必须将中文提示词拆解为结构化参数并翻译为模型训练语言，否则cliptextencode会忽略语义权重、负向提示失效、风格锚点丢失；需复制liblibai提示词、规范标点、映射至comfyui节点、补全负向兜底项，并按checkpoint模型语言特性用平台工具翻译校准。
☞☞☞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☜☜☜
要在LiblibAI中复用已写好的中文提示词并精准注入ComfyUI工作流，必须将自然语言描述拆解为可被节点识别的结构化参数，否则CLIPTextEncode会忽略语义权重、负向提示失效、风格锚点丢失。
提取正向/负向提示词文本
打开LiblibAI生成历史页→找到目标图片→点击右上角「复制提示词」→粘贴到记事本；确认内容含两段：一段以“正向提示词：”开头，一段以“负向提示词：”开头；【若只有一段且无明确标注，说明该次生成未启用负向提示，此时需手动补全通用负面词】。
把正向提示词中所有逗号、顿号、分号统一替换为英文逗号，删除多余空格；例如“古风少女，红衣，手持纸伞，背景是江南雨巷，朦胧感”→“古风少女,红衣,手持纸伞,背景是江南雨巷,朦胧感”。
映射到CLIPTextEncode节点输入口
进入ComfyUI工作流编辑页→找到已转为Input的正向提示词节点（顶部带+号）→单击→在弹出框中粘贴处理后的正向提示词字符串。
同样操作处理负向提示词节点；若原始记录里没有负向提示，此处填入标准兜底项：text, watermark, signature, low quality, worst quality, jpeg artifacts, blurry, bad anatomy, extra fingers。
这一步不能跳过——【空着负向提示词节点会导致CFG值严重失衡，人物肢体错位概率提升3倍以上】。
按模型语言特性重写提示词
第一步：确认当前CHECKPOINT模型的语言训练域。比如选的是“ChilloutMix-Ni-pruned-fp16-fix.safetensors”，它基于英文数据集微调，中文提示词需翻译为英文再注入。
第二步：用LiblibAI内置翻译工具辅助转换。在提示词编辑框右侧点击「AI润色」→选择「转英文专业描述」→等待返回结果；不要依赖浏览器插件或通用翻译器，它们会把“水墨晕染”直译成“ink water stain”，而平台工具会输出“Chinese ink wash style, soft ink diffusion, misty atmosphere”。
第三步：对关键实体做术语校准。例如原提示词含“敦煌飞天”，不能译作“Dunhuang flying fairy”，正确写法是“Dunhuang mural flying apsara, Tang dynasty style, flowing ribbons, halos”——这是模型训练时实际见过的标签组合。
完成校准后，将最终英文串粘贴进CLIPTextEncode正向输入口。
