AI绘画提示词结构入门：从一句话到可控画面

很多新手第一次使用 Midjourney 或 Stable Diffusion 这类文生图（text-to-image）模型时，往往只输入一句简单描述，比如 a beautiful girl。结果每次生成的画面差异很大：人物长相、场景氛围、画风质感全凭运气，等看到一张满意的图想再微调，却完全不知道该改哪里。

原因在于提示词（prompt）里没有交代的信息，模型会自行脑补。你没说风格，它随机挑一种；你没说光线，它随手打一盏灯；你没说构图，它按训练数据里最常见的摆法来画。提示词结构（prompt structure）的意义，就是把你的意图拆成模型能稳定理解的几个字段，让画面从随机抽奖变成按图施工。这套拆解方法适用于绝大多数文生图模型，也基本适用于图生图与视频生成。更麻烦的是，不少人把这种随机当成玄学，开始四处照抄别人的整段提示词，抄来抄去仍然改不动，因为根本不知道每一段到底管什么。

实操中一般建议按固定顺序组织提示词：主体（Subject）、风格（Style）、光线（Lighting）、镜头（Camera），必要时再补充画质词与平台参数。一个可直接套用的公式是：a [主体] doing [动作] in [环境], [艺术风格], [光线描述], [镜头与构图描述]。先定主体，再定画风，再定氛围，最后定取景，这个顺序也符合多数人构思画面的习惯。

举个完整示例：a young woman reading a book in a cozy café, watercolor illustration style, soft morning light coming through the window, medium shot, warm color palette。四要素就像四个独立旋钮，各自负责画面的一块：想换画风只动风格段，想改情绪只动光线段，互不干扰，这正是可控性的来源。建议把这个公式当成填空模板保存下来，每次创作只替换需要变化的部分，它既是效率工具，也是理解各要素分工的练习方法。

主体是画面的核心，书写的关键是具体化：是谁、在做什么、穿着什么、身处什么环境。对比 a dog 与 a corgi wearing a red scarf, running through fallen leaves in an autumn park：后者明确了品种、服饰、动作与场景，生成结果自然稳定得多。信息每具体一分，模型的随机发挥就少一分。

两个实用技巧：一是用名词加限定词代替抽象形容词，「孤独感」不如写成 a lone figure standing on an empty beach at dusk；二是主体宜精不宜多，一段提示词里塞进三四个主体，模型常常顾此失彼，出现肢体错乱或元素粘连。写人物时可以按身份、动作、服装、情绪、环境五层逐级补齐，比如 a tired nurse in blue scrubs, holding coffee, smiling faintly, in a hospital corridor at night，每一层都给模型一个明确的落点。初学阶段一般建议一个画面只讲一个故事，想练群像构图，不如先从双人场景开始。

风格决定画面的画风，常见写法有三类：艺术媒介，如 oil painting（油画）、watercolor（水彩）、pixel art（像素画）；流派或文化参考，如 in the style of ukiyo-e（浮世绘风格）；渲染方式，如 3D render、photorealistic（照片级写实）。任选其一并写具体，通常比堆形容词有效得多。

常见错误是画质词堆砌：把 masterpiece、best quality、stunning、highly detailed 连成一串，看起来很专业，实际对画风的约束很小。更有效的做法是给画面一个明确的风格坐标，例如 flat vector illustration, minimal color palette（扁平矢量插画、极简配色）。另外要注意不同模型口味不同：Midjourney 对美学类词汇响应更好，Stable Diffusion 更吃明确的媒介词与质量词，同一段风格描述通常需要按模型微调，不必追求一份提示词走天下。

光线是画面情绪的总开关，也是最常被新手忽略的要素。同一个主体，在 golden hour（黄昏暖光）与 neon light（霓虹冷光）下呈现的是两种完全不同的氛围。光线词也是 AI 绘画里性价比最高的修饰：一个短语就能明显改变成片的质感。

常用光线词包括 soft light（柔光）、rim light（轮廓光）、backlighting（逆光）、volumetric light（体积光）、chiaroscuro（明暗对照）、overcast（阴天漫射光）等。实操建议把光线当成独立变量：先固定主体、风格与镜头，再逐个替换光线词对比效果，这样才能确认情绪变化确实来自光线，而不是被其他词带偏。例如固定 a cabin in the forest, oil painting 不动，分别试 morning mist、campfire glow、moonlight，三次生成的差异就完全由光线贡献，这是体会光线作用最直观的练习。

镜头控制构图与视角，包含三个维度：景别，如 close-up（特写）、medium shot（中景）、wide shot（远景）；视角，如 low angle（仰拍）、bird's eye view（俯视）、eye level（平视）；镜头质感，如 35mm photo、macro lens（微距）、telephoto（长焦）。

典型用法：人像加 shallow depth of field（浅景深）可获得背景虚化；风景加 wide angle（广角）可容纳更多环境；美食与静物用 macro lens 强调表面质感。新手最容易漏掉的就是这一层，结果人物千篇一律都是呆板的正面半身像。其实只需加上 low angle 或 side profile（侧面视角），同一个人像立刻就有了情绪与张力。练习时可以选同一个主体，分别用 close-up 与 wide shot 各生成一次，直观感受景别对信息量的取舍，再把视角词逐步纳入自己的常用模板。

最后汇总高频错误与对策。一是要素缺失，画面全靠运气，补齐四要素后通常立刻改善；二是风格互相矛盾，同一段里既写 photorealistic 又写 anime style，模型只能折中出四不像，删掉冲突项即可；三是无意义词汇堆砌，挤占了有效描述的位置，应换成具体的风格与光线描述；四是一次改动太多词，说不清哪个改动起了作用。五是只抄别人的整段提示词而不理解结构，遇到不满意的图既改不动，也换不了模型。

正确的迭代方式是控制变量：每轮只修改一个要素，其余保持原样，通常三到五轮就能逼近想要的效果。把主体、风格、光线、镜头这套公式练熟之后，无论你用的是 Midjourney、Stable Diffusion 还是其他模型，都能从一句话碰运气，进阶到按需产出可控画面。