这个脚本现在会读取五份文档：

• 基础描述.txt
• 外饰.txt
• 服装.txt
• 动作.txt
• LoRA集合.txt

然后做五维笛卡尔积：

基础描述 × 外饰 × 服装 × 动作 × LoRA

每组组合都会生成一条提示词，写入当前目录里的 ComfyUI 工作流，并把 155 号 LoRA 节点替换成对应的 LoRA 名称和强度，再批量提交到 ComfyUI 队列。

• 默认读取当前目录下第一个 .json 工作流
• 默认把组合提示词写到 143 号节点
• 默认把真正的文生图输入接到 5 号 CLIPTextEncode
• 默认遍历 155 号 LoRA 节点，也就是你现在的 wjr.safetensors
• 默认把每组结果保存到 output/doc_batch/时间戳/序号_LoRA名
• 默认每组生成 1 张图

基础描述.txt

单人女生，真人写真，高清细节，影棚打光
法式写真风格，柔光，肤质细腻，时尚杂志感

外饰.txt

珍珠耳环，细项链，蝴蝶结发夹
黑色贝雷帽，金属耳饰

服装.txt

白色衬衫，灰色百褶短裙，黑色中筒袜，玛丽珍皮鞋
浅蓝色牛仔外套，白色短裙，小白鞋

动作.txt

站立，双手自然下垂，正视镜头
侧身回头看镜头，单手扶腰

LoRA集合.txt

wjr.safetensors
wjr_v2.safetensors|0.8

说明：

• 每行一个条目
• 空行和 # 开头的行会被忽略
• LoRA 支持 文件名|强度
• 如果不写强度，就沿用工作流里该节点原本的强度
• 默认模板里，外饰会紧跟在基础描述后面

& "D:\anaconda\python.exe" .\batch_generate_from_docs.py --dry-run --limit 2

这一步不会真正生图，只会生成：

• batch_runs/run_时间戳/prompts.json
• batch_runs/run_时间戳/api_prompt_0001.json
• batch_runs/run_时间戳/manifest.csv

& "D:\anaconda\python.exe" .\batch_generate_from_docs.py `
  --images-per-job 4 `
  --prefix "高质量，超清，" `
  --suffix "，画面干净，构图完整"

如果你想在任务结束后自动把本次结果打包成一个 zip，方便在云端浏览器里直接下载，可以加：

--bundle-outputs

如果你的 ComfyUI 不是默认地址，可以加：

--server "http://127.0.0.1:8188"

• --images-per-job 4：每组组合出 4 张图
• --batch-size 4：和上面是同一个参数，两个名字都能用
• --limit 10：只跑前 10 组
• --seed-base 1000：从固定种子开始递增
• --workflow "你的工作流.json"：指定工作流文件
• --ornaments "外饰.txt"：指定外饰文档
• --lora-node-id 155：指定要遍历的 LoRA 节点
• --template "{prefix}{base}，{ornament}，动作：{action}，服装：{clothing}{suffix}"：改组合模板
• --bundle-outputs：跑完后自动打 zip 下载包
• --bundle-dir "下载包"：指定 zip 输出目录
• --bundle-name "本次生图.zip"：指定 zip 文件名

• 本地运行记录在 batch_runs/run_时间戳/
• 实际图片仍然保存在 ComfyUI 的 output/ 目录
• manifest.csv 会记录基础描述、外饰、服装、动作、LoRA、强度、提示词、种子、任务 ID 和返回文件名
• 如果用了 --bundle-outputs，会额外生成一个 zip 下载包

这个脚本已经针对你当前这份工作流做了稳妥处理：

• 它会直接走“文生图主干”
• 不会去走那条“参考图反推提示词”的支路

这样批量跑时更稳定，也不会额外卡在参考图或 llama 节点上。