【AI学习-comfyUI学习-SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流-各个部分学习-第四节】

1，前言2，说明1，SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流2，整体功能3，节点说明
3，流程（1）调用模块1）整个模块部分
（2）输出提示词（3）模型加载（4）生成图片

4，模块介绍1，CLIP文本编码SDXL2，ComfyUI 的核心采样器节点3，SDXL风格化提示词（高级）
5，细节部分6，使用的工作流7，总结

1，前言

最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。

2，说明

1，SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流

使用 SDXL 模型（如 Juggernaut XL），通过“风格化提示词节点”快速生成特定风格（如赛博朋克、复古、写实等）的图像。

2，整体功能

本身是一个文生图（text-to-image）工作流，用 SDXL 模型 Juggernaut 来生成图片。
在这个例子里，prompt 是「beautiful scenery nature glass bottle landscape, purple galaxy bottle」，
所以整个流程的任务是——

生成一张装有紫色银河的玻璃瓶、风景场景风格的图片。

3，节点说明

区域	节点名	作用
① Checkpoint加载器 #1	`SDXL_Juggernaut.safetensors`	加载主模型（高质量 SDXL 写实风格）。
② SDXL风格化提示词节点 #2	`SDXL风格化提示词(高级)`	管理正负提示词、风格选项；你目前的风格设为 `base`。
③ CLIP文本编码节点 #3 #5	`CLIP文本编码SDXL`	把文字提示转换成语义向量，供模型理解。
④ 空Latent #4		定义潜空间（图像尺寸 1024×1024），相当于生成的“画布”。
⑤ K采样器 #6		执行采样过程，生成潜空间图像。参数如步数 20、CFG 8 控制细节与风格强度。
⑥ VAE解码 #7		把潜空间图解码成可视图像。
⑦ 预览与保存 #8 #9		预览输出并保存最终结果。

3，流程

（1）调用模块

1）整个模块部分

这回整个模块都可以截截图下了

（2）输出提示词

如下是输入提示词


beautiful scenery nature glass bottle landscape, , purple galaxy bottle,

（3）模型加载

图片[1] - 【AI学习-comfyUI学习-SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流-各个部分学习-第四节】 - 宋马

（4）生成图片

4，模块介绍

1，CLIP文本编码SDXL

图片[2] - 【AI学习-comfyUI学习-SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流-各个部分学习-第四节】 - 宋马
这个节点的功能是：

把输入的提示词（prompt / text）转化成模型能理解的语义向量。

换句话说，它是“文字 → 向量”的翻译器。
在 SDXL 模型中，这一步比 SD1.5 复杂得多，因为 SDXL 使用了双 CLIP 编码器结构（CLIP-G + CLIP-L），以便更精细地理解文字、构图和风格。

参数名	默认值	含义	详细说明
宽度（width）	1024	图像生成宽度	CLIP 在 SDXL 中需要知道目标图像的分辨率，以便对构图相关词（如“wide view”“portrait”）进行空间语义编码。建议与生成分辨率一致。
高度（height）	1024	图像生成高度	同理，CLIP-L（Large）会用此信息调整构图理解，比如横构图 vs 竖构图。
裁剪宽度（crop_w）	0	图像裁剪偏移（水平）	如果要让模型生成“局部视角”或裁剪效果，可以调整这项。例如设为 256 表示偏右裁剪。一般保持 0。
裁剪高度（crop_h）	0	图像裁剪偏移（垂直）	控制垂直方向的裁剪中心。默认 0 即居中。
目标宽度（target_w）	1024	输出目标宽度	与“宽度”含义相近，供第二层 CLIP-L 模块使用；建议保持与生成分辨率一致。
目标高度（target_h）	1024	输出目标高度	与“高度”一致，保持匹配即可。
text_g（正向提示词输入口）	—	输入文字给 CLIP-G 编码器	CLIP-G 是 SDXL 的全局语义理解模块，负责把整体风格、主题、内容编码进 latent。
text_l（正向提示词输入口）	—	输入文字给 CLIP-L 编码器	CLIP-L 是局部细节理解模块，强化具体对象（如“细节”“光影”“背景”）。

2，ComfyUI 的核心采样器节点

图片[3] - 【AI学习-comfyUI学习-SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流-各个部分学习-第四节】 - 宋马
K采样器（高级）（即 KSampler Advanced）。
这是整个图像生成的主引擎，决定画面的清晰度、风格强度、随机性和一致性。
下面我给你讲得非常系统（适合你这种懂得在调节点的用户）。
简单说：

它是 Stable Diffusion 模型在“降噪还原图像”的过程中控制“采样步数、随机性、提示影响力”等的模块。

一句话解释：
🌀 它控制 AI 绘画过程的“速度、方向和信念”。

参数名	默认值	含义	调整建议
模型（Model）	—	接入模型（来自 Checkpoint）	一定要接同体系的模型（SD1.5 / SDXL / Flux）
正面条件（Positive Cond）	—	正向提示词向量	通常来自 CLIP 编码器（描述想要的画面）
负面条件（Negative Cond）	—	负向提示词向量	压制不希望出现的内容（模糊、畸形等）
Latent	—	初始潜空间（通常来自“空Latent”或“VAE编码”）	控制生成尺寸与初始结构

3，SDXL风格化提示词（高级）

图片[4] - 【AI学习-comfyUI学习-SDXL 风格化提示词节点包（Style Prompt Node Pack）工作流-各个部分学习-第四节】 - 宋马
这是一个对 SDXL 模型的 Prompt 进行自动结构化、风格融合的“智能提示词节点”，
也是目前最强的文字输入控制节点之一，比单纯的 CLIP 文本编码器更灵活。

简单理解：

它帮你把提示词（Prompt）分配给 SDXL 的双 CLIP 通道（Big-G / L），
同时自动加上风格标签（Style）、负面词和结构化控制。

也就是说，这个节点相当于一个“Prompt 管理器 + 风格模板器”，
让你可以一边输入词，一边自动匹配适合 SDXL 的语义结构。

区域	参数 / 插口	作用	说明
🟢 正面条件 Big-G / L	输出端	连接到 “CLIP文本编码SDXL” 的输入端	生成正向提示向量（G：全局风格；L：局部细节）
🟢 负面条件 Big-G / L	输出端	同上	生成负向提示向量（控制不要出现的元素）