从抽卡到稳定交付：AI提示词五段式写法与工程化实战

AI图像/视频生成提示词这事儿，看着简单，真用起来全是坑。我刚接触那会儿，以为会打字就能出好片，结果写了小半年“一只猫”“赛博朋克城市”这种短句，出片全靠抽卡，十张里能挑出一张能用的就算走运。直到我把提示词当成一份需求文档来写，稳定出片的概率才肉眼可见地涨了上来。这篇文章就把我总结的这套完整写法一次讲透：怎么从一句话描述出发，逐层拆解成结构完整、参数明确、可以复刻的提示词，以及隔一周再生成结果依然稳定的“工程化”方法论。适合刚上手AI绘图的新手，也适合出片总翻车、想系统整理提示词方法的老手。

1. 为什么一句话描述永远出不了稳定好片

1.1 一句话描述和专业提示词的差距在哪

你大概率写过这种提示词：

一只猫，海边，黄昏

于是一百个人会生成一百种完全不搭边的画面：有橘猫、有黑猫、有布偶，有的在沙滩跑、有的蹲在礁石上、有的甚至在天上飞。模型并没有“理解”你脑子里的画面，它只是把你给的词拆成特征，再在噪声里一点点“猜”出最接近这些特征的像素组合。你给的信息越少，它自由发挥的空间就越大，出片就越像开盲盒。

一句话描述本质上是极度稀疏的语义输入。打个比方，你去餐厅点菜只会说“来份好吃的”，厨师能做的确实很多，但很难保证端上来的就是你想要的那道。专业提示词相当于你直接告诉厨师：什么食材、什么刀法、什么火候、什么摆盘、什么酱汁——每一步都约束住，成品的可控性自然就上来了。

我见过很多新手卡在同一个阶段：觉得提示词越长越“用力过猛”，其实问题不在于长度，而在于有没有把关键维度写到。写满十行废话不如五行精准的描述，这也是为什么我们需要一套结构化的写法，而不是真的去拼字数。

1.2 大模型是怎么“读”提示词的

要写对提示词，先得大概知道模型端到端在做什么。现在的主流生成模型大多是扩散模型路线：训练阶段让模型反复看“图文配对”的数据，学会文本特征和图像特征之间的对应关系。你输入一段文字，模型先把文字拆成一个个token，转成语义向量，再把这个向量作为条件，从纯噪声开始，经过很多步“去噪”，逐步还原出一张带有这些特征的图像。

这就是为什么提示词里的名词、形容词、场景词、风格词都会实实在在影响成片。名词决定“有什么”，形容词决定“长什么样”，场景词决定“在哪”，风格词决定“用哪种画法画”。如果你只给名词，模型只能靠训练数据里的统计规律去猜其余部分——它猜的是“大多数人描述一只猫时想象的画面”，而不是你脑海里的那只猫。

另外还有一个容易被忽略的点：语序和权重。模型在理解一句话时，靠前的内容往往被赋予更高权重。所以“a cat”写在最前面，模型会优先保证画面主体是猫，后面的“海边”“黄昏”则是修饰背景。如果你想强调“黄昏”，光把词放前面还不够，更稳妥的做法是把重点词前置、重复强调，或者用括号加权重语法。这也是后面五段式结构里我会反复强调“顺序不要乱”的原因。

2. 高还原度提示词的五段式写法

2.1 主体描述：把“主角”写到能脑补出画面

提示词的第一段永远是主体描述，也就是画面里最核心的人、物或场景。写这一段时你要有一个习惯：闭上眼睛，把目标画面在脑子里过一遍，然后像给盲人描述照片一样，从头到脚写清楚。

举个例子，“一个女孩”就是无效主体描述，“一个穿着红色风衣、黑色短发、戴银色耳环的年轻女孩”就是有效描述。多出来的这些特征词会给模型更多约束，让它在生成时把注意力锁定在你设定的方向上。

写主体的一个实用技巧是“三层描述法”：

• 第一层：身份/物种，比如“a young woman”“a white cat”“an old fisherman”
• 第二层：外观特征，比如“short black hair, red coat, silver earrings”
• 第三层：表情情绪或动作状态，比如“smiling gently, holding an umbrella”

三层都写到，主体基本就不会跑偏了。我还发现一个细节：动作状态词特别容易被忽略，很多人会写“一个人在森林里”，但不说他是在走、在坐、在回头还是在蹲着。模型猜不到你的意图，就只能生成一个傻站着的人，画面叙事感直接砍半。

2.2 环境与光影：氛围感的第一来源

主体写清楚之后，第二步是交代环境与光影。环境词回答“在哪里、什么时间、什么天气”，光影词回答“光线从哪来、什么颜色、什么氛围”。这两类词叠加起来，基本决定了画面的情绪底色。

比如同样是“一个人在房间里”，你可以写成：

• 白天，窗外阳光斜照，木地板上拖出长长的影子 → 安静温暖
• 深夜，台灯昏黄，只有书桌附近一小圈亮光 → 孤独专注
• 清晨，淡蓝色冷光从窗帘透进来，空气中浮着灰尘 → 清冷文艺

你看，同一个主体，环境光影不一样，整个片子的气质天差地别。写提示词时很多人只重视“有什么”而忽略“光怎么打”，但光影恰恰是AI绘图最容易出氛围感也最容易翻车的地方。建议在提示词里包含三个信息：光源方向、光线颜色/软硬、是否逆光或侧逆光。

初始阶段可以用一个固定组合来试：cinematic lighting（电影感布光）、soft natural light（柔和自然光）、golden hour（黄金时刻）或者volumetric light（体积光，适合有雾气、有窗缝的场景）。这几个词对绝大多数模型都是有效的“氛围触发器”，上手成本极低。

2.3 镜头与构图：决定画面叙事感

很多人忽略段落，但它对成片的影响非常大。镜头词决定模型把机位“架在哪”，构图词决定主体在画面里的位置关系和比例感，这两类词加进去之后，画面会立刻从“随手拍”变成“有设计感”。

常见的镜头描述包括：

• shot type：close-up（特写）、medium shot（中景）、full body shot（全身）、extreme wide shot（大远景）
• camera height：low angle（低角度）、high angle（俯拍）、eye level（平视）
• lens feel：35mm、85mm、wide angle、telephoto，这些会带来透视和景深差异
• depth of field：shallow depth of field（浅景深）、deep depth of field（深景深）

构图词则比较简单实用：rule of thirds（三分法）、centered composition（居中构图）、symmetrical（对称）、leading lines（引导线）、negative space（留白）。我自己的习惯是把“镜头感”和“构图感”写在一块，比如：

medium shot, slightly low angle, shallow depth of field, rule of thirds composition, subject placed at right third

这句话一旦加进去，画面主体位置、背景虚化程度、机位高度全部被约束住，出片十张里至少有七八张构图在线。

2.4 风格与质感：统一画面调性

第四段是风格与质感，决定画面是“绘画感”还是“照片感”，以及整体色调、材质处理。很多人会在这一步犯两个极端：要么完全不写风格，让模型默认输出一种“塑料感CG渲染图”；要么一次性堆十几个风格词，导致模型无所适从。

正确做法是只选一到两个主风格词，再配两三个质感/材质词。比如：

• 写实摄影风：photorealistic, 35mm film grain, natural skin texture
• 赛博朋克插画风：cyberpunk style, neon palette, detailed illustration
• 手绘水彩风：watercolor painting, soft brush strokes, paper texture
• 概念美术风：concept art, matte painting, dramatic lighting

质感词要跟风格词匹配。写实胶片风就别再加painterly（绘画感）或者3D render（三维渲染），这些词互相拉扯，结果就是风格四不像。我踩过这个坑后，给自己定了一条规矩：风格段落只锁定一种大方向，质感词都围绕这个方向补充，宁可少写也不要乱写。

2.5 参数与负面提示词：把可能的翻车提前堵死

最后一个环节是参数与负面提示词，这是稳定出片和“可复刻”的兜底机制。负面提示词的作用是告诉模型“我不要什么”，比如常见的翻车点：变形的手、多出来的手指、模糊的脸、水印、文字、低质量、噪点。

这里有一个很多人不知道的知识点：负面提示词并不是写得越多越好。每个负面词都会占用模型的一部分注意力资源，写太多反而可能把画面带偏。我通常只保留5～8个高频负面词，而且要写覆盖面广的核心词而不是很具体的罕见词，这样收益最高。

参数则包括：分辨率/宽高比、步数（steps）、引导系数（CFG）、采样器（sampler）、种子值（seed）。这些参数直接影响出片的质量和稳定性，尤其是种子值和CFG，后面第三章和第五章会详细展开。

3. 实操：从一句话到完整可复刻提示词的逐层迭代

3.1 案例拆解：从“雨夜打伞的女孩”到完整提示词

空讲方法没用，我拿自己的一个真实案例来做完整拆解。我的初始描述就一句话：

雨夜打伞的女孩

这个描述放到任何模型里，大概率会生成一个站在雨夜街头的女孩，但细节完全不可控。接下来我按五段式逐层迭代。

第一次迭代：补主体细节。我加上服装、发色、伞的颜色、情绪状态：

a young woman holding a red umbrella, black hair, wearing a beige trench coat, looking back over shoulder

到这一步，主体变清晰了，但背景和光线完全靠模型猜，可能生成纯色背景或者不明所以的空地。

第二次迭代：补环境与光影。加上街道场景、积水倒影、霓虹灯、雨后空气感：

a young woman holding a red umbrella, black hair, wearing a beige trench coat, looking back over shoulder, rainy night city street, wet asphalt with reflection, neon signs on both sides, cinematic lighting, soft rim light, volumetric rain

加完之后成片有了“电影感”，但构图还是随机：有时候主体居中出现，有时候人物被切掉一半，背景也比较杂乱。

第三次迭代：补镜头与构图，同时精简主体描述：

a young woman holding a red umbrella, black hair, beige trench coat, looking back over shoulder, rainy night city street, wet asphalt reflections, neon signs, cinematic lighting, soft rim light, volumetric rain, medium shot, shallow depth of field, rule of thirds composition, subject at right third, blurred background

到这里，画面结构基本稳定了，背景虚化、主体位置、机位都定了。但风格依然是默认摄影纪实风，色调不一定高级。

第四次迭代：补风格与质感，并控制画面“味道”：

a young woman holding a red umbrella, black hair, beige trench coat, looking back over shoulder, rainy night city street, wet asphalt reflections, neon signs, cinematic lighting, soft rim light, volumetric rain, medium shot, shallow depth of field, rule of thirds composition, subject at right third, blurred background, cinematic still, 35mm film look, film grain, teal and orange color grading, high detail

到这一步，画面在主体、环境、构图、风格四个维度上都已经被锁住，成片率明显提高。最后再补参数和负面提示词：

[主体] a young woman holding a red umbrella, black hair, beige trench coat, looking back over shoulder [环境与光影] rainy night city street, wet asphalt reflections, neon signs, cinematic lighting, soft rim light, volumetric rain [镜头与构图] medium shot, shallow depth of field, rule of thirds composition, subject at right third, blurred background [风格与质感] cinematic still, 35mm film look, film grain, teal and orange color grading, high detail [负面提示词] blurry, low quality, deformed hands, extra fingers, bad face, watermark, text, oversaturated, cartoonish [参数] steps=30, CFG=7.5, seed=123456789, aspect ratio=16:9

这个完整版本放进去，出片质量基本是稳定可用的。你可能会问，为什么不一开始就写这么长？因为迭代的本质是“每次只改一个变量”来观察模型对哪个词有反应，而不是一次堆几百字导致翻车了也不知道是哪句话引起的。建议所有新同学都按这个思路去拆解自己的需求，而不是直接抄长提示词。

3.2 图像生成常用参数怎么定

参数虽然放在提示词最后，但它的影响不亚于文本本身。这里把几个关键参数讲透。

步数（steps）：代表模型从噪声还原成图像的细化次数。步数太少，画面粗糙、细节缺失；步数太多，画面可能过度锐化并且生成时间浪费。绝大多数情况下30步到40步已经完全够用，再往上收益非常小。实测同样的提示词，20步和40步肉眼差距明显，40步和80步几乎看不出区别。

引导系数（CFG）：控制提示词对生成结果的约束强度。CFG越低，模型自由度越高，画面更柔和发散，但很容易跑题；CFG越高，画面越贴近提示词，但过高之后会出现颜色饱和过度、画面“塑料化”“烧焦感”的问题。经验区间是5到10，我自己常用7左右，写实风格偏向7.5，插画风格偏向6。

种子值（seed）：这是“可复刻出片”最核心的参数，没有之一。种子值固定，意味着噪声初始状态固定，在相同模型、相同提示词、相同采样器的前提下，生成结果基本可以复现。这一条对需要微调风格的人来说特别重要：你看到一张满意的图，固定种子值，小幅修改提示词，就能在保留构图和主体的情况下测试不同风格。

采样器（sampler）：不同采样器对细节和收敛速度影响不小，但新手阶段不必纠结，选一个主流采样器固定下来即可。频繁换采样器，等于每次都在换模型行为，很难积累稳定的经验值。

3.3 视频生成提示词的额外维度

图像提示词的完整写法同样适用于视频生成，但视频提示词必须额外处理四个维度，不然画面就只是静态图的轻微动态化，或者动起来之后内容失控。

第一是运动描述。视频里的人物或物体要有清晰的动作动词，不能只给状态。比如“walking through the rain”“turning head to the camera”“look back over shoulder slowly”，动词越具体，运动越可控。这里有个小技巧：把动作写成“从A到B的运动趋势”，模型更不容易在中间帧生成出诡异姿态。

第二是时间线思维。视频是有起承转合的，提示词里最好包含开头的画面状态、中间的运动过程、结束的画面状态，甚至可以在描述里写明“the woman starts under the streetlight, walks toward the camera, then looks up”。时间线越清楚，每一帧之间的连贯性越好，跳变和形变概率越低。

第三是镜头运动。静态图的“机位”到了视频里变成“运镜”。写清是“摄像头缓慢推近”“从左边横移”“跟随人物绕半圈”，对成片叙事影响非常大。需要注意镜头运动和主体运动要协调，如果画面里主体在走、镜头也在大幅运动，高概率会出现画面发糊或者细节闪动。

第四是时长与节奏感知。虽然模型通常有固定的输出时长上限，但提示词里使用“slow motion”“fast pace”“smooth transition”这类速度描述，仍然可以给模型提供节奏参考。实测下来，给“slow motion”的片段即使没有真正慢放，光影细节和粒子运动也会更柔和。

一句话总结视频提示词的特殊性：图像提示词回答“这一帧长什么样”，视频提示词还要回答“镜头怎么动、主体怎么动、时间怎么走”。

4. 常见翻车现场与排查方法

4.1 写了很多却不生效，问题出在哪

我收到过最多的问题就是：“我按教程写了一堆关键词，为什么生成的图还是很差？”排查下来，十有八九是下面几个原因。

第一个原因：主体词和修饰词的主次关系没理清。比如提示词里有“女孩”“雨夜”“街道”“红色雨伞”“回眸”，但“女孩”并没有放在最靠前的位置。模型按顺序分配注意力，次要词反而占据了主要权重，成片里一个路人观众都可能比女孩更醒目。解决办法很简单：把“主角是谁”放在提示词最前面，没有之一。

第二个原因：一次加太多变量，翻车了不知道是哪句话惹的祸。正确做法是保留一个稳定的基础提示词，每次只改动一到两个槽位，比如只把“红色雨伞”换成“黑色雨伞”，或者只把“medium shot”改成“close-up”。这样你才能积累“哪个词对应什么视觉效果”的可复用经验，而不是每次都从零碰运气。

第三个原因：暗示性描述太多，确定性描述太少。比如你想表达“很孤独的氛围”，写“lonely atmosphere, sad mood”不如写成“empty street, single figure, dim streetlight, long shadow, gray tone”。模型对具象元素更敏感，对抽象情绪反馈不稳定。用具体物象去“凑”出你想要的感觉，比直接写情绪词可靠得多。

4.2 典型问题速查表

实战排查时，我最常用一个“责任链”思路：先锁参数，再锁种子值，然后固定风格词，逐项隔离变量。用这个方法，大部分翻车原因在十分钟内能定位。

5. 如何做到“可复刻出片”：工程化自己的提示词

5.1 种子值、固定随机与版本快照

“可复刻”这个概念，很多新手容易误解成“复制一段提示词就能100%得到同一张图”。严谨地说，可复刻依赖的不只是一段提示词，而是提示词 + 参数 + 模型版本 + 采样器 + 种子值的组合快照。

我习惯把每一次满意的成片保存成一份“提示词卡片”，内容包括：完整提示词、负面提示词、全部参数、种子值、模型版本、出片时间。存的时候用一个本地文本文件或者表格管理，文件名就用“日期_主题_风格”，比如“2024-11-08_雨夜女孩_胶片风.md”。这样做的好处是，过两周我想在同一个风格下做新图，直接打开旧卡片复制基础提示词，替换主体槽位，保留原参数和不同种子值，就能在稳定的方向上进行探索。

还有一个经常踩的坑：种子值调了但没发一样的结果。这里要特别提醒，不同采样器下相同种子值并不保证输出相同画面，调整采样器等于重掷骰子。所以一旦你找到一段好用的风格配方，就不要再动采样器，它可以作为你提示词工程的“基准操作台”。

提示：如果你在某个模型版本下写出了满意的效果，但隔几天发现同样的提示词出片变了，大概率是模型后台悄悄换版本了。及时记录模型版本，比记录提示词本身更能保证可复刻性。

5.2 建立自己的提示词模板库

工程化的另一面是沉淀模板，而不是每次都从零憋词。模板库的核心设计原则是把五段式结构变成可填充的槽位。

我的模板格式大概长这样：

[主体槽位] __SUBJECT__，__FEATURES__，__ACTION__ [环境与光影槽位] __SCENE__，__TIME__，__WEATHER__，__LIGHT__ [镜头与构图槽位] __SHOT_TYPE__，__DEPTH_OF_FIELD__，__COMPOSITION__ [风格与质感槽位] __MAIN_STYLE__，__MATERIAL__，__COLOR_TONE__ [负面提示词] blurry, low quality, deformed hands, extra fingers, bad face, watermark, text, oversaturated

使用时，我只需要针对每个槽位填上对应的词。比如某次想做一个“清晨咖啡馆里的人像”，就填：主体槽位写“a man in a beige sweater drinking coffee”，环境槽位写“morning cafe, large window, soft sunlight through glass, steam rising from cup”，镜头槽位写“close-up, shallow depth of field, subject at left third”。整个过程不会遗漏维度，也不会东一句西一句地把提示词写成流水账。

时间久了你会发现，自己的模板库本身就是一本独特的风格笔记：哪些词高频出现且效果好，哪些词写进去根本没影响，一清二楚。这种知识沉淀，比网上随手抄的长提示词有用得多。

5.3 批量测试与存档建议

如果你认真想把出片质量稳定下来，我还建议建立简单的批量测试流程：固定模板，替换一个槽位词，同种子生成两版，对比效果。

比如你好奇“打光方式”对成片氛围的影响，就可以在环境槽位里分别放 golden hour、blue hour、overcast light、neon light，其余槽位完全不变。每次出片后按轮次存好，直接对比。这种“控制变量法”本质上是给自己的提示词知识库积累数据，而不是靠感觉瞎试。

存档时我建议除了保存提示词原文，还要把“这次迭代改了什么”记下来。哪怕只写一句“把构图从居中改到三分法，主体呼吸感明显好了”，一段时间后回看，你都能清晰地看到自己审美偏好的变化路径。

6. 我踩过几次坑之后的最终体会

写提示词这个技能，最微妙的地方在于：它既不完全是文科的“描述力”，也不完全是理科的“参数工程”，而是两者的交界。文本描述决定上限，参数工程决定下限。你想让出片从“抽卡”变成“稳定交付”，就必须把这两条腿都练起来。

我个人踩过最大的坑，是以为提示词写得越“文艺”效果越好。后来一次次翻车才明白，模型要的是晴朗、具体、可执行的描述，而不是有氛围感的修辞堆砌。现在每次写提示词之前，我都会问自己一个问题：这段描述如果发给一个从没见过成片方向的外包设计，他能画出我脑子里那八成的画面吗？能在心里过出画面，提示词基本就合格了。

最后再分享一个实用小习惯：每次出片满意后，把提示词和全部参数一起存成一条模板卡片，标注当时的种子值和模型版本。坚持积累一个多月，你会发现自己手上有了一套比任何默认风格都更贴合个人审美的素材库。这套方法和素材库，才是提示词真正从“碰运气”走向“可复刻”的底气。