要生成有洞察力的“神评论”，需先提取comfyui prompt中含明确语义的片段，再通过三层追问法分析其在clip空间激活的原型、与vae隐空间的采样冲突及删除后的像素级影响，最后按四条硬规则压缩成技术断言式评论。
☞☞☞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☜☜☜
想让ComfyUI知识库里的提示词自动生成有洞察力、带专业判断、能点破模型行为本质的“神评论”，不是堆砌形容词或复述参数，而是要建立提示词与底层推理逻辑之间的映射关系。
先锁定知识库中真正可评论的提示词片段
打开ComfyUI工作流中已保存的Prompt节点（比如CLIP Text Encode节点），右键→“View Prompt”查看原始文本；只提取含明确语义指向的子句，例如“low-res, jpeg artifacts”或“in the style of Studio Ghibli, but with volumetric fog”，剔除纯格式占位符如“[artist]”或未实例化的变量名。
这一步不能跳过——【知识库若混入未解析的模板变量，生成的评论会直接断言不存在的风格关联】。
把筛选出的5～8个典型片段粘贴到新文本文件，每行一条，不加引号，不换行嵌套。
用三层追问法生成评论草稿
对每个片段，按顺序问自己三个问题，每问必答，写在对应行下方：
① 这个描述在CLIP文本空间里实际激活了哪些视觉原型？（例：“volumetric fog”会强激活depth map + atmospheric scattering + soft-edge gradient三类Embedding）
② 它和当前加载的VAE隐空间分辨率是否存在采样冲突？（例：若VAE是sdxl-turbo，而提示含“ultra-detailed scale armor”，就会触发latent collapse，此时评论必须点明“该词组在当前VAE下实际削弱纹理保真度”）
③ 如果删掉这个词，输出图最可能丢失哪类像素级特征？（不是“画面变差”，而是“高频边缘锐度下降12%”或“皮肤次表面散射通道响应衰减”）
这三步必须手写，不能靠大模型补全——【追问过程本身就在训练你识别提示词与潜空间的因果链】。
压缩成神评论的四条硬规则
方法一：用“当……时，模型被迫……因为……”结构（例：“当提示含‘film grain’且启用Karras调度时，模型被迫在噪声预测阶段重加高频伪影，因为Karras的σ_min设置使denoiser无法区分真实胶片噪点与采样误差”）。
方法二：绑定具体数值锚点（例：“‘8k resolution’在此工作流中仅提升prompt embedding维度至1024，但VAE decoder仍以512×512 latent tile处理，导致超分幻觉集中在中心30%区域”）。
方法三：指出被掩盖的隐式约束（例：“‘cinematic lighting’实际调用了lighting_lora.safetensors的第7层bias偏移，但该LoRA未适配SDXL base的attention projection权重，因此阴影过渡出现0.3°色相偏移”）。
注意：所有评论末尾不加句号，保持技术断言的锋利感。
