最近在折腾AI绘画工作流时发现一个痛点网上很多现成的提示词Prompt要么效果平平要么需要反复手动调整效率很低。特别是对于ComfyUI这类节点式工作流如果能有一个智能节点自动优化提示词那出图质量和效率都能大幅提升。本文将围绕MinimaxH3提示词优化节点展开手把手教你两种实现方案一是直接调用Minimax的官方API快速上手二是通过本地部署Qwen3.8大模型来免费、无限制地调用。我们会把优化功能封装成ComfyUI自定义节点让你能像拖拽其他节点一样轻松集成到你的AI绘画工作流中。无论你是刚接触ComfyUI的新手还是希望优化工作流效率的进阶玩家这篇文章都能提供从原理到部署的完整闭环方案。学完后你将掌握如何构建一个能理解你意图、并自动生成更优质提示词的智能工具。1. 背景与核心概念为什么需要提示词优化在AI绘画中提示词是连接人类创意与AI生成结果的桥梁。一个精准、丰富的提示词往往能直接决定最终图像的质量、细节和风格。然而撰写优秀的提示词本身是一门学问涉及关键词组合、权重分配、负面提示等技巧对新手并不友好。提示词优化的核心目标就是利用大语言模型LLM的理解与生成能力将用户简单、模糊的描述转化为AI绘画模型如Stable Diffusion更容易理解和执行的高质量提示词。这不仅能提升出图成功率还能激发更多创作可能性。Minimax H3是Minimax公司推出的一款高性能大语言模型在中文理解、创意写作和指令跟随方面表现突出非常适合用于提示词优化任务。而Qwen3.8则是阿里通义千问开源的最新版本模型其性能接近GPT-4完全免费并可本地部署为我们提供了经济高效的替代方案。ComfyUI是一个基于节点流程的Stable Diffusion GUI它将AI绘画的每一步如加载模型、编码提示词、采样、解码都可视化、模块化。其强大的自定义节点扩展能力允许我们将任何功能如提示词优化封装成一个独立的节点无缝嵌入到复杂的工作流中。本文将实现的正是一个这样的ComfyUI自定义节点它接收你的初始想法通过调用LLMMinimax API 或 本地Qwen3.8进行优化和扩展最终输出可直接用于K采样器KSampler的高质量提示词。2. 环境准备与版本说明在开始构建节点之前我们需要准备好基础环境。以下配置是经过测试的推荐环境其他版本可能存在兼容性问题请尽量保持一致。2.1 基础软件环境操作系统: Windows 10/11 64位或 Ubuntu 20.04/22.04 LTS。本文以Windows为例Linux命令会有相应说明。Python: 版本 3.10.x。这是目前Stable Diffusion相关生态最稳定的版本。避免使用3.11可能遇到依赖包不兼容问题。Git: 用于克隆代码仓库。ComfyUI: 确保你已有一个正常运行的ComfyUI环境。你可以使用秋叶大佬的一键整合包或从官方仓库安装。2.2 方案选择与额外依赖根据你选择的优化后端需要安装不同的Python包。方案一调用Minimax API需网络有额度限制此方案最简单快捷但需要你有Minimax的API Key并受其调用频率和费用限制。 所需Python包requests通常ComfyUI环境已包含如果没有在ComfyUI的Python环境中安装# 进入ComfyUI的python环境如果你使用秋叶整合包通常其python_embeded目录下有python.exe # 例如 cd your_comfyui_path/python_embeded ./python.exe -m pip install requests方案二本地部署Qwen3.8免费无限制此方案完全离线免费但需要一定的本地计算资源GPU显存建议8G以上。安装Ollama这是目前最简单易用的本地大模型运行框架。前往 Ollama官网 下载对应系统的安装包并安装。拉取Qwen3.8模型安装完成后打开命令行终端执行以下命令ollama pull qwen2.5:7b # 先拉取一个较小的版本测试正式使用建议14b或32b # 或者拉取指令调优版本对提示词优化任务更友好 ollama pull qwen2.5:14b-instruct验证Ollama运行运行以下命令测试模型是否正常工作ollama run qwen2.5:7b出现提示符后输入你好看到模型回复即表示成功。按CtrlD退出。2.3 项目结构规划我们将创建一个ComfyUI自定义节点。建议在ComfyUI的custom_nodes目录下新建我们的项目文件夹。your_comfyui_path/ ├── ComfyUI_windows_portable/ │ ├── ComfyUI/ │ │ ├── custom_nodes/ │ │ │ └── comfyui_prompt_optimizer/ -- 我们的节点项目 │ │ │ ├── __init__.py │ │ │ ├── nodes.py -- 节点核心代码 │ │ │ └── requirements.txt -- 依赖声明文件 │ │ └── ... (其他ComfyUI核心文件)3. 核心原理与节点设计拆解在动手写代码前我们需要理清这个节点的输入、处理和输出逻辑以及两种后端方案的技术实现要点。3.1 节点工作流设计我们的自定义节点在ComfyUI中应该扮演一个“处理器”的角色输入INPUT: 接收一个文本字符串即用户原始的、简单的提示词描述例如“一个穿着铠甲的武士站在樱花树下”。处理PROCESS: 节点内部将原始提示词与一个预定义的“优化指令”模板结合形成完整的LLM请求。然后通过HTTP请求调用外部服务Minimax API 或 本地Ollama API获取优化后的结果。输出OUTPUT: 解析LLM返回的响应提取出优化后的提示词文本传递给下一个节点通常是CLIP文本编码器。3.2 Minimax API 调用原理Minimax提供了标准的OpenAI兼容的API接口。我们需要API Key: 从Minimax平台申请。API Endpoint: 请求地址例如https://api.minimax.chat/v1/chat/completions。请求格式: 按照OpenAI的ChatCompletion格式构造JSON数据包含model、messages等字段。优化指令模板: 这是关键。我们需要精心设计一个“系统提示词”system prompt来指导Minimax H3模型如何执行优化任务。例如指令可以要求模型将输入扩展为包含风格、艺术家、细节、构图、灯光等元素的详细Stable Diffusion提示词。3.3 本地Ollama API 调用原理Ollama在本地启动后会提供一个REST API服务默认在http://localhost:11434。API Endpoint:http://localhost:11434/api/chat或http://localhost:11434/api/generate。请求格式: Ollama有自家的API格式但同样包含model、prompt、stream等参数。我们可以将“系统指令”和“用户输入”合并成一个完整的prompt发送。优势: 完全离线没有调用次数和频率限制数据隐私性好。挑战: 需要本地硬件支持响应速度取决于模型大小和硬件性能。3.4 ComfyUI节点开发基础一个ComfyUI自定义节点本质上是一个Python类它继承自特定的基类并需要定义几个关键方法FUNCTION: 指定节点执行的主函数名。CATEGORY: 定义节点在节点菜单中的分类。INPUT_TYPES: 定义节点的输入参数类型如字符串、整数、模型等。OUTPUT_TYPES: 定义节点的输出类型。RETURN_TYPES和RETURN_NAMES: 定义返回的数据类型和名称。我们的节点将输出一个字符串因此RETURN_TYPES应为(“STRING”,)。4. 完整实战构建ComfyUI提示词优化节点下面我们分步骤创建这个自定义节点。我们将实现一个节点它可以通过配置参数动态选择使用Minimax API还是本地Ollama。4.1 创建节点项目结构首先在ComfyUI的custom_nodes目录下创建我们的节点文件夹和文件。cd /path/to/your/ComfyUI/custom_nodes mkdir comfyui-prompt-optimizer cd comfyui-prompt-optimizer touch __init__.py touch nodes.py touch requirements.txt4.2 编写节点核心代码 (nodes.py)这是节点的核心实现文件。我们将创建一个类PromptOptimizer。# file: nodes.py import comfy.sd import comfy.utils import folder_paths import nodes import torch import json import requests from typing import Dict, Any # 尝试导入可能需要的包如果使用本地Ollamarequests是必须的 try: import requests except ImportError: print(Warning: requests library not found. Please install it via pip install requests if you plan to use API calls.) class PromptOptimizer: ComfyUI自定义节点提示词优化器 支持Minimax API和本地Ollama两种后端。 def __init__(self): pass classmethod def INPUT_TYPES(cls): 定义节点的输入参数。 return { “required”: { “text”: (“STRING”, {“default”: “”, “multiline”: True}), “backend”: ([“minimax”, “ollama”], {“default”: “ollama”}), “model_name”: (“STRING”, {“default”: “qwen2.5:14b-instruct”}), “creativity”: (“FLOAT”, {“default”: 0.7, “min”: 0.0, “max”: 1.0, “step”: 0.1}), }, “optional”: { “api_key”: (“STRING”, {“default”: “”, “multiline”: False}), “api_base”: (“STRING”, {“default”: “http://localhost:11434”, “multiline”: False}), } } RETURN_TYPES (“STRING”,) RETURN_NAMES (“optimized_prompt”,) FUNCTION “optimize” CATEGORY “AI绘画工具/提示词” DESCRIPTION “使用LLMMinimax或本地Ollama优化您的提示词。” def optimize(self, text, backend, model_name, creativity, api_key“”, api_base“http://localhost:11434”): 核心优化函数。 Args: text: 原始提示词 backend: 后端选择minimax 或 ollama model_name: 模型名称如 minimax-h3 或 qwen2.5:14b-instruct creativity: 创造性/温度参数 api_key: Minimax API密钥仅后端为minimax时需要 api_base: API基础地址对于ollama通常是 http://localhost:11434 Returns: 优化后的提示词字符串 if not text.strip(): print(“[PromptOptimizer] 警告输入文本为空返回原文本。”) return (text,) # 构造LLM请求的提示词模板 system_prompt “””你是一个专业的AI绘画提示词优化专家。你的任务是将用户简短、模糊的描述转化为高质量、详细、可直接用于Stable Diffusion或Midjourney的英文提示词。 优化后的提示词应包含以下元素如果适用 1. **主体描述**: 清晰描述主体对象、人物、动物等。 2. **细节与属性**: 颜色、材质、服装、表情、动作等。 3. **风格与艺术家**: 艺术风格如油画、水彩、赛博朋克、动漫、模仿的艺术家或工作室。 4. **构图与视角**: 镜头类型特写、全景、视角俯视、仰视、构图法则。 5. **灯光与氛围**: 光线类型自然光、霓虹光、电影光、时间黄昏、夜晚、氛围宁静、史诗感。 6. **画质与渲染**: 如“8K分辨率”、“虚幻引擎渲染”、“细节丰富”、“大师之作”。 请直接输出优化后的英文提示词不要添加任何解释、前缀或后缀。确保提示词流畅、关键词用逗号分隔。“”” user_prompt f“请优化以下描述为高质量的AI绘画提示词{text}” optimized_text text # 默认返回原文本 if backend “minimax”: if not api_key: print(“[PromptOptimizer] 错误使用Minimax后端需要提供API Key。”) return (text,) optimized_text self._call_minimax_api(system_prompt, user_prompt, model_name, creativity, api_key) elif backend “ollama”: optimized_text self._call_ollama_api(system_prompt, user_prompt, model_name, creativity, api_base) else: print(f“[PromptOptimizer] 错误不支持的后端类型 {backend}”) print(f“[PromptOptimizer] 原始提示词: {text}”) print(f“[PromptOptimizer] 优化后提示词: {optimized_text}”) return (optimized_text,) def _call_minimax_api(self, system_prompt, user_prompt, model_name, temperature, api_key): “”“调用Minimax API”“” url “https://api.minimax.chat/v1/chat/completions” headers { “Authorization”: f“Bearer {api_key}”, “Content-Type”: “application/json” } data { “model”: model_name, # 例如 “minimax-h3” “messages”: [ {“role”: “system”, “content”: system_prompt}, {“role”: “user”, “content”: user_prompt} ], “temperature”: temperature, “stream”: False } try: response requests.post(url, headersheaders, jsondata, timeout30) response.raise_for_status() result response.json() # 解析返回内容OpenAI兼容格式 content result.get(“choices”, [{}])[0].get(“message”, {}).get(“content”, “”) return content.strip() except requests.exceptions.RequestException as e: print(f“[PromptOptimizer] Minimax API调用失败: {e}”) if hasattr(e, ‘response’) and e.response is not None: print(f“响应状态码: {e.response.status_code}”) print(f“响应内容: {e.response.text}”) return “[API调用失败请检查网络和API Key]” except (KeyError, IndexError, json.JSONDecodeError) as e: print(f“[PromptOptimizer] 解析Minimax API响应失败: {e}”) return “[解析API响应失败]” def _call_ollama_api(self, system_prompt, user_prompt, model_name, temperature, api_base): “”“调用本地Ollama API”“” # Ollama的 /api/chat 端点格式 url f“{api_base.rstrip(‘/’)}/api/chat” # 将system_prompt和user_prompt合并到messages中 full_prompt f“{system_prompt}\n\n{user_prompt}” data { “model”: model_name, “messages”: [ {“role”: “user”, “content”: full_prompt} ], “stream”: False, “options”: { “temperature”: temperature } } try: response requests.post(url, jsondata, timeout120) # Ollama可能较慢超时设长 response.raise_for_status() result response.json() # 解析Ollama返回格式 content result.get(“message”, {}).get(“content”, “”) return content.strip() except requests.exceptions.ConnectionError: print(f“[PromptOptimizer] 无法连接到Ollama服务请确保Ollama已在运行 ({api_base})。”) return “[错误无法连接到本地Ollama服务请检查是否已启动]” except requests.exceptions.RequestException as e: print(f“[PromptOptimizer] Ollama API调用失败: {e}”) return “[Ollama API调用失败]” except (KeyError, json.JSONDecodeError) as e: print(f“[PromptOptimizer] 解析Ollama API响应失败: {e}”) return “[解析Ollama响应失败]” # 将节点类注册到ComfyUI NODE_CLASS_MAPPINGS { “PromptOptimizer”: PromptOptimizer } NODE_DISPLAY_NAME_MAPPINGS { “PromptOptimizer”: “提示词优化器 (LLM)” }4.3 编写包声明文件 (__init__.py和requirements.txt)__init__.py文件用于告诉ComfyUI这是一个自定义节点包。# file: __init__.py from .nodes import NODE_CLASS_MAPPINGS, NODE_DISPLAY_NAME_MAPPINGS __all__ [‘NODE_CLASS_MAPPINGS’, ‘NODE_DISPLAY_NAME_MAPPINGS’]requirements.txt文件声明依赖。# file: requirements.txt requests2.28.04.4 安装依赖并重启ComfyUI在ComfyUI的Python环境中安装依赖cd /path/to/your/ComfyUI # 如果你使用便携版路径可能如下 cd ComfyUI_windows_portable/python_embeded ./python.exe -m pip install -r ../ComfyUI/custom_nodes/comfyui-prompt-optimizer/requirements.txt安装完成后完全重启ComfyUI。如果ComfyUI正在运行请先关闭再重新启动。4.5 在ComfyUI中使用节点启动ComfyUI。在节点菜单中你应该能在AI绘画工具/提示词分类下找到名为提示词优化器 (LLM)的节点。将其拖入工作区。配置节点参数text: 输入你的原始提示词例如“a cute cat”。backend: 选择ollama如果你本地部署了或minimax。model_name: 根据后端填写。Ollama填qwen2.5:14b-instructMinimax填minimax-h3。creativity: 创造性值越高结果越随机有创意值越低越稳定保守。api_key(仅Minimax需要): 填入你的Minimax API Key。api_base(Ollama可自定义): 默认是http://localhost:11434如果你的Ollama服务在其他地址或端口请修改。将节点的optimized_prompt输出端口连接到CLIP Text Encode (Prompt)节点的text输入端口。执行工作流查看控制台输出。你应该能看到类似[PromptOptimizer] 优化后提示词: ...的日志并且生成的图像应该基于优化后的提示词。5. 常见问题与排查思路 (FAQ)在实际使用中你可能会遇到一些问题。下面列出常见问题及其解决方法。问题现象可能原因排查与解决思路节点在菜单中找不到1. 节点代码未正确加载。2.__init__.py文件有误。3. ComfyUI未重启。1. 检查custom_nodes/comfyui-prompt-optimizer目录结构是否正确。2. 检查ComfyUI启动日志看是否有加载自定义节点的错误信息。3.务必重启ComfyUI。使用Minimax后端报错401或403API Key无效、过期或没有对应模型的权限。1. 登录Minimax平台确认API Key正确且未过期。2. 确认API Key有调用minimax-h3模型的权限。3. 检查节点中的model_name是否填写正确。使用Minimax后端报错400 the thinking_budget parameter must be a positive integer请求参数不符合Minimax API最新要求。Minimax H3模型可能需要额外的thinking_budget参数。修改_call_minimax_api函数在请求数据data字典中添加“thinking_budget”: 512或其他正整数。使用Ollama后端报错“无法连接”1. Ollama服务未启动。2. API地址或端口错误。3. 防火墙阻止。1. 在终端运行ollama serve或确保Ollama后台服务正在运行。2. 检查节点中api_base参数是否正确默认http://localhost:11434。3. 在浏览器访问http://localhost:11434看是否能打开Ollama的API页面。Ollama调用返回空或乱码1. 模型未正确加载。2. 提示词模板不适合该模型。1. 在终端运行ollama list确认模型已下载。运行ollama run qwen2.5:14b-instruct测试模型本身是否正常。2. 尝试简化system_prompt或使用更通用的指令。不同模型对指令的遵循能力不同。优化效果不理想1. 原始提示词过于模糊。2.creativity参数设置不当。3. 系统提示词模板不够好。1. 尽量提供更具体的初始描述。2. 调整creativity值尝试0.3到0.9之间的不同值。3.这是关键根据你的绘画风格偏好修改代码中的system_prompt变量。你可以要求模型侧重特定风格、排除某些元素等。节点执行速度很慢Ollama1. 模型太大硬件跟不上。2. 没有使用GPU加速。1. 换用更小的模型如qwen2.5:7b。2. 确保Ollama使用了GPU。运行ollama run qwen2.5:7b时观察任务管理器看GPU是否被调用。可查阅Ollama文档配置GPU。报错ModuleNotFoundError: No module named ‘requests’requests库未安装。在ComfyUI的Python环境中执行pip install requests。6. 最佳实践与工程建议为了让这个提示词优化节点更稳定、高效地融入你的工作流这里有一些进阶建议。6.1 优化系统提示词模板节点代码中的system_prompt是灵魂。你可以根据你的具体需求定制它风格化如果你常画动漫可以加入“倾向于生成动漫风格参考日本知名动画工作室如吉卜力、京阿尼的风格”。负面提示词可以要求模型“同时生成对应的负面提示词Negative Prompt描述不希望出现的元素如‘丑陋的模糊的畸形的’”。结构化输出要求模型以特定格式输出例如用“”包裹优化后的提示词便于后续解析。迭代优化你可以将第一次优化结果再次输入节点进行二次精炼。6.2 管理API密钥与配置不要硬编码密钥本文示例为了清晰将密钥作为节点输入。在实际使用中更安全的做法是将Minimax API Key存储在环境变量或ComfyUI的配置文件中节点代码从中读取。使用配置类可以创建一个config.py文件集中管理不同后端的API地址、默认模型等配置。6.3 提升本地Ollama性能模型量化如果显存不足可以寻找或自己量化GGUF格式的Qwen模型使用llama.cpp或text-generation-webui等工具加载它们通常比Ollama的默认方式更省资源。API超时设置在_call_ollama_api函数中将timeout参数根据你的硬件适当调高如180秒避免大型模型生成时超时。并发限制如果在工作流中大量使用该节点注意Ollama的并发处理能力。可以考虑在节点中加入简单的请求队列或错误重试机制。6.4 节点功能扩展当前节点是一个基础版本你可以基于它扩展更多实用功能批量优化修改节点使其能接受一个文本文件或列表批量优化多条提示词。多轮对话优化实现一个“聊天”式的优化节点允许用户基于上一轮的图像结果让LLM进一步调整提示词。风格预设在节点UI中添加下拉菜单选择“动漫风”、“写实风”、“科幻风”等预设节点内部自动切换不同的system_prompt。结果缓存对相同的输入文本和参数将优化结果缓存到本地文件或内存中避免重复调用API节省时间和费用。6.5 集成到现有工作流将这个节点与你常用的工作流结合放在工作流起点作为创意激发工具输入简单概念得到丰富提示词后再进行绘图。放在循环中与“图像到提示词”Interrogator节点结合先由图片反推提示词再用本节点优化形成“图-文-优化文-新图”的迭代循环。参数绑定将节点的creativity参数连接到一个滑块节点上方便在ComfyUI界面上动态调整“创造力”。通过以上步骤你不仅获得了一个即拿即用的提示词优化节点更掌握了一套将外部AI服务云端API或本地大模型与ComfyUI可视化工作流深度集成的开发方法。这套方法可以复用到其他场景例如集成翻译节点、脚本编写节点、图像分析节点等极大地扩展了ComfyUI的自动化能力。