最近我几乎把业余时间全砸在一个代号为 Nano Banana Pro 的绘画模型项目上。起因是在某技术社区看到有人晒了一组图：机械战甲穿汉服、冰面玻璃上的霓虹倒影、一颗剥开的石榴变成水晶宫——坦白说，第一眼我以为是精修过的照片或者某位概念设计师的手笔，结果全是这个模型从一句话里生成的原图。
这一周我大概生成了四千多张图，把中文提示词、英文提示词、参数组合翻来覆去调了个遍，踩了不少坑也总结出一些规律。这篇文就写给对 AI 绘画感兴趣但又被“提示词到底怎么写”劝退的朋友，不管你是零基础小白，还是已经被其他模型虐过一阵子的老手，应该都能在里面找到可以直接抄作业的东西。
我不会用什么“魔法咒语”那套玄学话术，提示词本质就是沟通：告诉模型你要什么样的画面，哪些东西不能出现，用什么镜头语言和光影氛围。把它当沟通来学，比背一百条“咒语”有用得多。
1. 为什么我会盯上这个模型项目：先聊聊它能做到什么
1.1 从生成“一张好看的图”到生成“一张干净的商用图”
我以前用其他模型最大的痛点不是“生成不了好看的图”，而是“生成不了能用的图”。稍微复杂一点的画面，人物手指会融化，背景文字变乱码，主体和想要的构图之间隔着一整个随机数的距离。Nano Banana Pro 让我比较惊喜的是它在结构稳定性和语义细节还原上明显上了一个台阶。
举个例子，我写“一只橘猫蹲在窗台上，背后是雨夜的城市霓虹，猫毛被风吹起，镜头贴近猫的脸部特写，背景虚化”，它能做到猫瞳孔里的窗户倒影和雨滴轨迹都是合理的。这种细节放在几个月前，得靠图生图反复修才能保住，现在一遍生成的完整度就很高。
我理解它的优势不在于“画风更华丽”，而在于“对指令的服从性”。你告诉它画面里要有哪些元素、元素之间的关系如何，它更愿意按你写的来，而不是自顾自发挥。这对我这种需要批量产出素材配图的人来说非常关键，因为我可以把大部分精力放在内容和构图上，而不是反复抽卡。
1.2 它和主流模型的区别：语义理解、控制力、记忆能力
这一周用下来的体验，如果把主流模型比作一个很有才华但偶尔听不清人话的插画师，Nano Banana Pro 更像一个理解力不错的执行导演：它会先拆解你给的“剧本”，再决定怎么安排镜头、光线和表演。
我观察到的差异主要体现在三方面：
第一，语义理解。它可以把一段长句子里多个并列对象的关系理清，而不是只抓一两个关键词。比如“一个玻璃花瓶放在木质餐桌上，桌上散落着几片黄色落叶，窗外是午后阳光”这种多对象场景，它不会把落叶画到花瓶里。
第二，控制力。用负面提示词或参数去约束时，反馈比较直接。我不想要模糊背景，提升一个参数就能明显收敛；不想要过多装饰元素，改成“极简构图”后画面确实干净下来，很少出现越描越黑的情况。
第三，多轮记忆。同一系列图之间的人物特征能保持相对稳定。对做短篇视觉故事或者系列封面的人来说，这意味着“主角不换脸”终于能在一定范围内实现了。
它当然不是万能的，后面我会专门讲翻车场景。但作为现阶段折腾下来的感觉是：这个模型让我从“等模型碰运气给惊喜”变成了“我可以逐步纠正它的产出方向”。
2. 提示词不玄学：拆开看一张图是怎么被“翻译”出来的
2.1 先定场景，再定镜头，最后定风格
我刚开始乱写的时候，提示词常常是一条意识流，比如“落日、海边、少女、回头、梦幻、紫色、光、青春”……这种写法的致命问题是：模型不知道什么是主体，什么是氛围，什么是环境。它只会把一堆元素平均地铺在画面上，结果就是看起来好像什么都有，实际上构图松散得像没有主人的派对。
后来我总结出一个比较好用的三段式结构，现在写提示词基本都按这个顺序来：
- 场景与主体（画面里到底有什么，谁在干事情）
- 镜头与视角（观众从哪个位置看，是特写、全景、还是俯拍）
- 风格、光影与氛围（画面的情绪定调）
用这个结构写出来的提示词，模型执行起来会清晰很多。比如：
主体：一位穿着深灰色风衣的中年男人站在地铁站台边缘 镜头：低角度仰拍，人物占画面左侧三分之一，远处列车带着光轨呼啸而过 风格：冷调电影感，阴影明显，颗粒质感，氛围有一点孤寂
生成出来的图，十张里能有七八张真能看出“孤寂”的味道，而不是仅仅把文字里的名词堆在一起。
2.2 权重和否定词怎么用才不打架
每个模型处理中文和英文提示词的逻辑不太一样。Nano Banana Pro 对中文自然语言的理解做得不错，但在追加风格细节时，英文词仍然更精准。我现在的习惯是：主体描述用中文，风格细节用英文补充。
权重的用法有个容易踩的坑：同一个词反复堆叠不一定会加强效果，反而可能让模型走火入魔。比如你想要“发光”效果，连写五个 glow，在有些模型里会直接变成画面过曝，高光一片白。正确做法是，把它写成场景的一部分：什么在发光、光是什么颜色、光源来自哪个方向。这样模型就明白你要的是“夜灯晕染出暖黄色光”，而不是“疯狂的亮”。
否定词的优先级很高，但也不能贪多。我的经验是，负面提示词只留最不可接受的硬伤，比如“多余的手指、畸形的五官、变形的文字”。如果堆了一大堆风格层面的否定，比如“不要太暗、不要有雾气、不要冷色”，模型的注意力就会从主体上被分散，结果画面变得平庸。
2.3 一张示例提示词的逐段拆解
来一个我现在常用的高质量人像提示词，逐段拆开给大家看：
- 一层（主体）：一位三十岁左右的东亚女性，短发，穿白色衬衫，站在旧式裁缝店里，手上正在拂去布料上的灰
- 二层（镜头）：85mm 焦距，浅景深，焦点在面部，背景的缝纫机与线轴虚化成轮廓
- 三层（光线）：透过百叶窗照进来的午后阳光，光斑落在桌面和她侧脸上，阴影切割明显
- 四层（风格）：胶片质感，柯达色彩风格，轻微颗粒，安静怀旧氛围
这段提示词里没有出现“超高清、极致画质、大师作品”这类空泛词，但生成质量一直很稳定。我发现，空泛的褒义词对模型的“拔高”作用非常有限，真正起作用的是给画面一个具体的空间、一个具体的光线逻辑、一种真实的材质感。
3. 这些模板直接抄：六大场景的提示词参考
这一节是我这一周反复试错后留下的“私藏模板”，覆盖了我实际工作中最高频的六类需求。你可以直接替换括号里的内容，按自己的需要微调。
3.1 写实摄影模板
适合场景：公众号配图、产品展示图、个人头像等。
中文参考：
一位（身份/年龄/穿着）的（主体）站在（地点），（动作），相机使用（焦段）镜头拍摄，浅景深，焦点在（部位），自然光（或补光方式），（色彩基调），胶片颗粒，写实风格，真实的皮肤纹理，不夸张的后期。
英文补充词：35mm film photography, realistic skin texture, natural color grading, soft window light
实测下来，这个模板最需要注意的是“不要过度修饰”。越强调“完美无瑕”，皮肤越容易塑料感。反而是加上“真实的皮肤纹理、自然的唇角表情”之后，人物像活了。
3.2 商业广告模板
适合场景：电商海报、品牌视觉物料。
中文参考：
（产品名称）放置在（场景）中央，（材质）质感，表面有细小的（水珠/光影/反光），背景为（纯色或渐变环境），商业产品摄影，柔和渐变布光，重点突出产品的（特性），构图居中留白充足。
英文补充词：premium product photography, soft studio lighting, high-end commercial look, minimalist composition
商业广告最看重的是“干净”。我通常会配合负面提示词加一条“不要多余的装饰元素，不要夸张的背景特效”，因为模型有时候太想表现氛围了，会把产品图变成海报插画。
3.3 电影化叙事场景模板
适合场景：影视概念图、游戏 CG、氛围插画。
中文参考：
（人物）在（地点）中（动作），全场笼罩在（主色调）光里，（光源方向）打亮（局部区域），远处有（次要元素）剪影，构图参考（某种电影名场面或构图方式），电影级画面比例，动态模糊适当，空气中有（雾气/尘埃/雨丝）。
英文补充词：cinematic still, dramatic lighting, atmospheric depth, volumetric light, anamorphic lens feel
这组模板生成的场景感很强。最容易出效果的关键词是“空气中有尘埃/雨丝/雾气”，它能把静态画面的叙事感瞬间拉起来。需要注意的是不要让每个元素都清晰锐利，适当留一点虚化和模糊，画面才透气。
3.4 国风与东方美学模板
适合场景：国潮设计、古风插画、非遗主题内容。
中文参考：
一位穿（形制/颜色）古代服饰的人物站在（古建筑/山水/庭院）中，（动作），衣袂微扬，背景采用（水墨/工笔重彩/青绿山水）风格，留白区域在画面（位置），题款风格印章点缀，东方美学配色，色彩含蓄雅致。
英文补充词：traditional Chinese painting style, ink wash texture, elegant composition, muted color palette
国风画面如果想做出气质，少用“华丽、精美、大气”这类词，多用“留白、含蓄、雅致”。我试过同样一个构图，把“华丽精致”换成“留白疏朗”之后，画面的意境判若两款。
3.5 潮玩手办与 3D 渲染模板
适合场景：手办设计、潮玩 IP 概念、3D 作品预览。
中文参考：
一个（形象/材质）潮玩手办模型，Q 版比例，（动作），表面材质是（PVC/树脂/磨砂金属），带有轻微做旧痕迹，渲染风格为（Blender/Octane/C4D 风格），顶光与轮廓光结合，背景为纯色棚拍环境，呈现真实打光质感。
英文补充词：3D render, collectible figure, soft studio lighting, subsurface scattering, octane render style
做潮玩最重要的就是“材质可信度”。我建议在提示词里明确写出手办关节分割线、磨砂感、轻微划痕这些细节，成品的“实体感”会明显提升，而不是一张轻飘飘的平面插画。
3.6 UI 与概念设计模板
适合场景：App 概念图、网页首屏视觉、产品功能演示。
中文参考：
一个（APP类型）界面概念设计图，浅色主题，（功能模块）排列清晰，卡片式布局，图标简洁统一，主色调为（颜色），留白充足，设备边框展示，悬浮在（渐变背景）上，柔和阴影，现代简洁的视觉风格。
英文补充词：app UI design, clean modern layout, soft shadows, minimal icon set, high fidelity mockup
这种需求让我意外的点是：Nano Banana Pro 对简单几何布局的执行力比想象中好。只要你明确“卡片式布局、留白充足、图标风格统一”，它生成的概念稿已经能直接拿去给研发同事当沟通草图了。
4. 把这些词换进参数里：我常用的五组参数组合
4.1 不同出图需求的参数表
这周我在各种生成方向上来回调参，最终沉淀出下面这套组合。当然不同场景和画面比例下会有浮动，但作为起步参数已经很够用。
| 出图需求 | 宽度/高度 | 生成步数 | 引导强度 | 随机度 | 备注 |
|---|---|---|---|---|---|
| 写实人像 | 832x1216 | 28 | 5.5 | 0.2 | 步数太高反而会失真，保持在 30 以内 |
| 商业产品 | 1024x1024 | 32 | 6.0 | 0.15 | 方形构图更适合电商主图，留白充足 |
| 电影场景 | 1216x832 | 30 | 6.5 | 0.35 | 横版比例适合叙事感构图 |
| 国风插画 | 1024x1216 | 34 | 7.0 | 0.3 | 水墨质感用稍高的引导强度才压得住 |
| 潮玩手办 | 832x832 | 30 | 6.0 | 0.2 | 方形更接近手办摄影中的棚拍比例 |
有一个反直觉的点我特别想分享：生成步数不是越多越好。对 Nano Banana Pro 来说，相同提示词下，步数从 28 提到 40，写实人像的皮肤反而会开始出现类似蜡像的质感，细节出现高频噪点。这就是模型过拟合了某些笔触纹理。除非你要的是高度精致的商业插画，否则没必要盲目拉高步数。
4.2 分辨率和放大策略
这个模型生成的原图尺寸对大部分屏幕阅读场景已经够用，但如果你要打印或者做大幅海报，就得考虑放大的策略。
我不建议直接在生成参数里把分辨率拉到 2048 以上，一来耗时显著增加，二来高分辨率并不等于高细节，反而可能暴露出皮肤纹理、发丝走向的规律性重复。更稳妥的路径是：先用 1024 左右出图，选中满意的图之后，利用模型的放大能力或者第三方放大工具按 2 倍、4 倍分步放大。
放大之后如果出现“涂抹感”，我一般会叠加一层轻微的高反差保留锐化，或者把放大后的图再走一轮低强度图生图，让模型重新“画”一遍细节，这样纹理能回来不少。
4.3 随机度与抽卡策略
随机度这个参数对我的影响特别直观：调低到 0.15 附近，画面更稳定、更接近提示词的描述，但多张图之间的构图会比较雷同；调到 0.4 以上，模型会放飞自我，经常给出意想不到的构图和配色，但翻车概率也直线上升。
我的策略是“先低后高”：先用较低随机度抽一张构图完全达标的底图，再随机度稍高的状态下去迭代细节和氛围，最后用低随机度把质量锁住。相当于“面试严格、试戏宽松、定妆再收敛”。
5. 从“预览图”到“成品图”的实战工作流
5.1 四步工作流：定位、初筛、精修、交付
拿到一个出图需求的时候，我很少直接写一句提示词就开始抽卡。我会按这四步走：
第一步，定位。把需求拆成六个方面：主体是谁、他在哪、什么光线、什么视角、什么风格、画面要传达什么情绪。六个方面都填完，提示词已经完成了一半。
第二步，初筛。用较低随机度出四张预览图，快速排除构图姿势不对劲的选项。这一步不需要精细，目的是确认大方向的可行性。
第三步，精修。在选定的预览图上做局部修改，比如改变某一处光线的方向、把某个物体从左侧移到右侧、调整人物的视线方向。我一般会用图生图的方式输入一段“修改指令”加原图，而不是重新从头到尾生成。
第四步，交付。最后再按目标的输出尺寸做一次放大和轻微后期调色，检查是否有文字错乱或结构硬伤，确认后导出。
这套流程听起来繁琐，实际操作熟练后，一张成品图从需求到定稿大概八到十五分钟，比“狂抽二十张选一张能用的”效率高得多。
5.2 批量出图时怎么排队与筛选
做内容的人应该都懂，单张出图是不够的，经常需要一组同风格的套图。这时我的做法是固定一套基础提示词模板，只替换主体的描述部分，并且把所有图片的参数完全保持一致。
比如做一套四张的“四季主题”系列壁纸，我就把“春天是樱花飘落的小巷、夏天是蝉鸣树影的长椅、秋天是银杏铺满的街道、冬天是雪后昏黄路灯的转角”分别填入同一个场景模板，其余参数一字不动。这样生成的系列图之间风格连贯性会非常高，不会出现第一张是电影写实、第二张突然跳到浮世绘风格的问题。
批量生成时我喜欢按批次管理：每批 16 张左右，按主题命名文件夹，把“满意”“候选”“废图”分三层存放。这个习惯帮我省下了大量重复查找的时间。
5.3 图生图迭代技巧
如果生成的画面大方向对了，但局部总差点意思，强推图生图迭代而不是重新生成。以“人像多了一缕奇怪的刘海”为例，重新抽卡会让整张图的其他细节都跟着变，但图生图迭代能保留原有构图，只对局部做修改。
具体操作上，我会把原图扔回去，用一段比原提示词更聚焦的文本对想要修改的部分做一些描述，同时调低引导强度，防止模型把整张图推翻。这个“低率重绘”的思路跟我以前用图像处理软件里的蒙版修图很像，只不过把修图的动作换成了语言。
6. 踩坑记录：这几个翻车场景我反复遇到
6.1 手部与结构错乱
虽然 Nano Banana Pro 的手部生成已经比早期模型好很多，但遇到复杂动作、手指交叠或者透视角度刁钻的姿势时，还是会出问题。比如“双手抱着一本书”这种看似简单的动作，偶尔会出现手指像树枝一样交错的情况。
我的对策有两个：一是提示词里尽量明确手部动作的细节，是“十指并拢托着书底”还是一只手握住书脊；二是在图生图阶段专门把裁切画面放大到手部区域，重新小范围生成。一旦发现手部有问题，不要整图重抽，损失太大。
6.2 文字渲染乱码
需要画面里出现中文招牌、书本封面或者包装文字的时候，翻车率相当高。模型经常生成出“看起来像字但根本不是字”的笔画堆砌。它对于字体结构的理解在复杂中文字形上确实还有短板。
我目前最实用的解决方案是：提示词里只写“放置一块包装盒，上面有类似文字的排版”这类模糊描述，让模型把注意力放在材质和构图上；真正需要文字信息时，用图生图或后期修图工具再处理。想要模型本身直接生成清晰的中文广告语，现阶段还不太现实。
6.3 人物一致性崩坏
系列图里人物不同角度的一致性，是这个模型相较于以前版本进步很大的地方，但跨场景、跨时间出图时仍然会崩。同一个角色，白天街景里是一张脸，晚上室内的另一张图里可能就是另一个人了。
一个解决思路是：在提示词里加入一段固定的外貌描述，比如“左眼下方有一颗小痣，黑色短发，耳后露出发尾长度到锁骨”。这段描述在同一系列里一字不改，生成的稳定度会明显提高。但对于完全缺乏人物参考信息的场景，还是建议在后续用 LoRA 或参考图工具来加强锁定。
6.4 过度打光与塑料感
凡是提示词里出现“完美光线、明亮通透、极大光晕”这类词，我几乎可以确定画面会往塑料感方向走。尤其是人像，强烈的补光会让皮肤失去透明度，像涂了一层釉。
我现在的克制做法是：光线只用方位词和质感词来描述，比如“左侧窗光，边缘柔化，阴影偏冷色”，避免使用“完美、震撼、极致”这类情绪化形容词。这类词对模型没有任何指导价值，反而容易把光线推向过度。
6.5 审核误伤
Nano Banana Pro 的安全策略比较严，普通的人像、服饰尚好，但涉及真实人物、品牌标志、版权形象之类，经常被拦。哪怕是十七世纪油画里的装束，只要识别出某些轮廓元素，也可能被误伤。
这种情况下我一般不会硬闯，而是调整描述方式：把“这件品牌服饰”改成“一件类似风格的休闲款外套”，再通过图生图把需要的元素逐步补充回来。
7. 一些还没解决、但值得盯着的方向
7.1 本地化与可控性
目前我对 Nano Banana Pro 的体验基本都在云端，网络和算力波动会影响出图速度。真正落地到个人工作流里，还是要等它能够稳定地在本地运行。到那时，批量生成、复杂工作流编排才不会受平台限制，也更方便把模型嵌入一套完整的视觉产线里。
可控性方面，我期待能看到更精准的局部指准能力，比如“只改第三象限的那一个反转片灯箱”，而不是整张图重绘。现在提示词的约束力已经不错，但如果能支持类似图层化的控制，那对设计从业者来说会是质变。
7.2 视频生成的一体化
图片模型的下一步大概率是视频化。我已经开始把同一套提示词结构套用到视频生成模型上，比如让主体跨越多帧保持“动作连续但画面逐步推进”。目前效果还不稳定，但方向是明确的：一套镜头语言，既出预览图，又能生成动态预览。
我也建议大家在积累提示词的时候，就按场景、镜头、光线、风格、情绪这样的结构化方式去留档。这样将来从静态图切换到动态视频，你的提示词库可以直接复用。
说了这么多，最后分享一点个人体会。用 Nano Banana Pro 最让我上头的不是“它能画出好看的东西”，而是它开始真正理解我文字里的那个“看不见的氛围”。当我写“午后百叶窗的阴影”这样的描述时，它是真的知道要捕捉什么。如果你也想快速上手，我建议别一上来就背一堆大神的提示词，先拿一个自己熟悉的场景，用“场景、镜头、风格”三段式去写，跑通一套出图流程，再逐步叠加细节控制。你会发现自己离“想要什么就能得到什么”越来越近。
