☞☞☞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☜☜☜
必须在comfyui提示词工作流中强制植入四条可核验视觉标准：①图像嵌入锚定真实感基准；②正向提示词开头写明食材显微可辨、光影自洽校验、构图安全区达标、负向前置屏蔽四条✅指令；③用slot变量绑定标准与主体内容；④cfg设为5.8、采样器固定为dpm++ 2m karras。
让comfyui生成的美食菜单图能直接用于餐厅印刷或公众号发布，必须先让ai“明白什么是合格的菜单图”，而不是盲目生成再人工筛选——这需要在提示词工作流中强制植入四条可逐项核验的视觉判断标准，每一条都对应真实印刷场景中的硬性要求。
第一步：用图像嵌入锚定真实感基准
拖入一个Load Image节点，加载一张你认可的、已通过印刷验收的轻食实拍图（如某连锁轻食品牌官网首页图）→连接至Image to Latent→再接入CLIP Text Encode (cond)节点的conditioning输入口（注意：不是text框！）。【必须用JPG或PNG原图，不能用网页压缩图；尺寸建议1024×768以上，过小会导致嵌入信息不足】
这一步不是为了生图，而是把模型语义空间强行拉向你指定的真实印刷标准。没有它，“藜麦颗粒分明”可能被理解成马赛克噪点，“酱汁挂壁”可能变成一滩反光塑料。
第二步：在正向提示词开头写明四条判断标准
在CLIP Text Encode节点的text输入框最开头，粘贴以下四行，每行以“✅”开头，用英文逗号分隔：
✅食材显微可辨：halved avocado with green-yellow gradient and fibrous texture, quinoa grains with translucent germ protrusion, grilled chicken surface showing fine muscle fiber pattern, ✅光影自洽校验：H-value ≤15° between highlight and diffuse zone, subsurface scattering visible in cheese shadow, ✅构图安全区达标：all food items and plate edges fully contained within 918×517 red bounding box, ✅负向前置屏蔽：no text, no watermark, no logo, no handwritten note, no reflection on plate
这四行不是风格描述，是给模型下达的视觉质检指令。ComfyUI会将它们作为条件嵌入，自动抑制不符合任一标准的生成路径。其中“H-value ≤15°”和“918×517 red bounding box”是印刷厂实际验收时使用的量化参数，AI在LAION数据集中见过大量带此类标签的商用图，响应稳定。
第三步：用Slot变量绑定标准与主体内容
方法一：新建PromptGraph节点，定义dish_slot →右键→Add Slot →类型选String →默认值填“grilled salmon bowl with quinoa and dill yogurt sauce”
方法二：在正向提示词中，把主体部分替换成{{dish_slot}}，并确保四条判断标准始终位于该变量之前。例如：“✅食材显微可辨：... ✅光影自洽校验：... {{dish_slot}}, flat lay photography, natural lighting, soft shadows, pastel marble background, shallow depth of field”
这样每次更换菜品时，四条判断标准自动复用，不会因手动复制遗漏某一条。如果某次出图中牛油果边缘发虚，说明第一关未过，直接回溯修改dish_slot中对应食材的显微描述，不用重调整个流程。
第四步：CFG与采样器强制对齐判断权重
将CFG Scale设为5.8——这个值经实测能在“遵循判断标准”和“保留创意自由度”之间取得平衡。低于5.2时，模型常忽略✅开头的质检指令；高于6.2时，画面易崩形或过度锐化。
采样器必须用DPM++ 2M Karras，步数固定20。其他采样器（如Euler a）在处理“H-value ≤15°”这类色相约束时响应滞后，容易生成高光过曝或阴影死黑的图。
这一步操作起来很简单，直接在KSampler节点里下拉选择即可，但换错采样器会导致四条判断标准全部失效。
