先跟你说个我最近很常见的场景：花半小时写了一组自认为堪称完美的提示词，什么"赛博朋克城市夜景""霓虹反射""电影感光影"全堆上去了，结果生成出来的画面，不能说跟想象完全无关，只能说关系不大。更离谱的是，我把同一套提示词从这套模型换到另一套模型，出来的风格整个跑偏了。这个问题的根源在于，很多人在做AI视觉模型时，把风格控制单纯理解成"把提示词写长一点"，却忽略了从提示词到参数调优这条完整链条里，任何一个环节都在参与"风格"的最终呈现。
这篇文章聊的就是这个链条。我拆解一下AI视觉模型里风格控制这件事，从提示词怎么写、写到什么粒度，到CFG、采样器、步数、种子这些参数怎么调，再到LoRA和参考图怎么叠加，全部走一遍。无论你是做漫剧分镜、短视频风格统一，还是给团队成员交付一套可复用的风格方案，这套思路都能直接落地。
1. 风格控制的第一步，是搞清楚"风格"到底由谁决定
很多人有一个误区，觉得风格就是提示词描述出来的。这个理解只对了一半。在实际生成流程里，一张图的风格至少受三个层面制约：基础模型本身的偏好、提示词的语言约束、以及采样参数在形态上的修饰。三者不是加法关系，而是层层叠加的关系。
1.1 模型、提示词、参数：三个变量，三种权重
先给个直观的权重感觉。如果你用的是某个擅长写实摄影的底模，哪怕提示词里写满"水彩""手绘"，出来的东西大概率还是带一股照片味。反过来，一个强插画风格的模型，你写"真实照片"，它也只是把光影做得更写实一点，构图和线条还是会往插画方向偏。
这就是基础模型的"出厂风格"。它是训练数据决定的，像人的审美底子一样——你让一个从小只吃川菜的人做一道粤菜，他可以学，但底味还是辣的。比如 SD 1.5 时代的模型普遍画质偏软、偏涂抹，SDXL 系列的模型天然更强调质感和细节层次，而一些专门用三次元图集微调过的模型，哪怕你用它跑动漫描述词，出图也倾向仿三维渲染。这个底子决定了后续风格控制的起点。
提示词的权重在中间。它能做的是在底层模型已经"画好"的基础上，用语义约束去掰方向。你写"厚涂油画质感""笔触可见""帆布纹理"，它会在画面表面刷上这些特征；你写"柔焦镜头""浅景深""暗角"，它会在镜头属性层面做调整。提示词控制的是"这层画面的表面特征"，而不是"这张图底层的视觉基因"。
参数调优则是第三个层面，也是最容易被忽略的。CFG Scale 控制提示词对画面的约束强度，采样器和步数决定纹理打磨的程度，种子决定构图基底，分辨率决定画面中元素排布的宽松程度。这些参数不直接写"风格"二字，但它们修出来的画面气质，和提示词的表达一样重要。
1.2 为什么"同一套提示词"不能复用到底
这是我在实际项目中最常被问到的问题。很多做短剧、漫剧的人，拿到了一个别人分享的风格化提示词模板，套到自己场景里，发现怎么调都不对劲。问题往往不是提示词写得不好，而是提示词背后的参数上下文不同。
举个例子，同样一句"水墨风格，留白构图，群山远黛"，在底模 A 上可能 CFG 在 7 左右表现最佳，换到底模 B 上，提示词生成的画面可能花掉或者发灰。因为底模 B 对"水墨"这个语义的关联分布远不如底模 A 紧密，它可能需要把 CFG 拉到 9，才能强制画面往水墨方向靠。
所以风格控制的第一步不是急着调提示词，而是先摸清楚你现在用的这个模型"天生"长什么样。我的做法是，拿到一个新模型后，先跑一组固定提示词、固定随机种子，扫一遍 CFG 和采样器的交叉组合，把模型自己的"性格曲线"画出来。这组基线数据之后所有风格调试的参照物。
2. 提示词不是"多说几句"：结构化风格描述的实战写法
提示词工程现在被讲得神乎其神，但在视觉模型这个范畴里，它本质上就一件事——用模型能理解的语言，把"风格"外层拆成可描述的视觉特征。你不能跟模型说"要高级感"，因为"高级"不是视觉描述词；你得说"哑光表面、低饱和色调、大面积留白、柔和定向光"。
2.1 把"风格"拆成六个可描述维度
我在实际写提示词时，会把风格拆成六个维度，每个维度填 1-2 个具象词：
| 维度 | 说明 | 示例词 |
|---|---|---|
| 媒介材质 | 画面是绘画还是照片，是油彩还是水彩 | oil painting, watercolor, cel shading, 3D render |
| 笔触肌理 | 表面上笔迹、颗粒、纹理的处理方式 | visible brush strokes, canvas texture, wet-on-wet |
| 光影属性 | 光的方向、软硬、色温 | rim light, golden hour, soft diffuse lighting |
| 色调倾向 | 色彩的整体走向和饱和度 | low saturation, teal and orange, pastel palette |
| 构图方式 | 画面结构的组织形式 | rule of thirds, symmetrical composition, negative space |
| 镜头语言 | 模拟相机设备与光学效果 | 35mm lens, shallow depth of field, fisheye |
这个拆法解决了一个核心问题：模型是怎么理解风格的。它在训练时看到的图片标签，基本都落在具象视觉特征上，比如"oil painting"对应的是大量厚涂油画的像素分布，"rim light"对应的是轮廓光形成的亮边像素结构。当你把"风格"拆成这些视觉特征词，模型的语义检索就精确得多。
这也就是 DeepSeek 视觉模型这类处理语义理解比较强的模型，接入 CCSwitchAPI 之后能够更好地完成风格切换的原因——它本身对语义分层的理解更好，提示词里的媒介词、光影词、色调词能被相对独立地解析，而不是混成一团。
2.2 风格标签的浓度控制：权重和位置
提示词不是每个词地位都相同的。模型（尤其是基于 CLIP 或 T5 编码的模型）对一段提示词里不同位置的 token，注意力权重不同。目前的经验规律是：提示词前部（前 5-10 个token）的重要性显著高于中部和尾部。
所以，如果你想保住"水墨风"这个核心风格，不要把"水墨"写在长长的描述后面，而是放在提示词开头几个 token 里，甚至用加权语法强调，比如在 ComfyUI 里用(ink wash painting:1.4)或者在部分模型里用ink wash painting++。这些权重符号的底层逻辑是告诉模型"这个视觉特征必须被看见"。
这里要提醒一个陷阱：风格词堆得太多，效果往往不是风格变浓，而是画面变脏。因为多个风格词之间互相竞争注意力，最后模型只能折中，折中的结果就是每种风格都不充分、元素互相干扰。我的经验是，一个画面最多保留一个主风格词、一到两个辅助材质词，其他的让参数去处理。
2.3 负面提示词同样是风格控制的一部分
负面提示词的本质，是给模型划定"风格禁区"。在视觉模型里，常见的风格失控问题反而靠负面词解决效果更明显。
举几个实战中高频使用的负面词组合：
- 控制写实类画面不乱入绘画感：
painting, illustration, sketch, watermark - 控制动漫类画面不出现三维感：
3d, cgi, render, plastic - 控制色调不脏：
oversaturated, dull colors, bad contrast - 控制构图不歪：
cropped head, bad composition, out of frame
尤其在做 AI 漫剧的项目里，角色三视图保持风格统一，负面提示词往往是关键一脚。因为模型在跨场景生成时，很容易顺手给角色加上不必要的装饰性元素，负面词里把它们禁掉，比在正向词里追加形容词更高效。
2.4 一个完整的风格模板示例
给一个可以直接套用的结构。假设我要做一组合集风格统一的 AI 短剧分镜，场景是"深夜便利店门口的雨中告别"：
[主风格] 电影感概念图, 氛围导向 [媒介质感] 电影胶片颗粒, 暗部深绿+霓虹橙色调 [光影] 背光剪影主体, 雨幕反射, 柔化高光 [构图] 对称构图, 纵深透视, 前景雨珠虚化 [镜头] 35mm, 大光圈浅景深, 轻微暗角对应的完整英文提示词我建议这样写：
cinematic concept art, moody atmosphere, film grain, teal and orange color grade, backlit silhouette, rain reflections on asphalt, soft highlights, symmetrical composition, deep perspective, foreground raindrops bokeh, 35mm lens, shallow depth of field, subtle vignette负面提示词：
painting, illustration, oversaturated, flat lighting, distorted faces, extra fingers, watermark, text这个结构的好处是，换场景时只需要改场景主体词（人物、环境），风格段的六个维度词全部保留，画面风格就能维持一致。这是批量生产时保证"看起来是一个系列"的核心操作。
3. 从 CFG 到采样器：参数调优里决定画面气质的几个旋钮
提示词负责把风格方向说清楚，参数负责把风格真正"焊"在画面上。这一步经常被人忽视，但它的影响一点都不比提示词小。我见过太多人固定用默认参数跑了半年图，然后抱怨风格不可控的——其实不是风格不可控，是你根本没有给风格一个稳定的生成环境。
3.1 CFG Scale：引导强度与"过曝"边缘
CFG Scale（分类器自由引导强度）控制的是生成过程对提示词的遵循程度。你可以把它理解成一个演讲者的音量：音量太低，观众（模型）什么都听不清，自由发挥；音量太高，演讲者用力过猛，表情狰狞。
在风格控制里，CFG 的取值规律如下：
| CFG 取值区间 | 画面表现 | 适用场景 |
|---|---|---|
| 1-4 | 构图自由，风格模糊，容易脱离提示词 | 探索创意方向、风格融合实验 |
| 5-8 | 提示词遵循良好，色彩自然 | 多数风格控制的最优区间 |
| 9-12 | 画面高度贴合提示词，但色彩开始过饱和、边缘偏硬 | 强风格约束、需要贴近参考词时 |
| 13+ | 容易产生"烧焦感"，画面发灰发硬，伪影增多 | 少用，仅特定模型可承受 |
一个很典型的场景：你在写"雾中森林"这种柔焦风格，如果 CFG 拉到 12，雾面会被过度强调变成一片惨白，细腻的层次全部丢失。此时把 CFG 降到 6-7，雾气才会呈现出半透明的层次感。风格越柔和、越强调氛围的画面，CFG 越要低；风格越锐利、越强调贴合的商业插画，CFG 可以适当高一些。
3.2 采样器与调度器的偏好：不同采样器确实会给不同质感
采样器这个东西，很多初学者以为只是"加速按钮"，区别不大。实际上不同的采样器在同样的去噪流程里，给画面留下的"纹理指纹"完全不同。
我长期对比后的经验总结：
- Euler / Euler a：结构最自由，纹理比较"松"，适合快速出氛围稿，画面会有一种天然的手绘松散感。
- DDIM：确定性最强，线性感明显，适合做需要严格控制痕迹的构图，但容易出现轻微的条带感。
- DPM++ 2M：目前最常用的均衡选项，细节扎实，材质感强，适合大多数写实和半写实风格。
- DPM++ SDE：引入了更多随机微分噪声，产生的细节更加丰富且不易平滑化，适合需要细腻颗粒质感的场景，但可能带来细微的不稳定性。
- UniPC：速度和质量的平衡选项，收敛快，适合批量出图时的效率优先需求。
调度器这边，Karras 调度器在低步数时对细节保留更好，这也意味着你用 DPM++ 2M Karras 组合时，同等步数下画面的层次感会更丰富。很多人喜欢这个组合，因为它"不太容易翻车"。
3.3 步数不是越多越好：收敛曲线体验
步数控制的是从噪声到成稿的过程长度。我实测过很多次，大部分模型在 20-28 步之间已经收敛到比较好的状态，超过 35 步以后，画质基本不再提升，甚至在某些采样器上会出现细节"反噬"——纹理变得过度锐利，出现细密的噪点，风格反而变脏。
不同采样器的收敛速度也不一样，简单列个参考：
- Euler：15-20 步可用，25 步后变化极小。
- DDIM：20-25 步比较稳，30 步以上收益递减。
- DPM++ 2M：20-30 步是这个采样器的黄金区间。
- DPM++ SDE：需要 25-35 步，因为它用随机微分，更多步数才能让细节稳定。
在做风格统一的项目时，我强烈建议把步数固定为一个值，不做每张图的手动调整。因为步数直接影响细节纹理的深浅，步数一变，哪怕提示词和种子都一样，画面的"完成度"也会变，批量出图时风格就飘了。
4. 种子、分辨率与重绘幅度：风格一致性的"隐性控制开关"
这一节讲三个不怎么起眼、但影响画面气质的参数。很多人在追求风格控制时，把注意力全部放在提示词和 CFG 上，忽略了这些隐性参数带来的连锁反应。实际上它们才是画面风格一致性能否稳定复现的关键。
4.1 种子：同一个噪声起点，决定构图基底
种子是生成时初始噪声的编号。它本身不存储任何风格信息，但它决定了扩散过程从哪张"原始噪点图"出发，也就间接固定了画面的大致构图分布、主体位置和元素排布。
在风格控制里，种子最实用的技巧是"种子不变，只改提示词"——这样可以在保持构图基底接近的情况下，测试不同风格词对画面的改造效果。反过来，"固定提示词，只换种子"，则可以快速验证这个提示词是否稳定——如果换了好几个种子，风格依然一致，说明提示词对风格的约束足够强；如果风格差异很大，说明提示词里可能混入了过于依赖随机性的元素。
4.2 分辨率与宽高比：构图风格的结构性影响
很多人没意识到，分辨率不只是"清晰度"，它还参与构图风格的塑造。在 SDXL 这类模型上尤其明显，当你把分辨率从 768x768 改成 768x1344（竖构图）之后，画面层次会自发地重新分布，模型会默认为竖幅撑满更多纵向元素，远景近景的层次也会变化。
更关键的是，分辨率设置不当会导致画面中元素比例失衡。比如你拿 512x512 的分辨率去生成一个"群像三视图"的设定，模型没有足够的像素空间去铺开三个人物，最后会把人挤在一起或者自动裁掉边缘。这就是为什么 AI 人物三视图配参考图时，官方工作流总是优先调宽高比的原因。
对于风格控制，我的建议是：锁定一个自己常用的宽高比，比如 16:9 或 3:4，所有同批次的图固定用这个分辨率，这样才能让构图和相关风格统一。不要一会儿整竖图、一会儿整方图，风格的体感会被构图变化搅乱。
4.3 重绘幅度（Denoising Strength）：从轻调色到完全重绘
重绘幅度通常用于图生图（img2img）流程，它的含义是"在多大程度上丢弃原始图片的信息，重新生成"。这个参数对风格控制是一个强力的调节旋钮：
- 0.3-0.4：相当于给原始图"调色换装"，细节和构图基本保留，只是改一下色彩倾向和表面质感。适合给真实照片做风格化转绘。
- 0.5-0.6：构图还能保留大框架，但光影、材质和部分细节会被重写。适合风格转变强度适中、还要保留主体结构的场景。
- 0.7-0.8：原始图的参考作用只剩约两三成，基本是由提示词主导的重新作画。适合从粗糙草稿转成全新的画面。
- 0.9 以上：接近纯文生图，原图只提供概率分布上的参考。
我自己的经验是，如果你要做"角色一致、场景风格统一"的系列图，重绘幅度控制在 0.5 左右最舒服。低于 0.4 时风格改造力度不够，高于 0.7 时角色很容易"换脸"，一致性就失控了。
4.4 高清修复：别让超分毁掉风格
高清修复（Hires Fix，以及各种放大插件）是把低分辨率图像放大到高分辨率的过程。这里面有个很微妙的点：放大过程的去噪强度直接决定了画风能不能被忠实保留。
潜空间放大时，放大倍数越高、重绘幅度越大，画面细节加得越多，风格偏移也就越明显。我遇到过一张水墨风格的图，放大后水墨的晕染边缘被硬生生重构成硬边块状，整张画的"水墨感"直接没了。
处理办法是：高清修复的重绘幅度压在 0.3-0.45 之间，同时选用对纹理保留更友好的放大方式。另外，如果你用的是 ControlNet 配合高清修复，一定要把 ControlNet 的权重稍微调高一点，让构图和线条被锁住，这样放大过程只增加细节、不改变风格。
5. 风格漂移排查：换模型后效果不对，问题出在哪
现实项目里，最崩溃的时刻往往是这一种：你把一套在 A 模型上调好的"完美参数+提示词"方案，放到 B 模型上，结果画面风格全变了。这种"风格漂移"不是玄学，背后是有明确原因的，找对原因就能修。
5.1 基座模型的"出厂风格"差异
不同模型训练数据的分布决定了它对"同样的描述词"有不同的联想路径。用个类比：同样说"朋友"，内向的人想到的是"熟悉的少数人"，外向的人想到的是"一群人的聚会"。模型间的出厂风格差异就是这么来的。
具体表现在：
- SD 1.5 衍生模型：画面往往自带柔光感和略微的涂抹感，对细笔触的描述响应弱。
- SDXL 衍生模型：层次更丰富、材质更真实，但对"强风格化"的描述词需要更大权重才能压过写实倾向。
- 一些少样本微调模型：在特定风格（比如特定画师风、特定游戏原画风）上表现极好，但提示词泛化能力弱，换一个不在训练分布里的风格词就容易产生混乱。
所以，如果你在切换模型后出现了风格漂移，第一反应不应该是"这个模型不好"，而是"这个模型的出厂风格跟我的提示词期待不一样"。你需要按它的脾性重新调整提示词的权重、风格词选择和参数区间。
5.2 一套可复现的排查顺序
遇到风格漂移，我建议按下面顺序排查，不要一上来就死磕提示词：
- 固定种子，把 CFG 设为 7，采样器设为 DPM++ 2M，步数 25，跑一张"空白风格基线图"（提示词只写主体，比如"a girl, portrait"），看模型的默认输出气质。
- 在基线图上逐步添加你要的风格词，一次加一个维度（先加媒介，再加光影，再加色调），每次跑同一颗种子，观察哪个词触发了画面突变。
- 如果加某个词后画面突变且不符合预期，尝试把它从正向提示词挪到负面提示词的"反向表达"里，比如把"不要插画感"（
illustration, painting）加进负面。 - 调整 CFG 看画面响应程度，CFG 低时不贴合就拉高，CFG 高时画面发硬就降低。
- 最后再动采样器和步数，因为它们对风格气质的改动是全局性的，应该放在最后做微调。
这套排查链路看着简单，但实际执行时很多人会在第 2 步跳过去，直接把所有词堆上去看结果。那样你永远不知道是哪段描述词在和模型打架。逐步二分法是最慢但最高效的定位方式——就像查 bug 一样，模块化了才查得出来。
另外提一个细节：如果你接入的是类似 CCSwitchAPI 这种多模型统一接入的服务，排查时要确认你请求的参数里没有遗漏模型版本的上下文参数。很多 API 服务会在不同版本模型上对同一组采样参数做兼容性转换，导致你在 WebUI 里调好的参数通过 API 调用时执行结果不一致。最好把模型版本号、采样器名称、CFG、step、seed 全部在请求体里显式写明，不要依赖服务端默认值。
6. 进阶组合：LoRA 训练与参考图如何把"风格控制"推到下一层
提示词加参数调优能解决大部分风格控制问题，但当你需要把风格一致性做到工业级（比如 100 集漫剧的角色和场景风格统一），光靠提示词是撑不住的。这时候就要引入更结构化的控制手段：LoRA 和参考图。
6.1 风格 LoRA 的适用场景与训练数据核心
LoRA（Low-Rank Adaptation）本质上是对模型参数做低秩微调。它可以在不影响模型其他能力的前提下，把某种风格"烙"进模型里。比如你只需要几百张特定画风的图片，就能训练出一个小体积的风格 LoRA，把它叠加到基础模型上之后，不管你怎么写提示词，画面都会自动带上该风格的气质。
风格 LoRA 的威力在于"默认值"。它不是靠提示词的强制拉拽，而是直接改变了模型在生成时对画面质感的先验概率。用它来统一短剧里多集场景的风格，比在每张图上反复调试提示词要稳定得多。
训练风格 LoRA 有一个核心诀窍：数据集不要只收集"好看的风格图"，要把同一风格下不同主体、不同构图、不同光线的样本都纳入进来。这样训练出的 LoRA 学到的才是"风格本身"，而不是"特定主体的风格"。如果数据集里都是同一种构图的图，LoRA 会把构图也学进去，那是整个项目后期最麻烦的坑。
6.2 参考图与 ControlNet 对风格和构图的干预
参考图（Reference Image）和 ControlNet 是另一套思路。它们不改变模型的先验，而是在生成过程中用一张或多张参考图强行约束像素的一致性。
- ControlNet 的 Lineart / Canny 模式能锁住线稿和边缘，保证构图和轮廓一致，适合在做角色三视图时保持结构。
- Depth 模式能锁定远景空间的纵深关系，适合批量化处理漫剧分镜里复杂背景层级。
- Reference 模式则更多用于迁移色调和光影质感，当你有一张想要模仿的"氛围图"时，用它做参考，再配上低 CFG，模型会往参考图的色彩分布上靠。
在风格控制里，我通常把 ControlNet 当"保底开关"用：提示词负责创造力，ControlNet 负责不跑偏。两边配合，才能在高自由度和强可控性之间找到平衡点。
6.3 把提示词、参数固化到 Agent 工作流中
做到这一步，风格控制就不只是"单张图的问题"了，而是"一批图的问题"。我在做 AI 短剧、批量分镜脚本时，会把前面所有调试好的提示词和参数固化到一个 Agent 工作流里。
这个工作流里的核心设计是：把"风格元数据"和"场景描述数据"分离。风格元数据包括刚才说的六个维度的风格词、固定的 CFG/步数/采样器/分辨率、固定的负面提示词；场景描述数据则随着分镜脚本变化。Agent 每次生成时，把这两部分拼接成最终提示词，再按固定参数提交生成。
这样做的好处非常明显：
- 所有分镜之间不会出现风格词汇不一致的问题。
- 如果要把整组图换风格，只需要替换风格元数据那一层，场景描述不用动。
- 新人接手项目时，只需要改场景描述，不会碰坏风格参数。
这里还要提醒一个工程上的安全细节：如果你把提示词拼装逻辑做成了可接收外部文本的 Agent，要特别留意"提示词注入"的风险。尤其是在把用户输入、脚本文件内容直接拼接进生成提示词时，恶意输入里可能夹带额外的指令文本，干扰你预设的风格参数。正确做法是把外部内容用分隔符隔离，并且对输入做长度截断和字符白名单校验，风格段和场景段分开存放，不要混在一个可被外部控制的字符串里。
我实际跑下来，这套"分层控制"的工作流，能在 100 张以上的批量出图里，把画面风格的一致率从"大概七成"提升到"接近九成"，剩下的那部分不一致，基本发生在极端场景切换时，用细调种子和重绘幅度就能拉回来。
最后分享一个我在实操里最深的体会：AI 视觉模型的风格控制，从来不是一个"写对一句提示词"就能解决的事，它是模型先验、语言描述、采样参数、结构约束四层系统协作的结果。初学者容易把时间全花在提示词上，调参只依赖默认值；而真正想控住风格的人，会把这四层当成一个整体来调。你先把模型脾性摸清楚，再用结构化提示词定方向，参数做微调锁定质感，最后用 LoRA 或 ControlNet 做保底，这一套组合拳下来，风格控制不会让你失望。
