大多数人的提示词是一串平铺的关键词:1girl, masterpiece, best quality, detailed face, long hair, blue eyes, forest, sunlight, cinematic。能用,但不可控——你想加强质感,改了一个词,构图也跟着变了。

把提示词按职责分成四层,每层只负责一件事,调整才有边界。

第一层:主体,先说画什么

这一层回答「画面里有什么」。人、物、场景、动作、数量。越靠前越好,因为文本编码器对开头的词权重更高。

一位穿深色风衣的女性站在雨后的街道上,侧身回望

写主体时,具体比华丽有用。「一位女性」太空,「穿深色风衣、侧身回望」才有可执行的画面信息。

要避免的是在这一层混入风格词。一旦「woman, oil painting」写在一起,模型可能把「油画」理解成主体的属性,而不是呈现方式。

第二层:风格,说清用什么方式画

媒介、画派、渲染方式、参考年代。这一层决定「看起来像什么」,不决定「画的是什么」。

  • 媒介:水彩、油画、铅笔素描、胶片摄影、3D 渲染
  • 画派:印象派、浮世绘、赛博朋克、极简主义
  • 渲染:Octane render、unreal engine、ray tracing
  • 年代:1990s anime、victorian photography

关于「指定在世艺术家名字」这件事,建议回避。一是风格模仿本身有争议,二是很多平台的内容政策明确限制。换成描述性的词——「厚涂笔触」「低饱和胶片色调」——可控性反而更高。

第三层:镜头与构图,决定怎么看

这一层最容易被忽略,但它对画面的影响常常大于风格词。

维度可选值效果
景别close-up / full body / wide shot决定主体在画面里的占比
机位low angle / bird's eye view / eye level决定权力感与空间感
镜头35mm / 85mm / fisheye决定透视压缩与畸变
景深shallow depth of field / deep focus决定背景虚化程度
光线backlight / rim light / soft diffused决定体积感与氛围

写「close-up, 85mm, shallow depth of field」和写「detailed」的差别是:前者真的会改变构图,后者基本只是让模型多算几笔细节。

第四层:画质与材质,收尾

分辨率暗示词、锐度、材质质感。这一层是修饰,不是主体。

8k, sharp focus, fine fabric texture, subtle film grain

要注意这一层最容易堆过头。一堆 masterpiece, best quality, ultra detailed, 8k, hdr 叠在一起,模型会把这些词当成「更强烈的视觉刺激」,结果往往是过饱和、边缘发硬、看起来像廉价的修图。

真正的画质来自分辨率和放大流程,不是来自形容词。

顺序真的会影响结果

文本编码器有一个固定的 token 窗口(SD 1.5 是 77 个 token,超出部分会被截断)。这意味着写在后面的内容可能根本没被读到。

所以推荐顺序就是重要性顺序:主体 → 风格 → 镜头 → 画质。把最不能丢的信息放在最前面。

如果提示词确实很长,超出窗口的部分会被直接丢弃而不是压缩。这时候要么精简,要么用支持长文本的编码器方案,要么把次要内容交给负面提示词去排除。

权重语法:能用,但要克制

(blue eyes:1.3)      强调
(blue eyes:0.7)      弱化
[blue eyes]          约等于 0.9 倍

权重的作用是放大或缩小该词在条件向量里的分量。1.2–1.4 是常用的加强区间,超过 1.6 容易让画面出现结构畸变——因为单个概念被过度放大,模型会强行把它塞进所有位置。

一个实用判断:如果一个词需要加到 1.5 才有效,说明它跟其他词冲突了,先解决冲突,别继续加权重。

四层结构的实际写法

一位穿深色风衣的女性站在雨后的街道上,侧身回望,
电影感摄影,冷色调,低饱和,
中景,85mm 镜头,浅景深,逆光轮廓,
细腻的布料质感,轻微胶片颗粒

四行分别是主体、风格、镜头、画质。要改的时候,你知道该动哪一行。

一句提醒

提示词是控制手段,不是许愿池。写得更长不等于出得更好,写得结构化才是。当画面不对时,先问「是哪一层出了问题」,比继续加词有效。