FluxPseudoNegative：一个将负面提示转换为正面属性的ComfyUI节点

FluxPseudoNegative 是一个专为 ComfyUI 设计的高级自定义节点，可将负面提示转换为正面提示。它旨在优化图像生成模型的提示工程，尤其适用于那些原生不支持负面提示，或使用负面提示会显著增加生成时间的模型。与其强行修改 CFG，我们只需反转你的负面词汇并找到它们的反义词！

目前有一些有前景的技术可以让负面提示在 Flux 中正常工作，这些技术可能会让本方案完全过时……但既然我已经完成了这项工作，我决定至少完成一个最小可行节点并发布它。

功能

• 多种反义词查找策略：

  • 自定义短语处理

  • WordNet

  • NLTK

  • Hugging Face Transformers

• 针对多词概念的全面短语处理

• 用于强度调整的情感分析

• 利用词嵌入进行概念扩展

• 可选的 ConceptNet 集成以扩大反义词范围

• 多级处理复杂度：基础、高级、专家

• 可选的 LLM 集成，用于未识别词汇或完整提示转换

• 用户可自定义反义词与系统提示

注意事项

• 本方案并非追求完美！它只是一个应对 CFG 导致生成时间翻倍问题的不完美解决方案。

• 目前我不建议使用 ConceptNet 扩展，因为它未按预期工作。

• 像 "Gross" 这样的词具有多重含义，无法自动推断正确含义（“令人厌恶”是一个意思，而在税务语境中也可能表示“总额”）。这可能导致意外的返回词。

• 若负面提示中包含如 "Brown Horse" 这样的概念，可能无法良好处理。同样，本方案并非对所有情况都适用。

安装

1. 通过 ComfyUI Manager 的 Git 选项安装，或克隆此仓库至你的 ComfyUI custom_nodes 目录：

git clone https://github.com/yourusername/ComfyUI-FluxPseudoNegativePrompt.git

2. 安装所需依赖：

pip install nltk textblob requests

3. 下载所需的 NLTK 数据：（使用时会自动完成）

import nltk
nltk.download('averaged_perceptron_tagger')
nltk.download('punkt')
nltk.download('wordnet')

使用方法

1. 在 ComfyUI 界面中，于 "prompt_processing" 类别下找到 "Flux Pseudo Negative" 节点。

2. 将节点连接到你的工作流：

   • 输入你的负面提示

   • 输入一个待增强的正面提示

   • 调整强度参数（0.0 至 1.0）

   • 选择处理复杂度等级

   • （可选）在文本框中提供自定义反义词，格式为 "词:反义词"（每行一个）

   • （可选）启用 ConceptNet 集成

   • （可选）启用 LLM 集成（完整转换或回退模式）

   • （可选）为 LLM 集成提供自定义系统提示

3. 节点输出：

   • 一个融合了转换后负面概念的修改后正面提示

   • （若启用 LLM 集成）一个供进一步处理的 LLM 输入字符串

参数

• negative_prompt：待转换的负面提示

• positive_prompt：可选的待增强正面提示

• strength：反义词影响强度（0.0 至 1.0）

• complexity：处理复杂度等级（基础、高级、专家）

• custom_antonyms：可选的自定义反义词映射

• use_conceptnet：启用 ConceptNet 进行概念扩展

• use_llm_full：启用基于 LLM 的完整提示转换

• use_llm_fallback：启用基于 LLM 的未识别词回退机制

• custom_system_prompt：用于 LLM 集成的自定义系统提示

文件结构

• __init__.py：初始化 ComfyUI 节点

• FluxPseudoNegative.py：包含主类 FluxPseudoNegativeNode

• flux_utils.py：包含 PhraseHandler 类和 strength_map

自定义

你可以通过修改 flux_utils.py 文件来自定义短语映射和强度映射。你也可以在文本框中或从文本文件（每行一个）加载自定义反义词词典。你还可以指定自定义 LLM 系统提示，以便在第三方 LLM 节点中集成并转换你的负面提示（本节点已内置 3 个已测试/验证的提示）。

注意

本节点需要大量计算资源，尤其在使用高级 NLP 功能和模型时。性能将根据你的系统能力及输入提示的复杂度而有所不同。