这几周AI绘画圈子里，“caveman”这个词突然又杀回来了。不管是Midjourney还是DALL·E，只要你在提示词里丢进去一个caveman，出来的图往往是那种模糊、发灰、带点廉价剧院摄屏感的“原始人”风格，配上几行冷幽默字幕，莫名喜感又出圈。很多人以为这只是个搞笑梗，但作为每天都在跟AI生图打交道的人，我想认真说一句：caveman远不止一种画风，它是一套非常完整的视觉配方，懂了这个配方，你就能从“偶尔出一张神图”变成“指哪儿打哪儿”。
这篇文章我想把自己这段时间折腾caveman风格的全过程捋一遍，包括它到底是什么、怎么用提示词稳定复现、参数怎么调、踩过哪些坑，以及它除了做搞笑表情包之外还能怎么变现和延展。如果你想在社媒上做一组高辨识度的头像、封面或者系列图文，这篇文章可以直接照着抄。
1. 先搞明白caveman风格到底是个什么东西
1.1 它不完全是“原始人”，而是一整套视觉配方
我第一次看到“caveman”标签下的图，第一反应是：这图的画质怎么像用座机拍的？后来看得多了才反应过来，这种“劣质感”恰恰是它最值钱的地方。
所谓caveman风格，往细了拆，至少能分成三层。
第一层是画面内容层面的“原始感”。很多caveman风格的图真的会画成洞穴壁画的样子，粗糙的岩壁、炭笔勾勒的人物轮廓、只用了深浅两三种颜色的矿物颜料。比如你写一个“caveman drawing of a cat”，它会给你一只像被小学生画在岩壁上的猫，线条歪歪扭扭，却很有生命力。
第二层是“摄屏感”。这是caveman meme真正出圈的那一拨图的核心特征——画面像是对着某个廉价屏幕翻拍，有摩尔纹、有轻微运动模糊、有玻璃反光，甚至能看到屏幕边框弧线的形变。配合上一些低画质压缩出来的色块和噪点，整体就有一种“这是什么古董录像”的味道。
第三层是“字幕和冷幽默”。caveman风格的图经常会在画面中生成一条或几条字幕，字体很丑，白字带黑边，或者黑底白字，内容往往是那种正经语气讲废话的冷感笑话。比如画面是一只恐龙在办公室里打工，字幕写着“monday again”，这种反差感特别好笑。
所以你看，caveman并不是一个单一的“风格滤镜”，它是“题材选择+画质劣化+字幕趣味”的组合拳。如果你只是想要“岩画风”，那你需要的是cave painting；如果你想要的是那条搞笑的字幕和摄屏感，那你才需要caveman meme。这两个方向我在第4部分会再拆开说，因为写提示词的时候如果你不搞清楚自己在要什么，出图会很飘。
1.2 它为什么会成为AI绘画的热门关键词
这个风格真正火起来，跟AI绘画本身的发展节奏有很大关系。早期大家玩Midjourney，追求的都是“8k超高清、照片级真实、光影华丽”这些东西。但看多了你会发现，模型生成的“精致”越来越没意思，反而是那种笨拙、生涩、带有明显缺陷的图，更有人味儿和传播力。
caveman风格刚好吃到了这个红利。它反着来，主动要求模型把画质做差、把透视做歪、把字幕写错，这种“刻意不完美”在社媒上的感染力极强。另外还有一个很实际的原因：caveman风格的图几乎不需要复杂的提示词堆砌，你只需要一个简单的主语，加上风格限定词，成功率就很高。对很多刚入门AI绘画的新手来说，它是性价比极高的出图风格。
再加上现在短视频和图文平台上大量博主用这种风格做“原始人视角吐槽现代社会”的系列内容，比如“原始人第一次用智能马桶”“原始人收到公司周报”，这种题材本身自带喜感，caveman画风又把荒诞感拉满了，所以热度一直没下去。
2. 工具选型：拿什么模型最容易出效果
2.1 主流工具的横向对比
想做caveman风格，不是所有工具都顺手。我最近常用的几个平台基本都试过，简单排个使用感受供参考。
| 工具 | caveman风格适配度 | 优点 | 缺点 |
|---|---|---|---|
| Midjourney | 高 | 风格化强，岩画质感容易出彩，摄屏感也能调 | 字幕文字经常拼错，需要多次抽卡 |
| DALL·E 3 / ChatGPT | 很高 | 对文字理解好很多，控制更精准，提示词可自然语言描述 | 画面细腻度偏低，缺乏MJ那种油画质感平台 |
| Stable Diffusion | 中 | 可控性最强，方便叠加LoRA微调风格 | 需要自己调模型、写负面词，学习成本高 |
| 国内中文绘画工具 | 中下 | 上手简单，中文提示词友好 | 对“caveman”这类源自社区的风格词理解弱，出图容易跑偏 |
如果你只是想快速玩一玩、发个朋友圈，我建议直接用ChatGPT里的图像生成，配合自然语言描述，比如“一张拍得很糊的原始人壁画，内容是一个原始人抱着笔记本电脑发愁，画面风格像洞穴壁画，加一条白字黑色描边的字幕，写着monday”。它能比较忠实地还原你的意思。
如果你想要那种更有“作品感”的岩画质感，那Midjourney会是更好的选择。MJ对材质和光的理解很强，你把提示词写成“a cave painting of xxx, rough rock texture, charcoal lines, earthy pigments”，很容易出那种可以当壁纸的精致壁画图。缺点就是McCarthy式的戴字幕很考验运气，我后面会讲怎么绕开这个坑。
2.2 我的工具组合和准备工作
我目前自己的主力组合是“ChatGPT/DALL·E 3负责一切带字幕的搞笑图，Midjourney负责不带字的纯岩画质感图”，各管一段。准备工作的核心是三样东西：提示词模板、参数预设、后期字幕素材库。
提示词模板我先贴在下面，用的时候直接改主语就行。参数预设方面，如果是Midjourney，我固定用“--v 6 --style raw --stylize 20 --ar 3:4”这一套，raw风格能减少那种过度渲染的塑料感，stylize值保持在20以内，尽量让画面自由发挥。DALL·E这边不需要参数，但我会在描述里刻意写“flat lighting”“slightly out of focus”“heavily compressed”这类“劣化”词，抵消它默认“太好看了”的毛病。
后期字幕素材库是我自己积累的，因为AI生成中文字幕成功率极低，容易乱码，所以我一般让AI出图时不写字，后期用醒图或者PS去加上去。素材库里存着几十个我常配的冷幽默短句，比如“first day”“still loading”“nice try”等等，用的时候一键套上去，效率很高。
3. 实操过程：从连词都拼不对到稳定出图
3.1 一套可以照抄的提示词模板
直接先给大家一套我调出来的、成功率比较高的通用模板。这里分两个分支，一个是壁画感，一个是摄屏感，你别混用。
壁画感提示词模板（中文版）：
“在洞穴岩壁上画一个[主体]，风格是原始人壁画，粗糙的岩石肌理，炭黑色线条，土黄色和赭石色矿物颜料，线条笨拙但是生动，画面有年代感，没有文字，单一主体居中”
英文版直接照抄这一段也没问题：
“a cave painting of a [subject], primitive cave art style, rough rock surface texture, charcoal outline, earthy ochre and beige pigment, naive but expressive linework, ancient weathered look, no text, single dominant subject centered”
摄屏感提示词模板（英文更稳定，建议直接用）：
“a photo of a tv screen playing a crude drawing of a [subject], heavy moiré, screen reflection, slight motion blur, low resolution, heavily compressed, ugly subtitle font at the bottom, white text with black stroke, meme energy, so bad it’s funny”
这两套模板是“地基”。为什么我把“no text”写进壁画感的提示词里？因为模型太爱在壁画上画乱码了，而你真的需要字幕时，可以后期加或者走摄屏模板那个分支，让模型自由发挥。想让AI画字时，英文短单词成功率远高于中文，比如“monday”“boss”“coffee”这种，中文基本没有成功的可能。
3.2 参数调节：版本、比例、风格化、负面词
有了提示词，接下来就是参数。很多人出图不理想，问题不在模板，而在参数没调对。我按工具拆开讲。
如果你用Midjourney，四个关键点。第一是版本，固定用“--v 6”，这个版本对岩画材质的表现力明显更强，旧版本容易把壁画画成一张普通的插画。第二是比例，头像和手机壁纸用“--ar 1:1”，短视频封面用“--ar 3:4”，横版长图用“--ar 16:9”，用错比例会导致构图大量裁切，主体不完整。第三是raw和stylize，我个人建议必须加“--style raw”，stylize别超过50，越高越容易跑偏成那种油油腻腻的厚涂风格。第四是负面词，Midjourney没法直接写negative prompt，所以你只能在描述里明确排除，比如“no vibrant colors, no realistic textures, no photorealism”。
如果你用DALL·E 3，那没有传统意义上的参数，但你可以通过几个关键词来做“软参数”调节。写“flat lighting”能压高光，写“over-processed feeling”能制造那种劣质感，写“shot from a distance”能弱化精修。你甚至可以直接写“this image should look like a badly compressed 90s meme”，DALL·E反而会给你惊喜。而且DALL·E处理长句子的能力明显好一些，字幕短句成功率也确实更高。
如果你用Stable Diffusion，那就要上负面词大法了。强烈建议把“highly detailed, sharp focus, 8k, cinematic lighting, masterpiece, best quality”这些正面神词全部扔进negative prompt里，然后配合一些岩画LoRA模型来拉高风格权重。LoRA个人推荐“cave painting style”类，权重0.7到0.9之间，太小没效果，太大画质崩。
3.3 三组真实的现场出图记录
口说无凭，我拿最近做的三个案例来复盘一下。
第一个案例是“原始人开会”。我用DALL·E 3，描述写的是：“a caveman meeting around a laptop in a cave, looking confused, ancient wall painting style, simple drawings, muted earthy tones, a subtitle at the bottom that reads when the wifi disconnects in the office”。第一次生成的图，字幕那句写成了“when the wi fi disconnects in the office”，空格多了一点，但内容完全读懂，画面感也很对，那种围在笔记本电脑前的原始人一脸迷茫的样子，张力很足。如果换成Midjourney，字幕大概率会拼错，所以我这种带字的图，就直接放弃MJ。
第二个案例是“抖音上想找一个网感强的头像”。我用了Midjourney，提示词写的是：“a cave wall painting of a chubby caveman holding a tiny smartphone, full of shame and confusion, 4k texture, stupid grin, no text, centered composition --ar 1:1 --style raw --stylize 15”。前面出的几张要么脸太丑丑得不搞笑，要么那个智能手机画得太精致，跟壁画的粗糙感冲突。后来我把“tiny smartphone”换成了“a small glowing rectangle”，让模型自由发挥，反而出了那种“原始人捧着发光方块”的经典画面，直接拿来做头像了。
第三个案例是“给一个自媒体账号做封面”。账号定位是职场吐槽，想做一组“上班心情”系列封面。我开的是DALL·E 3，统一用摄屏模板，画面全部以会议室为背景、岩画小人为主角，每张图的字幕用英文短句，比如“endless meeting”“deadline today”“lunch broke my heart”。因为模板里的伪劣感关键词比较强，生成的每张图都有镜头畸变和噪点，这让它们看起来像同一个“很破的电视”里截出来的，系列感瞬间就出来了。
做这一行的经验是：如果你连词都还没拼对的情况下，第一轮出几张就多花点时间去试，别急着否定工具。我曾经在同一组提示词下抽了十二张，只有第三张和第七张是能用的，但足够拿去用了。多出来的图也别急着删，有些看似废图的条纹、摩尔纹、漏光，裁一裁当素材都很好用。
4. 常见问题与排查技巧实录
4.1 六个高频症状对照表
用caveman风格出图，最耗时间的不是写词，而是出问题后不知道问题出在哪儿。我整理了这几个高频症状和对应的排查方向。
| 症状 | 大概率原因 | 解决方案 |
|---|---|---|
| 出来图太精致、太有“商业感” | 提示词里带了studio lighting、8k、rendered等 | 删掉这些词，主动加crude、rough、low quality |
| 字幕全是乱码 | 想让AI写复杂英语或中文 | 改用短单词，或者让AI出无字版，后期用工具加字 |
| 颜色太鲜艳，像儿童绘本 | 没压制色彩，触发了vibrant | 加上muted olive palette、faded pigments |
| 没有摄屏感，像普通照片 | 少了“motion blur”“moiré”这类“坏画质”描述 | 主动用“photo of a screen”替换“drawing”这个词 |
| 画面主体偏小，构图松散 | 缺“single centered subject”指令 | 在提示词中强化主体命令，并在MJ用--ar控制比例 |
| 图形过于抽象，看不出画的是什么 | stylize值过高 | MJ把stylize降到10-20以内，SD降低LoRA权重 |
这个表是我反复踩坑总结出来的，尤其是第一条最典型。很多人第一次写caveman，顺手就把以前收藏的“摄影级画质”提示词也一起粘进去了，结果出来的图又优雅又光滑，跟想做的搞笑风格完全两回事。所以要记得，这风格是反着来的：关键词要往脏、乱、差那个方向堆。
4.2 我踩过的三个坑，希望你们别再踩
第一个坑是“字幕狂热”。刚开始的时候，我特别想让AI自己生成文字，结果光是让它写“monday”就花了我一下午，出来的十张里可能就一张拼对了，这一张还可能是别的字。后来我总算想明白了：与其跟模型较劲，不如让AI安静地把画面画好，字幕用醒图、PS或者黄油相机后期加，又快又不会翻车。做搞笑创意的核心是出图效率，不是死磕某一个细节。
第二个坑是“同图过度迭代”。某张图第一版已经很好了，但我总觉得能再完美一点，于是反复按“变化”，结果模型越改越抽象，最后主体都看不出是人影了。后来我给自己定了个规矩：同一张图最多迭代三代，如果三代还不满意，就回炉重造，重新抽卡。AI生图这东西永远是“重开”比“烂改”更有效。
第三个坑是“想法太多，全塞进一张图”。比如又想有壁画感，又想有摄屏感，还想有复杂字幕，结果画面立刻变得四不像。后来我把“画面”和“氛围”分开处理。caveman风格里，“粗糙岩画感”和“廉价屏幕感”是两条分支，混用等于抹掉了各自的特点。要拍脑袋想清楚自己这单活儿走哪个分支，再去写词，成图率高很多。
5. caveman风格能往哪些方向延展
5.1 高辨识度的头像和表情包
如果你想在网络上拥有一组不太一样的头像，caveman风格是个非常聪明的选择。普通头像追求帅和美，但caveman头像追求的是“一眼记住你”。它自带幽默感，而且密度很低，客户看到你的聊天背景，很容易对你产生“这人有点意思”的印象。
做头像时我有两个小建议，一个是把画面主体尽量放大，让原始人占据中心并顶到头，脸部表情要夸张。另一个是优先采用“confused”“judging you”“smug”这几个表情词，这类表情比单纯的咧嘴笑更有互动感。
表情包就更不用说了。你可以做一个“原始人咖啡馆系列”，主体就是同一个岩画小人，换着场景往里面丢，比如“第一次点单”“消费超过了35元”“星巴克没有香菜”，配合后期的中文短句，真能把人笑死。而且因为caveman风格画面自带劣质感，大家看到的第一反应不是美术好不好，而是梗有没有劲。
5.2 短视频封面和图文自媒体
这段时间让我觉得最实用的，还是用caveman风格做短视频封面。现在短视频平台封面同质化严重，都是大字标题再加一张高清脸，刷过去根本分不清谁是谁。但如果你的封面是一张粗粝的岩画小人，拿着电脑对着开会，旁边写着英文短句，视觉上能在一屏内容里立刻跳出来。
我自己给一个职场类账号固定做了一套“原始人工作日”封面，视频内容讲的是职场破事，封面全部用caveman风格展现，系列感特别强。平台粉丝在刷到第九条的时候，已经能一眼认出这个号。图文自媒体方面，则适合做“原始人生存指南”系列，一条图文讲一个现代生活场景，用岩画小人演绎，搭配简短旁白，收藏率相当可以。
还有个小技巧：在出图的时候就把同一个主体和同一个画风固定下来，后续每一张图都用一样的风格词前缀，这样系列感会像上了螺丝一样稳固，不会东一榔头西一棒。
5.3 和职场、教育场景结合的小玩法
最后说点可能不那么大众，但很好玩的方向。比如你给团队做季度总结，PPT封面放一张“原始人举着报表一脸茫然”的岩画图，瞬间就能把正式会议的氛围调松一点。前提是你们团队的风格比较开放，能接得住这种玩笑。
我记得有次跟一位做历史跨学科科普的朋友交流，他说他主页里连续三周用caveman风格画“原始人发明轮子”“原始人第一次用火”“原始人观察太阳”，配上的解释是“人类的伟大就是从笨拙开始的”，居然带动了不少亲子家庭粉丝。这个例子说明，同一个风格，只要跟对内容方向结合，潜力是很大的。
用caveman风格做内容，最怕的不是技术，而是想象力被“洞穴壁画”四个字框住。你完全可以把它理解成一种“低配、笨拙但真诚”的表达工具，什么现代话题丢进去，都能产生奇妙的幽默反差。我个人最大的体会是，这种风格最动人的地方恰恰在于它的不完美——它提醒我们，不是所有表达都需要精致到发光的。做这个风格的经验是老话一句：把你想要的粗糙感写到极致，剩下的交给AI去手忙脚乱，效果反而特别对。
