ComfyUI 区域提示词与多主体构图：Regional、Cutoff、Conditioning Combine 怎么用

一张 1024x768 的图,左边想要红衣短发女孩,右边想要蓝外套男孩。结果画出来,红色跑到右边外套上,蓝色染到左边头发里,两个人衣服和发色互相污染。这不是 seed 问题,也不是模型不够强,而是 CLIP 文本编码器看的是整句上下文——“red hair, blue jacket”里的 red 可能漂移到 jacket,blue 可能跑到 hair。区域条件节点只能限制 prompt 在 latent 上的空间范围,但 embedding 本身仍然带着全局编码的上下文。实际处理时可分三条路线:原生坐标区域(ConditioningSetArea + Combine)、属性绑定(Cutoff)、mask 区域采样(Impact Pack Regional),每条路线适用的场景和边界限制都不同。

问题拆解:为什么多主体 prompt 会串味

CLIP 编码的全局上下文

Stable Diffusion 的 CLIP 文本编码器不是逐词独立编码,而是看整句上下文。“blue hair, yellow eyes”里的 blue 可能影响 eyes,因为 embedding 生成时 token 之间有语义关联。ConditioningSetArea 只是把条件限制在 latent 的某个区域,但 embedding 本身仍然来自全局编码,所以蓝色仍然可能漂移到眼睛。区域 prompt 能降低空间上的串味概率(左边红影响右边),但不能阻止 token 层面的属性漂移(blue 影响 eyes)。

三种串味类型

串味类型	典型表现	解决方向
空间串味	左边红衣影响右边,前景蓝色影响背景	区域条件(Set Area / RegionalPrompt)
属性串味	”blue hair, yellow eyes”中 blue 影响 eyes	属性绑定(Cutoff)
身份不一致	同角色在不同 seed 下脸不一样	FaceID / LoRA(本篇不展开)

方案选型对照表:问题 → 方案 → 工具 → 不适合场景

问题场景	推荐方案	工具节点	不适合场景
左右角色分区	原生坐标区域	ConditioningSetArea + ConditioningCombine	复杂 mask(需手算坐标)
颜色/服饰串味	属性绑定	Cutoff BasePrompt + Set Region + Regions To Conditioning	坐标分区;SDXL 效果需实测(README 明确 SDXL 0.9 效果不佳)
复杂 mask 区域	mask 区域采样	Impact Pack:RegionalPrompt + CombineRegionalPrompts + RegionalSampler	需安装 Impact Pack;可能缺节点
简化色块 mask	简化区域节点	Inspire Pack:Regional Conditioning By Color Mask	依赖 Impact Pack 或 IPAdapter Plus
姿势错位	姿势控制	ControlNet(OpenPose / Canny / Depth)	不解决属性串味
身份不一致	身份固定	FaceID / ReActor / LoRA	不解决区域 prompt

组合建议:区域 prompt 定位置 → OpenPose 定姿势 → global conditioning 用低权重(0.3-0.5)统一氛围。OpenPose、ControlNet 或 IPAdapter 的位置需要人工和区域对齐,节点不会自动知道”左边这个 OpenPose 人物属于哪个区域 prompt”。

原生路线:ConditioningSetArea + Combine

坐标参数解释

参数	含义	单位	范围	说明
x / y	区域左上角坐标	像素	0 - MAX_RESOLUTION	坐标系原点在左上角
width / height	区域宽高	像素	64 - MAX_RESOLUTION,步进 8	UI 步进 8,因为源码写入 latent 时要除以 8
strength	区域条件权重	浮点数	0 - 10,默认 1.0	重叠区域混合权重,采样时归一化

步进 8 的原因:源码中 ConditioningSetArea.append() 写入 latent area 时使用 (height // 8, width // 8, y // 8, x // 8)。512x512 图像在 latent 空间是 64x64,所以坐标要按 8 的倍数对齐。百分比版本可用 ConditioningSetAreaPercentage,输入 0-1 的百分比,适合不想手算像素的场景。

连线流程:从 prompt 到 sampler

以下步骤块以 1024x768 左右角色分区为例:

步骤 1:左角色 prompt 分区

• 左角色 prompt → CLIP Text Encode(输出 conditioning)
• Conditioning → ConditioningSetArea(设置参数:x=0, y=0, width=512, height=768, strength=1.0)
• 输出带区域标记的 conditioning

步骤 2:右角色 prompt 分区

• 右角色 prompt → CLIP Text Encode(输出 conditioning)
• Conditioning → ConditioningSetArea(设置参数:x=512, y=0, width=512, height=768, strength=1.0)
• 输出带区域标记的 conditioning

步骤 3:合并 conditioning

• 左角色 Set Area 输出 → ConditioningCombine(输入端 1)
• 右角色 Set Area 输出 → ConditioningCombine(输入端 2)
• Combine 输出 → KSampler 的 positive 条件

可选步骤:背景 global conditioning

• 背景场景 prompt → CLIP Text Encode
• Conditioning → ConditioningSetArea(x=0, y=0, width=1024, height=768, strength=0.3-0.5)
• Combine 时与其他区域 conditioning 合并,strength 调低统一氛围

关键提醒:strength 不是”透明度”,而是”噪声预测的权重”。重叠区域时,多个 conditioning 的权重会在采样前归一化,不需要手动计算总权重。

重叠区域与 strength 调整

多个区域重叠时,strength 用于混合不同区域的 conditioning。采样时会自动归一化权重,所以不需要手动计算。建议:前景角色 strength=1.0,背景 global conditioning strength=0.3-0.5。strength 调低可以减少背景对主体的干扰,但不能完全消除串味——如果两个角色的 prompt 里有颜色冲突,仍可能因为 CLIP embedding 的全局上下文而互相影响。

属性绑定路线:Cutoff

适用场景与原理

典型问题:“blue hair, yellow eyes”中 blue 影响 eyes,因为 CLIP 编码看整句上下文。Cutoff 的目标是让属性只影响 prompt 指定的子集,而不是整句。工作原理:屏蔽 target tokens 重新生成 embedding,再取方向让属性关系更隔离。

关键区分:Cutoff 不是区域提示词,不关心坐标,只关心 token 之间的绑定关系。节点清单:Cutoff BasePrompt、Cutoff Set Region、Cutoff Regions To Conditioning、Cutoff Regions To Conditioning (ADV)。节点位置:conditioning > cutoff。

SDXL warning:README 明确 SDXL 0.9 效果不佳。当前 SDXL/FLUX 版本效果需实测,不能当作稳定万能方案。

安装与使用

安装步骤:

• ComfyUI-Manager 搜索 ComfyUI_Cutoff
• 或手动克隆:git clone https://github.com/BlenderNeko/ComfyUI_Cutoff 到 custom_nodes 目录
• 安装后重启 ComfyUI

基本流程:

• BasePrompt 输入完整 prompt(如 “blue hair, yellow eyes”)
• Set Region 定义属性绑定(如 “blue” 绑定到 “hair”)
• Regions To Conditioning 输出 conditioning
• 输出的 conditioning 可继续用 Set Area 限制区域

局限与注意

不适合坐标分区:Cutoff 只解决 token 属性绑定,不负责”左边红衣、右边蓝衣”的空间分区。如果想同时解决属性串味和空间分区,可以用 Cutoff 先绑定属性,再用 Set Area 限制区域。

SDXL 效果不确定:README 明确 SDXL 0.9 效果不佳,当前版本需要实测。如果主要用 SDXL 模型,建议先测试 Cutoff 在自己工作流中的效果,再决定是否依赖它。

mask 区域采样路线:Impact Pack Regional

RegionalPrompt/RegionalSampler 节点清单

节点	输入	输出	说明
RegionalPrompt	mask + advanced_sampler + variation_seed/strength/method	REGIONAL_PROMPTS	把 mask 与 sampler 绑定,创建区域 prompt
CombineRegionalPrompts	多个 REGIONAL_PROMPTS	REGIONAL_PROMPTS	合并多个区域 prompt
RegionalSampler	base_sampler + REGIONAL_PROMPTS + overlap_factor + restore_latent	latent	每一步对区域应用采样
RegionalSamplerAdvanced	同 RegionalSampler + step 控制	latent	可用 step 而非 denoise 控制

参数语义:

• overlap_factor:控制区域外的过渡范围
• restore_latent:在区域采样时恢复 mask 外的 base latent,减少外部额外噪声

关键区分:RegionalSampler 在每一步对区域应用采样,而 TwoSamplersForMask 是全局采样后再 mask 合并。前者能更细致地控制每个区域的采样过程。

安装与排障

安装步骤:

• ComfyUI-Manager 搜索 ComfyUI Impact Pack
• 安装后重启 ComfyUI 并刷新浏览器

常见排障:

• 节点是红的或缺节点 → 参考 工作流导入与缺失节点安装
• Python 依赖问题 → 参考 ComfyUI 排障与维护(后续文章会详细讲)

简化路线:Inspire Pack Regional Conditioning(可选)

不想手算 Set Area 坐标时,可以用色块 mask 简化流程。Inspire Pack 提供以下节点:

节点	说明
Regional Prompt Simple (Inspire)	简化区域 prompt 输入
Regional Prompt By Color Mask (Inspire)	用色块 mask 定义区域
Regional Conditioning Simple (Inspire)	简化区域 conditioning
Regional Conditioning By Color Mask (Inspire)	用色块 mask 定义 conditioning 区域
Regional IPAdapter Mask / By Color Mask / Encoded Mask	与 IPAdapter 相关的区域节点

依赖提醒:部分节点依赖 Impact Pack 或 IPAdapter Plus,使用前检查 README 中的依赖说明。

适用场景:已有色块 mask 图(如左半边红色、右半边蓝色),不想手动计算像素坐标。

组合边界与二次 pass 提醒

与 ControlNet/IPAdapter/LoRA 组合判断表

工具	控制目标	不解决的问题
区域 prompt(Set Area / Regional)	控制位置和 prompt 归属	身份一致性;属性串味(Set Area 不解决)
ControlNet(OpenPose / Canny / Depth)	控姿势和结构	属性串味;位置归属
IPAdapter	用参考图影响风格/构图	区域隔离;身份固定(IPAdapter 影响整体风格)
FaceID / LoRA	固定身份或风格	区域 prompt;属性串味

组合建议:区域 prompt 定位置 → OpenPose 定姿势 → global conditioning 低权重统一氛围。OpenPose、ControlNet 或 IPAdapter 的位置要人工和区域对齐,不能自动绑定”左边这个人”。

二次 pass / upscale / inpaint 串色提醒

二次 pass、放大、修脸阶段如果没有区域条件,模型可能再次追求整体一致性,把第一阶段分好的发色或服饰混回去。官方示例页提醒:二次 pass 没有区域 prompt 时,发色可能被整体一致性合并。

建议:后续 pass 是否继续带区域条件,或者用 Inpaint 局部修复。如果第一阶段用 Set Area 分区,第二阶段放大时考虑是否需要重新设置区域条件,避免模型重新追求整体一致性。

下一步与延伸阅读

区域 prompt 只是多主体构图的一个环节,姿势控制、身份固定、参考图引导和高清修复需要其他工具配合。

已发布:

• 工作流导入与缺失节点安装:解决 custom nodes 安装和缺节点问题
• Stable Diffusion prompt 模板指南:单 prompt 写法基础,承接”单 prompt 写不清多主体”的痛点
• ComfyUI ControlNet 完全指南:控姿势和结构,互补区域 prompt 的位置控制
• ComfyUI LoRA 完全指南:固定角色或风格,多 LoRA 串味与区域 prompt 串味区分处理

后续会单独写:IPAdapter 完全指南、FaceID 与人脸一致性、LoRA 训练指南、高清修复与 Inpainting。这些工具与区域 prompt 组合使用,能进一步降低多主体场景的不确定性。