拓冰网站定制 
简介ComfyUI-Custom-Nodes-AlekPet 是一款由开发者 Alek 维护的 ComfyUI 第三方软件插件通过自定义节点为界面扩展翻译、姿态识别、绘制等实用能力适合需要在 ComfyUI 中优化图像生成工作流的创作者与二次开发者。压缩包共 39 个文件整体 1.21 MB包含 7 个 Python 脚本负责节点核心逻辑、10 个 JavaScript 文件负责前端交互另有 Markdown 文档、示例图片和 requirements/config 等配置说明结构与文档完整。插件按翻译、姿态、绘制、扩展等模块清晰组织通过学习源码可以掌握自定义节点类的定义、输入输出接口设计、ComfyUI 图形界面集成方式以及节点间数据流的传递机制。对于想为 ComfyUI 开发扩展、调试插件或自建节点的开发者来说这套源码兼具学习与参考价值。目前已有 1068 人学习下载适合具备一定 Python 基础、希望深入理解 ComfyUI 插件架构的读者。 写这篇分享之前先说个结论ComfyUI的自定义节点包多得数不过来但真正能在我日常出图流程里天天用到的AlekPet这个包绝对排得上号。它的全名是ComfyUI-Custom-Nodes-AlekPet核心是做语言翻译相关节点附带文本预览、发送之类的小工具。如果你习惯把中文提示词直接搬进ComfyUI又不想在浏览器和工作流之间来回切翻译网页这个包值得第一时间装上。这包适合谁一类是用ComfyUI做图但提示词习惯写中文、靠翻译再转英文的人一类是跑批量出图、想让提示词翻译和编码全自动串成链路的人还有一类就是单纯喜欢把工作流工具链尽量收拢在一个界面里的折腾型玩家。下面我按实际使用经验把安装、节点选择、参数设置、常见坑全部过一遍。1. 这个节点包到底解决什么问题1.1 先搞清楚AlekPet是干什么的AlekPet是GitHub上的一个开发者账号发布了这个节点合集。包里除了翻译节点还塞了一些文本预览、图像处理、消息发送之类的辅助节点。但真正让它在社区里被反复提及的还是翻译节点系列。为什么翻译在ComfyUI里这么关键因为市面主流的基础模型SD1.5、SDXL、FLUX这一挂都是基于英文语料训练的CLIP编码器对英文提示词的理解最稳定。中文提示词直接灌进去有些模型能猜出大概意思但细节经常跑偏比如少女被理解成女性古风直接没概念。所以国内用户普遍的做法是先写中文翻译成英文再进CLIP编码。问题来了——手动翻译太打断节奏。尤其做批量生成的时候一次性要处理几十条提示词一条条去网页翻译再复制回来效率低还容易粘错。AlekPet的翻译节点就是把这个语言转换过程直接搬进工作流里让翻译成为出图流程的一个普通环节。1.2 三个翻译节点怎么选AlekPet的翻译能力不是只有一个节点而是三个各自面向不同场景。节点名称后端/原理是否需要网络翻译质量推荐场景TranslateCLIPNodeGoogle、Bing、Yandex等在线翻译需要较好日常快速翻译、接入CLIP编码DeepTranslatorNodedeep-translator库支持MyMemory、Linguee等需要中上在线翻译后端选择更多适合备用ArgosTranslateNodeArgos Translate本地模型不需要中等离线环境、隐私敏感、批量稳定跑实际用下来在线后端里Google质量最自然但有时候会遇到频率限制或者响应慢Bing后端最稳翻译速度也快我日常主力就是Bing。Argos是完全本地跑的没有网络波动问题首次用要下载语言模型之后离线也能翻特别适合工作流已经跑起来、不想被外部网络拖后腿的场景。2. 安装部署与基础配置2.1 三种安装方式先说环境ComfyUI版本建议保持比较新整合包也一样节点包本身没有特别挑版本。安装方式三种选一个顺手的第一种通过ComfyUI Manager安装。打开Manager搜索AlekPet找到ComfyUI-Custom-Nodes-AlekPet点Install等依赖装完重启ComfyUI就行。这是最省事的方式也是我推荐新手用的方式。第二种git clone到custom_nodes目录。打开终端切到ComfyUI安装目录下的custom_nodes文件夹执行git clone https://github.com/AlekPet/ComfyUI-Custom-Nodes-AlekPet.git这种方式适合已经习惯用Git管理节点的人后续更新也方便直接git pull拉最新代码。第三种手动下载。去GitHub仓库页面下载zip解压后放到custom_nodes目录下。如果你用的是秋叶整合包手动放目录的效果一样但要注意后面说的依赖问题。2.2 依赖安装与版本确认节点放进去只是第一步AlekPet这个包依赖不少翻译库直接启动一定会报ImportError。需要在节点目录下安装依赖cd custom_nodes/ComfyUI-Custom-Nodes-AlekPet python -m pip install -r requirements.txt秋叶整合包用户注意这里有个坑整合包自带的是python_embeded环境不是系统Python。需要打开秋叶启动器里的高级选项或者直接进python_embeded目录用下面的方式装../python_embeded/python.exe -m pip install -r requirements.txt如果不确定当前ComfyUI用的哪个Python最简单的验证方法是看ComfyUI启动时控制台输出的路径或者直接在该目录下运行python命令看版本号。装完依赖最好重启一次ComfyUI然后在节点列表里搜索AlekPet、Translate、Deep、Argos这些关键词。如果能正常出现节点说明加载成功。如果出现了红底的报错节点不用怀疑几乎都是依赖没装全。我碰到过一次很典型的情况节点列表中能看到TranslateCLIPNode但一拖进画布就报ModuleNotFoundError提示缺googletrans。查了一下是requirements.txt里没锁版本装的时候因为网络问题拉取不完整。解决方式很简单手动补装缺失的那个库就行python -m pip install googletrans3.1.0a0注意googletrans的版本号比较敏感新版API有变动用3.1.0a0这个版本比较稳。3. 翻译节点实操从新手到进阶3.1 TranslateCLIPNode的完整用法这个节点是AlekPet包里出镜率最高的。添加路径右键画布 - Add Node - AlekPet - Translate - Translate CLIP Node。进去之后关键参数有这几个from_translate源语言一般填zh中文或者填auto自动检测。to_translate目标语言填en。mode翻译模式有两个选项translate_text是整段翻译translate_clip是面向CLIP的翻译。translation_backend选择翻译后端Google、Bing、Yandex等。重点说mode。translate_text就是把输入文本整段翻成英文适合接正常的文本提示词translate_clip会把提示词切开转成CLIP更习惯的短关键词形式。实际测试下来translate_clip模式对SD1.5那类模型确实更友好出图风格更贴提示词意图。但注意一点translate_clip输出的是关键词组不适合整段长描述太复杂的提示词那种还是用translate_text。节点输出有两种类型string和list。当输入多行文本时输出会变成list而CLIP Text Encode节点的text输入是string直接接会报类型不匹配。解决办法是加一个Join Strings节点把list拼成string再接过去。一个最简单的入门工作流长这样Load Checkpoint - CLIP Text Encode正面提示词 - KSampler - VAE Decode - Save ImageConnect中文提示词写入TranslateCLIPNode的text输入from_translate设zhto_translate设enmode选translate_clip输出接CLIP Text Encode的text。负面提示词也用同样的方式再串一个TranslateCLIPNode。3.2 离线方案ArgosTranslateNode如果你在的网络环境下在线翻译后端不稳定或者要处理大量隐私性比较强的素材ArgosTranslateNode是好选择。它基于Argos Translate完全本地推理不联网。第一次使用要先下载语言模型节点里选择源语言和目标语言比如zh-en点击下载按钮。模型下载比较慢而且默认从Hugging Face拉文件网络不稳的话经常失败。碰到下载失败有两个处理办法。一是用镜像域名替换路径把Hugging Face的域名换成hf-mirror.com对应的地址手动下载模型文件放到对应目录。二是干脆从Argos Translate的模型仓库直接下载离线包放到本地的模型目录下。模型放好之后节点初始化速度明显变快翻译过程基本在本地毫秒级完成。离线翻译的质量比Google稍微生硬一点但日常出图提示词足够用了胜在稳定、可控、不依赖外部服务。4. 搭配其他节点与完整工作流示例4.1 简易工作流中文提示词到出图完整的串联方式我直接给你列出来照着连就行Load Checkpoint加载模型。正面提示词用一个Text Multiline节点输入中文接TranslateCLIPNodefrom_translatezhto_translateenmodetranslate_clip。翻译节点输出接CLIP Text Encode的textCLIP输入从Load Checkpoint的CLIP端口连。负面提示词同样走一个TranslateCLIPNode翻译成英文再进CLIP Text Encode。两个CLIP Text Encode的conditioning分别接KSampler的positive和negative。KSampler设置seed、steps、cfg接Latent Image空白潜空间。采样结果接VAE Decode再接Save Image保存。这个流程跑通之后你会发现提示词从输入到出图全在一个界面里完成再也不用切出去翻译了。我实测下来Bing后端翻译一段50字的中文提示词大概1到2秒对整个出图流程几乎没有感知上的延迟。4.2 进阶玩法多语言批量处理翻译节点真正强大的地方在批量场景。我做电商素材的时候经常遇到这样的需求同一组提示词要翻成中、英、日、韩四套文案出图。传统做法是手动翻四遍逐个塞进工作流跑四轮。用了AlekPet之后我直接把四段不同语言的原始提示词作为四行文本输入用TranslateCLIPNode的translate_text模式目标语言设en输出接一个批量处理节点就能一次性完成多语言到英文的转换。多行输入时注意一点输出是list需要接一个Array或者Join节点把多行拆开分别对应不同的Batch。实际操作中我用一个循环节点把list逐条喂给翻译节点跑完直接得到四条英文提示词再分别出图。进阶一点的做法是把翻译节点和随机种子调参、批次数控制结合起来做一个输入一个主题词自动生成50张变体图的批量工作流。我去年做社交媒体素材时就这么干的一个人一天能出上百张不同主题的初稿翻译环节零手工介入。5. 常见问题与排查技巧实录5.1 高频报错速查表实际使用中我踩过的坑和群里朋友问过的问题基本可以汇总成下面这个表。报错/现象常见原因解决方式ModuleNotFoundError: googletrans / deep_translator依赖没装全进节点目录执行pip install -r requirements.txt或手动补装对应库节点拖进画布是红色报异常依赖版本不兼容检查googletrans版本建议回退到3.1.0a0翻译超时或报429在线翻译后端被限流换translation_backendGoogle换Bing或改用Argos本地翻译Argos模型下载失败默认下载源网络不稳定手动下载模型文件放到本地模型目录或换镜像域名list类型输出接CLIP Text Encode报错类型不匹配加Join Strings节点把list拼成string翻译结果和预期差很多mode选错长描述用translate_text短关键词用translate_clip整合包环境下pip装不进去装到了系统Python而不是ComfyUI环境用python_embeded/python.exe执行pip5.2 性能和稳定性心得关于翻译后端的选择我做了个小测试。用同样一段中文提示词连续翻译50次Google后端有7次返回超时或者需要重试Bing后端全部一次通过耗时也更快。所以现在我的建议很明确日常使用直接把translation_backend设成Bing省心。还有一点同一个ComfyUI进程里不要同时跑太多TranslateCLIPNode实例。节点本身是调远程API的如果你一个工作流里塞了10个翻译节点每个翻一次那就是10次请求后端限流的概率会几何级增长。我在批量翻译配置提示词时就遇到过这个情况最后把工作流拆成几步一次只跑少量翻译节点问题才解决。Argos本地模型的优势在这时候就体现出来了。离线跑完全不受速率限制批量翻译几十条没问题。缺点是首次配置麻烦一点模型文件也有点大但配置好之后基本是零维护。我的建议是在线后端作为日常主力Argos作为批量场景和应急备份。6. 一些实际操作中的体会最后分享几个我个人的经验。第一个经验不要为了翻译而翻译。有时你手头的提示词本来就是英文的或者用的是支持中文的微调模型那就没必要再加一层翻译节点。节点链越长排查问题越麻烦能少一环是一环。第二个经验翻译节点在调试工作流时非常好用。我以前调提示词总是要在外部翻译器和ComfyUI之间切换翻译完还要再做对比实验。现在直接在节点里换参数重跑调试效率高很多。尤其做提示词A/B对比时翻译节点可以保证所有变量只在提示词内容上有差异不会因为某一次手动翻译换了措辞导致对比结果失真。第三个经验AlekPet包里的辅助节点也值得看一眼像文本预览这类小工具在调试翻译输出时能省不少事。你可以先把翻译结果接文本预览节点查看输出确认翻译质量后再接CLIP编码避免翻错了直接进采样器白白浪费一轮生成时间。这个包后续如果再更新我希望能看到针对SDXL和FLUX的提示词格式适配因为不同模型对提示词的解析习惯差异还挺大的。不过就目前来说AlekPet这套节点已经是ComfyUI中文用户工作流里一个非常成熟的补全方案装上之后你大概率不会再想去手动翻译提示词了。本文还有配套的精品资源点击获取 ComfyUI必装节点AlekPet：中文提示词一键翻译出图工作流
简介ComfyUI-Custom-Nodes-AlekPet 是一款由开发者 Alek 维护的 ComfyUI 第三方软件插件通过自定义节点为界面扩展翻译、姿态识别、绘制等实用能力适合需要在 ComfyUI 中优化图像生成工作流的创作者与二次开发者。压缩包共 39 个文件整体 1.21 MB包含 7 个 Python 脚本负责节点核心逻辑、10 个 JavaScript 文件负责前端交互另有 Markdown 文档、示例图片和 requirements/config 等配置说明结构与文档完整。插件按翻译、姿态、绘制、扩展等模块清晰组织通过学习源码可以掌握自定义节点类的定义、输入输出接口设计、ComfyUI 图形界面集成方式以及节点间数据流的传递机制。对于想为 ComfyUI 开发扩展、调试插件或自建节点的开发者来说这套源码兼具学习与参考价值。目前已有 1068 人学习下载适合具备一定 Python 基础、希望深入理解 ComfyUI 插件架构的读者。 写这篇分享之前先说个结论ComfyUI的自定义节点包多得数不过来但真正能在我日常出图流程里天天用到的AlekPet这个包绝对排得上号。它的全名是ComfyUI-Custom-Nodes-AlekPet核心是做语言翻译相关节点附带文本预览、发送之类的小工具。如果你习惯把中文提示词直接搬进ComfyUI又不想在浏览器和工作流之间来回切翻译网页这个包值得第一时间装上。这包适合谁一类是用ComfyUI做图但提示词习惯写中文、靠翻译再转英文的人一类是跑批量出图、想让提示词翻译和编码全自动串成链路的人还有一类就是单纯喜欢把工作流工具链尽量收拢在一个界面里的折腾型玩家。下面我按实际使用经验把安装、节点选择、参数设置、常见坑全部过一遍。1. 这个节点包到底解决什么问题1.1 先搞清楚AlekPet是干什么的AlekPet是GitHub上的一个开发者账号发布了这个节点合集。包里除了翻译节点还塞了一些文本预览、图像处理、消息发送之类的辅助节点。但真正让它在社区里被反复提及的还是翻译节点系列。为什么翻译在ComfyUI里这么关键因为市面主流的基础模型SD1.5、SDXL、FLUX这一挂都是基于英文语料训练的CLIP编码器对英文提示词的理解最稳定。中文提示词直接灌进去有些模型能猜出大概意思但细节经常跑偏比如少女被理解成女性古风直接没概念。所以国内用户普遍的做法是先写中文翻译成英文再进CLIP编码。问题来了——手动翻译太打断节奏。尤其做批量生成的时候一次性要处理几十条提示词一条条去网页翻译再复制回来效率低还容易粘错。AlekPet的翻译节点就是把这个语言转换过程直接搬进工作流里让翻译成为出图流程的一个普通环节。1.2 三个翻译节点怎么选AlekPet的翻译能力不是只有一个节点而是三个各自面向不同场景。节点名称后端/原理是否需要网络翻译质量推荐场景TranslateCLIPNodeGoogle、Bing、Yandex等在线翻译需要较好日常快速翻译、接入CLIP编码DeepTranslatorNodedeep-translator库支持MyMemory、Linguee等需要中上在线翻译后端选择更多适合备用ArgosTranslateNodeArgos Translate本地模型不需要中等离线环境、隐私敏感、批量稳定跑实际用下来在线后端里Google质量最自然但有时候会遇到频率限制或者响应慢Bing后端最稳翻译速度也快我日常主力就是Bing。Argos是完全本地跑的没有网络波动问题首次用要下载语言模型之后离线也能翻特别适合工作流已经跑起来、不想被外部网络拖后腿的场景。2. 安装部署与基础配置2.1 三种安装方式先说环境ComfyUI版本建议保持比较新整合包也一样节点包本身没有特别挑版本。安装方式三种选一个顺手的第一种通过ComfyUI Manager安装。打开Manager搜索AlekPet找到ComfyUI-Custom-Nodes-AlekPet点Install等依赖装完重启ComfyUI就行。这是最省事的方式也是我推荐新手用的方式。第二种git clone到custom_nodes目录。打开终端切到ComfyUI安装目录下的custom_nodes文件夹执行git clone https://github.com/AlekPet/ComfyUI-Custom-Nodes-AlekPet.git这种方式适合已经习惯用Git管理节点的人后续更新也方便直接git pull拉最新代码。第三种手动下载。去GitHub仓库页面下载zip解压后放到custom_nodes目录下。如果你用的是秋叶整合包手动放目录的效果一样但要注意后面说的依赖问题。2.2 依赖安装与版本确认节点放进去只是第一步AlekPet这个包依赖不少翻译库直接启动一定会报ImportError。需要在节点目录下安装依赖cd custom_nodes/ComfyUI-Custom-Nodes-AlekPet python -m pip install -r requirements.txt秋叶整合包用户注意这里有个坑整合包自带的是python_embeded环境不是系统Python。需要打开秋叶启动器里的高级选项或者直接进python_embeded目录用下面的方式装../python_embeded/python.exe -m pip install -r requirements.txt如果不确定当前ComfyUI用的哪个Python最简单的验证方法是看ComfyUI启动时控制台输出的路径或者直接在该目录下运行python命令看版本号。装完依赖最好重启一次ComfyUI然后在节点列表里搜索AlekPet、Translate、Deep、Argos这些关键词。如果能正常出现节点说明加载成功。如果出现了红底的报错节点不用怀疑几乎都是依赖没装全。我碰到过一次很典型的情况节点列表中能看到TranslateCLIPNode但一拖进画布就报ModuleNotFoundError提示缺googletrans。查了一下是requirements.txt里没锁版本装的时候因为网络问题拉取不完整。解决方式很简单手动补装缺失的那个库就行python -m pip install googletrans3.1.0a0注意googletrans的版本号比较敏感新版API有变动用3.1.0a0这个版本比较稳。3. 翻译节点实操从新手到进阶3.1 TranslateCLIPNode的完整用法这个节点是AlekPet包里出镜率最高的。添加路径右键画布 - Add Node - AlekPet - Translate - Translate CLIP Node。进去之后关键参数有这几个from_translate源语言一般填zh中文或者填auto自动检测。to_translate目标语言填en。mode翻译模式有两个选项translate_text是整段翻译translate_clip是面向CLIP的翻译。translation_backend选择翻译后端Google、Bing、Yandex等。重点说mode。translate_text就是把输入文本整段翻成英文适合接正常的文本提示词translate_clip会把提示词切开转成CLIP更习惯的短关键词形式。实际测试下来translate_clip模式对SD1.5那类模型确实更友好出图风格更贴提示词意图。但注意一点translate_clip输出的是关键词组不适合整段长描述太复杂的提示词那种还是用translate_text。节点输出有两种类型string和list。当输入多行文本时输出会变成list而CLIP Text Encode节点的text输入是string直接接会报类型不匹配。解决办法是加一个Join Strings节点把list拼成string再接过去。一个最简单的入门工作流长这样Load Checkpoint - CLIP Text Encode正面提示词 - KSampler - VAE Decode - Save ImageConnect中文提示词写入TranslateCLIPNode的text输入from_translate设zhto_translate设enmode选translate_clip输出接CLIP Text Encode的text。负面提示词也用同样的方式再串一个TranslateCLIPNode。3.2 离线方案ArgosTranslateNode如果你在的网络环境下在线翻译后端不稳定或者要处理大量隐私性比较强的素材ArgosTranslateNode是好选择。它基于Argos Translate完全本地推理不联网。第一次使用要先下载语言模型节点里选择源语言和目标语言比如zh-en点击下载按钮。模型下载比较慢而且默认从Hugging Face拉文件网络不稳的话经常失败。碰到下载失败有两个处理办法。一是用镜像域名替换路径把Hugging Face的域名换成hf-mirror.com对应的地址手动下载模型文件放到对应目录。二是干脆从Argos Translate的模型仓库直接下载离线包放到本地的模型目录下。模型放好之后节点初始化速度明显变快翻译过程基本在本地毫秒级完成。离线翻译的质量比Google稍微生硬一点但日常出图提示词足够用了胜在稳定、可控、不依赖外部服务。4. 搭配其他节点与完整工作流示例4.1 简易工作流中文提示词到出图完整的串联方式我直接给你列出来照着连就行Load Checkpoint加载模型。正面提示词用一个Text Multiline节点输入中文接TranslateCLIPNodefrom_translatezhto_translateenmodetranslate_clip。翻译节点输出接CLIP Text Encode的textCLIP输入从Load Checkpoint的CLIP端口连。负面提示词同样走一个TranslateCLIPNode翻译成英文再进CLIP Text Encode。两个CLIP Text Encode的conditioning分别接KSampler的positive和negative。KSampler设置seed、steps、cfg接Latent Image空白潜空间。采样结果接VAE Decode再接Save Image保存。这个流程跑通之后你会发现提示词从输入到出图全在一个界面里完成再也不用切出去翻译了。我实测下来Bing后端翻译一段50字的中文提示词大概1到2秒对整个出图流程几乎没有感知上的延迟。4.2 进阶玩法多语言批量处理翻译节点真正强大的地方在批量场景。我做电商素材的时候经常遇到这样的需求同一组提示词要翻成中、英、日、韩四套文案出图。传统做法是手动翻四遍逐个塞进工作流跑四轮。用了AlekPet之后我直接把四段不同语言的原始提示词作为四行文本输入用TranslateCLIPNode的translate_text模式目标语言设en输出接一个批量处理节点就能一次性完成多语言到英文的转换。多行输入时注意一点输出是list需要接一个Array或者Join节点把多行拆开分别对应不同的Batch。实际操作中我用一个循环节点把list逐条喂给翻译节点跑完直接得到四条英文提示词再分别出图。进阶一点的做法是把翻译节点和随机种子调参、批次数控制结合起来做一个输入一个主题词自动生成50张变体图的批量工作流。我去年做社交媒体素材时就这么干的一个人一天能出上百张不同主题的初稿翻译环节零手工介入。5. 常见问题与排查技巧实录5.1 高频报错速查表实际使用中我踩过的坑和群里朋友问过的问题基本可以汇总成下面这个表。报错/现象常见原因解决方式ModuleNotFoundError: googletrans / deep_translator依赖没装全进节点目录执行pip install -r requirements.txt或手动补装对应库节点拖进画布是红色报异常依赖版本不兼容检查googletrans版本建议回退到3.1.0a0翻译超时或报429在线翻译后端被限流换translation_backendGoogle换Bing或改用Argos本地翻译Argos模型下载失败默认下载源网络不稳定手动下载模型文件放到本地模型目录或换镜像域名list类型输出接CLIP Text Encode报错类型不匹配加Join Strings节点把list拼成string翻译结果和预期差很多mode选错长描述用translate_text短关键词用translate_clip整合包环境下pip装不进去装到了系统Python而不是ComfyUI环境用python_embeded/python.exe执行pip5.2 性能和稳定性心得关于翻译后端的选择我做了个小测试。用同样一段中文提示词连续翻译50次Google后端有7次返回超时或者需要重试Bing后端全部一次通过耗时也更快。所以现在我的建议很明确日常使用直接把translation_backend设成Bing省心。还有一点同一个ComfyUI进程里不要同时跑太多TranslateCLIPNode实例。节点本身是调远程API的如果你一个工作流里塞了10个翻译节点每个翻一次那就是10次请求后端限流的概率会几何级增长。我在批量翻译配置提示词时就遇到过这个情况最后把工作流拆成几步一次只跑少量翻译节点问题才解决。Argos本地模型的优势在这时候就体现出来了。离线跑完全不受速率限制批量翻译几十条没问题。缺点是首次配置麻烦一点模型文件也有点大但配置好之后基本是零维护。我的建议是在线后端作为日常主力Argos作为批量场景和应急备份。6. 一些实际操作中的体会最后分享几个我个人的经验。第一个经验不要为了翻译而翻译。有时你手头的提示词本来就是英文的或者用的是支持中文的微调模型那就没必要再加一层翻译节点。节点链越长排查问题越麻烦能少一环是一环。第二个经验翻译节点在调试工作流时非常好用。我以前调提示词总是要在外部翻译器和ComfyUI之间切换翻译完还要再做对比实验。现在直接在节点里换参数重跑调试效率高很多。尤其做提示词A/B对比时翻译节点可以保证所有变量只在提示词内容上有差异不会因为某一次手动翻译换了措辞导致对比结果失真。第三个经验AlekPet包里的辅助节点也值得看一眼像文本预览这类小工具在调试翻译输出时能省不少事。你可以先把翻译结果接文本预览节点查看输出确认翻译质量后再接CLIP编码避免翻错了直接进采样器白白浪费一轮生成时间。这个包后续如果再更新我希望能看到针对SDXL和FLUX的提示词格式适配因为不同模型对提示词的解析习惯差异还挺大的。不过就目前来说AlekPet这套节点已经是ComfyUI中文用户工作流里一个非常成熟的补全方案装上之后你大概率不会再想去手动翻译提示词了。本文还有配套的精品资源点击获取