要让comfyui生成的商品图精准匹配目标用户偏好，必须从真实商品数据和用户行为中提取特征并注入工作流：先提取用户最近3次交互商品的标题、卖点及评论高频词，去重合并为user_preference.txt；再通过权重强化法（如(wrinkle-free:1.3)）或场景锚定法（如“office wear, all-day wrinkle resistance”）动态拼接提示词；同时绑定sku级结构化属性（如将“天丝棉”转为“tencel-cotton blend, soft drape”）至clip text encode；最后用preview image热力图与关键细节（如袖口暗扣）验证效果。
☞☞☞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☜☜☜
要让ComfyUI生成的商品图精准匹配目标用户偏好，必须绕过通用提示词模板，从真实商品数据和用户行为中提取特征再注入工作流——直接套用“high quality, studio lighting”这类泛化描述会导致生成图千篇一律，无法体现用户关注的材质细节或使用场景。
提取用户侧关键偏好信号
打开用户最近3次点击/收藏/加购的商品详情页→逐个复制标题、卖点文案、评论区高频词（如“垂感好”“显瘦不透”“袖口有暗扣”）→用Excel去重合并成关键词池。
这一步不能跳过，【若仅依赖用户画像标签（如“25-30岁女性”）生成提示词，模型会默认填充平台常见款，而非该用户实际停留时长最长的那件莫代尔T恤】。
导出纯文本文件，命名为user_preference.txt。
构建商品图提示词动态拼接逻辑
在ComfyUI工作流中添加「Load Text」节点→加载user_preference.txt→接入「CLIP Text Encode」前的「Concatenate」节点。
方法一：权重强化法
在Concatenate节点中，将用户偏好词用括号标注权重：(wrinkle-free:1.3)、(side slit:1.5)、(matte finish:1.2)。数值超过1.2后视觉权重明显提升，但超过1.8易导致局部畸变。
方法二：场景锚定法
把用户评论原句转为场景提示：“客户说‘通勤穿一整天不皱’→改写为‘office wear, all-day wrinkle resistance, natural movement pose’”，直接替换CLIP Text Encode的base prompt中对应位置。
绑定商品结构化属性到提示词
第一步：从商品后台API拉取SKU级字段（面料成分、版型、适用季节、尺码范围）→生成JSON格式数据。
第二步：用「JSON Parse」节点解析→通过「Text Concat」节点将“面料=天丝棉”转为“tencel-cotton blend, soft drape, subtle sheen”。【禁止直译“天丝棉”，模型不识别中文材质名，必须转为英文行业通用术语】
第三步：将转换后的字符串接入CLIP Text Encode的positive输入端，覆盖原始prompt中材质描述段。
验证提示词有效性
① 在ComfyUI中启用「Preview Image」节点，实时查看CLIP文本编码后的向量相似度热力图；
② 对比同一商品用通用提示词与个性化提示词生成的图，重点检查用户强调的“袖口暗扣”是否出现在袖口区域；
③ 若暗扣未出现，返回第二步，将“hidden cuff button”权重调至1.6并重新运行。
