文生图提示词核心结构解析，新手如何快速写出高质量画面？

很多新手在接触 AI 文生图时，最常犯的错误就是把一堆空洞的形容词简单堆叠在一起，比如写满 `8k, masterpiece, highly detailed, photorealistic`。这种写法在早期 Stable Diffusion 1.5 时代或许能触发某些高质量权重的图库特征，但在如今的模型体系下，不仅无法改善画质，反而会稀释核心语义，导致画面失控。

现在的核心模型——无论是基于双文本编码器（CLIP + T5-XXL）的 Flux.1、重构了自然语言理解的 Midjourney v6.1，还是由多模态大语言模型强力驱动的 DALL-E 3 与 Google Imagen 3，底层逻辑早已从“关键词标签匹配”转向“自然语言语义空间解析”。

要稳定产出高质量画面，必须建立一套标准化的提示词工程结构，同时清楚不同底层模型的控制参数与理解习惯。

一、 通用五层提示词结构法

写提示词不是写散文，而是给扩散模型（Diffusion）或流匹配模型（Flow Matching）提供精准的潜在空间导航坐标。一套经过大量实测验证的通用五层结构如下：

[主体定义] + [环境与空间] + [媒介与风格] + [光影与色彩] + [构图与机位参数]

1. 主体层（Subject & Action）：锚定画面灵魂

写主体时，杜绝只给一个模糊的名词。模型需要清晰的实体特征、数量、姿态与正在发生的动作。

•低质写法：`a girl`（模型会随机从训练集里抽取特征，极易生成千篇一律的网感假人）。

•规范写法：`A 28-year-old East Asian female botanist, examining a glowing bioluminescent fern with brass tweezers`（明确年龄、身份、细分动作与互动道具）。

2. 环境层（Environment & Context）：建立世界观与空间深度

背景决定了画面的故事感。优秀的提示词会区分前景、中景与远景，构建空间纵深。

•低质写法：`in a forest`。

•规范写法：`in a mist-shrouded temperate rainforest, damp moss-covered boulders in the foreground, towering redwoods fading into deep atmospheric fog in the background`。

3. 媒介与艺术风格（Medium & Art Style）：锁定渲染维度

必须明确告知模型画面是由什么工具或流派创造的，避免让模型在“真实摄影”与“数字绘画”之间产生模棱两可的塑料感。

•摄影向：`Editorial documentary photography, 35mm film still, National Geographic archival print`。

•艺术向：`Impressionist oil painting with thick impasto textures, palette knife strokes, gouache and ink on rough watercolor paper`。

•三维渲染：`Octane render, Unreal Engine 5 lookdev, ray-traced subsurface scattering`。

4. 光影与色彩（Lighting & Color）：决定画面的质感上限

光线是画面的画笔。缺乏光影描述的图通常灰暗、平坦。直接使用电影或摄影领域的专业光位词汇。

•光影：`Volumetric morning rays filtering through dense canopy, harsh rim lighting, soft diffused bounce light, Rembrandt lighting`。

•色彩基调：`Desaturated earth tones accented by vibrant teal and gold, cinematic color grading, muted pastel palette`。

5. 构图与器材参数（Composition & Camera）：控制视觉引导线

避免使用“高清晰度”这类无效修饰词，转而用真实世界的镜头规格与构图术语间接约束画面景深和质感。

•机位与构图：`Eye-level shot, rule of thirds, Dutch angle, symmetrical wide-angle composition`。

•光学物理特性：`Shot on Leica M10, 50mm f/1.4 Summilux lens, shallow depth of field, creamy bokeh, subtle film grain (Kodak Portra 400)`。

二、 主流模型横向对比与关键参数配置

不同的生成模型对提示词的敏感度和参数体系完全不同。拿喂给 Midjourney 的短语去跑 Flux.1，或者把写给 SD 的负向提示词硬塞给 DALL-E 3，效果都会大打折扣。

关键参数配置实操要点

1.CFG Scale / Guidance Scale（分类引导强度）：

•在 Flux.1-dev 中，切忌将 Guidance 调得过高。默认 3.5 表现最好；一旦超过 5.0，画面容易出现色彩过饱和与边缘灼伤伪影。

•在传统 SDXL 中，通常设在 6.0 – 8.0 之间。

2.Midjourney 的风格化控制：

•如果追求写实摄影，必须加上 `–style raw`，并将 `–stylize`（或 `–s`）降低到 50 – 150 之间。默认的 `–s 250` 会强行注入过多的 Midjourney 固有艺术偏置，让皮肤呈现出不真实的塑料光滑感。

3.采样步数（Steps）：

•并非越高越好。Flux.1-schnell 固定在 4 步即可；Flux.1-dev 在 24 步时边际收益达到顶峰，增加到 50 步除了增加显存等待时间，画质几乎没有区别。

三、 提示词优化前后实战对比

看一个具体案例。目标是生成一张“雨夜赛博朋克街道上修理义肢的机械师”。

四、 行业标准 Prompt 模板库（直接套用）

在实际工作流中，不要每次都从零构思词汇。针对高频场景，整理好规范的模板骨架：

模板 A：高端商业静物与产品摄影（适用于 Midjourney v6.1 / Flux.1）

[产品主体及材质细节], placed on [极简底座或背景表面], 
surrounded by [少量高质感极简道具，如水滴/岩石/绿植],
Studio lighting, soft box overhead illumination, subtle caustics reflection, 
shot on Hasselblad H6D-100c, 120mm macro lens, f/8, crisp focal plane, 
neutral beige and slate gray color tone, commercial print ad standard --ar 16:9 --style raw

模板 B：电影质感人物叙事肖像（适用于 Flux.1 / Imagen 3）

Candid cinematic close-up of [人物年龄、性别、身份与标志性特征], [具体情绪与微表情],
wearing [材质考究的服装细节], [具体微动作，如点烟、望向车窗外],
located in [具有年代感或氛围感的特定室内/室外环境],
Atmospheric night lighting, harsh tungsten street light contrasted with soft interior glow, 
shallow depth of field, sharp focus on eyes, natural skin pores, fine stray hair, 
filmed on ARRI Alexa Mini, 50mm Cook anamorphic lens, vintage film grading.

五、 借助大语言模型（LLM）构建提示词生成链

手写超长提示词不仅耗时，还容易遗漏光学与结构词汇。目前最高效的工作流，是用 Claude 3.5 Sonnet 或 GPT-4o 作为“视觉描述架构师”，将简单的一句话想法扩写为标准的五层提示词。

在使用大语言模型时，注意控制生成温度：将 Temperature 设定在 0.7 左右，Top-P 设定在 0.9。过高会导致大模型产生逻辑错乱的玄学词汇，过低则会让生成的画面缺乏视觉创意。

你可以直接使用以下系统指令（System Prompt）配置你的大模型助理：

你是一位资深电影摄影指导兼 AI 图像生成专家。你的任务是将用户的简短画面构想，转化为适用于 Flux.1 与 Midjourney v6.1 的高质量专业英文提示词。

请严格遵守以下规则构建提示词：
1. 严禁出现 "masterpiece", "8k", "ultra-detailed", "hyper-realistic" 等空洞质量评价词。
2. 严格按照：[主体细节与动态] -> [环境与空间景深] -> [媒介风格] -> [光影与色彩搭配] -> [镜头视角、焦段与光学质感] 的顺序组织内容。
3. 全部使用精准、具象的视觉名词与动词，多用摄影、灯光与材质专业术语。
4. 输出格式为一段纯英文提示词代码块，紧随其后附带 3 句中文解析，说明构图与光影的设计用意。

六、 避坑指南与单变量调试 SOP

当画面生成不理想时，千万不要把整段提示词删掉重写。新手最容易陷入“一次改动五处，最后不知道哪句话起了副作用”的恶性循环。

1.警惕“词语污染”（Concept Bleeding）：

•提示词中如果写了 `A girl in a red dress holding a blue umbrella next to an orange car`，扩散模型的交叉注意力机制很容易把颜色搞混，生成“穿蓝裙子、拿着红伞”或者“全车都是红色”。

•解决方案：在支持自然语言的模型（Flux.1、DALL-E 3）中，用从句分隔空间关系：`A girl wearing a vibrant red silk dress. She is holding an umbrella that is pure cyan blue. In the background parked is an orange vintage sedan.` 明确划分实体界限。

2.位置决定权重（Token Decay）：

•绝大多数文本编码器（包括 CLIP 与 T5）在处理长文本时，越靠前的词汇获得的注意力权重越高。如果画面主体经常缺失或变形，检查是否在最开头写了太多无用的风格前缀。把核心主体与动作永远放在前 15 个单词之内。

3.单变量排查法（SOP）：

•第一步（固定种子）：在 WebUI 或 ComfyUI 中固定随机种子（Seed），在 Midjourney 中使用 `–seed` 参数。

•第二步（剥离环境）：只保留主体与媒介词，观察模型生成的形体结构是否正确。

•第三步（单独添加光线）：加上光源描述，测试光线方向是否符合物理预期。

•第四步（微调构图与镜头）：最后加入景深和焦段参数。每修改一处，用同一 Seed 生成一次对比，直到彻底掌握每个专业词汇对画面的精确影响。