你有没有过这种体验好不容易憋出一句描述丢给生成工具出来的图和脑子里想的完全不是一回事换两次种子还是不对于是觉得是模型不行或者干脆怪自己运气差。我也经历过这个阶段。后来把提示词从“一句话”改成“分层配方”之后出图稳定性提升得非常明显。这不是玄学。核心原因是生成模型本质是在文本条件下做概率采样你给的信息越少它自由发挥的空间就越大。一句话描述约等于把导演、摄影、灯光、美术的工作全部交给了随机数。这篇文章想聊的就是怎么把一句话描述变成一套可以复刻出片、可以反复微调、换台机器也能还原出接近结果的完整提示词写法。适合刚接触AI图像生成的创作者也适合已经在用但总被出图不稳定折磨的人。下面所有方法都不依赖某个特定工具主流商用、开源本地部署的生成工具都能套用。1. 一句话描述为什么总是开盲盒信息密度与AI的自由发挥1.1 一次实测一句话和一段话的差距有多大我先做了个最简单的对照试验。同一个模型、同样的参数、同样的批量数量只改提示词。A组提示词只有一句话一只猫在窗台上。B组提示词拆成了几层一只橘色短毛猫蹲在木质窗台上清晨逆光窗帘被风吹起低角度拍摄浅景深写实摄影风格。两组各生成四张图。结果非常典型A组四张图里猫的颜色不一样角度不一样窗台材质不一样甚至有一张偏向插画风格B组四张图主体稳定猫的颜色、窗台结构、光线方向基本一致差异只剩下构图的轻微偏移和毛发的细节纹理。这个实验说明的问题很直接模型内部的文本编码器会把你给的每个词都换算成一组语义向量然后作为生成过程的约束条件。约束条件越少采样时越容易滑向训练数据里的“平均猫”“平均窗台”风格也会随机浮动。你以为是工具不稳定其实是提示词几乎没有提供足够多的锚点。1.2 把一句话当“需求文档初稿”看很多人写提示词的想法是把脑子里那个画面翻译成一句漂亮话比如“一只猫孤独地看向远方意境很美”。这句话的问题不是不美而是无法被建模。AI不知道“孤独”对应什么构图不知道“意境”对应什么用光更不知道“远方”是窗外还是街道。你心里有个完整电影镜头但你给出去的只是字幕。我的做法是先别急着写先把画面当成一个需求文档初稿来拆。问五个问题画面里最核心的主体是什么数量多少有什么不可省略的特征主体在什么环境里室内还是室外什么时间段天气如何光从哪里来什么颜色什么强度有没有明确的影子或反射镜头在哪里多近多远是平视、俯视还是仰视用广角还是长焦最终成片是什么媒介照片、油画、3D渲染、还是视频里的某个定格一句话往往是这五个问题的答案混在一起揉成了一团。我们要做的是把它重新摊开每一个答案单独写清楚。这其实就是下一章要讲的提示词骨架。2. 从零搭提示词骨架五要素、两条扩展链路与一个填空模板2.1 五个必填要素主摄对象、环境、光照、镜头、风格我把提示词拆成五个必填要素不管画面多复杂先保证这五块都有内容要素应该写什么反例主摄对象数量、物种/身份、颜色、年龄、状态、关键服饰“一个人”环境具体空间、时间、天气、室内外、时代感“某个地方”光照光源方向、色温、软硬、氛围“好看的灯光”镜头焦段、景深、机位高度、构图、是否运动“特写”风格媒介、流派、画质、年代感、完成度“好看的风格”主摄对象要放在开头而且要给“不可省略”的特征而不是所有细节。比如你要一个戴红色围巾的女孩那“红色围巾”就是画面识别度的关键必须写至于她穿的是羽绒服还是大衣如果你能确定就写不确定就省略。AI有一定脑补能力真正怕的是一个特征都不给。环境词不要只写“室内”这种大类。室内可以细分为老式木窗边的客厅、白色瓷砖的厨房、昏暗的工业厂房。图片模型对“场所”的理解能力很强你给得越具体背景越不容易跑偏。光照是很多人忽略但效果最明显的一项。同一句话只要在末尾加上“阳光从左侧45度照进来形成长影子”画面的立体感和情绪会立刻不一样。光照词不需要多一两句就够但它决定了图片“像不像一个真实时刻”。镜头和风格是最后封口用的。镜头词负责控制景别和透视风格词负责给画面定调。这两个词给到位出图质量就不会再有那种“一眼AI”的塑料感。2.2 两条扩展链路视觉链路与语义链路五要素是骨架真正的血和肉靠两条链路扩展。第一条是视觉链路从主体出发一层层往画面上加物理细节。比如“一个女孩撑着伞”可以扩展成“一个穿浅黄色连衣裙的女孩撑着一把透明雨伞伞面上挂着水珠雨滴落在伞面溅起细小的水花”。每一个新加进去的词都是在给模型一个可以落笔的视觉元素。这类词优先加因为生成工具对“看得见”的词响应最好。第二条是语义链路从场景出发往情绪、氛围、故事感延伸。比如“雨夜”“末班车”“路灯下的水洼反光”这些词虽然没有具体形状但组合在一起会导向一种统一的情绪基调。语义词要少而准最好两三个就停因为模型很容易把复杂情绪词做成“恐怖忧郁孤独”的乱炖。实操中我一般先扩视觉链路把物理元素填满再拿语义词做整体氛围微调。这样既不会画面空洞也不会情绪偏到沟里去。2.3 一个可以直接抄的填空模板如果你不想每次从零开始搭结构就用下面这个模板。我用它批量验证过很多场景绝大多数模型都吃这套[主体数量名称特征][动作/表情/状态][环境空间时间天气][光照方向颜色质感][镜头焦段景深机位][风格媒介词][画质/细节词]套个例子一只两岁大的橘色短毛猫蹲坐回望镜头木质老窗台傍晚时分窗外有树影暖橙色夕阳从窗口斜照进来形成长影子85mm镜头中景浅景深低角度平视写实摄影风格8k高清皮毛纹理清晰。这套结构的好处是稳定模型每读到一个逗号就相当于接收一个明确的特征指令而不是在一大堆形容词里筛重点。后面要改任何一处都只需要替换对应区块不需要推倒重来。3. 用词粒度决定成像上限可测量词汇、空间关系与逻辑连接符3.1 可测量词汇比感受词可靠得多提示词有一个很反直觉的地方你觉得自己在“描述”但模型其实在“匹配”。训练数据里出现频率最高的词会优先被匹配而“漂亮的”“高级的”“有气质的”这类词在数据里的对应关系非常模糊模型只能随机挑一个自己见过的表述。所以我写提示词的铁律是能用可测量词汇绝不用感受词。高对比度、低饱和度、柔光、锐利、浅景深、长焦、冷色调、广角畸变这些词都指向明确的视觉参数。而“氛围感”“质感”“高级感”这类词如果一定要用也必须跟在可测量词后面作为补充不能单独出现。举个例子想要“氛围感人像”不如写成“阴天柔和漫射光背景虚化低饱和胶片色”。这里的每个词都能对应到一个具体的图像处理特征模型发挥空间被压缩了成片自然接近预期。3.2 量词与空间关系把构图主动权拿回来很多人写了完整提示词出图还是构图不对。问题多半出在缺少量词和空间关系。“窗台上站着几只鸟”和“窗台上站着三只鸟左一只右两只中间空出一块”后者出图几乎不会搞错。量词“两三只”“成群”“单独一个”都能被模型识别最好精确到数字因为训练数据里的“三”通常真的有三个物体。空间关系同样重要。“前景是木桌边缘中景是花瓶背景是拉开的窗帘”这类写法给模型搭了一个明确的舞台它知道该把东西放在哪里。如果只写“桌上有花瓶和窗帘”构图就会随机飘。还有一个技巧在提示词里使用“左侧”“右侧”“角落”“中央”“远处”这些方位词时尽量往前放放在主体词附近作用力更强。位置靠太后的方位词往往会被模型当成背景描述对主构图的影响很弱。3.3 逻辑连接符逗号、权重与关键词顺序不同工具的解析器对提示词的解析方式有差异但有几个通用规律。第一逗号分隔比自然语言长句更可靠。你把一句话写成“一只猫坐在窗台上窗户开着风吹动窗帘”模型会分别提取四个要素写成“一只正坐在窗台上等待着微风吹过窗帘的猫”解析器可能把它当成一个长语义块处理起来更吃力。这不一定绝对但在多个主流模型上逗号分隔都更稳。第二关键词顺序有优先级。很多模型基于CLIP这类文本编码器会对整句做注意力计算但通常靠前的词权重更高。所以主体必须放最前面其次是动作和核心环境风格和画质收尾。有些工具支持给单个词加权重比如括号加数字但权重不是越高越好。我见过大量把权重拉到1.5以上导致画面出现伪影、轮廓发糊的情况正常在1.1到1.3之间微调就够了。第三自然连接词要谨慎。某些工具对“and”“with”的解析不稳定同样的语义用逗号能出用“and”反而会丢失要素。如果你在一套工具里调好了提示词换到另一套工具时先把“and”全部替换成逗号结果往往更稳。3.4 负面提示词的边界写什么、别写什么负面提示词是一个很容易被滥用但确实有效的工具。它的核心作用是排除你不想要的画面元素而不是表达你的审美偏好。有效写法是直接列出具体问题模糊、低分辨率、变形、多余手指、肢体残缺、文字水印、噪点。这些词在训练数据里对应明确模型知道该回避。不要写的是情绪化负面词比如“丑、难看、质量差、恐怖”。这类词在训练数据里对应的是审美倾向而不是缺陷模型容易绕开它甚至因为误判而反向强化某些风格。还有一个常见毛病是负面提示词和正面提示词互相矛盾正面写着“阳光灿烂”负面写着“昏暗灯光”模型会左右为难最后给你一张灰不拉几的图。我的习惯是负面提示词控制在8个以内只写具体缺陷词并且绝不和正面提示词里的内容冲突。4. 把配方固定下来种子、参数与提示词版本记录4.1 固定出片的三个锚点种子、风格词序列与参考图很多人复刻不出同一张图不是因为提示词变了而是因为三个锚点没有固定下来。第一个锚点是种子。种子数值是对生成过程里首个随机噪声源的编号相同种子加上相同提示词和参数在同一个模型版本下出图结果会高度一致。如果你想要更接近某次结果就把那次生成的种子记录下来。第二个锚点是风格词序列。风格词不是单独一个“写实风格”就够的它是一段有顺序的组合。比如“写实摄影35mm镜头专业打光8kRAW”这一整串固定下来才能形成稳定的画面语言。只记住一个风格词复刻时风格依然会漂移。第三个锚点是参考图。有些工具支持图生图、风格参考或结构控制如果有条件最好把参考图和提示词绑定使用。参考图管构图和风格提示词管内容和细节两者配合才谈得上真正的可复刻。还要说清楚一个容易踩的坑种子只在同一个模型版本、同一个采样器和同一套参数下有效。你换了个模型版本或者把采样步数改了种子相同的意义也不大。4.2 参数里的变量采样步数、CFG与分辨率提示词只是配方的一部分参数是另一部分。这几个参数必须理解不然复刻永远是碰运气。采样步数影响的是“从噪声到成品的细化次数”大多数模型在20到30步就够再高对画质提升很有限只是徒增耗时。真正影响风格的是采样器类型有些采样器偏锐利有些偏柔和选定一个就不要随意换。CFG控制“提示词对生成过程的约束强度”一般7到12之间比较合理。调高了画面会过曝、发硬、出现奇怪伪影调低了画面会发灰提示词里的细节大量丢失。我见过很多人复刻不出来就是CFG被调到了20这时候你写的提示词再精确也没用模型已经“用力过猛”了。分辨率也不是越高越好。超出模型训练分辨率太多人物会多出上肢肢体结构容易崩。最佳做法是保持在模型支持的常用区间需要高清成片时用放大插件而不是一次性开很大。4.3 提示词版本记录一份能被回退的实验日志复刻最需要的不是一次成功的提示词而是一套完整记录。我强烈建议用一个文本文件当实验日志每条记录包含日期、想法、完整提示词、模型版本、采样器、步数、CFG、分辨率、种子、出图结果备注。记录时一定写清“这次改了什么、为什么改、结果倾向”。比如我在做某个室内场景时会这样记v1原始提示词环境词只写了“木质客厅”出图背景太杂沙发颜色每次都不一样。 v2环境词改为“浅色木质客厅白色墙壁原木色沙发”减少模型自由发挥空间背景稳定率明显提升。 v3加入“窗外阴天漫射光”整体氛围偏冷氛围符合预期但人物肤色偏青加入负面词“肤色偏青”解决。这样的日志会让你的提示词成长得非常快而且每次回退都有依据。只保存一份最终效果等于把过程中的所有失败经验都扔了。5. 实例拆解从“一只橘猫在窗台上”到完整可复刻提示词的三个版本5.1 第一版一句话描述结果靠运气原始想法很朴素一只橘猫蹲在窗台上傍晚夕阳。写成提示词就是一只橘猫站在窗台上看夕阳。这一版我跑了四张效果是两张是橘猫一张变成了狸花猫一张是白猫构图分别有正面、侧脸、屁股对着镜头和几乎全黑的剪影。如果只为“试试看”勉强能接受但商用或者做系列图完全不行。问题出在哪很清楚主体给了颜色但没给猫的品种、毛长短、体型环境给了“窗台”但没给窗台材质、窗外景物光只说了“夕阳”没说方向、色温、逆光还是侧光镜头和风格完全没提。模型只能从训练数据里找一个最互补的答案。5.2 第二版套五要素模板画面稳住了套用前面说的模板我把第一版重写为一只橘色短毛猫蹲坐望向窗外木质窗台傍晚夕阳窗边胶片摄影风格。这一版生成四张猫的形象稳定了都是橘色短毛猫窗台也都是木质没有出现品种漂移。但问题还在光的方向感弱有两张像是顺光一张像是阴天氛围不统一构图也比较随意有的猫在画面左边有的在右边。缺的其实是两样具体的镜头语言以及具体的光照方向。模板里虽然有镜头和光照两个空位但这一版我只填了“窗边”和“夕阳”填得太虚。5.3 第三版精确用词加负面提示词配方成形第三版把镜话和光照写死并加入风格锚点一只两岁大的橘色短毛猫蹲坐回望镜头木质老窗台上窗外有树影傍晚最后一缕暖橙色夕阳从画面左侧照进来形成长影子逆光轮廓胶片摄影渐变黄昏色调85mm镜头中景构图浅景深皮毛细节清晰。负面提示词模糊低分辨率畸形肢体多余尾巴过曝噪点。这一版四张生成结果主体、光线方向、色调、构图高度一致差异只剩猫的耳朵角度和尾巴位置这类细节。种子固定之后同一批运行还能保持这个稳定水平。如果你做的是视频还要在提示词开头或结尾增加镜头运动描述例如“镜头缓慢推进从全景推至猫的眼睛特写”然后把帧数、时长作为独立参数记录。视频比图片更怕镜头运动词缺失因为每一帧都在构图没有运动描述时AI每帧都在随机裁切。5.4 后续微调时怎么保持画面一致性提示词写到第三版已经可复刻但你可能还想换背景、换光线又不想主体全变。这时候有个非常重要的原则一个版本只改一个变量。比如想把窗台外的树影换成街景就只改环境区块窗外有暖黄色路灯街对面是旧砖墙。种子、镜头、光照方向全部保持原样。生成的猫不会大变画面又会带来新信息。如果想让同一个角色出现在完全不同的场景里做法是把角色的外观描述词做成一整段固定的常量每次换场景都以“角色常量 新场景提示词 相同风格词”的形式拼接。角色常量放在提示词最前面因为前面词权重大。这在做连续系列图时几乎是必备技巧。6. 踩坑记录三个最典型的反面案例与一套排错思路6.1 反面案例一提示词越长越好初期我也干过这种事怕模型漏词把能想到的修饰词全塞进去一段提示词写两百多个单词结果画面反而更乱元素互相抢位置。原因是信息冗余会让模型难以区分主次。你写了“漂亮的大眼睛、精致的妆容、华丽的裙子、亮晶晶的首饰、优雅的姿态”模型可能把每一句都当重点最后人物脸被首饰抢走注意力。我的做法是每写完一段提示词就删除“不影响画面本质”的词。判断标准很简单删掉这个词画面会不会有显著变化不会就说明它只是模型已经默认的内容。比如“木质的木窗台”删掉“木质的”没影响“克里姆特风格的金箔装饰背景”删掉“克里姆特风格”就完全不是想要的。一次删完你会发现真正有效的词往往只有十几个。6.2 反面案例二负面提示词堆满画面变灰变脏负面提示词也不是越多越好。我试过一次写十五个负面词结果画面整体变灰饱和度和对比度明显下降连主体都发闷。后来想明白了负面提示词的作用机制是让模型在反向引导下避开某些特征但堆太多会把“高对比度”“鲜艳色彩”“亮部细节”这些正态分布里的偏好也一并压掉。画面在概率分布上被“挤”小了只能输出平庸的灰色中间值。现在我的负面提示词只保留四类模糊类、畸变类、水印文字类、噪点类。如果有特殊需求再加一条针对当前画面的具体问题词绝不贪多。6.3 排错思路一次只改一个变量出图不对劲时我见过的最高频行为是同时改提示词和参数再换一个模型版本结果变好变坏都归因不清等于没有任何学习价值。正确流程应该是这样的先锁死提示词只调参数确认参数是否在合理区间。比如出图偏糊先确认采样步数和CFG而不是马上改提示词。接着锁死参数只改提示词确认是信息缺失还是导向错误。如果主体背景都正常但风格不对那就是风格词的问题如果画面构图乱那就是空间关系和量词没写。最后才考虑换模型版本。模型版本之间差异很大这相当于换了一套工具不要在同一个实验里和参数混在一起改。我自己常用一个三列表格做实验记录改了什么、为什么改、结果如何。每次只填一行。这样连续记录十条基本都能定位到自己提示词里最薄弱的环节。最后分享一个我保持到现在的习惯写完提示词后先在脑子里把这个镜头预演一遍能不能看到光源方向能不能看到镜头高度如果自己都无法明确想象模型只会更发散。把这条当成硬性检查标准你的出片稳定性会往上走一大截。