%20(1).png)
ComfyUI-NAG 插件保姆级教程
1. 插件简介
ComfyUI-NAG 是一个专门为 ComfyUI 设计的增强插件，原地址：https://github.com/ChenDarYen/ComfyUI-NAG
这个插件的作用就像是给你的 AI 图像生成器装上了一副"智能眼镜"，让它能够更好地理解你想要什么、不想要什么。
能给我们带来什么好处？ - 让负面词汇（比如"不要模糊"、"不要扭曲"）在快速生成时也能起作用 - 让生成的图像质量更高，更符合你的要求 - 支持多种AI模型，包括 Flux、SDXL、SD3.5 等热门模型 - 特别适合视频生成，比如 Wan 视频、Hunyuan 视频等
简单来说，就是让你的AI生成器变得更听话，生成的内容更接近你的期望。
2. 如何安装
有两种安装方法：
方法一：ComfyUI Manager 安装（推荐） 1. 在 ComfyUI 界面中找到 Manager 按钮 2. 点击 "Install Custom Nodes" 3. 搜索 "NAG" 或 "ComfyUI-NAG" 4. 点击安装，重启 ComfyUI
方法二：手动安装
1. 打开 ComfyUI 的 custom_nodes 文件夹
2. 在命令行中输入：git clone https://github.com/ChenDarYen/ComfyUI-NAG.git
3. 重启 ComfyUI
3. 节点详细解析
3.1 NAGCFGGuider 节点（智能引导器）
这个节点就像是一个"智能导航仪"，它能够更精确地引导 AI 生成你想要的内容。相比原来的 CFGGuider，它能让负面提示词发挥更大的作用。
3.2 NAGCFGGuider 参数详解
| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 |
|---|---|---|---|---|---|---|
| 模型 | model | MODEL类型 | - | 就像选择画笔的种类，决定用哪个AI模型来画画 | 指定使用的扩散模型 | 连接你的checkpoint模型节点 |
| 正面提示词 | positive | CONDITIONING类型 | - | 告诉AI你想要什么，就像给画师下订单 | 正向条件引导 | 连接你的正面提示词编码器 |
| 负面提示词 | negative | CONDITIONING类型 | - | 告诉AI你不想要什么，就像告诉画师"别画成这样" | 负向条件引导 | 连接你的负面提示词编码器 |
| CFG强度 | cfg | 浮点数 | 1.0-15.0 | 像调节"听话程度"，数值越高AI越严格按照你的要求画 | 分类器自由引导强度 | 图像生成建议7-12，视频生成建议3-7 |
| NAG强度 | nag_scale | 浮点数 | 0.1-2.0 | 控制负面提示词的"威力"，数值越高越能避免不想要的东西 | NAG特征外推的缩放因子 | 从0.5开始调试，看效果再增减 |
| NAG阈值 | nag_tau | 浮点数 | 0.1-1.0 | 像设置"敏感度"，决定什么时候开始避免负面内容 | 归一化阈值 | 快速生成模型用0.7-1.0，慢速用0.3-0.5 |
| NAG混合度 | nag_alpha | 浮点数 | 0.1-1.0 | 控制新旧效果的混合比例，就像调节两种颜料的混合度 | 原始和外推注意力的混合因子 | 图像参考任务用0.3-0.5，其他用0.7-1.0 |
3.3 KSamplerWithNAG 节点（带NAG的采样器）
这个节点就像是一个"智能画师"，它不仅能画画，还能在画画过程中实时调整，确保最终效果符合你的要求。
3.4 KSamplerWithNAG 参数详解
| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 |
|---|---|---|---|---|---|---|
| 模型 | model | MODEL类型 | - | 选择用哪个AI模型来生成图像 | 指定使用的扩散模型 | 连接你的checkpoint模型节点 |
| 种子 | seed | 整数 | 0-4294967295 | 像抽签的号码，同样的号码会生成同样的图像 | 随机数种子 | 固定种子便于重复生成，-1表示随机 |
| 步数 | steps | 整数 | 1-100 | 画画的精细程度，步数越多越精细但耗时更长 | 采样步数 | 快速模型用4-8步，标准模型用20-50步 |
| CFG强度 | cfg | 浮点数 | 1.0-15.0 | 控制AI按照提示词的严格程度 | 分类器自由引导强度 | 图像生成建议7-12，视频生成建议3-7 |
| 采样器名称 | sampler_name | 字符串 | 各种采样器 | 选择画画的方式，不同方式效果不同 | 采样算法选择 | euler_a适合快速生成，dpmpp_2m适合高质量 |
| 调度器 | scheduler | 字符串 | 各种调度器 | 控制画画过程的时间安排 | 噪声调度策略 | normal适合大多数情况，karras适合高质量 |
| 正面提示词 | positive | CONDITIONING类型 | - | 告诉AI你想要什么内容 | 正向条件引导 | 连接你的正面提示词编码器 |
| 负面提示词 | negative | CONDITIONING类型 | - | 告诉AI你不想要什么内容 | 负向条件引导 | 连接你的负面提示词编码器 |
| 潜在图像 | latent_image | LATENT类型 | - | 画画的画布，可以是空白或已有图像 | 潜在空间表示 | 连接Empty Latent或VAE Encode节点 |
| 去噪强度 | denoise | 浮点数 | 0.0-1.0 | 控制改变程度，1.0完全重新生成，0.0不改变 | 去噪强度 | 文生图用1.0，图生图用0.7-0.9 |
| NAG强度 | nag_scale | 浮点数 | 0.1-2.0 | 控制负面提示词的影响力 | NAG特征外推的缩放因子 | 从0.5开始调试，看效果再增减 |
| NAG阈值 | nag_tau | 浮点数 | 0.1-1.0 | 设置NAG开始工作的敏感度 | 归一化阈值 | 快速生成模型用0.7-1.0，慢速用0.3-0.5 |
| NAG混合度 | nag_alpha | 浮点数 | 0.1-1.0 | 控制新旧效果的混合比例 | 原始和外推注意力的混合因子 | 图像参考任务用0.3-0.5，其他用0.7-1.0 |
4. 使用技巧和建议
4.1 参数调优顺序
- 先调 nag_tau 和 nag_alpha：这两个参数决定了NAG的基础效果，建议先固定这两个值
- 再调 nag_scale：这个参数控制强度，在基础效果满意后再精调
4.2 不同模型的推荐设置
快速生成模型（如 Flux、LTX）： - nag_tau: 0.7-1.0 - nag_alpha: 0.7-1.0 - nag_scale: 0.8-1.5
标准模型（如 SDXL、SD3.5）： - nag_tau: 0.3-0.5 - nag_alpha: 0.3-0.5 - nag_scale: 0.5-1.0
视频生成模型： - nag_tau: 0.4-0.6 - nag_alpha: 0.4-0.6 - nag_scale: 0.6-1.2
4.3 特殊场景建议
图像到视频转换： 使用较低的 nag_tau 和 nag_alpha 值，保持原图像内容的一致性
需要强烈负面控制： 逐步提高 nag_scale 值，但不要超过 2.0，避免产生怪异效果
5. 常见问题解答
5.1 为什么我的负面提示词没有效果？
- 检查 nag_scale 是否过低，尝试增加到 0.8-1.2
- 确保 nag_tau 和 nag_alpha 设置合理，不要都设置得过低
5.2 生成的图像出现奇怪的色彩或形状？
- 降低 nag_scale 值
- 检查 nag_tau 和 nag_alpha 是否设置过高
- 尝试使用较低的 CFG 值
5.3 生成速度变慢了怎么办？
- NAG 会略微增加计算时间，这是正常现象
- 可以尝试减少采样步数来平衡速度和质量
- 使用较新的 GPU 和合理的批处理大小
5.4 哪些模型支持这个插件？
目前支持的模型包括： - Flux 系列 - SDXL 系列 - SD3.5 - Wan 视频模型 - Hunyuan 视频模型 - Choroma 模型
5.5 插件安装后找不到节点？
- 确保重启了 ComfyUI
- 检查 custom_nodes 文件夹中是否有 ComfyUI-NAG 文件夹
- 查看 ComfyUI 启动日志，看是否有错误信息
6. 高级使用技巧
6.1 工作流程建议
- 先用标准的 CFGGuider 或 KSampler 测试基础效果
- 确认提示词和基础参数合理后，替换为NAG版本
- 从较低的NAG参数开始，逐步调整到满意效果
6.2 批量测试技巧
- 使用相同的种子值，只改变NAG参数进行对比
- 创建多个NAG节点，设置不同参数值，一次性生成多张图进行对比
- 记录最佳参数组合，为后续使用建立参考
6.3 与其他插件的配合
- 可以与 ControlNet 等控制类插件配合使用
- 与 Lora 模型配合时，可能需要适当调整NAG参数
- 在使用 Upscaler 前应用NAG，获得更好的细节控制
这个插件特别适合那些对图像质量要求高、希望负面提示词能够有效工作的用户。通过合理调整参数，你可以获得更加精确、符合预期的AI生成结果。