拆解400条AI绘画提示词，我发现了7层结构

我维护着一个包含400多条AI图像提示词的库。在Gemini、Midjourney和Stable Diffusion上反复写、反复整理、反复看别人怎么用之后，一些规律浮出水面——那些能生成惊艳图像的提示词，和那些生成一坨糊糊的提示词，差别不在文采，而在结构。

市面上大多数提示词建议都是玄学："要描述得详细""多加细节"。没什么用。真正起作用的是构图语法——你给模型的信息顺序和完整度。下面按层拆解。

第一层：主体具体性，别堆形容词

弱提示词喜欢叠形容词："beautiful stunning gorgeous woman"。模型面对三个"漂亮"的同义词，完全不知道该听谁的。强提示词会指定身份：年龄段、族裔、辨识特征、表情、视线方向。"一位30岁出头的南亚女性，目光锐利自信直视镜头，带着若有若无的微笑"——这才给了模型具体的视觉目标。每删掉一个模糊形容词、换成一个具体名词，输出的可靠性就往上走一截。

第二层：构图语法——前景、中景、背景

模型渲染的是场景，不是悬浮在虚空里的主体。能稳定产出专业感图像的提示词，会分层描述画面：前景有什么，主体坐在哪，背景填什么，空间有多深。"主体居中于中景，背景是虚化的彩灯，浅景深"——这是一条完整的空间指令。"生日肖像"——这只是一个愿望。

第三层：光线逻辑——说清光源，别只说氛围

"情绪化光线"等于什么都没说。"暖金色黄昏光从左侧打来，右脸有柔和阴影，头发边缘有细微轮廓光"——这是摄影师能执行的光线方案。AI图像模型是在真实光物理的照片上训练的，像摄影师那样描述光线——光源、方向、质感、色温——产出的画面连贯度远高于氛围词。

第四层：服装与质感的材料语言

"好看的裙子"生成一条通用裙子。"祖母绿丝绸沙丽克米兹，带金色刺绣，面料反光"生成具体的东西。材质（丝绸、牛仔、拉丝钢）、表面处理（哑光、高光）、与光的互动方式，是任何提示词里杠杆率最高的词。如果这篇文章你只带走一件事：描述东西是用什么做的。

第五层：负面提示词占了一半

每条提示词都需要它的影子：要排除什么。"不要文字、不要水印、不要多余肢体、不要扭曲的手、不要塑料感皮肤"——这能挡住AI图像最常见的公开翻车现场。在Midjourney和Stable Diffusion上这是正式参数，在Gemini上可以内联写。新手只写正面那一半，专业选手两半都写。

第六层：相机语法——镜头、角度、距离

"85毫米人像镜头，平视角度，中近景"对比"一个人的照片"。前者告诉模型透视物理，后者让它瞎猜。相机语言——焦距、角度（低机位、高机位、荷兰角）、景别（特写、全身、广角）——是让AI图像看起来像有意为之而非碰运气的最便宜手段。

第七层：模型专属语法很重要

同一条提示词在不同模型上表现不同，因为每个模型解析结构的方式不一样。Gemini擅长跟随长段自然语言指令——像写创意简报那样写。Midjourney对逗号分隔的概念堆叠和权重参数（--ar、--style）反应更好。Stable Diffusion奖励精确的词元排序，最重要的概念放最前面。一个提示词库，三种方言。为你实际在用的模型写。

一个前后对比实例

弱提示词："beautiful girl birthday party, pretty dress, nice background."

强提示词："Photorealistic portrait of a young woman in her mid-20s celebrating her birthday, wearing a royal blue silk saree with silver border detailing, seated on a vintage wooden chair, three-quarter body shot at eye level, warm string lights blurred in the dark background, soft key light from the left, genuine joyful expression looking slightly off-camera, 85mm lens aesthetic, shallow depth of field. No text, no watermark, no distorted hands, photorealistic skin texture."

同样的场合，同样的模型。第二条提示词包含了全部七层，第一条一层都没有。输出差距不是渐进式的——是可用和废弃之间的差距。

我停掉的三件事

看了几百次生成结果后，我戒掉了三个习惯。第一，不再用质量词开头（"masterpiece, best quality, 8k"）——在现代模型上这些是噪音，模型默认就是高质量。第二，不再写超过120个词的提示词——超过这个长度，模型开始丢指令，修改变成猜谜。第三，不再指望一条提示词搞定所有事——最好的结果来自先生成一个扎实的底稿，再用小幅度定向修改迭代，就像摄影师拍很多帧再挑一张。

提示词结构正在变成一种读写能力，而不是一个技巧。当AI图像涌入营销、出版和产品设计，能可靠地指挥这些模型的人——靠构图语法而不是靠感觉——用更少时间产出明显更好的作品。上面这七层是一个起步框架。掌握之后，你就不再是"在用AI工具"，而是在做艺术指导。