一个高质量的AI文生图提示词应该包含哪些关键组成部分？

一个好的AI文生图提示词，就像是给AI画师下达的一份清晰、具体的工作指令。指令越明确，画师就越能画出你脑子里想的那个画面。反之，如果你说得模棱两可，比如只给一个词“狗”，那AI可能会给你一只卡通狗、一条真狗的照片，或者一幅关于狗的油画，完全随机。想让AI听懂你的话，关键在于把提示词拆解成几个核心部分，然后像搭积木一样组合起来。

1. 主体 (Subject)：画面的核心

主体是整个画面的焦点，是你最想让别人看到的东西。 这一步要说清楚“画什么”。主体可以是人物、动物、物品，甚至是某个特定的角色。描述主体时，越具体越好。

• 不说“一个男人”，而是说“一个留着花白胡须、戴着圆框眼镜的老人”。
• 不说“一辆车”，而是说“一辆20世纪60年代的红色敞篷跑车”。

除了主体本身，还要描述它的状态和动作。 比如，这个老人是在“低头看书”，还是“迎着风大笑”？这辆跑车是“停在路边”，还是“在沿海公路上飞驰”？这些动态的描述能让画面更有故事感。

举个例子，我之前想生成一张赛博朋克风格的街猫图片。一开始我只输入了“一只猫，赛博朋克”，结果生成的图片里，猫的形象很模糊，有时甚至和背景混在一起。后来我把主体细化成“一只穿着发光项圈的黑猫，蹲坐在一个生锈的金属箱子上”，这样一来，AI就准确抓住了画面的核心，生成的猫立刻就有了焦点。

2. 媒介与风格 (Medium & Style)：决定画面的“质感”

确定了画什么，接下来要决定“怎么画”。 媒介指的是你希望这张图看起来像什么，是照片、油画、水彩画，还是3D渲染图？ 风格则是更具体的艺术流派或个人特征。

• 媒介 (Medium)：你可以指定它是“数码绘画 (digital painting)”、“素描 (sketch)”、“照片 (photograph)”或者“雕塑 (sculpture)”。 这个词会直接定义图片的基础质感。例如，用“照片”作为媒介，AI就会更倾向于生成逼真的图像。
• 风格 (Style)：风格的范围很广。可以是艺术流派，比如“印象派 (Impressionism)”、“超现实主义 (Surrealism)”或“浮世绘 (Ukiyo-e)”。 也可以是某个著名艺术家的风格，比如“梵高风格 (in the style of Van Gogh)”或“宫崎骏风格 (in the style of Hayao Miyazaki)”。 甚至可以是某种流行文化的美学，比如“赛博朋克 (Cyberpunk)”、“蒸汽朋克 (Steampunk)”或者“皮克斯动画风格 (Pixar style)”。

把媒介和风格结合起来，效果会更好。比如，“一张超现实主义风格的油画 (a surrealist oil painting)”，或者“一张具有电影感的照片 (a cinematic photograph)”。AI在训练时学习了大量带有这些标签的图片，所以它能很好地理解这些指令。

3. 环境与背景 (Environment & Scene)：故事发生的舞台

一个好的主体需要一个合适的背景来衬托。 环境描述了主体所处的位置和场景，为画面提供了上下文。

• 具体地点：是在“拥挤的东京街头”、“安静的森林深处”，还是“月球表面”？
• 天气和时间：是“一个下着小雨的黄昏”、“阳光明媚的午后”，还是“星光璀璨的夜晚”？
• 氛围：你希望画面传达什么样的情绪？是“神秘诡异的 (eerie)”、“宁静祥和的 (serene)”，还是“充满未来感的 (futuristic)”?

环境描述不需要太复杂，但要能服务于主体。如果我想画一个“在雨中沉思的侦探”，那么背景可以是“一条霓虹灯闪烁的湿漉漉的小巷”，这个环境就很好地增强了侦探的孤独感和故事的悬疑氛围。

4. 构图与视角 (Composition & Viewpoint)：决定我们如何“看”这张图

构图和视角决定了观众从哪个角度看画面中的主体，以及画面元素的布局方式。 这就像你是一个摄影师，正在决定相机应该放在哪里、用什么镜头。

• 视角 (Viewpoint)：是从上往下看的“鸟瞰视角 (bird’s-eye view)”，还是从下往上看的“仰视视角 (low-angle shot)”？ 是离主体很近的“特写 (close-up)”，还是能看到广阔场景的“远景 (wide shot)”？
• 镜头类型：你可以指定“广角镜头 (wide-angle lens)”来表现空间的开阔，或者用“长焦镜头 (telephoto lens)”来压缩空间、突出主体。
• 构图法则：一些基础的构图法则，如“三分法 (rule of thirds)”或“中心构图 (centered composition)”，也可以直接写进提示词里。

比如，同样是画一座山，用“广角镜头，仰视视角”就能表现出山的雄伟和压迫感。而用“远景”则能展示山与周围环境的关系。

5. 光线与色彩 (Lighting & Color)：画面的灵魂

光线和色彩是决定画面氛围和情绪的关键因素。 不同的光线能塑造出完全不同的感觉。

• 光线类型：“柔和的光线 (soft light)”通常感觉温暖平静，“戏剧性的光线 (dramatic lighting)”则充满张力。 “边缘光 (rim light)”可以勾勒出主体的轮廓，而“霓虹灯 (neon lighting)”则直接指向赛博朋克或都市夜景的风格。
• 色彩描述：你可以直接指定主色调，比如“以蓝色和金色为主色调 (blue and gold color scheme)”，或者描述色彩的整体感觉，如“鲜艳的色彩 (vibrant colors)”、“单色调 (monochromatic)”或“柔和的色调 (pastel colors)”。

我做过一个实验，生成“一间书房”的图片。第一次我只写了主体，结果平平无奇。第二次我加上了“傍晚，温暖的灯光从一盏台灯中透出，有体积光 (volumetric light)”，整个画面的温馨和安静感立刻就出来了。

6. 细节与质量 (Details & Quality)：最后的润色

这部分是用来提升画面整体精致度的。 AI模型通常能理解一些用来形容图像质量的词。

• 质量词：比如“超写实 (photorealistic)”、“超精细 (hyper-detailed)”、“8K”、“高细节 (highly detailed)”等。 加上这些词，AI会倾向于生成分辨率更高、细节更丰富的图像。
• 负面提示词 (Negative Prompts)：有时候，告诉AI“不要画什么”和“要画什么”同样重要。 比如，生成人像时，经常会出现手指或四肢数量不对的问题。你可以在负面提示词里加入“多余的手指 (extra fingers)”、“畸形的 (deformed)”、“模糊的 (blurry)”，来避免这些常见错误。

组合与顺序

一个结构化的提示词通常会按照重要性来排序，AI会对靠前的词给予更高的权重。 一个比较通用的公式是：

[媒介类型] of [主体] and [主体的细节描述], in [环境/背景], [风格], [光线], [色彩], [构图], [质量词]

例如，把我们上面讨论的元素组合起来，一个高质量的提示词可能是这样的：

“一张电影感的照片 (媒介)，一个穿着风衣的侦探 (主体和细节)，站在雨中湿漉漉的东京小巷里 (环境)，霓虹灯光反射在地面上 (光线)，整体色调偏冷 (色彩)，特写镜头 (构图)，超精细，8K (质量)。”

当然，这只是一个基本框架。不同的AI模型对提示词的理解方式略有不同。 比如Midjourney可能更喜欢简短、富有诗意的描述，而Stable Diffusion则对结构化、充满细节的提示词反应更好。 最好的方法还是不断尝试，通过修改和增加某个部分的描述，观察生成结果的变化，慢慢你就能找到最适合自己想法的表达方式。