comfyui 报错提示

关于您提到的 Coze 代码测试成功但运行示例时报错的问题，以下是相关的信息和可能的解决办法： 图片生成方面：理想生成图片只实现了一次，其他几次生成文字加链接，链接需点进去查看且图片需渲染或加载，无互动趣味性，增加等待时间。因为默认返回的是 markdown 格式，微信不支持 markdown 格式，可在 github 上搜索 nicecoze 插件，基于 cow，把 markdown 转换为图片消息。 模型配置方面：Coze 里面模型配置用的 GPT4o，程序运行调用的是 GPT3.5 Turno。这是因为没有查询到 4o 的 token 计算方式，所以采用 3.5 的，但依然使用的是 GPT4o，只是 token 计算方式用的 3.5。 插件功能方面：Coze 加入了插件 Data Analysia（数据分析）、Browser 和 GPT4v 互动过程无法实现功能。这需要在 coze 里进行鼓捣，和 cow 的 config 无关。 外层 bot 方面：在外层 bot 进行运行时容易出现报错，暂时无法确定原因，猜测可能是外层 bot 的并发不够稳定，不如直接在工作流编辑面板中获取精度结果。如果自行实验时多次报错且无法定位问题原因，不要急着怪自己，相关 bug 已提交给 Coze 团队，希望能加紧优化。

在 Comfy UI 中训练 LoRA 模型时，出现“f"NaN detected in latents: {info.absolute_path}"的报错，可能有以下原因： 1. 数据方面：图像必须放在以“”命名的文件夹中，数字应较小，如 5，且必须有下划线。对于 data_path，需写入包含数据库文件夹的文件夹路径。 2. 参数方面：在第一行可从 checkpoint 文件夹中选择任何模型，但据说进行 LoRA 训练最好选择一个基本模型。可选择一个名称为 LoRA 的模型，若默认值不合适可更改，epochs 数应接近 40。 3. 环境方面：按 Enter 键安装所有所需依赖项使其与 ComfyUI 兼容。若为 Comfy 使用了虚拟环境，必须首先激活它。Python 中需要斜杠，但节点会自动将反斜杠转换为斜杠，文件夹名称中的空格不是问题。 您可以根据上述情况检查和调整您的训练设置，以解决报错问题。

在 ComfyUI 中执行 K 值采样器报错，可能由多种原因导致。但仅根据您提供的“”内容，难以确切判断具体原因。常见的可能因素包括： 1. 模型配置问题：模型的参数设置不正确，或者与 K 值采样器的要求不匹配。 2. 输入数据格式错误：输入给采样器的数据格式不符合要求，例如数据类型、维度等。 3. 软件版本不兼容：ComfyUI 本身的版本与 K 值采样器存在兼容性问题。 4. 计算资源不足：系统的内存、GPU 等计算资源不足以支持 K 值采样器的运行。 要准确诊断问题，还需要更多的错误提示信息、相关配置和操作的详细描述。

在 ComfyUI 中执行 K 值采样器报错可能有多种原因。以下是一些常见的情况及相关设置步骤： 1. 首先，在“K 采样器”处，可通过点击“右键”“新建节点”“采样器”，选择“K 采样器（高级）”，其会有更多调整参数。 2. 对于 SDXL，由于需要用到 base 和 refiner 两套模型，所以要将模型节点和采样器节点分别复制一份。 对于第一个 base 模型的采样器，参数设置如下： 添加噪波：enable，确保打开以添加噪声。 步数：30，即迭代的总步数。 结束降噪步数：20，代表前面 20 步采用 base 模型进行运算。 返回噪波：enable，以便将剩下的噪声传递给下一个 refiner 模型。 3. 建立第一个工作流时，可按以下步骤操作： 清空所有节点，从零开始。先加载一个模型选择器的节点，右键点击空白处，选择【add node】——【loaders】——【load checkpoint】，生成节点后可选择安装好的大模型，且后面有三个连接点可指向下一个模块。 按住 clip 后面的点进行拖拽，点击【CLIPTextEncode】，得到提示词输入框。同理可再加一个提示词框，形成正向和负向提示架构。 为方便管理，可添加组，将相关节点放在组里一起移动。 从提示词节点后面再次拉出一根线，选择【KSampler】，其中有熟悉的参数如种子数、迭代步数、CFG、采样器等。 最后，设置输出图片尺寸，从【latent image】中拉出一个节点，选择【EmptyLatentImage】。 如果您能提供更具体的报错信息，将更有助于准确判断报错原因。

根据搜索结果，解决 dify 设置 ollama API 时报错的方法如下： 1. 检查 IP 地址和 URL 是否正确 有用户反映，通过修改 IP 地址和 URL 格式解决了类似的问题 确保使用了正确的 IP 地址和完整的 URL 格式 2. 尝试使用 LiteLLM 与 Ollama 有用户建议使用 LiteLLM 与 Ollama 的组合，这似乎是一个可行的解决方案 3. 检查 Ollama 的版本兼容性 有用户提到，Ollama 可能升级了客户端，需要检查与 Dify 的版本兼容性 4. 检查 OpenAI 账户类型和模型权限 确保 OpenAI 账户类型和所选模型（如 GPT4）是否有访问权限 5. 尝试禁用流式传输模式 有用户反映，流式传输可能会导致错误，可以尝试禁用该功能 总之，解决这个问题的关键是确保 Ollama 的 IP 地址、URL 格式、版本兼容性以及 OpenAI 账户权限等都设置正确。如果还有其他问题，可以继续在 Dify 的 GitHub 仓库中寻找相关的讨论和解决方案。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI。 其优势包括： 1. 对显存要求相对较低，启动和出图速度快。 2. 生成自由度更高。 3. 可以和 webui 共享环境和模型。 4. 能搭建自己的工作流程，可导出并分享，报错时能清晰定位错误。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势在于： 1. 操作门槛高，需要清晰的逻辑。 2. 生态不如 webui 丰富，但有针对其开发的有趣插件。 您可以从 github 上下载作者部署好环境和依赖的整合包，按照官方文档安装，官方链接为：https://github.com/comfyanonymous/ComfyUI 。 此外，有人认为如果 contornet 让 AI 绘画从玩具变成工具，那 ComfyUI 就是制作工具的工具。同时，藏师傅介绍了用 ComfyUI 三步制作任意公司周边图片的流程，整个流程分为获取 Logo 图片的描述、根据描述和生成意图生成图片提示词、将图片和提示词输入 ComfyUI 工作生成。

ComfyUI LLM Party 相关内容如下： 作为 ComfyUI 插件的开发者，主要目的是讲解 LLM（大语言模型）与 ComfyUI 结合的基础、进阶和高阶用法，个人将 ComfyUI 中 LLM 应用粗略分为四大类：文本方面（提示词扩写、润色、对话）、图像视觉方面（图像提示词反推、OCR、LoRA 训练集图像打标）、LLM Agent（工具调用、长期/短期记忆、本地/API 大语言模型调用、封装 ComfyUI 工作流等）、其他独立于这些之外的 LLM 节点或功能。 对于 ComfyUI 和 ComfyUI LLM Party 的下载： 如果是 AI 绘图工作者，对 ComfyUI 不陌生。若未接触过，可在 GitHub 上拉取项目，或在 B 站下载整合包，如秋叶大佬的绘世整合包或者只剩一瓶辣椒酱的铁锅炖整合包。 ComfyUI LLM Party 是以 ComfyUI 作为前端的节点库，用于 LLM 智能体以及 LLM 工作流的无代码开发，功能类似于 coze、dify、flowise 等，与 ComfyUI 生态下的绝大部分节点相辅相成，有着无缝接入 SD 图像流的特色。可通过以下方法安装： 方法一：在中搜索 comfyui_LLM_party，一键安装，然后重启 comfyui。 方法二：导航到 ComfyUI 根文件夹中的 custom_nodes 子文件夹，使用克隆此存储库 git clone https://github.com/heshengtao/comfyui_LLM_party.git 。

以下是关于 ComfyUI 的 Windows 下载包的相关信息： 下载地址：https://github.com/comfyanonymous/ComfyUI ，您可以在此下载安装包，也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip 。 安装方法： 下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 目前安装 ComfyUI 有以下两种方法，您可以根据自己的需求选择： 本地安装： 命令行安装：普适性最强，安装后二次遇到问题的概率相对较低，但对于不熟悉命令行以及代码的用户来说可能有一定门槛。ComfyUI 的源码地址在 https://github.com/comfyanonymous/ComfyUI ，安装方法写在了 Readme 中，您也可以按照 Readme 文档进行操作。 安装包安装：安装比较简单，下载就能用。ComfyUI 的官方安装包下载地址是 https://github.com/comfyanonymous/ComfyUI/releases ，目前仅支持 Windows 系统，且显卡必须是 Nivida。下载最新的版本，解压就能使用。 云端安装：云端配置相对较高，生成图片的速度会更快，但是需要一定的费用。如果您想在云端安装，可以跳到。 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到您已经安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 汉化安装方法：在网盘连接中下载汉化包，并解压。将文件夹拖入到 E:\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 目录下。启动 ComfyUI 界面，点击右侧的小齿轮。在弹出界面的底部就可以切换语言了，选择中文即可。点击下方的“切换语言”，就可以在中文和英文之间随意切换。需要 blender 插件和汉化包的朋友，可以关注公众号【白马与少年】，发送【ComfyUI】即可获取链接。

以下是 ComfyUI 的安装教程： 1. 电脑硬件要求： 系统：Windows 7 以上。 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 硬盘留有足够的空间，最低 100G 起步（包括模型）。 注：mac 系统、AMD 显卡、低显卡的情况也可以安装使用，但功能不全，出错率偏高，严重影响使用体验，个人建议升级设备或者采用云服务器玩耍。 下载并更新 Nvidia 显卡驱动下载地址：https://www.nvidia.cn/geforce/drivers/ 2. 下载并安装所需要环境（安装过 WebUI 的同学请忽略本步骤）： 依次下载并安装 python、VSCode、Git，安装过程中一直点击勾选对应选项，一直下一步。 Python 版本 3.10 以上，下载地址： VSCode 下载地址： Git 下载地址： 安装 Python 时选中“将 Python 添加到系统变量”。 安装 CUDA：https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network ，下载文件：cuda_12.2.0_536.25_windows.exe 3. 安装 ComfyUI： 地址：https://github.com/comfyanonymous/ComfyUI 可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git 或者下载安装包 下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 4. 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 5. 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 6. 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到你已经安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 7. 快捷键（未提及具体快捷键内容）

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，以下是关于它的详细信息： 简介：可以想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优劣势： 优势： 对显存要求相对较低，启动速度快，出图速度快。 具有更高的生成自由度。 可以和 webui 共享环境和模型。 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势： 操作门槛高，需要有清晰的逻辑。 生态没有 webui 多（常用的都有），但也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 安装部署： 电脑硬件要求： 系统：Windows7 以上。 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 硬盘留有足够的空间，最低 100G 起步（包括模型）。 注：mac 系统，AMD 显卡，低显卡的情况也可以安装使用，但功能不全，出错率偏高，严重影响使用体验，个人建议升级设备或者采用云服务器玩耍。 下载并安装所需要环境： 依次下载并安装 python、Git、VSCode，安装过程中一直点击勾选对应选项，一直下一步。 安装 Python：https://www.python.org/downloads/release/python3119/ ，安装的时候选中“将 Python 添加到系统变量”。 安装 VSCode：https://code.visualstudio.com/Download 。 安装 Git：https://gitscm.com/download/win 。 安装 CUDA：https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network 。 安装步骤： 地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git ，或者下载安装包 file:ComfyUI.zip ，https://github.com/comfyanonymous/ComfyUI ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 模型存放目录： 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 快捷键：未提及。

在 Mac 上运行 ComfyUI 的步骤如下： 1. 电脑配置：MacBook Pro，M1 芯片，16G 内存，Sonoma 14.6.1 系统版本。 2. 部署 ComfyUI： 安装依赖：在终端中输入“pip3 install r requirements.txt”安装 ComfyUI 的依赖文件。终端提示需要特定版本的 numpy 时，输入“Y”卸载当前版本，然后输入“pip3 install numpy==1.26.4”安装指定版本。 启动 ComfyUI：在终端中输入“pwd”查看 ComfyUI 的文件路径，复制文件路径，替换启动命令中的相应部分，然后将命令“source cf/bin/activate && cd /Users/vina/Documents/ComfyUI && python main.py autolaunch listen dontupcastattention outputdirectory ~/Desktop”复制到终端。启动成功后，浏览器会自动跳转，但网页地址可能不对，直接在浏览器打开“http://localhost:8188/”即可使用。 3. 管理器和资源占用插件：官方的 ComfyUI 安装包不带管理器和资源占用视图，需要从 GitHub 下载。管理器插件下载地址：https://github.com/ltdrdata/ComfyUIManager 。资源占用视图插件装不装均可，下载地址：https://github.com/crystian/ComfyUICrystools 。 此外，还有一种搭建自己第一个 ComfyUI 的方法（熟手推荐 自定义创建）： 1. 创建工作空间：进入工作空间，点击自定义创建，按照以下内容配置，点击立即创建。镜像选择 lanruicomfyui 镜像；网盘默认挂载；数据集默认挂载 sdbase；启动方式默认选择手动启动。待实例状态由启动中变为运行中后，稍等一会，点击进入 JupyterLab，选择 terminal 终端。 2. 启动 ComfyUI：进入终端后，先参考配置学术加速。运行如下启动命令后按回车键，等待 1 分钟左右。（每次启动都需要输入启动命令）如果想要长时间持续运行任务，请用 nonhup 启动：启动命令“nohup bash /home/user/start.sh > comfy.log 2>&1 &”；查看启动/出图进度命令“tail fn 500 comfy.log”；停止命令“pkill 9 f '27777'”。当页面显示“To see the GUI go to:http://0.0.0.0:27777”，说明已启动成功。 3. 访问 ComfyUI 界面：返回工作空间，点击实例右侧的「打开调试地址」到浏览器，就可以使用 ComfyUI 啦。 需要注意的是，在 Mac 上使用 ComfyUI 存在一些难点： 1. 生图慢，因为 Mac M 只有 CPU，没有 GPU。 2. 生图的大模型在 CPU 环境中不一定适配、好用。 3. 用 Mac 生图的人少，能一起讨论的人也少，解决方案也少，需要自己摸索。 4. 大神们在 Windows 系统里做的一键包，在 Mac 中不能用。 5. 大神们的工作流也要做适配 Mac 的修改，需要一点点代码阅读和修改的能力。

以下是关于 AI 提示词方法的全面介绍： 优化和润色提示词（Prompt）对于提高文生图、对话等 AI 模型的输出质量非常重要，方法包括： 1. 明确具体的描述：使用更具体、细节的词语和短语来描述想要表达的内容，避免过于笼统。 2. 添加视觉参考：在 Prompt 中插入相关的图片参考，提高 AI 理解意图和细节要求的能力。 3. 注意语气和情感：根据需求，用合适的形容词、语气词等调整 Prompt 的整体语气和情感色彩。 4. 优化关键词组合：尝试不同的关键词搭配和语序，找到最有针对性、最准确表达需求的 Prompt 描述方式。 5. 增加约束条件：为避免 AI 产生意料之外的输出，添加限制性条件，如分辨率、比例等。 6. 分步骤构建 Prompt：将复杂的需求拆解为逐步的子 Prompt，引导 AI 先生成基本结构，再逐步添加细节和完善。 7. 参考优秀案例：研究 AI 社区流行的、被证明有效的 Prompt 范例，借鉴写作技巧和模式。 8. 反复试验、迭代优化：通过多次尝试不同的 Prompt 写法，并根据输出效果反馈持续优化完善，直至达到理想结果。 编写 prompt 时，还应遵循以下建议： 1. 明确任务：清晰定义任务，如写故事时包含背景、角色和主要情节。 2. 提供上下文：若任务需要特定背景知识，提供足够的上下文。 3. 使用清晰的语言：尽量用简单、清晰的语言，避免模糊或歧义词汇。 4. 给出具体要求：如有特定格式或风格要求，在 prompt 中明确指出。 5. 使用示例：如有特定期望结果，在 prompt 中提供示例。 6. 保持简洁：尽量简洁明了，避免过多信息使 AI 模型困惑。 7. 使用关键词和标签：帮助 AI 模型更好地理解任务的主题和类型。 8. 测试和调整：生成文本后仔细检查结果，根据需要调整 prompt，可能需要多次迭代。 在星流一站式 AI 设计工具的 prompt 输入框中： 1. 提示词用于描绘画面。 2. 输入语言方面，星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），支持中英文输入。 3. 写好提示词的方法包括： 预设词组：小白用户可点击提示词上方官方预设词组进行生图，提示词内容应准确，包含人物主体、风格、场景特点、环境光照、画面构图、画质等，如一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框，负面提示词可帮助 AI 理解不想生成的内容，如不好的质量、低像素、模糊、水印。 利用“加权重”功能：在功能框增加提示词，并进行加权重调节，权重数值越大越优先，也可对已有的提示词权重进行编辑。 辅助功能：包括翻译功能（一键将提示词翻译成英文）、删除所有提示词（清空提示词框）、会员加速（加速图像生图速度，提升效率）。

在文生图中，反向推出提示词的方式主要有以下几种： 1. 在图生图功能中，除了文本提词框外，还有图片框输入口。随便照一张照片拖入后，文本输入框旁边有两个反推提示词的按钮：CLIP 可以通过图片反推出完整含义的句子；DeepBooru 可以反推出关键词组。例如一张小男孩坐在长凳上的图片，通过 CLIP 反推得到的提示词为“a young boy sitting on a bench with a toy train and a lego train set on the floor next to him,Adam Rex,detailed product photo,a stock photo,lyco art”，通过 DeepBooru 反推得到的提示词为“shoes,solo,hat,orange_background,yellow_background,smile,socks,black_hair,sitting,sneakers”。但这两种方式生成的提示词可能存在瑕疵，需要手动补充信息。补充好提示词后，调整宽度和高度，使红框刚好匹配图片，同时注意两个重要参数：提示词相关性和重绘幅度。 2. 利用上一期活动图片反推工作流，使用唯美港风图片进行反推提示词，在大模型后接一个相关模型。上一期活动链接：。 3. 利用抱脸的 joycaption 图片反推提示词，然后在哩布上跑 flux 文生图工作流。joycaption 链接（需要魔法）：https://huggingface.co/spaces/fancyfeast/joycaptionprealpha 。文生图工作流： 。在哩布上跑文生图：https://www.liblib.art/modelinfo/e16a07d8be544e82b1cd14c37e217119?from=personal_page 。 在写文生图的提示词时，例如“”。

以下是关于 AI 提示词使用方法的详细介绍： 一、什么是提示词 提示词用于描绘您想要的画面。星流通用大模型与基础模型 F.1、基础模型 XL 使用自然语言（如一个长头发的金发女孩），基础模型 1.5 使用单个词组（如女孩、金发、长头发），并且支持中英文输入。启用提示词优化后，能帮您扩展提示词，更生动地描述画面内容。 二、如何写好提示词 1. 预设词组：小白用户可以点击提示词上方官方预设词组进行生图。 2. 提示词内容准确：包含人物主体、风格、场景特点、环境光照、画面构图、画质等，比如：一个女孩抱着小猫，背景是一面红墙，插画风格、孤独感，高质量。 3. 调整负面提示词：点击提示框下方的齿轮按钮，弹出负面提示词框。负面提示词可以帮助 AI 理解我们不想生成的内容，比如：不好的质量、低像素、模糊、水印。 4. 利用“加权重”功能：可在功能框增加提示词，并进行加权重调节，权重数值越大，越优先。还可以对已有的提示词权重进行编辑。 三、辅助功能 1. 翻译功能：一键将提示词翻译成英文。 2. 删除所有提示词：清空提示词框。 3. 会员加速：加速图像生图速度，提升效率。 四、关于 Prompt 的语法规则 1. Prompt 是一段指令，用于指挥 AI 生成您所需要的内容，每个单独的提示词叫 tag（关键词）。 2. 支持的语言为英语（不用担心英语不好的问题，），另外 emoji 也可以用。 3. 语法规则：用英文半角符号逗号,来分隔 tag。注意逗号前后有空格或者换行都不影响效果。改变 tag 权重有两种写法：括号，权重就重 1.1 倍，每加一层括号就反向减弱 1.1 倍。还可以进行 tag 的步数控制。 如果您是新手学习 AI，建议先了解 AI 基本概念，阅读「」中找到适合初学者的课程。选择感兴趣的模块深入学习，掌握提示词技巧，通过实践和尝试巩固知识，体验如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 产品。

在 Stable Diffusion（SD）中，通过图反向退出提示词有以下几种情况： 1. 图生图功能除了文本提词框外还有图片框输入口，可通过图片给与 AI 创作灵感。随便照一张照片拖入，文本输入框旁有两个反推提示词的按钮，CLIP 可通过图片反推出完整含义的句子，DeepBooru 可反推出关键词组。例如一张图通过两种反推方式得到的提示词分别为：CLIP——“a young boy sitting on a bench with a toy train and a lego train set on the floor next to him,Adam Rex,detailed product photo,a stock photo,lyco art”；DeepBooru——“shoes,solo,hat,orange_background,yellow_background,smile,socks,black_hair,sitting,sneakers”。但两种方式生成的提示词可能有瑕疵，需要手动补充信息，调整宽度和高度，使红框匹配图片，还要注意提示词相关性和重绘幅度这两个参数。 2. 去除图像人物时，将图放入 WD 1.4 标签器中裁剪只保留背景部分，然后反推提示词，如“outdoors,no humans,tree,scenery,grass,sky,cloud,day,blue sky,mountain,road,house,path,building,nature,cloudy sky”，检查无误后发送到文生图中，开启 ControlNet，使用 inpaint 模型涂抹人物部分生成。可调整控制权重和控制模式来优化效果。 3. 进行角色设计时，设置文生图提示词，如大模型“majicmixRealistic_v6.safetensors”，正向提示词“,lowres,sig,signature,watermark,username,bad,immature,cartoon,anime,3d,painting,b&w”，设置参数如迭代步数 50、采样方法 DPM++ 2M Karras、尺寸 1328×800px 后出图，可得到 15 个不同角度的人物图片。

以下是一些可以设计和优化提示词的 AI 软件： 1. 星流一站式 AI 设计工具： 在 prompt 输入框中可输入提示词，使用图生图功能辅助创作。 支持自然语言和单个词组输入，中英文均可。 启用提示词优化后可扩展提示词，更生动描述画面内容。 写好提示词的方法包括使用预设词组、保证内容准确（包含人物主体、风格、场景特点、环境光照、画面构图、画质等）、调整负面提示词、利用“加权重”功能突出重点内容，还有翻译、删除所有提示词、会员加速等辅助功能。 2. Prompt 网站精选： ：AI 艺术提示词生成器。 ：通过玩游戏练习 Prompt 书写。 NovelAI tag 生成器：设计类 Prompt 提词生成器，地址为。 魔咒百科词典：简单易用的 AI 绘画 tag 生成器，地址为。 KREA：设计 AI 的 Prompt 集合站，create better prompts，网址为。 Public Prompts：免费的 prompt 合集，收集高质量的提示词，网址为。 AcceleratorI Prompt：AI 词汇加速器，加速 Prompt 书写，通过按钮帮助优化和填充提示词，网址为。 3. OpenAI API： 设计提示词本质上是对模型进行“编程”，通常通过提供指令或示例完成。 模型通过将文本分解为标记（Token）来理解和处理文本，可通过分词器工具了解更多。 需要注意的是，在给定的 API 请求中处理的 Token 数量取决于输入和输出长度，文本提示词和生成的补全合起来不能超过模型的最大上下文长度（对于大多数模型，约为 2048 个 Token 或 1500 个单词）。

以下是关于 leap 提示词技术的相关内容： 在工作中，将两个观察联系起来，对 PROMPT ENGINEERING A PROMPT ENGINEER 进行研究，构建元提示指导 LLM 更有效地进行提示词工程。引入元提示组件，如逐步推理模板和上下文规范，从常见优化概念中汲取灵感并引入口头化对应物。在两个数学推理数据集上测试并确定最佳性能组合 PE2，其在 MultiArith 和 GSM8K 数据集上取得了强大的实证性能，在多种设置中超过自动提示词工程基准，在反事实任务上最为有效，在优化生产中使用的冗长、真实世界提示词方面也证明了适用性。 实验中将方法与普通人类提示词、ChainofThought，并介绍了实施细节。 随着 LLM 和生成式 AI 的发展，提示词设计和工程将更关键，讨论了基础和尖端方法，如检索增强生成（RAG），自动提示词工程（APE）这样的创新未来可能成为标准实践。