区别于单一Prompt的“Roll图”模式，提供两种实用方法，核心解决不同Prompt生成不同图片”的痛点，适配从简单批量生图到高质量套图制作的不同场景，兼顾易用性与专业性。
一、核心前提：明确批处理生图的核心需求
ComfyUI默认的“提高批次大小/数量”仅能基于同一条Prompt随机生成多张图片（即“Roll图”），无法满足“不同Prompt对应不同图片”的批量创作需求。教程核心聚焦后者，通过循环机制实现多Prompt自动化执行，两种方法均依赖Easy-Use节点包，无需复杂编程基础。
二、方法一：Prompt Line节点（快捷入门，适合简单批量生图）
作为Easy-Use包内置的简化循环节点，主打“零配置、快速上手”，核心是通过多行文本输入实现多Prompt循环。
1.核心用法
节点定位：Easy-Use节点包→提示词→Prompt Line（提示词行）；
关键参数设置：
prompt：每行输入一条独立Prompt，直接换行分隔；
start_index：起始索引（默认0，从第一条Prompt开始执行）；
max_rows：最大执行行数（若大于实际Prompt行数，自动执行至最后一条，建议填1000覆盖全量需求）；
remove_empty_lines：自动过滤空行（建议设为true，避免无效执行）；
工作流连接：将Prompt Line节点输出接入CLIP文本编码器的“正面条件”，搭配UNET加载器、VAE解码器等基础节点，即可自动循环生成图片。
2.实操案例
输入5条简单Prompt（1girl、1boy、1cat、1dog、1goat），设置max_rows=4，则仅执行前4条，最终生成4张不同主体的图片，全程无需手动干预循环逻辑。
3.进阶扩展：结合LLM节点生成高质量Prompt
通过接入LLM节点（如DeepSeek-V3.2），自动生成符合特定风格的批量Prompt，再传入Prompt Line节点执行：
示例需求：生成12条“日系糖水片”风格Prompt，需遵循固定结构（核心风格+主体特征+服饰细节+环境光影+色彩模拟+镜头语言）；
优化方案：若需风格统一的套图，可让LLM生成“固定设定（人物/场景/色彩）+动态变化（动作/表情/构图）”的10条Prompt，确保套图连贯性，后续可叠加LoRA/ControlNet增强一致性。
4.局限性
LLM输出易截断：复杂Prompt需求（如长文本描述）可能因LLM上下文窗口限制被截断，导致实际生成数量少于预期（如要求10条仅生成6-8条）；
功能单一：仅支持字符串（Prompt）循环，无法应对批量抠图、放大、替换等其他批处理场景；
需搭配外部工具：复杂Prompt建议先用Excel/飞书多维表格提前编辑，再复制至节点，避免直接在节点内编辑失误。
三、方法二：For循环+LLM节点（专业进阶，适合高质量套图）
当追求更高质量、更稳定的批量生图效果时，将LLM节点嵌入Easy-Use的For循环体，实现“单条Prompt独立生成”，规避Prompt Line的局限性。
1.核心优势
无输出截断：每次循环占用完整LLM上下文窗口，单独生成一条Prompt，避免长文本截断问题；
生图质量更优：LLM能更细致地优化单条Prompt描述，生成的角色状态更生动（实测相同模型下，角色细节与情绪表达优于Prompt Line方法）；
扩展性强：For循环可兼容其他节点，除多Prompt生图外，还能扩展至批量处理图像（如批量放大、风格迁移）。
2.套图制作优化
结合“固定设定+动态变化”的Prompt逻辑，For循环可生成高度连贯的摄影套图：
固定元素：人物外貌（发色/发型/五官）、服饰（款式/材质）、场景（户外草地）、色彩（佳能粉嫩色调）、光影（逆光）；
变化元素：肢体动作（站立/俯身/趴坐）、面部微表情（微笑/眨眼/沉思）、镜头构图（特写/中景/全景）；
工具搭配：可叠加IPAdapter锁定面部特征、ControlNet固定肢体张力，还原材质质感，确保套图风格统一且细节丰富。
四、两种方法对比与适用场景
五、关键补充：环境与模型适配
模型支持：推荐搭配Z-Image-Turbo模型，6B参数量轻量化，32GB内存的酷睿Ultra集显本即可流畅运行，960×1280分辨率生图仅需1分钟左右；
工作流基础：核心节点需包含Checkpoint Loader（加载模型）、CLIP Text Encode（处理Prompt）、KSampler（采样生成）、VAE Decode（解码保存），确保基础链路通畅；
避坑提醒：生成前需确认模型文件（主模型、文本编码器、VAE）已正确放入对应文件夹，避免因文件缺失导致执行失败。
总结来看，Prompt Line节点适合新手快速入门或简单批量生图，For循环+LLM节点则适配专业创作者的高质量套图需求。两种方法均无需复杂编程，通过节点拖拽即可实现自动化，结合LLM与辅助工具（LoRA/ControlNet），可进一步提升生图效率与质量，覆盖从测试到落地的全场景需求。
