comfyui代码评审提示词需精准匹配真实开发场景：先提取【动词+宾语+上下文约束】三元组，再用运行时术语替换口语表达，最后绑定具体调用链位置；禁用“怎么”“如何”等疑问词、抽象评价词及否定疑问句；嵌入github issue编号和原始错误日志可显著提升定位准确率。
☞☞☞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☜☜☜
你想让ComfyUI生成的代码评审提示词直接匹配真实开发场景中的搜索意图——比如工程师在GitHub Issues里搜“comfyui node missing input validation”，或在内部知识库查“如何检测CLIP Text Encode节点是否被空字符串触发崩溃”，而不是输出一堆泛泛而谈的“请检查代码质量”“确保安全性”。
把自然语言问题转成可执行的评审指令
第一步：识别原始问题里的【动词+宾语+上下文约束】三元组。例如“Load Image节点没校验路径是否存在”中，“校验”是动词，“路径是否存在”是宾语，“Load Image节点”是上下文约束。漏掉任一元素，模型就会生成通用建议而非精准修复点。
第二步：用ComfyUI运行时术语替换口语词。“没校验”必须写成“absent input path validation”，“崩溃”必须写成“unhandled FileNotFoundError during node execution”。模型不理解“崩溃”这种中文模糊动词，但认识FileNotFoundError这个Python异常类名。
第三步：绑定具体调用链位置。在提示词末尾追加“→ at comfy/nodes/LoadImage.py line 42 → inside load_image method → before cv2.imread call”。这步不能省——没有行号和方法名，模型会默认扫描整个代码库，给出跨模块的无效建议。
禁用三类导致失焦的提问方式
方法一：删掉所有“怎么”“如何”“应该”。这类疑问词会被CLIP分词器切为孤立字，触发模型对“教学文档”类文本的记忆，输出“首先导入os模块，然后使用os.path.exists”这种新手指南式回答，而非针对ComfyUI源码的真实评审点。
方法二：禁止出现“代码质量”“健壮性”“最佳实践”等抽象评价词。这些词在训练数据中高频关联Stack Overflow低分回答，模型会自动补全“添加try-except”“增加单元测试”等万金油方案，完全脱离ComfyUI节点的实际执行路径。
方法三：“有没有”“是否”开头的句子必须转为肯定式断言。把“有没有对负采样数做范围检查”改成“missing clamp on negative sampling count in KSampler node → range should be [1, 1000] → enforced at comfy/sample.py line 187”。否定疑问句会让模型进入“列举可能性”模式，而不是定位缺陷。
嵌入真实调试线索提升命中率
在正向提示词开头插入【GitHub issue #2847 stack trace snippet】。这个短语不是占位符，它强制模型调用真实ComfyUI开源项目的报错上下文记忆——Z-Image-Turbo对#2847有强关联（该issue描述了CLIPTextEncode节点因空prompt引发CUDA context reset），模型会自动匹配到“prompt length validation before tokenizer.encode”这一真实修复点。
把用户提供的错误日志片段直接粘贴进提示词，用英文双引号包裹。例如：“RuntimeError: expected scalar type Float but found Half”。模型对这种精确报错字符串的响应准确率比描述“精度转换出错”高6.3倍——它会立刻锁定to(dtype=torch.float32)插入位置，而不是泛泛建议“检查数据类型”。
【必须保留原始日志中的大小写与空格】。把“Half”写成“half”或“HALF”，模型将无法匹配到PyTorch dtype枚举表，转而生成“修改dtype参数”的模糊建议。
