AI视觉设计提示词全解析：5段结构让素材出图可控

摘要 :

AI视觉设计里，素材生成提示词的核心是一份结构化的需求文档，不是形容词的堆砌。我的做法是把它拆成五段：主体、风格、构图、光线、参数。按这个顺序写，出图的可控性会……

AI视觉设计里，素材生成提示词的核心是一份结构化的需求文档，不是形容词的堆砌。我的做法是把它拆成五段：主体、风格、构图、光线、参数。按这个顺序写，出图的可控性会比随手打一串词高出一大截。2022年Stable Diffusion和Midjourney相继开放之后，这套写法在圈内基本成了默认动作。

下面我把每一段拆开讲，也把几个反复有人问的坑说清楚。

什么是AI视觉设计里的提示词？

提示词是你用文字给模型下的一份生产指令，模型拿它去潜在空间里找最接近的画面。说白了，它不是咒语，是一份需求文档。你写得越像brief，出来的东西越接近你想的。

文本编码器会把你的文字转成一组向量，扩散模型再拿这组向量去噪、还原成图。模型不认识「高级感」这三个字，它认识的是训练图里跟这个词一起出现过的那些视觉特征——低饱和、大面积留白、柔和阴影。所以你写抽象词，模型只能猜。

有个做电商详情页的客户问过我，为什么他写「高端大气上档次」出来的图总是一股塑料味。问题就出在这：这三个词在训练数据里对应的画面太杂，模型没法收敛。

拆开看，一条能用的素材提示词通常有这几块：

有。按「主体 + 风格 + 构图 + 光线 + 参数」的顺序往下写就行，段与段之间用逗号隔开，不要写成完整句子。这个顺序本身就是在告诉模型什么最重要。

主体那一段要具体到能被拍出来。不写「一个女孩」，写「一个穿米色针织衫的短发女孩，坐在窗边」。风格那一段只选一个词，摄影就写摄影，别又写摄影又写油画。构图和光线各给一个明确值。参数放最后，比例、模型版本这些。

整套写下来控制在七十五个词元以内比较稳。多数文本编码器的上限是七十七个词元，超出的部分会被截掉，你后面写的参数等于白写。

改写前：一个好看的咖啡杯，高级感，氛围感，精致，请给我一张好图。

改写后：白色陶瓷咖啡杯放在浅灰石台上，产品摄影，中景俯拍，左侧柔光箱打光带轻微投影，3:4 比例。

第二版没有一句形容词是虚的，每个词都能对应到画面上的某个具体元素。出图稳定，改起来也知道该动哪一句。

大多数情况不是提示词的问题，是词序和参数的问题。同一组词换个位置，出来的图能差出很远。

越靠前的词，模型给的注意力越高。你把「背景虚化」写在第五位，它可能只被当成一个可有可无的修饰；写在第二位，效果立刻不一样。Midjourney 支持用双冒号给单个词加权重，Stable Diffusion 用括号加数字，本质都是同一件事——手动调注意力。

同一句提示词，放在写实模型和二次元模型上，结果是两个东西。CFG 值调得太高，画面会发硬、色彩过饱和；采样步数太低，细节糊成一片。这几个参数不是玄学，是有明确区间的，超出区间就是在跟自己较劲。

行业里有个不成文的习惯：换模型先跑四张低步数的草图，看构图对不对，再决定要不要加细节词。这个动作能省掉大量返工。

坑不多，但每一个都很费时间。堆词、写否定句、一次改一堆变量，这三个占了大部分。

堆十几个形容词，模型会平均掉它们的权重，最后哪个特征都不明显。否定句更麻烦，很多模型对「不要有文字」这类表述的理解是反的，你越强调，它越容易画出来。正确做法是把想要的东西正面写清楚，而不是列一张禁止清单。

出图不满意，很多人一口气改五六处，结果好了也不知道为什么好，坏了也找不到原因。稳妥的办法是每次只动一个词或者一个参数，跑三到四张看趋势。听起来慢，实际上比乱改快得多。

这招不是多场景适用的。遇到风格本身就跟模型训练数据对不上的情况，怎么调词都没用，该换模型就换模型。

下一步建议很具体：翻出你最近一次不满意的提示词，按五段结构重写一遍，然后只改光线那一段，跑四张图对比。你会很快找到自己一直缺的是哪一块。