AI文字生图提示词的核心技巧是什么？

AI文字生图这东西，说白了就是你跟AI沟通的艺术。你说话的方式直接决定了它能不能理解你，以及最终给你的图到底是你想要的，还是让你哭笑不得的。很多人以为只要随便打几个字就行，但其实里面的门道不少。想要稳定地出好图，关键就那么几个点。

核心要素：拆解你的想法

一个好的提示词，就像一个清晰的指令清单。AI不是人，它读不懂你的潜台词，所以你得把话说得明明白白。通常一个完整的提示词会包含这几个部分：主体、细节描述、风格和构图。

• 主体 (Subject): 这是你画面里最主要的东西，必须第一个说清楚。是“一个男人”，还是一只“白色的猫”？先给AI一个明确的核心。比如，“一个穿着宇航服的猫”就是个很好的起点。

• 细节描述 (Description): 这是让你的图片与众不同的关键。主体是什么样的？在干什么？周围环境又如何？这些细节越具体，AI能发挥的空间就越小，结果也就越可控。 比如，刚才那只猫，我们可以加上更多细节：“一只毛茸茸的白色波斯猫，穿着一套带有蓝色条纹的复古宇航服，头盔上反射出星空。” 这样一来，AI得到的指令就清晰多了。

• 风格/媒介 (Style/Medium): 你希望这张图看起来像什么？是照片、油画、还是动漫截图？直接告诉AI。你可以说“照片级真实感”、“梵高风格的油画”、“宫崎骏动画风格”或者“3D渲染”。 这个部分直接决定了图片最终的艺术感。例如，“一张照片，一只毛茸茸的白色波斯猫……”

• 构图与光线 (Composition & Lighting): 这部分属于进阶操作，但效果拔群。你想从什么角度拍？是特写、广角还是无人机俯视？ 光线是怎样的？是“清晨柔和的光线”、“霓虹灯闪烁的夜晚”还是“电影感的伦勃朗光”？ 加上这些词，能让画面立刻拥有氛围感。比如，“广角镜头，电影感灯光，一只毛茸茸的白色波斯猫……”

所以，一个基础但完整的提示词公式就是：[风格] + [主体] + [细节描述] + [环境] + [光线/构图]。

咱们来看个实际例子。假如你只输入“a dog”，AI可能会给你一张非常普通的狗的照片。但如果你用上面的公式来构建提示词：“一张纪实摄影风格的照片，一只金毛寻回犬嘴里叼着一个网球，奔跑在洒满金色阳光的秋日公园草地上，背景是模糊的红色枫叶，采用低角度拍摄。”（A documentary style photograph of a Golden Retriever running on a sunny autumn park lawn with a tennis ball in its mouth, background of blurred red maple leaves, low-angle shot.）你看，这样生成的图片，故事感和质量就完全不一样了。

顺序很重要，权重有别

在很多AI模型里，比如Stable Diffusion，提示词的顺序会影响权重。简单说，写在越前面的词，AI会认为越重要。 所以，把你的核心主体和最重要的风格放在最前面，是一个好习惯。

比如，“一个男人，红色的车”和“红色的车，一个男人”，最终生成的图片里，前者可能会更突出人物，而后者会更突出车。虽然现在像Midjourney V6这样的模型对自然语言的理解能力变强了，不再严格依赖关键词的顺序，但保持一个清晰的逻辑顺序总归是没错的。

负面提示词：告诉AI不要什么

有时候，我们不仅要告诉AI我们想要什么，还要明确告诉它我们不想要什么。这就是负面提示词（Negative Prompts）的作用。 比如，你希望生成的图片里不要出现文字、不要有多余的手指、或者画面质量不要太差，你就可以在负面提示词框里输入“text, extra fingers, low quality, blurry”。

这个功能在处理人像时尤其有用。AI画手是出了名的老大难问题，经常会画出六指琴魔。在负面提示词里加上“多余的手指 (extra fingers)”、“畸形的手 (deformed hands)”，就能有效提高出图的成功率。同样，如果你不想要卡通感，可以加上“cartoon, anime, illustration”来避免。

借鉴和迭代：最好的学习方式

学习写提示词最快的方法，就是看别人是怎么写的，然后自己动手改。很多AI绘画社区，比如Civitai，上面的每一张图都附带了作者使用的完整提示词、模型和参数。 你可以直接复制过来，在本地运行一下，看看效果。

然后，试着修改其中的一两个词。把“女孩 (girl)”换成“男孩 (boy)”，把“白天 (day)”换成“夜晚 (night)”，或者把“照片 (photo)”换成“油画 (oil painting)”。 每改动一次，就生成一次图片，观察画面的变化。这个过程能让你非常直观地理解每个关键词到底起到了什么作用。这比你看再多理论都有用。

比如，你看到一个提示词是：“cinematic shot of a beautiful woman, wearing a red dress, standing on a rooftop overlooking Tokyo at night, neon lights, foggy, detailed face, photorealistic, 8k”。

你可以先原封不动地生成一张。然后试着把“red dress”改成“blue dress”，看看颜色变化。再把“Tokyo”换成“New York”，观察背景建筑风格的改变。最后，把“cinematic shot”删掉，看看画面的电影感是不是减弱了。通过这种不断的实验和微调，你很快就能掌握这些词汇的“魔力”。

不同模型的细微差别

虽然核心技巧是通用的，但不同的AI模型也有自己的“脾气”。

• Midjourney: 早期的版本喜欢简洁、用逗号隔开的关键词。 但从V6版本开始，它越来越能理解自然语言的完整句子。 你可以用更像说话的方式去描述一个场景。

• Stable Diffusion: 它对关键词的权重和顺序更敏感，也更“技术流”。 你可以通过括号来增加或减少某个词的权重，比如(red car:1.3)就是把“红色的车”的权重提高30%。这需要一些学习，但能让你对画面的控制达到像素级别。

• DALL-E 3: 它被集成在ChatGPT里，最大的特点就是能帮你自动优化提示词。 你可以用非常口语化、甚至有些模糊的语言去描述，它会先帮你改写成一个更具体、更详细的提示词，然后再拿去生成图片。 这对新手非常友好。

所以，了解你正在使用的工具的特性，能让你事半功倍。不过别担心，这些差异并不构成壁垒，核心的描述逻辑——说清楚你要什么，它长什么样，在什么环境里，是什么风格——永远是通用的。掌握了这个，无论用哪个平台，你都能快速上手。