Case C_gzh_3a1fb7ba · 图生文反推提示词

上一篇讲

图生图

（

AI画图养成记（二）：图生图为什么“一眼假”？3招拯救翻车现场

），了解到AI画图在物理逻辑上面还有改进的空间。

今天这篇，我们讲一个画图的邪修技巧——

图生文（Image to Text）

。

我最近在学画图，当看到一张好看的图时候，总会想这张图是怎么画出来的。

能不能用我们之前的公式（

AI画图养成记（一）：为什么你画的是“人工智障”？一套万能SOP公式，废片变大片？

）：

Prompt = 画质词 + 主体描述 + 环境氛围 + 构图

运镜

+ 风格参考

如果我也要画一张，

提示词

是怎么样子呢？当我经历过上百次的尝试后，我得出了一个邪修办法。

图生文，

让AI来帮你

“反向编译”

图片，用AI的眼睛来破解AI，把图片丢给GPT-4o、豆包、Kimi，一秒钟把好图的提示词全部拿过来！

一、 核心原理：人类看图是“故事”，AI 看到的是“数据”

我们说下这里的原理。为什么我们人类描述图片，永远描述不到点子上？ 因为

人眼

和

AI 眼

，完全是两个不同的频道。

人类的“过滤镜”

人类是大脑进化了几百万年的生物，我们看图走的是“

感性路线

”

。

我们会自动过滤掉那些“枯燥的技术参数”，只保留“

核心内容

”和“

情绪

”。

举个例子，看到一张雨中哭泣的女孩照片：

你的大脑：

“哇，她好伤心，这雨下得让人心碎，像失恋了一样。”

你的描述：

悲伤的女孩在雨中哭泣，氛围很压抑。

AI 的“数据眼”

AI（这里主要指

CLIP 模型，

AI笔记：大白话说什么是CLIP？打通文字与图像的“跨界翻译官”

）脑里装的都是数据。它根本不懂什么是“伤心”，它只认“特征标签”

。

在 AI 眼里，这张图上并没有什么“悲伤的故事”，而是飘满了密密麻麻的、你肉眼看不见的“特征标签”：

Volumetric lighting

（体积光/丁达尔效应）

Bokeh

（焦外虚化）

35mm lens

（35毫米人文镜头）

f/1.8

（大光圈）

Cyberpunk color grading

（赛博朋克调色）

Octane render

（OC渲染器质感）

Ray tracing

（光线追踪）

Wet surface reflections

（湿润表面反射）

这些标签都是你

叫不出名字、甚至是些没见过的生僻专业词

，这些词决定了画面的光影、质感和风格。你只描述了“女孩哭”，AI 就给你画个“卡通女孩哭”或者“油画女孩哭”，因为它不知道你要的是“35mm 镜头下的电影质感”。

这就是“图生文（Image to Text）”存在的意义：

我们用AI分析图片内部，把这些隐藏的“

特征标签

”全都找出来，翻译成我们能用的提示词。

二、 实操演练：请个AI来帮忙

一年前想

反推提示词

，门槛挺高的。你得去用 Stable Diffusion 的 Tagger 插件，操作提麻烦的。

现在很多大模型（LLM）都具备多模态能力。国产的

豆包、Kimi、智谱清言

，或者国外的 GPT-4o，它们都能做到图生文了。

怎么操作？发张图说“描述一下提示词”，那出来的词大概率也是用不了的。

你需要一套标准化的

SOP

（操作流程）。

第一步：准备大片图

假设你看到了一张非常炫酷的“

月球上的橘猫探险家

”，你想复刻这个风格。先把图保存到手机或电脑里，比如这张。

第二步：写上这个提示词

打开你常用的 AI 对话工具比如豆包、Kimi，丢上你的图片。请直接复制下面这段话，发送给 AI：

提示词： “你现在是一位精通 AI 绘画（即梦/Stable Diffusion）的资深提示词专家。你的任务是帮助我通过反向工程，复刻这张图片的风格。

请你仔细观察这张上传的图片，从以下几个维度进行深度分析：

1

、主体特征（人物、服装细节、动作姿态）

2

、环境与构图（背景元素、视角、运镜方式）

3

、光影与色彩（光源类型、色调、明暗对比）

4

、材质与质感（是胶片感？

3

D渲染感？还是水墨笔触？）

5

、关键艺术风格词（比如 赛博朋克, 敦煌配色, 虚幻

5

渲染 等）

最终输出要求： 请无需过多解释，直接给我输出一段可以直接用于 AI 绘画的提示词（中英文对照）。

格式建议：

[主体描述]

,

[环境描述]

,

[风格关键词]

,

[光影与镜头参数]

请确保关键词精准、丰富，能还原图片的‘神韵’。”

第三步：生成提示词，出图

AI 会帮你把图片的标签都整理出来。 词里包含了大量你没见过的词汇： 比如它会写出：

超现实主义 (Surrealism)

、

柔和的光线 (Soft lighting)

、

电影镜头感 (Cinematic feel)

、

3D渲染（3D rendering

）

。

把这段生成的提示词复制下来，给到生图平台，出图如下：

三、 避坑指南：为什么出图跟原图不一样？

你会发现，直接拿反编译出来的提示词出图，还是跟原图不一样。比如

“风格是像了，但构图不一样的？”

原图：

一只橘猫宇航员

坐

在月球表面，头盔映着星光，背景是浩瀚星空和蓝色地球，营造出宏大的太空探险氛围。

你的图：

一只橘猫宇航员

站立

在月球表面，头盔映出星空，背景是辽阔的宇宙和蔚蓝的地球，营造出一种壮丽的太空探险场景。

这里说一个概念：

信息熵

（Information

Entropy

），

可以理解为

“信息的不确定程度”或者 “AI 瞎蒙的程度”。

图生文再到文生图，这个过程就像“传话游戏”，在这个过程中就会有信息丢失，在不具备确定信息的情况下，AI仅靠已知的信息进行指导恢复。流程如下：

降维打击（图生文）

一张图片，包含的信息量是巨大的。几千万个像素，记录了每一个毛发的位置、主体的动作、光影的角度。 当我们把它强制压缩成

几百个汉字

时，

99% 的空间结构信息

都被丢掉了。文字只能描述“大概”，无法描述“精确”。文中只能说“有只橘猫”，但究竟是坐着还是站着？这里就描述不清了，原图就会有信息丢失。

盲人摸象（文生图）

当你拿着这已经丢失信息的

几百个字

去生成新图时，AI 面对那些丢失的信息，只能开启“

随机脑补模式

”。既然你没说姿势是怎么样的，那我就随机；既然你没说光影怎么样，那我就随机画。

结论：单纯的“图生文”，只能学到原图的“画风”和“调色”，学不到原图的“精准构图”和“人物姿态”。

四、 终极方案：SOP 组合拳

其实按照图生文的方法，还是会出一张比较不错的图，毕竟可以存在多样性。

假如你想要完美复刻一张图，单纯靠图生文是不够的。我们要把前两篇文章的知识串起来，用一套组合拳。

万能复刻公式：

反推的提示词 + 原图做垫图 = 完美复刻

操作流程：

第一步：复制 Prompt

按照前面的方法，用豆包/Kimi 反推图片的关键词，复制下来。这保证了你的图“

光影、质感、风格

”是对的。

第二步：上传参考图

比如打开即梦的创作界面。 在输入框下方，把那张原图上传上去。

第三步：合体

把反推的提示词粘贴进输入框，点击“生成”。

你会发现，这次生成的图，几乎保留了原图原本的构图张力，又拥有了那令人羡慕的高级质感。

五、 总结

图生文

，一个快速生图的邪修办法。

别用人眼猜，要用 AI 抄。

看到喜欢的图，别自己瞎琢磨“这是啥风格”。丢给AI把

光影、材质、镜头

等等给你找出来。

光有词不行，还得有垫图。

文字的信息量太低（信息熵丢失），光靠反推的词，画出来的构图不一定是你想要的。把

原图

也搞过来，强行固定住构图。

组合拳才是王道反推的提示词 + 原图做垫图 = 完美复刻。

如果你懂得文生图、图生图、图生文的用法，那已经击败了 90% 的 AI 绘画玩家。

下一篇我们讲一些复杂场景，如果你想

做个连载漫画、绘本，或者打造一个自己的

IP

形象

呢？你会发现 AI 记性很差，每次画出来的人长得都不一样。我们后面聊角色一致性。

如果觉得这篇文章对你有帮助，别忘了点赞、分享，并关注我的公众号。

往期推荐：

AI画图养成记（二）：图生图为什么“一眼假”？3招拯救翻车现场

AI画图养成记（一）：为什么你画的是“人工智障”？一套万能SOP公式，废片变大片？

AI笔记：大白话说Diffusion Model，AI画图的终极艺术家

AI笔记：大白话说VAE，AI画图的创作家

AI笔记：大白话说什么是CLIP？打通文字与图像的“跨界翻译官”