SDXL提示词编写规范与技巧，双文本编码器与出图质量优化指南

很多从 Stable Diffusion 1.5 迁移到 SDXL（Stable Diffusion XL）的朋友，最常踩的一个坑就是把旧习惯原封不动搬过来：前面堆几十个诸如 `masterpiece, best quality, ultra-detailed, 8k` 的玄学标签，负面提示词栏里塞入整页从网上复制下来的长篇大论，结果发现 SDXL 出图不是色彩过饱和、肢体僵硬，就是画面发灰、缺乏层次。

其实，SDXL 的底层架构与语言处理逻辑相比早期版本发生了本质变化。要让它稳定输出高质量、构图严谨的画面，核心在于搞清楚它的双文本编码器（Dual Text Encoders）协同机制，并建立一套符合现代扩散模型特性的结构化提示词编写规范。

一、SDXL 双文本编码器剖析：CLIP-L 与 OpenCLIP-G 的分工与协同

SDXL 彻底放弃了单编码器架构，在文本理解端引入了两套规模与专长截然不同的模型协同运作：

1.OpenAI CLIP ViT-L/14（简称 CLIP-L）

•参数量与维度：约 123M 参数，输出维度为 768。

•特性偏向：与 SD 1.5 所使用的编码器同源。它对具象词汇、局部属性细节、具体名词和短语标签（Danbooru 风格的 tags）非常敏感。比如特定款式的衣物、首饰材质、头发颜色等，CLIP-L 能进行精细的局部特征捕捉。

2.OpenCLIP ViT-bigG/14（简称 OpenCLIP-G）

•参数量与维度：约 694M 参数，输出维度为 1280，体量近乎前者的 6 倍。

•特性偏向：擅长理解自然语言长句、句法结构、宏观画面构图、镜头透视与核心概念语义。更关键的是，SDXL 在架构设计中提取了 OpenCLIP-G 的 Pooled Text Embedding（全局池化文本嵌入向量），将其直接作为全局条件注入到扩散模型的残差块中，用于决定画面的整体基调、光影分布和主体风格。

在数据流层面，SDXL 将 CLIP-L（768 维）与 OpenCLIP-G（1280 维）在倒数第二层的特征输出沿通道维度直接拼接，组合成一个 2048 维的联合文本嵌入空间，同时把 bigG 的 1280 维池化向量作为全局投影输入。

文本输入 -> CLIP-L (768)   
                            ---> 拼接为 [768 + 1280 = 2048] 跨注意力矩阵 (Cross-Attention)
文本输入 -> OpenCLIP-G (1280)/

               `--> 提取 Pooled 向量 (1280) ---> 注入 ResNet 块作为全局条件 (Global Conditioning)

实操分流策略（针对 ComfyUI 等高级工作流）

在常规 WebUI 中，系统默认将同一段提示词同时送入两套编码器；但在 ComfyUI 使用 `CLIPTextEncodeSDXL` 节点时，你可以对 `clip_l` 和 `clip_g` 独立传参。实测的最佳策略如下：

•`clip_g` 文本框：输入自然语言整句，集中描述画面全局内容、主体动态、环境空间关系、光影氛围以及特定艺术风格。

•`clip_l` 文本框：输入细节修饰标签，补充具体的服装细节、材质微观纹理、颜色限定以及微调修饰词。

如果希望简化流程统一输入，提示词的句式就必须兼顾“主谓宾清晰的短句”与“末尾具象质感词”，而不是一味堆砌破碎的逗号标签。

二、SDXL 提示词工程规范与四段式结构

SDXL 在预训练阶段采用了海量包含完整自然语言描述（Synthetic Captions）的图文对，因此它对自然语言语法的理解能力远强于旧模型。

1. 结构化四段式编写法则

编写 SDXL 提示词时，建议遵循由宏观到微观、由构图到风格的逻辑顺序：

[主体与动作描述] + [环境与背景空间] + [镜头视角与构图] + [光影质感与媒介风格]

•第一段：主体与核心动作（Subject & Action）：指明主体的特征、姿态、情绪与交互行为。避免模糊词汇，尽量用精准名词和动词。

•第二段：环境与背景（Environment & Background）：交代场景的空间层次、天气、季节以及主体身处的具体位置。

•第三段：镜头视角与构图（Framing & Camera）：指明焦段（如 `85mm portrait`）、机位高度（如 `eye-level shot`, `low-angle view`）和构图法则（如 `cinematic wide shot`, `shallow depth of field`）。

•第四段：光影质感与媒介风格（Lighting & Aesthetic Style）：定义光源类型（如 `rim light`, `golden hour sunlight`, `soft volumetric studio lighting`）与材质渲染特性（如 `raw photograph, 35mm film grain, analog texture`）。

2. 负面提示词（Negative Prompt）的去繁从简

注意看，这是很多老手常犯的误区：SDXL 对负面提示词具有很强的敏感度，过长的负面词不仅会导致画面色彩干瘪、发灰，甚至会破坏原生美学和肢体结构。

•SD 1.5 传统负面：动辄 30~50 个词汇，包含大量诸如 `bad art, ugly, deformed, blurry, bad anatomy` 等兜底词。

•SDXL 正确负面策略：保持在 5~10 个词以内，只排除最不可接受的瑕疵或风格干扰。

•推荐基础负面模板：

text, watermark, low quality, oversaturated, deformed hands, extra limbs, blur

对于许多写实微调底模，甚至保持负面提示词为空，画面的动态范围和自然感反而会更好。

3. 提示词优化前后实测对比

三、借助前沿大模型构建 SDXL 提示词的工作流

在实际生产场景中，手动撰写详尽的四段式自然语言效率较低。通过调用前沿大语言模型（LLM）进行提示词结构化拓展，是目前工业级 AIGC 工作流的标准做法。

不同大模型在处理 SDXL 提示词时展现出不同的风格倾向与逻辑特性，选型时应根据需求灵活决定。

1. 前沿大模型特性横向对比

2. 实战 System Prompt（系统提示词）模板

将以下系统提示词配置给上述大模型（建议设置 `Temperature=0.7`），可以直接将简短需求转化为符合 SDXL 双编码器逻辑的提示词方案：

你是一位深谙 SDXL（Stable Diffusion XL）底层架构的视觉艺术指导兼提示词专家。
你的任务是将用户的简短想法转化为严格符合 SDXL 双文本编码器特性的高水准提示词。

规则要求：
1. 输出分为三部分：
   - [CLIP-G Prompt]：采用富有画面感、语法完整的自然语言段落，涵盖主体动态、空间关系、景深镜头与全局光影。
   - [CLIP-L Prompt]：采用精确的短语与标签，聚焦局部材质、微观细节特征与具体质感。
   - [Negative Prompt]：保持简短（5-8个精准词汇），严禁堆砌无意义的通用负面词。
2. 杜绝无效营销词（如 masterpiece, 8k, extremely detailed 等）。
3. 强化摄影学语言（焦段、光圈、光源方向、胶片颗粒或渲染引擎质感）。

输出格式范例：
---
[CLIP-G Prompt]
A medium close-up shot of an elderly watchmaker assembling a vintage mechanical chronometer at a cluttered wooden workbench, warm tungsten desk lamp casting long dramatic shadows, dust motes visible in the air, cinematic framing, shallow depth of field.

[CLIP-L Prompt]
brass gears, delicate tweezers, magnifying loupe, weathered hands, deep wrinkles, micro scratches on metal, crisp focus, 35mm photography texture

[Negative Prompt]
watermark, text, CGI, 3d render, plastic skin, distorted fingers, blurry
---

四、SDXL 关键生图参数与质量控制 SOP

参数配置不当会直接破坏优秀提示词的效果。SDXL 在模型尺寸和训练分辨率上有严格的技术约束，必须建立标准化执行流程。

1. 分辨率与宽高比约束（Bucket 机制）

SDXL 基础模型是在 1024×1024（100 万像素级别）及其特定宽高比桶（Aspect Ratio Buckets）下训练完成的。严禁直接使用 512×512 分辨率出图，否则会出现多头、重影或画面严重扭曲。

在实际操作中，必须严格从官方适配的分辨率列表中挑选：

•1:1 方图：`1024 × 1024`

•4:3 横图 / 3:4 竖图：`1152 × 896` / `896 × 1152`

•16:9 横屏 / 9:16 竖屏：`1344 × 768` / `768 × 1344`

•21:9 电影宽画幅：`1536 × 640` / `640 × 1536`

2. 采样器（Sampler）与调度器（Scheduler）组合

•日常写实与综合场景首选：`DPM++ 2M Karras` 或 `DPM++ 2M SDE Karras`

•步数（Steps）：`25 ~ 35`

•特点：收敛速度快，细节边缘过渡自然，在 30 步左右达到质量与速度的平衡点。

•创意发散与艺术风格首选：`Euler a`（Euler Ancestral）

•步数（Steps）：`20 ~ 28`

•特点：多样性强，质感相对柔润，但随着步数过多容易发散，不宜超过 35 步。

3. CFG Scale（提示词相关性）控制

SD 1.5 时代常用的 CFG 往往设置在 `7.0 ~ 9.0`，但是在 SDXL 中，推荐的黄金区间是 `4.5 ~ 6.5`。

•若 CFG > 7.5：画面极易出现对比度过大、人物面部发黑、边缘锐化过度产生硬边（Artifacts）。

•若 CFG 在 5.0 ~ 6.0：画面自然柔和，动态范围充沛，对负面提示词的排斥反应也最小。

4. 高画质交付实操工作流 SOP

[步骤一：构思与需求提炼]
使用结构化思维整理构图要素：主体、空间、机位、主光源与材质媒介。
       ↓
[步骤二：LLM 辅助结构化转化]
输入至 Claude 3.5 Sonnet 或 GPT-4o，获取分离的 clip_g / clip_l 提示词并精简负面词。
       ↓
[步骤三：基础生成（Base Model）]
- 模型：SDXL Base 1.0 或优秀微调底模
- 尺寸：选择原生标准桶（如 896×1152）
- 采样器：DPM++ 2M Karras，Steps: 30，CFG: 5.5
- 批量生成 4~8 张筛选构图、透视与动态最优秀的基础种子（Seed）。
       ↓
[步骤四：精修与画质放大（Upscale & Refine）]
两种成熟方案二选一：
方案 A（经典双阶段）：在 Base 生成最后 20% 步数时切换至 SDXL Refiner 模型进行高频细节填充。
方案 B（高清修复/Latent Upscale，当前行业更通用）：
将筛选出的优秀样张送入 SDXL 专属放大流程，使用 4x-UltraSharp 或 DAT-2 模型放大 1.5~2 倍，
重绘幅度（Denoise Strength）严格控制在 0.25 ~ 0.35 之间进行二次细化，防止结构破坏。

按照这一套规范执行，你会发现 SDXL 不再是一个难以捉摸的“玄学黑盒”。搞清双编码器的分工逻辑，剔除无效标签，配合合理的原生分辨率与适中的 CFG，模型的真实表现力自然会稳定呈现出来。