ComfyUI 新插件 Krea Prompt Generator:按属性生成提示词

ComfyUI自定义节点Krea Prompt Generator通过模块化下拉选项与参考图,帮助缺乏灵感的用户快速生成结构化AI绘图提示词。
Krea Prompt Generator 是一套面向 ComfyUI 的社区自定义节点,由一位自称"缺乏想象力"的开发者打造,旨在解决 AI 绘图中提示词创作的门槛问题。工具将提示词拆分为人物属性、服装、动作、场景等六个独立节点,用户通过下拉菜单挑选具体值,或选择基于 seed 的可复现随机模式,节点串联后自动组装完整提示词。此外还支持接入参考图像与蒙版,以及将生成结果追加保存至文本文件。项目目前需 git clone 手动安装,尚未进入 ComfyUI 官方注册表,部分功能仍存在不稳定情况,整体定位为实用主义的个人工具,而非技术突破型项目。
一个为缺乏灵感者打造的提示词工具
在 AI 绘图流程里,写出高质量的提示词(prompt)往往是最费脑筋的环节。一位 Reddit 用户坦言自己"缺乏想象力",于是动手为 ComfyUI 开发了一套自定义节点——Krea Prompt Generator,让用户通过下拉选项挑选属性,或直接添加一张参考图,就能自动拼装出一段完整提示词。
这套工具专注于女性人物图像生成场景,底层调用了 ComfyUI 的文本生成能力与文本编码器(text encoder)。作者直言属性字典部分"借用"了现有的 comfyui-character-prompt-builder 项目,因为后者对各类属性的覆盖已经相当全面。整个项目也坦承存在"vibe-coding"成分——在反复踩坑后,作者找 Claude 帮忙修复了部分代码,随后自己又做了测试验证。

ComfyUI 是一款基于节点图(node graph)的开源 Stable Diffusion 操作界面,用户通过拖拽连接各类功能节点来构建图像生成流程,而非依赖固定的线性界面。这种设计使得社区开发者可以为其编写"自定义节点"(custom nodes)来扩展功能——本质上是一段 Python 模块,注册后即可在画布上像内置组件一样使用。文本编码器(text encoder)在此流程中负责将提示词字符串转换为模型可读的向量表示(通常称为 conditioning),是连接文字描述与图像生成的核心桥梁。CLIP 是 Stable Diffusion 系列模型最常用的文本编码器,由 OpenAI 提出,通过对比学习将图文映射到同一语义空间。
六个节点如何分工
工具的核心是一组按功能拆分的节点,每个节点负责提示词的一个维度,串联后统一喂入生成器节点。
节点结构一览
- Krea Prompt - Female Person:年龄、国籍、身材、脸型、眼睛、发型、肤色、纹身等人物基础属性
- Krea Prompt - Female Fashion:服装单品及其颜色、材质,还有鞋子、配饰、首饰、指甲等细节
- Krea Prompt - Female Actions:站、坐、跪、躺等姿势,以及手、腿、头的动作和道具
- Krea Prompt - Scene:风格、场景、时间、季节、天气、光照、镜头
- Krea Prompt Generator:接收 CLIP、各属性与关键词,输出 conditioning、prompt 和 llm_request
- Krea Prompt - Save Unique Prompt:把每条新生成的提示词追加到文本文件,自动跳过重复项
这种模块化拆分的好处在于,用户可以精细控制每个维度,而不是面对一个大而全的黑箱。
三态下拉:灵活控制随机性
每个下拉选项都提供三种选择模式,这是整套设计里较有巧思的部分:
- none:该属性完全不进入发给 LLM 的请求
- random:由生成器根据种子(seed)随机挑选,相同种子永远产出相同结果
- 具体值:原样传入
基于 seed 的可复现随机机制意味着用户既能保留"开盲盒"的惊喜感,又能在找到满意组合后精确复现。此外,每个属性节点还附带一个自由文本框,供用户在该类别下补充额外细节,兼顾了结构化与自由度。
这里的"seed"(种子)是伪随机数生成器的初始值。给定相同的 seed,程序每次执行都会产生完全一致的随机序列,因此也就输出完全一致的属性组合。这一机制在 AI 绘图领域被广泛用于结果复现——用户在大量随机探索中遇到满意画面后,只需记录 seed 值即可随时精确重现,而无需手动记忆所有参数。"vibe-coding"是近年社区中流行的非正式术语,泛指依靠直觉、试错和 AI 辅助(而非严格的工程规范)进行编码的开发风格,强调快速迭代而非代码质量,常见于个人工具和实验性项目。
参考图支持与接线方式
除了属性选择,生成器节点还支持接入参考图像与蒙版(mask)。用户把属性节点串联后接入生成器的 attributes 输入,参考图和蒙版同样接到生成器节点上。生成器内部有一项设置,用于决定从图像中提取哪些信息。作者对这部分的评价是"works ok"(能用但不算完美)。
工作流顶部还设置了快速 bypass 开关,可以一键跳过属性节点、图像参考节点,或切换是否反转蒙版——这对调试和快速迭代很实用。
安装与现状
目前该插件尚未提交到 ComfyUI Registry,用户需要通过 git clone 的方式手动安装。作者提到,只要你的 ComfyUI 更新到今年二月底之后的版本,就无需额外安装任何依赖。工作流文件已包含在仓库中,也嵌入在帖子的工作流图片里。
作者表示,如果社区有足够兴趣,会花时间把它正式提交到 Registry。同时他也坦承,提示词保存到文本文件的那部分功能"还有点 janky"(不太稳定),并欢迎用户反馈遗漏之处。
小结:实用主义导向的社区工具
这类工具的价值不在于技术突破,而在于降低使用门槛。它把分散在脑中的提示词构思,转化为一组可点选、可复现、可扩展的结构化节点。对于那些在空白提示框前犯难的 ComfyUI 用户,这是一个值得尝试的起点。当然,作为一个半 vibe-coded、尚未进入官方注册表的个人项目,使用时需要一定的动手能力,稳定性也有待社区进一步打磨。
相关推荐

前端转AI Agent开发:一线架构师解析职业路径与红利
一线AI架构师解析前端转AI Agent开发的行业变化与落地路径:纯前端岗位为何消失、Agent+全栈为何成为招聘主流,以及Agent开发工程师、FDE、远程接单三条转型路线和对应学习策略。

AI Agent开发课程怎么选?五条避坑指南
机械转行开发者踩坑两年总结的AI Agent开发课程筛选清单:完整交付链路、可写进简历的项目、真实开发视角、更新频率、陪跑反馈五个维度,附具体判断方法和避坑要点。

扣子(Coze)智能体搭建入门:零代码开发AI Agent实战指南
扣子(Coze)是字节跳动推出的一站式AI应用开发平台,支持零代码拖拽搭建AI智能体。本文基于B站教程梳理扣子的核心概念、三大优势、国内版与国际版差异,以及智能体与应用的区别,帮助初学者快速入门AI Agent开发。