文本引导图像生成：从提示词结构化到迭代收敛的完整指南

1. 先搞清楚文本引导图像生成到底在做什么

很多人第一次接触这类工具时，脑子里想的都是“我打一句话，它给我画一张图”，这个理解不算错，但太粗了。真正上手之后你会发现，文本引导的图像生成本质上是一场你和模型之间的“翻译博弈”——你脑子里的画面是一回事，你写出来的文字是另一回事，模型读到的又是第三回事，最后画出来的可能是第四回事。这三层损耗，就是所有技巧存在的理由。

我把它拆成三个环节来看：意图结构化、语言锚定、迭代收敛。意图结构化是你把脑海里的画面拆成可描述的元素，比如主体、动作、环境、光线、材质、构图、风格；语言锚定是你用模型能理解的词汇把这些元素固定下来，避免它自由发挥；迭代收敛是你根据出图结果反向调整描述，一轮一轮逼近目标。这三个环节里，第一环靠的是观察力和拆解能力，第二环靠的是对提示词结构的熟悉程度，第三环靠的是耐心和方法论。

这套东西解决的核心问题是：让非美术背景的人也能稳定产出符合预期的视觉内容。你不需要会画画，但你需要会“描述”。而描述这件事，恰恰是大多数人以为自己会、实际上并不会的技能。我见过太多人写一句“一个漂亮的女孩在森林里”就指望出神图，结果出来一张平平无奇的素材库照片，然后得出结论说“这工具不行”。问题不在工具，在于那句话里没有任何一个词在告诉模型“往哪个方向漂亮”。

适合读这篇内容的人，我大致分三类：第一类是完全没有接触过这类工具、想从零建立正确使用习惯的新手；第二类是用过几次但出图质量忽高忽低、不知道问题出在哪里的半新手；第三类是想把出图能力用到实际工作流里（比如做封面、做配图、做概念草图）的从业者。三类人的起点不同，但底层逻辑是同一套，我会尽量把每个环节的“为什么”讲透，而不是只给一串咒语让你抄。

提示：这篇内容里提到的所有参数、结构、方法，都是基于常见实践总结出来的通用思路，具体到不同版本的工具，细节可能有差异，但逻辑是通的。

2. 提示词的结构化拆解：从一句话到一套描述体系

2.1 为什么“一句话提示词”几乎必然失败

先说一个我踩过的坑。早期我用这类工具的时候，习惯写很短的句子，比如“赛博朋克城市夜景”。出来的图确实有霓虹灯、有高楼，但每次构图都差不多，视角永远是平视中景，光线永远是紫粉色，细节永远是那种“差不多就行”的水平。后来我才明白，短提示词的问题不在于信息少，而在于信息密度不均匀——模型会把注意力平均分配到它认识的每个词上，而“赛博朋克”这个词在训练数据里关联的视觉元素太多了，它只能取一个“平均值”给你。

这就好比你去餐厅点菜，只说“来个好吃的”，厨师只能按大众口味做。你得说“要辣的、要带汤的、不要香菜、分量小一点”，厨师才能做出你想要的。提示词也是一样，每一个你省略的维度，模型都会用它的默认值填上，而默认值往往是训练数据里最平庸的那一档。

所以结构化拆解的第一步，是建立一个“维度清单”。我常用的维度包括：主体描述、主体状态、环境场景、光线条件、色彩倾向、构图视角、材质质感、风格参照、画质修饰。不是每次都要写满，但你要知道有哪些维度可以调，出问题时才知道往哪个方向补。

2.2 主体描述：把“一个东西”拆成“一堆特征”

主体是画面的核心，也是最容易写得太笼统的地方。拿“一个女孩”举例，这个描述在模型眼里约等于“任意年龄、任意发型、任意服装、任意表情的女性”。你要做的，是把它拆成若干个可选项，每个选项都往你目标方向推一步。

我一般按这个顺序拆：年龄感 → 发型发色 → 面部特征 → 服装风格 → 姿态动作 → 表情情绪。比如“二十岁出头的年轻女性，齐肩黑色短发微微内扣，五官清秀偏冷感，穿宽松米白色针织开衫，侧身站立微微低头，神情安静略带疏离”。这一串下来，模型能抓的特征点就多了，出图的可控性明显上升。

这里有个细节值得说：形容词要具体到可视觉化。“清秀”比“好看”具体，“冷感”比“有气质”具体，“微微内扣”比“自然”具体。凡是那种放在任何人身上都成立的词，基本等于没写。我个人的经验是，每写一个形容词，都问自己一句“这个描述能不能被画出来”，画不出来的就换掉。

2.3 环境与光线：决定画面“贵不贵”的关键层

很多人把精力全放在主体上，环境随便写个“在房间里”就完事，结果出图总有一种“证件照背景”的廉价感。环境和光线才是决定画面氛围和质感的关键层，主体再好，光不对，整张图就垮。

环境描述我通常分三层写：空间类型 → 空间细节 → 空间氛围。空间类型是“室内书房”“街角咖啡馆”“山顶草甸”这种大定位；空间细节是“靠窗的木桌上有散落的书和一杯凉掉的茶”“墙面是斑驳的灰绿色涂料”；空间氛围是“安静、略显凌乱、午后慵懒”。三层叠上去，画面就有了“故事感”，而不是“摆拍感”。

光线是另一个重头。我常用的光线描述维度是：光源方向 → 光线性质 → 色温倾向 → 明暗对比。光源方向比如“左侧窗光”“顶部漫射”“背后逆光”；光线性质比如“柔和”“硬朗”“斑驳”；色温倾向比如“暖黄”“冷白”“暮色蓝”；明暗对比比如“高对比”“低对比柔光”。这四个维度组合起来，基本能覆盖大多数氛围需求。举个实际用的组合：“左侧大面积窗光，柔和漫射，暖黄色温，低对比柔光”——出来的就是那种日系生活感；换成“顶部硬光直射，冷白色温，高对比强阴影”——立刻变成戏剧感强的电影剧照风。

2.4 构图与视角：被严重低估的控制手段

构图和视角是新手最容易忽略、但效果最立竿见影的维度。同样一个主体，俯拍和仰拍出来的气质完全不同，特写和全景传递的信息量也差好几倍。

我常用的视角描述包括：景别（特写、半身、全身、远景）、机位高度（平视、俯拍、仰拍、鸟瞰）、镜头感（广角、标准、长焦压缩、微距）、构图法则（居中、三分、对角线、框架式）。这些词模型都认识，写进去就能明显改变画面结构。

有个实操心得：当你觉得出图“太平”的时候，先加视角词，再加光线词，最后才动主体词。因为“平”往往是构图问题，不是主体问题。我试过同一段主体描述，只把“平视半身”改成“低角度仰拍全身广角”，画面张力立刻不一样，主体一个字没改。

2.5 风格参照与画质修饰：最后的“调味层”

风格参照这块，我的建议是用具体的流派、媒介、质感词，而不是笼统的“好看”“精美”。比如“胶片摄影质感、轻微颗粒、柯达色调”“水彩插画、湿画法、边缘晕染”“三维渲染、次表面散射、柔和全局光照”，这些词指向的视觉特征很明确，模型能对上号。

画质修饰词要克制。很多人喜欢堆一长串“8K、超高清、杰作、最佳质量”，堆多了反而会让画面变得“塑料感”，因为模型会过度锐化、过度平滑。我个人的习惯是只留一到两个真正需要的，比如做印刷物料就加“高细节、清晰边缘”，做氛围图就干脆不加，让质感自然一点。

3. 提示词的语序与权重：模型到底先看哪句话

3.1 语序为什么重要：注意力是有先后的

这类工具处理提示词时，并不是把所有词一视同仁地“平均对待”，而是存在一个注意力衰减的倾向——越靠前的词，权重通常越高。这个特性没有官方文档明说，但从大量实测结果来看，基本是成立的。你把主体放在最前面，主体就更容易被突出；你把风格放在最前面，整张图的风格倾向就会压过内容。

所以我的语序习惯是：主体 → 主体状态 → 环境 → 光线 → 构图视角 → 风格 → 画质。这个顺序的逻辑是“从内容到形式”，先定画什么，再定怎么画。如果你做的是风格优先的图（比如就是要某种插画风），可以把风格提到环境前面，但主体永远建议放第一位。

3.2 权重的两种表达方式：位置和符号

除了语序，还有两种常见的权重调节手段。第一种是位置权重，就是把最重要的词往前放，这个前面说了。第二种是符号权重，不同工具语法不同，常见的是用括号包裹并加数字来表示加强或减弱，比如某些工具里(word:1.3)表示加强到1.3倍，(word:0.7)表示减弱。具体语法要以你用的工具为准，但思路是通用的：想让某个元素更突出就加权，想让某个元素退居次要就减权。

这里有个坑要提醒：权重不要滥用。我见过有人给七八个词都加了权，结果等于没加，因为相对关系没变。权重的作用是制造“差异”，不是“全面提升”。一般一张图里加权超过三个词，就要警惕是不是描述本身结构有问题。

3.3 负面描述：告诉模型“不要什么”同样重要

负面描述（有些工具叫负向提示词）是很多人忽略的一环。它的作用是排除你不想要的视觉元素。比如你做人像，不想出现多余的手指、扭曲的肢体、模糊的五官，就可以在负面描述里写“多余手指、肢体扭曲、五官模糊、低分辨率”。做风景不想出现人物，就写“人物、人群、建筑”。

负面描述的原则是只写你确实不想要、且模型确实容易犯的。不要一股脑抄一大串通用负面词，那样会误伤。比如你写“模糊”进负面，模型可能会把本来该有的景深虚化也去掉，画面变得死板。我的习惯是每次出图后看哪里不对，再把对应的负面词补进去，逐步积累自己的负面词库。

4. 完整实操流程：从零到一张可用图的六步走

4.1 第一步：明确用途，倒推画面规格

动手写提示词之前，先问自己这张图要干什么用。做文章封面，需要留白给标题，构图就要偏一侧；做社交媒体配图，需要在小尺寸下依然清晰，主体就要大、细节就要少；做概念草图，需要多角度、多方案，那就一次出多张不同视角的。用途决定规格，规格决定提示词里的构图和景别描述，这一步跳过了，后面全是返工。

4.2 第二步：写“骨架版”提示词，先跑通再优化

我的习惯是先写一个“骨架版”——主体加环境加基本光线，风格和画质先不写，跑四张看看大方向对不对。这一步的目的是验证主体和环境描述有没有歧义。如果骨架版出来的图已经偏离预期，那说明主体或环境词有问题，加再多修饰也是白搭。骨架版跑通之后，再逐层加细节，每加一层跑一次，观察变化。这个“逐层叠加”的方法比一次性写一大段然后反复改要高效得多，因为你能清楚知道是哪个词导致了哪个变化。

4.3 第三步：参数配合，比例和风格化程度怎么定

除了提示词，还有几个参数会显著影响结果。画面比例是最基础的，横图适合风景和场景，竖图适合人像和海报，方图适合头像和产品。风格化程度（有些工具叫 stylize 之类的参数）控制模型自由发挥的空间，数值低更贴近提示词字面意思，数值高更有“艺术感”但也更不可控。我的经验是：做商业物料用低值求稳，做探索性创作用高值求惊喜，中间值适合大多数日常场景。

还有一个常被忽略的点是随机种子。固定种子可以复现同一张图，微调提示词时能看出“改动带来的差异”而不是“随机性带来的差异”。做精细调整时，固定种子是必备操作。

4.4 第四步：出图后的“差异归因”

出图之后不要急着说“不行”，要做差异归因：是主体不对、环境不对、光线不对、构图不对，还是风格不对。每次只改一个维度，再跑一次，对比结果。这个方法论听起来笨，但它是唯一能让你积累“哪个词对应哪个效果”的经验的方式。我前几十张图基本都是这么磨出来的，磨完之后脑子里就有了一张“词效对照表”，后面写提示词就快多了。

4.5 第五步：局部重绘与变体扩展

一张图大方向对了但局部不满意，不需要整张重跑。大多数工具都支持局部重绘——框选不满意的区域，单独改那部分的描述。比如人物姿势对了但手部有问题，就框选手部重绘；背景氛围对了但某个物体多余，就框选那个物体改描述。这个功能用好了，出图效率能翻倍。

变体扩展则是基于一张满意的图生成相似但不同的版本，适合做系列图或者挑选最优解。我的习惯是：先出一张“基准图”，然后用变体功能生成四到八张微调版，从中挑一张最稳的，再对挑中的做局部精修。这个流程比反复从零写提示词要稳定得多。

4.6 第六步：建立自己的“提示词模板库”

做到一定数量之后，你会发现某些结构反复出现。比如“人像模板”“场景模板”“产品模板”，每个模板有固定的维度顺序和常用词。把它们整理成模板，下次用时只替换主体和关键变量，效率会高很多。我的模板库里大概有十来套，覆盖了日常大部分需求，每套模板下面还标注了“适合什么用途”“哪些词可以替换”“哪些词建议保留”。这个库是长期积累出来的，也是我认为最有价值的一项“资产”。

5. 常见问题与排查技巧实录

5.1 出图“不像我说的”：先查歧义词，再查信息缺失

最常见的抱怨是“出来的图跟我描述的不一样”。排查顺序我一般是这样的：先看有没有歧义词，再看有没有关键维度缺失，最后看语序和权重。歧义词比如“现代”——可以是现代建筑、现代艺术、现代服装，模型只能猜；“自然”——可以是自然环境、自然表情、自然光线。遇到这种词，要么换更具体的词，要么在后面补一个限定。信息缺失则是前面说的“省略的维度被默认值填上”，补上对应维度的描述即可。

5.2 画面“脏”“乱”“糊”：多半是修饰词堆太多

画面质感差，很多时候不是模型的问题，是提示词里堆了太多互相冲突的修饰词。比如同时写“柔和光线”和“高对比强阴影”，模型只能折中，结果两头不靠；同时写“极简构图”和“丰富细节”，画面就会又空又乱。我的处理办法是做减法：把修饰词按重要性排序，只留前三个，其余删掉再跑，通常画面会干净很多。

5.3 人物手部和肢体问题：负面词加局部重绘组合拳

手部问题几乎是这类工具的通病，我的应对是两步走：负面描述里固定加“多余手指、手指融合、肢体扭曲、关节错位”，出图后如果还有问题，用局部重绘框选手部，描述里写清楚“五指自然张开、手指比例正常”。实测下来，局部重绘的成功率比整张重跑高不少，因为模型只需要专注处理一小块区域。

5.4 风格“串味”：风格词要成组出现，不要单打独斗

想要某种风格，只写一个风格名往往不够，因为同一个风格名在不同语境下指向不同。比如“复古”，可以是复古摄影、复古插画、复古海报。我的做法是风格词成组写：风格名加媒介加质感加色调，四个一起上，指向就明确了。比如“复古胶片摄影、35毫米、轻微颗粒、暖褐色调”，这样出来的风格就稳得多。

5.5 常见问题速查表

5.6 几条不太会写在文档里的实操心得

第一条：每次只改一个变量。这条听起来简单，但真正能做到的人不多。大多数人一次改三四个词，然后发现结果变了却不知道是哪个词起的作用，经验积累效率极低。

第二条：保存每次的提示词和对应出图。我早期不存，后来发现想复现某张图的效果时完全想不起来当时写了什么，只能从头再来。现在我的习惯是每张满意的图都配一份提示词存档，标注日期和用途，时间长了就是一本自己的“词效字典”。

第三条：不要迷信“万能咒语”。网上流传的各种长串提示词模板，本质是别人在特定需求下调出来的，直接套用往往水土不服。正确的用法是拆解它的结构，看它用了哪些维度、哪些词序，然后按自己的需求重组。

第四条：出图质量的上限取决于你的描述精度，不是工具版本。工具会更新，但“把画面拆成可描述元素”这个能力是通用的，练好了换什么工具都能用。

6. 从“会用”到“用好”的进阶思路

6.1 建立视觉词汇库：看得多才能写得准

提示词的本质是“用词描述视觉”，那你脑子里的视觉词汇量就决定了描述的上限。我的建议是平时看到喜欢的图，别只存图，顺手用几个词概括它的光线、构图、色调、质感。时间长了，你看到任何画面都能快速拆出可描述的维度，写提示词时自然就有词可用。这个习惯我坚持了很久，现在看到一张图，脑子里会自动跳出“侧逆光、低饱和、长焦压缩、冷灰调”这类词，写提示词的速度快了很多。

6.2 系列化创作：用模板保证一致性

单张图好看不难，难的是做一组风格统一的图。这时候模板库就派上用场了：固定风格层和画质层，只替换主体层和环境层，出来的图就能保持视觉一致性。做系列封面、系列插画、系列产品图，都是这个思路。我做过一组八张的场景图，靠的就是一套固定模板加变量替换，整体风格非常统一，单张看也不呆板。

6.3 把出图能力嵌进实际工作流

最后说一个更实际的角度：这类工具真正的价值不在于“玩”，而在于嵌进工作流。比如写文章需要配图，以前要么找图库要么自己画，现在可以先出概念图再精修；做方案需要示意图，可以先出草图再交给设计细化；做内容需要封面，可以批量出几个方向再挑。关键是把“出图”当成流程里的一个环节，而不是一个孤立的活动，这样它的效率优势才能真正体现出来。

我个人在实际操作中的体会是，这套东西的门槛不在工具，在“描述”和“归因”这两个能力上。描述决定你能不能把想法说清楚，归因决定你能不能从结果里学到东西。这两个能力练出来了，工具怎么迭代你都不慌。最后再分享一个小技巧：每次开新项目之前，先花五分钟把这次要用的维度清单列出来，哪怕只列关键词，也比直接上手写一整段要稳得多。