AI 绘画提示词的基本结构
一句话定位：写文生图（Text-to-Image）提示词时，别想到什么写什么——按 主体 → 场景 → 光线 → 构图 → 色调 → 风格 六个要素逐项填空，就能把”脑子里的画面”翻译成模型能稳定执行的描述。出自 Stable Diffusion 官方教程。
目录
- 1. 为什么需要结构化
- 2. 六要素逐项拆解
- 3. 一个完整例子
- 4. 与文本对话提示词的异同
- 5. 常见误区
- 6. 进阶：权重语法与负面提示词
- 7. 延伸：文生视频提示词
- 8. 与本知识库其他章节的关联
- 9. 来源与局限性
1. 为什么需要结构化
文生图模型（Stable Diffusion / Midjourney / DALL·E 等）不会”读懂”你的意图，它只是把文字里的每个词映射成图像特征再组合。所以：
- 你没写的，模型就随机发挥——没写光线，光线就靠模型抽卡；没写构图，主体位置随缘
- 写得乱，权重就乱——重要的词淹没在长句里，出图会”抓错重点”
结构化的价值就像给摄影师下单：你不能只说”拍张好看的”，得说清”拍谁（主体）、在哪拍（场景）、什么光（光线）、怎么取景（构图）、什么调子（色调）、什么风格（风格）“。六要素就是这张点单表。
2. 六要素逐项拆解
| 要素 | 回答的问题 | 常用描述词举例 |
|---|---|---|
| 主体（Subject） | 画面里”谁/什么”是主角 | 一位穿红裙的少女、一只橘猫、一辆复古跑车 |
| 场景（Scene） | 主体在什么环境里 | 雨后的东京街头、雪山脚下的森林、赛博朋克城市夜景 |
| 光线（Lighting） | 光从哪来、什么质感 | 黄昏逆光、柔和的窗光、霓虹灯光、电影感打光（cinematic lighting） |
| 构图（Composition） | 镜头怎么取景 | 特写（close-up）、全身像、俯视 / 仰视、三分法构图、居中对称 |
| 色调（Color Tone） | 整体颜色倾向 | 暖色调、冷蓝色调、低饱和莫兰迪色、高对比黑金 |
| 风格（Style） | 像什么媒介/流派 | 水彩、油画、吉卜力动画风、写实摄影、像素风、3D 渲染 |
💡 记忆口诀：先定”谁在哪”（主体+场景），再调”灯光机位”（光线+构图），最后上”滤镜画风”（色调+风格）——正好是摄影棚拍片的工作顺序。
3. 一个完整例子
把六要素填空后拼起来：
主体：一位穿白色汉服的少女
场景：站在春天盛开的樱花树下
光线：清晨柔和的侧逆光，花瓣间透光
构图：半身特写，主体居中偏左，浅景深背景虚化
色调：粉白暖色调，低饱和
风格：写实摄影风，85mm 人像镜头质感
拼成一条提示词（SD 类模型常用英文逗号分隔的短语）：
a young woman in white hanfu, standing under blooming cherry blossom trees in spring,
soft morning backlight through petals, medium close-up shot, centered slightly left,
shallow depth of field, pastel pink and white tones, low saturation,
photorealistic, 85mm portrait lens
⚠️ 六要素是心智检查表，不是死格式——不必每次全写满，但出图不满意时，逐项检查”哪个要素没交代”往往就能定位问题。
4. 与文本对话提示词的异同
| 维度 | 文本对话提示词（ChatGPT/Claude） | 文生图提示词（SD/MJ） |
|---|---|---|
| 表达形式 | 完整句子、指令、角色设定 | 短语堆叠为主，逗号分隔 |
| 核心技巧 | 任务拆解、示例（few-shot）、思维链 | 要素覆盖、关键词权重、负面提示词 |
| 相同的底层逻辑 | 你不说清楚，模型就自己猜——结构化描述都是在压缩模型的”自由发挥空间” | 同左 |
5. 常见误区
- ❌ 写小作文：文生图模型对长句的语法理解弱，一大段散文不如六组短语清晰
- ❌ 只写主体：“一只猫” ≠ 好图，另外五个要素全靠模型抽卡
- ❌ 要素互相打架：写了”清晨柔光”又写”霓虹夜景”，模型会输出四不像
- ❌ 把风格词当万能药：堆一堆”masterpiece, best quality”不如认真交代光线和构图
6. 进阶：权重语法与负面提示词
六要素解决”写什么”，这一节解决”怎么调”——主要针对 Stable Diffusion 系（WebUI / ComfyUI），Midjourney 有自己的方言（--ar、::权重）不在此展开。
6.1 权重语法（Weight Syntax）
模型不会平均对待每个词——越靠前权重越高，且可以用括号手动加减权重：
| 写法 | 效果 | 说明 |
|---|---|---|
(word) | 权重 ×1.1 | 小幅强调 |
((word)) | 权重 ×1.21 | 括号可叠加（1.1×1.1） |
[word] | 权重 ÷1.1 | 小幅弱化，方括号不能自定义数值 |
(word:1.5) | 权重 ×1.5 | 自定义数值，建议范围 0.4~1.6 |
A AND B | 两个概念同时绘制 | 可各带权重：bird:1.5 AND dog:1.2 |
BREAK | 强行分组断开上下文 | 必须大写，防止相邻词互相污染（如发色染到衣服上） |
⚠️ 经验值：权重 < 0.1 的词基本没影响；> 1.6 容易画面崩坏。正向提示词总量尽量控制在 75 词以内，重要的往前放。
6.2 负面提示词（Negative Prompt）
是什么：单独的一栏，用文字描述你不想出现的东西。原理是采样时同时向”像正向提示”和”远离负向提示”两个方向去噪。
通用打底模板（按需取用，不要全抄）：
ugly, poorly drawn hands, poorly drawn face, out of frame, extra limbs,
disfigured, deformed, bad anatomy, watermark, signature, low contrast, blurry
💡 手部/解剖崩坏是重灾区，社区常用现成的 embedding 包（如 easynegative、badhandv4）代替手写一长串负面词——下载放进 embeddings/ 目录即可当一个词用。
7. 延伸：文生视频提示词
文生视频（Sora / 可灵 Kling / Veo / 即梦 / 万相）= 六要素再加两个维度：主体运动 + 运镜。社区通用公式：
（镜头语言 + 光影）+ 主体（描述）+ 主体运动 + 场景（描述）+（氛围）
带音频的模型（Veo 3 / 万相 2.6+）再加一段声音描述（人声内容/情绪/语速 + 音效 + 背景音乐）。
运镜词速查
| 类别 | 常用词 |
|---|---|
| 景别 | 特写、中景、全景、过肩镜头、低/高角度、鸟瞰 |
| 运镜 | 推拉（dolly in/out）、摇摄（pan）、跟踪拍摄（tracking shot）、摇臂（crane）、手持、弧形运镜 |
| 视角 | 第一人称、无人机视角、监控视角、行车记录仪视角 |
| 时间 | 慢动作（slow motion 0.25x）、延时、动态模糊 |
与文生图不同的三条纪律
- 一个提示词只写一个主要动作——“一边打电话一边走路一边看表”会让模型困惑，拆成多镜头分别生成再剪辑
- 动作要具体到动词+名词——不写 “moves quickly”，写 “jogs three steps and stops at the curb”（Sora 官方风格）
- 短片段优于长片段——指令跟随在短片段里更稳，需要 8 秒不如生成两段 4 秒拼接；调优用控制变量法，一次只改一个要素
8. 与本知识库其他章节的关联
- 02_提示词工程：那套教程讲文本对话类提示词（拆解、示例、思维链）；本文是同一思想（结构化压缩模型自由度）在图像/视频生成领域的对应版本
- 计算机视觉与深度学习框架：其 CV 任务表中”图像生成（Stable Diffusion 类）“即本文提示词的作用对象
9. 来源与局限性
- 六要素框架：Stable Diffusion 官方教程课件”AI 绘画提示词的基本结构”一页；例子与展开说明为整理时补充
- 权重/负面提示词：整理自 CSDN：SD 提示词技巧、百度千帆 SD 提示词教程、知乎：负面提示词整理、openAI 维基 Prompt 高级教程
- 文生视频公式：整理自 阿里云百炼官方 Prompt 指南、知乎：如何写好文生视频提示词（Kling/Luma/Runway）、知乎：Sora 2 提示词指南、550W AI：AI 视频 Prompt 写法与模板
- 局限：权重语法为 SD WebUI 方言，ComfyUI / Midjourney / DALL·E 写法有差异；文生视频模型迭代极快（2026 年），运镜词支持度因模型而异，使用前以各家官方文档为准；LoRA 风格模型、ControlNet 构图控制、图生图/图生视频尚未覆盖，为本模块后续方向
最后更新：2026-07-10