Case B_zhihu_20245189 · AI 生图提示词写作方法

先说个扎心的事

你有没有过这种经历：脑子里明明有幅特别清楚的画面，夕阳下一个女孩在海边回头笑，结果打进生图工具里，出来的要么脸崩了，要么背景糊成一片，要么干脆给你生成了一个站在游泳池边的中年妇女。

然后你就开始抽卡。一张不行两张，两张不行十张，十张不行换工具。从 Midjourney 抽到 SD，从 SD 抽到 Nano Banana，最后发现问题不在工具。

我自己在这件事上交过不少学费。有段时间天天泡在各种工具里，一个画面抽二三十次都不对，特别挫败。后来琢磨出来：出图质量八成取决于提示词怎么写，两成才是模型本身。同样一个模型，有人做出能上杂志的广告大片，有人做出一堆表情扭曲的废图，区别就在那几行字。

先搞懂 AI 在想什么

主流生图模型本质都是扩散模型。训练过程说白了就是看了几亿张图和对应的文字描述，学会了”这样的文字”对应”这样的画面”。

这里有两个事实很重要。

AI 只认识它见过的词。

你写”赛博朋克”它懂，因为训练集里有大量打了这个标签的图。但你写

我老家那种氛围

它就懵了。提示词要用公共的、有明确视觉指向的词，不是你的私人记忆。

AI 在做概率拟合，不是理解。

你写”一个红头发的女孩”，它不是真理解这几个字，而是从训练数据里抽出这几个标签一起出现时的视觉统计。描述越模糊，它越往”最常见的那种”靠，结果就是你觉得”好像是这个但又好像不对”。

两个原则：具体比抽象好，视觉比感受好。”美女”是抽象，”22 岁亚洲女孩齐刘海圆脸穿白色针织衫”是具体；”温馨”是感受，”暖色调，浅景深，壁炉火光”是视觉。

八要素公式：一条提示词该有的骨架

我把一条完整的提示词拆成八项。

写的时候心里过一遍这张表，挨个问自己”这块交代了没”。

分别为

主体、细节、动作、场景、风格、光线、镜头、画质。

主体

写在最前面，因为大多数模型对前面的词权重更高。要回答三个问题：是什么、多少个、核心特征。反面：”一个女孩。”正面：”一个 22 岁的东亚女孩，齐肩黑发，丹凤眼，穿米白色羊毛高领毛衣。” 有个小窍门，想生成特定长相可以用名人做锚点，”气质类似周迅”“长相接近艾玛·沃森”，比一堆形容词准得多。商业用途要避开侵权，自己玩无所谓。

细节

是把骨架变成血肉的那一步。服装的材质款式颜色配饰、头发的状态、表情、姿势、手部动作、物品的磨损和反光。很多人只写到主体就没了，这是最大的浪费。”一个男人坐在咖啡馆里”和”一个 30 岁左右的男人坐在靠窗的位置，深棕色短发微微凌乱，穿藏青色羊毛大衣配白衬衫，右手握着一杯冒热气的拿铁，左手翻开一本硬皮书，眉头微蹙像在想什么”——你把这两句分别丢进同一个工具跑一下，差距不用我多说。

动作

让画面动起来。哪怕你画一个站着的人，加”微微侧身准备转头”画面立刻有呼吸感。常用词：奔跑、回眸、伸手、低头、仰望、蜷缩、沉思。

场景

就是背景环境。很多人随便写个”户外”完事，结果背景要么空要么乱。好的场景要有地点、时间、天气、氛围物。”秋天傍晚的京都岚山，铺满红枫落叶的石板小路，远处是被晚霞染红的竹林，空气里有细微的雾气”——这样写出来背景就不会是随便一片树林。

风格

决定一张图的调性。摄影类有商业摄影、胶片摄影、宝丽来、黑白纪实；绘画类有油画、水彩、水墨、国画工笔、浮世绘；数字艺术类有 3D 渲染、CG 插画、赛博朋克；动漫类有新海诚、宫崎骏、京都动画。这里有个杀手锏：

直接用艺术家的名字做风格锚点

，比如 “in the style of Makoto Shinkai”，效果通常比写一堆形容词还准，因为模型见过太多带艺术家标签的作品。

光线

是很多人没注意的质感来源。如果你的图总是”一看就是 AI 做的”，八成是光线太弱。收藏这几个词：柔光适合人像，硬光适合戏剧感，逆光让轮廓发光，伦勃朗光是经典肖像光，黄金时刻（日出日落前的暖色光）是万能加分项，蓝调时刻（日落后深蓝天空）是城市夜景利器，体积光能看见光束穿过空气、森林教堂特别好用。随便加一个到提示词里，图的质感立刻上一个档次。

镜头

是很多人忽略但极其重要的一项。景别决定你离主体多近：特写、半身、全身、远景。角度决定你从哪看：平视、俯视、仰视、鸟瞰、过肩。镜头类型是专业词汇，非常好用：广角、长焦（背景虚化强）、微距、鱼眼。甚至可以直接写 35mm、50mm、85mm，模型是懂的。”一个女孩在樱花树下” vs “一个女孩在樱花树下，85mm 人像镜头，浅景深，半身特写，平视角度，背景樱花虚化成光斑”，后者立刻就有了专业感。

画质

是末尾的 buff：4K、高细节、锐利对焦、专业摄影、获奖作品。放最后逗号分隔。

一个完整示例：

一位 25 岁的法国女孩，栗色卷发披肩，穿米色羊毛大衣和暗红色围巾，手里捧着一杯冒热气的咖啡，半侧身坐着望向窗外，巴黎老街区的咖啡馆靠窗位置，窗外下着细雨，玻璃上有雨滴，远处模糊的街灯和行人，电影感摄影，胶片质感，暖黄室内光与冷色窗外对比，逆光勾勒头发轮廓，85mm 镜头浅景深半身特写，4K 高细节，获奖摄影。

把这条丢进任何一个主流工具，出图都会很稳定。每一个可能让 AI 自由发挥的缝隙都被你堵住了。

几个最实用的方法论

光有公式还不够，下面这几个方法是我觉得最值钱的部分。

方法一：抄作业反推法

自己从零开始写提示词太费劲，最快的进步方式是抄作业。去 civitai、lexica.art、PromptHero、Midjourney 官方展示页，找到你喜欢的图，直接看它的提示词。看多了你会发现高手写的提示词有共同的结构和爱用的词，慢慢就内化成你自己的库。

更进一步的玩法：把一张你喜欢的别人的图截图，扔给 Claude、GPT-4o 这种多模态模型，说”帮我反推一条能生成这种图的 Midjourney 提示词，要包含主体、光线、镜头、风格”。它会给你一条相当能用的东西，再微调就行。这招我用了半年，词感长得飞快。

方法二：分层迭代，一次只改一块

新手最大的问题是每次都从头重写。正确的做法是

分层迭代

：先确定主体和构图对不对，再调风格和光线，最后抠细节。每次只改一小块，其他保持不动。

我自己的 debug 流程是这样的：

第一轮只写主体 + 场景 + 基本风格，看 AI 理解的方向对不对。方向错了改方向，方向对了进下一轮。

第二轮加光线和镜头。如果出图变丑了说明镜头或光线词和前面的风格冲突，挑一个删掉。

第三轮抠细节：服装、表情、手部、配饰。发现某部位反复崩就加负面词或调权重。

这个流程比一次写 80 个词跑 20 张效率高得多。你每一步都知道问题出在哪。

方法三：问题 → 加词清单

生图最挫败的是”差一点点”，下面是我自己整理的对症下药清单，建议收藏。

脸崩/五官扭曲

：加 detailed face, symmetric face, sharp eyes；负面词加 deformed face, asymmetric

手崩（最常见的坑）

：加 detailed hands, five fingers；负面词 extra fingers, missing fingers, bad hands, mutated hands

画面太平没氛围

：缺光线词。加 cinematic lighting, volumetric light, rim light

画面太暗

：加 bright, well-lit, soft daylight

看起来太假太 AI

：加 film grain, analog photography, 35mm film, slight imperfection

背景糊成一团

：具体描述背景物体，或者加 detailed background, intricate environment

人物没表情

：直接描述情绪，smiling softly, melancholic expression, determined look

构图太居中呆板

：加 rule of thirds composition, off-center

颜色不对

：写具体的颜色名或 hex 码，或用 warm tone / cool tone / muted colors 控制整体色调

方法四：参考图比提示词更强

如果你的工具支持图生图或者参考图，

一张参考图能顶 50 个形容词

。这是个很多人没意识到的事。

Midjourney 的

--sref

（风格参考）、

--cref

（角色参考），Nano Banana 的上传图片编辑，SD 的 ControlNet 和 IPAdapter，都是走这条路。你直接把想要的风格或人物扔给它，让它照着画，比你写多少提示词都准。

常用场景：想保持角色一致性（同一个人不同场景），上传一张角色图作 cref；想复刻某种色调氛围，上传一张参考图作 sref；想复用某个构图，用 ControlNet 的 canny 或 openpose。

方法五：文字渲染只用 Nano Banana 或 GPT-4o

如果你要做 logo、海报、表情包这种带文字的图，

别再用 Midjourney 和 SD 瞎折腾了

，它们出文字十次有九次是乱码。直接用 Nano Banana（Gemini 3 Pro Image）或 GPT-4o，这俩是目前文字渲染最准的。

写法上要明确指定三件事：要显示的文字内容、字体风格（描述性的，比如”俐落的无衬线字”“衬线字手写感”）、整体设计风格。比如：”为一家叫 The Daily Grind 的咖啡店设计 logo，文字是 The Daily Grind，采用简洁醒目的无衬线字，包含一个抽象咖啡豆图标与字体自然融合，黑白配色，极简现代。”这样出来的基本能直接用。

方法六：权重和负面词的真正用法

权重不是越高越好。SD 里

(keyword:1.5)

已经很强了，超过 1.7 画面容易崩。负面词也不是越多越好，堆太多会互相干扰，保留一个通用模板就够：

low quality, blurry, deformed, bad anatomy, bad hands, extra fingers, watermark, text, ugly

。

MJ 的

::

分权重很少有人用，但对比很强烈的画面特别有用，比如

a burning ice cube::2 realistic::1

能强迫模型理解这是矛盾组合。

几个主流工具的口味差异

同一条提示词在不同工具上效果天差地别，知道各自的口味很重要。

Midjourney 喜欢简洁有力。

它本身有很强的美学倾向，不用写太多修饰词也能出好图。但它对参数敏感，

--ar 16:9

（宽高比）、

--stylize

（风格化强度）、

--chaos

（随机度）这些要会用。典型写法是英文、逗号分隔、短词组、参数放最后。

Stable Diffusion 喜欢关键词堆叠。

SD 没那么强的内置审美，你得把每个细节都写清楚，并且善用权重。典型特征是开头堆一排 masterpiece, best quality 之类的质量词，中间是密集的关键词和权重。

Nano Banana 喜欢自然语言。

它本质上就是个大语言模型在生图，用日常对话说话效果最好。两个杀手锏：

文字渲染准

（做 logo 海报优先选）、

对话式编辑

（生成后可以说”把背景换成黄昏”“给她加眼镜”“去掉左边的杯子”，精准修改不破坏其他部分）。这个能力用过一次就回不去了。

GPT-4o 的强项是理解长复杂指令。

你可以直接写：”要那种王家卫电影的感觉，潮湿的空气和迷离的灯光。”它会自己理解这等于霓虹、雨夜、冷暖对比、手持抓拍感。

国产工具

像即梦、可灵、通义万相，对中文支持最好，对中国元素（汉服、古建筑、山水）的理解远超海外模型。做国风图直接用国产工具加中文提示词，比硬用 Midjourney 强得多。

最后：提示词其实是一种翻译

网上很多人把提示词叫咒语，好像得念对了才能召唤出好图。但我越写越觉得，

提示词的本质是翻译

。把你脑子里那幅模糊的画面，翻译成 AI 能听懂的语言。

所以写好提示词的前提，是你自己先想清楚要什么。如果你脑子里只有一个模糊的”好看的女孩”，再强的模型也救不了你。但如果你能先看见那张图，看见她的年龄、表情、衣服的颜色、站的位置、身后的光，然后把这些一条条翻译出来，AI 就会给你一个接近九成还原的结果。

AI 生图练的其实是两种能力：视觉想象力和描述精确度。前者是审美素养，后者是表达训练。这两样练多了，不光生图变强，你的审美、写作、对视觉信息的敏感度都会跟着涨。

别把它当玄学，当成一门可以系统学的手艺。今天讲的八要素、抄作业反推、分层迭代、问题加词清单、参考图大法、各工具的口味，拿去用，改，变成你自己的东西。一个月之后你写提示词的速度和命中率会比现在高一个数量级。我就是这么过来的。