五官，说明负向提示词没生效——检查是否连错了端口，或者该节点根本没接入工作流。很多新手漏掉这一步，然后花一小时调正向词，结果问题根源在负向端口悬空。
提示词分段管理：让长文本不再失控
当提示词超过50个词，手改极易出错。这时要用节点拆分法，而不是堆砌在同一框里。
方法一：用多个CLIP Text Encode节点串联
第一步：建第一个CLIP Text Encode，填入主体与核心动作，如“a samurai warrior, armored, holding katana”；
第二步：建第二个CLIP Text Encode，填入环境与光影，如“mountain temple at dawn, misty atmosphere, cinematic lighting”；
第三步：用“Conditioning Combine”节点把两个输出合并，再接入采样器。
方法二：用字符串拼接节点（需安装String Concatenate插件）
把人物、场景、风格三部分分别输入三个文本框，用拼接节点合成完整提示词，再喂给CLIP Text Encode。这样改背景时不用翻找整段文字，只动中间那个框就行。
注意：串联多个CLIP Text Encode节点时，必须用Conditioning Combine或类似的条件合并节点，不能直接把两个输出连到同一个采样器输入口——【会触发报错或静默失效】。
验证提示词是否真被读取
右键点击任意CLIP Text Encode节点 → 选择“View Node Info”。在弹出窗口里，你能看到text字段的实时内容，以及该节点输出的conditioning张量维度。如果text为空或显示乱码，说明你没保存输入。
更直接的办法：在CLIP Text Encode节点后接一个“Preview Text”节点（需安装），再连到“Save Image”节点旁的空白处。运行一次队列，生成的图片旁边会附带一个txt文件，里面明明白白写着本次实际送入模型的提示词全文——这才是AI真正看见的内容，不是你自以为写进去的版本。
