收到，我们开工。刚入生成式AI绘画这个坑的时候，我也以为只要会几个形容词、能把一句人话写得通顺，就能让Midjourney和DALL-E 2乖乖出图。结果第一个周末我就被现实教育了：同一个关键词，别人出的是商业级海报，我出的是抽象派灾难现场。后来花了不少时间折腾提示词，翻文档、刷案例、自己一组一组做对比测试，才慢慢摸清楚所谓的“杀手级文本提示”到底差在哪。这篇就用我的实际测试过程来讲透这件事——不堆概念，只讲怎么从零开始写出能稳定提升出图质量的提示词。
这篇内容适合完全没接触过提示词的新手，也适合已经玩了一阵子但总觉得出图“差点意思”的人。我会把提示词的结构拆开讲，再用同一组案例对比“随便写”和“结构化写”的差别，最后把我踩过的坑和验证过的模板一并放出来，你可以直接抄作业，也可以照着思路发展出自己的写法。
1. 杀手级文本提示的底层逻辑：模型到底在“读”什么
很多人误区在于，把生成式AI当成一个能理解完整语义的人类画家。你跟它说“画一只很酷的猫”，它确实能画，但出来的东西大概率是“一只猫”加上“很酷”这个模糊形容词的平均值，绝不会是你脑子里那只具体的豹猫、蹲在霓虹灯下、穿着赛博朋克风皮夹克。搞清楚模型的工作方式，比记一百个提示词模板都重要。
1.1 提示词不是指令，是约束条件
我自己的理解是：提示词本质上是在给生成模型划定一个采样范围。模型内部有一个巨大的图像分布空间，你的文本通过编码器映射成一组向量，这组向量决定它在哪个区域采样。换句话说，你描述的细节越多越具体，采样范围就越小，出图就越接近你的预期；描述越笼统、越“诗意”，模型就只能靠概率瞎猜。
举一个非常直观的例子。我试过用两个提示词在同一模型下各生成4张图：
第一个是：a beautiful landscape。（一片美丽的风景）
第二个是：a misty pine forest at dawn, low fog between trunks, warm golden light from the right side, small wooden cabin in the middle distance, photorealistic style。
第一个关键词组出来的四张图，确实都是“美丽风景”，但有的是草原、有的是海边、有的是山脉，完全不可控。第二组出来的四张图在构图上各有差异，但元素极其稳定——都是松林、晨雾、金色侧光、林中小屋，我甚至可以直接从中挑一张当概念设计底图使用。
这就是约束条件的作用。你给模型的信息越确定，它的“发挥空间”就越受控，而受控恰恰是生产力。
1.2 形容词堆砌为什么经常失效
还有一个高频翻车点：拼命堆形容词。有人觉得“杀手级提示词”就是加更多高级词汇——epic、stunning、breathtaking、intricate detail、masterpiece，一顿猛堆，结果出图色彩浓郁到失真，或者画面信息混乱到不知道看哪。
原因是，形容词大多只影响模型的风格倾向和光影氛围，但完全不提供任何“对象关系”和“空间信息”。模型确实会往“更精致、更宏大”的方向采样，可它不知道该把这种精致放在什么主体上。正确顺序是先把“有什么对象、对象之间什么关系、场景在哪里”写清楚，再用形容词去调节氛围和质感，而不是反过来。
后面我会专门用一个章节来拆解提示词的结构顺序，这里先记住一个核心：对象和关系是第一优先级，风格词是辅助，不是主体。
1.3 不同模型“读”提示词的方式差异很大
Midjourney、DALL-E 2和Craiyon表面上都是“文本生成图像”，但它们的底层实现和训练数据侧重不同，导致同一个提示词在三者上的表现差异可能非常大。
我拿同一句提示词在三个平台上做过对比。这句提示词是：a red fox standing on a snowy rock, aurora in the night sky, highly detailed.
Midjourney对“aurora”的光影理解最强，出图色彩非常梦幻，构图上会自动加很多氛围细节；DALL-E 2对“snowy rock”和“standing”的空间关系理解更准确，姿态更自然；Craiyon则更偏向于把关键词全部“画进去”，但细节精度有限，容易出现元素堆叠、边缘粗糙的问题。
这说明我们不能指望写一套提示词通吃所有平台。但在学习阶段，我建议你先只选一个平台深挖提示词结构感，因为结构逻辑是通用的，平台差异只是同一个逻辑下的参数微调。等你熟练了，再根据不同平台特性做针对性优化。
2. 从零搭建提示词的六要素框架
这里直接放出我实战验证过的一套框架。它不一定是最“专业”的，但非常容易上手，尤其适合刚接触提示词的人。这套框架把提示词拆成六个要素：主体、场景、构图、风格媒介、光影色彩、质量修饰词。
2.1 六要素逐一拆解
第一要素是主体，也就是画面里最核心的对象。规则是：用一个明确的名词短语，不要只写一个名词。比如“cat”远不如“a gray tabby cat with green eyes”来得稳定，因为后者限定了品种、毛色和瞳色。
第二要素是场景，用来交代主体在什么环境里。环境决定了背景的默认样式。例如“a gray tabby cat with green eyes”加上了“sitting on a wooden windowsill in an old European town at sunset”，图的质量就完全不一样了，背景不再是模糊的猜测，而是有明确方向。
第三要素是构图，用来控制视角和主体在画面中的位置。常见的有close-up、full body、side view、top-down、wide shot等。我推荐新手优先掌握close-up和full body这两个，因为它们在多数情况下效果最好也最好把握。
第四要素是风格媒介，用来告诉模型用什么艺术风格来实现画面。这里可以是油画、水彩、赛博朋克插画、写实摄影、3D渲染等。注意，这个要素要尽量靠后放，先交代对象和场景再交代风格，否则有些模型会把风格误解为主体。
第五要素是光影色彩，用来控制氛围。这个要素非常能提升画面质感。例如golden hour sunlight、soft diffused lighting、high contrast shadows、vivid color palette、muted tones等。我自己的习惯是，如果主体是人物，优先指定光源方向，比如rim light from behind。
第六要素是质量修饰词。它不是必须的，但能在前面要素稳定的基础上锦上添花。我常用的有8k resolution、highly detailed、intricate textures、sharp focus、professional photography等。
2.2 六要素组装的标准句式
组装顺序我固定为一个模板：
[主体] + [场景] + [构图] + [光影色彩] + [风格媒介] + [质量修饰词]
还是用猫来举例。低质量提示词是：a cat。高质量结构化提示词则是：
a gray tabby cat with green eyes, sitting on a wooden windowsill in an old European town at sunset, close-up, golden hour sunlight, soft bokeh background, photorealistic style, highly detailed, 8k resolution
这组提示词在Midjourney上出图一次比一次稳定。你可以看到，我把最重要的信息放在前面，风格和修饰词放在后面，这样模型在注意力机制上会更偏重主体和场景。
值得说明的是，这个顺序不是绝对真理，不同平台、不同模型对文本的注意力分布有差异，但这套顺序是我在大量对比测试中得到的最高成功率配置。它足够通用，适合作为默认写法。
2.3 从六要素出发的进阶变体
当你掌握了六要素之后，再往上进阶就有两条路：一条是增加要素之间的关系，比如“the cat is looking at the camera, head tilted slightly, one paw raised”——这相当于给模型更多姿态和动作的限定；另一条是增加要素的矛盾感，比如“a cozy reading corner in an abandoned spaceship”——这种混搭风格往往会出惊喜。
我强烈建议新手不要把进阶变体想得太复杂，先把六要素的基准模板用熟，出图稳定之后，再加一两个姿态或混搭词来探索边界。一次只变一个变量，你才知道是哪个词带来了变化。
3. 实测对比：同一主题下普通提示词与结构化提示词的差距
这一章放一组我实际跑过的对比测试，全部来自同一个模型版本，没有随机性干扰。我拿“书房里的机器人”这个主题来示范。
3.1 四组提示词的设计思路
为了让对比更有说服力，我设计了三组不同层次的提示词：
第一组是纯粹的简单描述：a robot in a study。
第二组是中间层次，加入了部分要素，比如主体细化、基础场景：a small vintage robot reading an old book at a large wooden desk in a cozy study, warm lamp light。
第三组是完整的六要素结构，加入构图、光影、风格媒介和质量词：a small vintage robot with brass details, reading an old open book at a large wooden desk in a cozy study, medium shot, warm lamp light from the left, dust particles in the air, oil painting style, rich textures, highly detailed。
第四组则是第三组的基础上增加了一个“矛盾感”变体：把场景换成“inside an abandoned spaceship but very cozy, warm fairy lights hanging from rusty pipes”——测试混搭在结构化后的效果。
3.2 输出结果的差异对比
第一组输出非常随机，同一个主题的四张图没有哪两张像是在同一个“书房”里。第二组有明显提升，书桌和图书都能在多数画面里出现，但构图和光线不稳定，有的图像是正午，有的图像是夜晚。第三组则开始具备稳定的“作品感”，画面氛围统一、细节丰富，构图上也比较接近我预期的中景取景。第四组玩出了新的可能性——机器人、旧书、暖灯、废土飞船这些元素被融合到一起，但在六要素框架的约束下并没有乱掉，反而有一种很完整的场景叙事。
我专门用一个表格整理下差异维度。
| 对比维度 | 简单描述 | 部分结构化 | 完整六要素 | 六要素+变体 |
|---|---|---|---|---|
| 元素稳定性 | 低，四处飘 | 中，主要元素能出现 | 高，元素和风格都稳定 | 高，混搭元素清晰 |
| 构图可控性 | 低，随机取景 | 中，画面重心不稳 | 高，接近预定构图 | 高，但有意外惊喜 |
| 氛围一致性 | 低，光线杂乱 | 中，初步有氛围 | 高，光影统一 | 高，复杂但不乱 |
| 出图成功率 | 1/4可用 | 2/4可用 | 4/4基本可用 | 3/4可用，1/4有惊喜 |
3.3 为什么完整的六要素框架能带来“10倍产出”体验
单看一组对比，你可能会觉得“第三组和第四组好看是好看，但和10倍有什么关系”。这里的关键在于：一次出图成功的概率提升了，后续修图索取的时间成本将大幅减少。
我在初学阶段，一张稍微偏理想概念的图往往要生成十几次、甚至叠加上后期裁切和堆叠素材才能用。用完整六要素之后，在多数情况下这个流程被压缩到“四选一”甚至“一次出图直接可用”，在整个系列设计流程中，节省时间相当可观。
形象的比喻是：普通提示词是在超市里瞎逛，碰运气买食材；结构化提示词是拿着购物清单直奔货架，缺什么再补什么。效率的差距不在于手速，而在方向上。
4. Midjourney、DALL-E 2与Craiyon的提示词差异和实战策略
三个平台对同一提示词的理解差异，我非常建议你看我上面那组实验的具体处理方向——这会直接影响你写提示词时应该在哪些环节增加约束或放宽限制。
4.1 Midjourney的偏好处理
Midjourney最大的特点是极擅长风格化渲染，对光影、色彩和氛围的“脑补”能力很强。同样的词，在Midjourney里容易出来艺术性更高的画面，但也容易忽略你指定的细节，比如“green eyes”有时候会被它强行改成蓝眼睛。
我在Midjourney里的处理方式是：主体词尽量后置一个颜色限定，并对重要的细节进行重复强调。例如，如果眼球颜色非常关键，我会写成：a gray tabby cat with bright green eyes, green eye color is the focal point, close-up portrait。通过这种重复指定，能大幅提高核心细节的出现概率。
另外Midjourney对参数后缀比较敏感，比如纵横比、风格化程度等，但那是进入进阶玩法后再考虑的事情，初学者不必一上来就背参数。
4.2 DALL-E 2的文字理解优势
DALL-E 2的优势在于它对空间关系和语义概念的理解更“老实”。比如“a robot sitting on the left side of the desk, a cup of coffee on the right side”这种带方位关系的提示词，它在多数情况下能准确还原，不会像Midjourney那样为了构图美感而改动位置关系。
这意味着在DALL-E 2上可以更放心地写复杂关系句。比如：inside a messy inventor‘s workshop, an old robot holds a tiny glowing plant in its hands, a cat sleeps on the windowsill in the background——这种把多个对象放在不同位置的结构，DALL-E 2完成度明显更高。
但DALL-E 2的艺术风格上限在写实和常规风格上更稳定，极端风格化不如Midjourney放飞，所以我在它上面会更侧重于叙事性提示词。
4.3 Craiyon的轻量定位与提示词降级策略
Craiyon是完全免费的网页版离线小工具，它的模型规模较小，对复杂提示词的处理能力偏弱。你在Midjourney上能跑通的超长提示词，在Craiyon上容易元素堆叠、画面混乱。
所以在Craiyon上使用的话我会主动“降级”——把提示词压缩到两个核心信息，风格词取一个简单的，质量词基本不写。例如：a white owl wearing a tiny red scarf, watercolor style。这个精简逻辑在Craiyon上出图效果反而最稳定，因为模型没有足够能力同时处理大量约束。
4.4 三平台共通的三个调整技巧
第一，当画面主体不明确时，在提示词开头就加上主语的限定；第二，当出图“太乱”时，优先删掉形容词和修饰词，而不是重写整个句子；第三，当风格不满意时，只替换风格媒介词，保留前五个要素不动。这三个技巧是我在三个平台之间横跳时总结出来的，任何平台上都生效，属于“底层调参逻辑”。
用的过程中你要有心理预期：每个平台都存在一定的随机性，同一提示词同一参数下连续生成四张图也不会完全相同。这种随机性不是bug，而是生成模型的固有特性，学会“多选一”而不是“一次命中”，本身就是工作流的一部分。
5. 我的提示词开发流程与效率工具箱
看到这里，你可能已经迫不及待想去试了。但我想先分享一下我日常开发提示词时的完整流程，这才是保证产出质量稳定上升的关键。我一直强调“结构化”，但结构化的不仅是提示词本身，还有你的创作流程。
5.1 通用工作流：从灵感到提示词的五个步骤
第一步，定主体。想清楚这张图的主角是什么，尽量落实到“一个什么样的什么”。这一步不求快，因为主体是整个提示词的锚点，主体错了后面全部白费。
第二步，定场景与关系。主体在什么地方、在做什么、和环境中其他元素有什么互动。新手最容易跳过这一环节，直接去想风格，导致出来的图和你的心理预期完全脱节。
第三步，定构图与视角。根据用途来决定取景。是产品宣传图就用中心构图，是场景氛围图就用广角，是人物情绪图就考虑中近景加浅景深。
第四步，定风格媒介与光影氛围。这一步开始决定画面的“气质”。油画的厚重感、写实的通透感、赛博朋克的荧光感，都是在这一步加进去的。
第五步，生成四张并复盘。一次生成四个版本，选择一个接近目标的，再根据差异微调某个要素，重复迭代。这五个步骤看起来简单，但每一步都对应着可执行的判断依据，能让你从“瞎试”变成“有思路地试”。
5.2 一个可以抄走的提示词模板库
我把自己日常积累的高频模板按照用途整理了一下。注意，这些模板不是万能药，你需要根据场景替换方括号里的内容。
人物肖像类模板：a [portrait of a middle-aged fisherman with weathered skin], [wearing a yellow raincoat], [standing in the rain by the dock], [medium close-up], [soft overcast lighting, raindrops visible], [candid photography style], [sharp focus]
产品展示类模板：a [minimalist smart watch with brown leather strap], [placed on a gray stone pedestal], [top-down view], [clean studio lighting, soft shadows], [commercial product photography], [ultra detailed]
场景氛围类模板：an [abandoned greenhouse overgrown with vines], [sunlight streaming through broken glass ceiling], [wide shot], [volumetric light, floating dust], [cinematic still from a fantasy film], [rich color grading]
每次使用时，我都会把模板中括号内容替换成自己的需求，然后逐个删除或增加一个要素，观察出图变化。这个方法比每次从头写要高效得多。
5.3 记录标注习惯：把灵感变成可复用的资产
提示词最大的隐藏成本在于，很多优秀的写法是一次性的——你调出来一张好图，过两天想复制同风格，却忘了当初怎么写的。我从一开始就养成了一个非常原始但有效的习惯：维护一张Excel表，按日期记录提示词、所用平台、所用参数、四张输出图的简短评价、以及下一步调整方向。
这个习惯帮我省了很多试错成本。有一次我想出一组“古典油画感食物静物”，翻到两周前的一条记录，看到当时是因为加了“dark background, chiaroscuro lighting”才有那种质感，瞬间就复制成功。如果没有记录，我大概率又要从零开始折腾半小时。
如果你不想用Excel，用Notion、备忘录、甚至纸笔也能达到同样效果，关键是要有“可检索”和“可对比”的结构，而不仅仅是截图收藏。
6. 新手最容易踩的五个提示词大坑
下面这部分不是理论补充，是我自己真金白银踩出来的坑，每条附上我的避开方案。如果你想跳过弯路，建议把这五条抄下来贴在屏幕旁边。
6.1 坑一：迷信“magic words”，堆砌无效high-level词汇
“epic”“stunning”“masterpiece”这类词对模型的影响真实存在，但非常弱，而且它们会稀释前面有效信息的影响力。我把它们比喻成辣椒面——少量可以提味，但你不会往菜里撒半瓶。
正确的用法是，先保证主体、场景、构图三个核心要素清晰，再在质量修饰词位置最多加一到两个high-level词。堆得越多，画面的“注意力”越分散。
6.2 坑二：忽视负面提示词的作用
这里特别针对支持负面提示词的平台，比如某些新版本模型和参数体系。负面提示词能告诉模型“不要出现什么”，是稳定出图的重要武器。
比如你要生成一个“乡间小路旁的古井”，如果不加负面词，很容易在画面里出现人物或现代设施。加上“without people, no modern buildings, no vehicles”之后，画面杂讯会明显减少。
不过要注意的是，负面提示词要在正向提示词足够明确后再用，正向没写清楚，负面写得再多也很难补救。
6.3 坑三：每次全盘重写提示词，而不是微调
有不少新手一旦觉得图不满意，就推倒重写整套提示词，这是很低效的。正确的做法是一次只改一个要素。比如这幅图主体、场景、构图都好，就是光线太硬，那你只需要把“direct sunlight”改成“soft diffused lighting”，保留其他所有内容。
这样你才能通过前后对比，积累出对每个词的“手感”。反复全盘重写会让你永远无法建立词与画面效果的对应关系，进步会慢很多。
6.4 坑四：忽略纵横比和出图尺寸的设定
很多小白只关注提示词文字，忽略了画布比例。同样的提示词，1:1和16:9出图的构图思路完全不同。模型会在生成阶段受到画布比例引导，自动调整取景范围。
如果你是做海报或桌面壁纸，却默认用了1:1，出来的图再好看也用不上，需要再次裁切或重绘，其实反而降低了效率。因此我的建议是，在开始生成前就想清楚这张图用在什么媒介上，再设定相应纵横比，而不是等出图后再补救。
6.5 坑五：把平台差异当成玄学，而不去记录
最后这一个坑，也是我在前面反复强调的。很多人在Midjourney上提示词效果好，换到DALL-E 2上出图拉胯，就归因于“平台不行”，但实际上是平台特性没掌握。
正确的做法是记录同样的提示词在不同平台上的表现差异，归纳出每个平台更适合哪类内容。比如我发现Midjourney适合艺术化、氛围化表达，DALL-E 2适合指定关系和多对象场景，Craiyon则适合极简创意点子。有了这些判断，你才谈得上“策略性使用不同平台”，而不是碰运气。
7. 给初学者的实战起步建议与下一步学习路径
最后这部分，我跟你说说如果今天是你第一天接触提示词，该按什么顺序来练习。我不推荐一上来就找几百个模板收藏，那样的收藏夹只会吃灰。更好的做法是选定一个平台，从最简结构开始，逐步加深。
7.1 第一个周末可以做的小实验
第一天，拿一个你喜欢的对象，比如“一只柴犬”或者“一台老式相机”，用最简单的一句话生成四张图，感受随机性。第二天，套用六要素模板把同一句话结构化，再生成四张，感受可控制性。第三天，单独改变其中两个要素，比如风格从写实改成水彩、构图从特写改成全景，记录下变化。
三天下来，你对提示词的认知会比看几十个教程都要扎实。我带过好几个朋友入门，这套“三天小实验”是所有方法里反馈最好、上手最快的。
7.2 素材与灵感积累：建立个人视觉语料库
想写出高级的提示词，不能光靠憋词。你需要建立自己的视觉语料库。看到喜欢的摄影作品、电影截图、插画，可以记录下它的构图、光线、色彩、风格关键词分别是什么。时间长了，你在写提示词时会变得非常从容，因为你的“词汇弹药”是源源不断的。
你可以用比喻的方式去寻找参考对象，例如把“午后图书馆的光线”拆解成“sunlight through tall windows, dust particles, warm wooden shelves, long shadows”，这就是视觉语料库的语言习惯。它直接决定了你的提示词词汇量。
7.3 明确自己的用途定位
提示词学习没有终点，但你要有方向。是做设计概念图、做插画配图、做AI摄影、还是做游戏原画概念设计？不同用途会直接影响你需要重点掌握的风格媒介词和构图逻辑。比如做游戏原画，你对场景氛围和风格一致性要求极高；做小红书配图，你更注重光影质感和主题清晰度。
有了用途定位，你才不会被各种华丽风格带偏，始终知道自己要什么样的图。我个人经历过一段“什么风格都想试”的时期，结果收藏夹满墙都是素材，真正能用的图却没几张。定位清晰之后，我的成图率和产出速度都明显提升。
再下一步，你可以去学学不同风格媒介词的准确含义，比如chiaroscuro、impasto、cyberpunk、steampunk、isometric、low poly这些词，能帮你更精准地控制画面风格。再进阶一些，可以接触ControlNet类的工具，通过轮廓、深度图等方式去控制构图，但那是另一个话题了。先把提示词本身吃透，比任何工具都重要。
最后说点实际的，就是刚才提到的“多选一”习惯。我至今每次生成仍然保持一套动作：先写结构化提示词，再一次性生成四张，选中最佳的一张后，把它的提示词原封不动复制到记录表，旁边备注一句“如果下次要XX风格，把这里的XX替换成XX”。长此以往，你手里会攒下一套完全属于自己的提示词库，比任何网上流传的模板都有价值。到了那个阶段，你的产出质量和速度，就已经不是一开始随便写写可比的了。
