图片生成最容易给人一种错觉：只要找到那句神奇的 Prompt，画面就会突然听话。
当前开放前 20% 试读，后续内容需要订阅有效期内阅读。
图片生成最容易给人一种错觉：只要找到那句神奇的 Prompt，画面就会突然听话。
有一次，我在一批文章视觉里把角色描述错了。
Prompt 把原本的年轻人形角色写成了黄橙色圆球。模型没有偶尔画错一张，它很稳定地把这个错误复制到了 17 个任务里。后来我们换上角色母版，增加身份锚点和禁用项，角色终于回来了；可新的约束又收得太紧，画面里的协作者一度变成一排无脸的灰色模板。
另一次，20 张文章封面统一使用暖纸、墨线和相似构图。单看每一张都不算坏，放在一起却像同一张模板换了 20 次标题。风格一致了，每篇文章真正不同的处境、动作和代价也被一起磨平了。
这两次返工都不是因为 Prompt 太短。输入里有角色、场景、风格、构图和颜色，甚至比很多所谓的“万能公式”更完整。问题出在控制权的分配：该锁定的身份没有锁住，可以变化的人物被锁得太死；风格被当成了主角，文章真正要表达的事情反而退到了后面。
图片生成当然需要词汇。年代、天气、脸型、衣服材质、建筑状态、光源方向、焦段和视觉媒介，都可能显著改变结果。但有词汇，不等于会做画面。真正困难的是判断：这一次，哪些信息决定成败，哪些只是可有可无，哪些写得越多反而越容易互相打架。
我现在更愿意把 Prompt 看成一份简短的导演说明。它要交代的不是“我知道多少视觉名词”，而是：这张图要完成什么，画面里正在发生什么，观众站在哪里看，哪些东西绝对不能错，哪些地方可以让模型自由发挥。
我会把图片生成拆成六个控制层。它们是一组检查画面的坐标，不是每次都要填满的表格。
| 控制层 | 要回答的问题 | 常用变量 |
|---|---|---|
| 画面任务 | 这张图用在哪里，希望观众先看到什么？ | 封面、正文、产品主图、角色设定、信息层级、画幅 |
| 主体与事件 | 谁或什么正在做什么，彼此是什么关系？ | 人物、生物、物品、数量、身份、动作、表情、姿态、关系 |
| 世界条件 | 事情发生在哪里、什么时候，环境留下了什么痕迹？ | 年代、季节、时刻、自然、建筑、天气、植被、空间状态 |
| 观看位置 | 观众从哪里看，什么最重要，空间如何展开？ | 景别、机位、构图、焦段、焦点、景深、透视 |
| 视觉语言 | 光从哪里来，画面由什么颜色、材料和媒介构成？ | 光源、方向、软硬、色调、氛围、摄影、动画、插画、3D |
| 边界与自由 | 哪些必须保留，哪些不能出现，哪里可以探索？ | 身份锚点、数量、文字、Logo、参考图职责、输出规格 |
六层都需要被想过，但不一定都要被写进 Prompt。
人物纪实图里，年龄、动作、环境、光线和观看距离可能都重要，相机品牌未必重要。产品主图里，物品形状、材料、摆放、背景和反光会直接决定结果，季节、职业、表情当然可以消失。一张暴雨中的动物版画也许需要羽毛、风向和积水，却完全不需要填写人物肤色、服装或室内陈设。
删掉一个不会改变画面的词，通常比再加三个“高级、电影感、史诗感”更有用。
同样是“一位 Maker 在工作台前”，它可以是文章封面、人物纪录照、教程步骤图，也可以是品牌广告。主体没有变，画面任务变了，信息层级就会跟着变。
文章封面需要快速建立处境，细小工具不必全部看清；教程步骤图必须让手、零件和接触关系准确；人物纪录照关心人和环境的关系；产品广告会把主体形状、材质与负空间放到最前面。
因此我会先写一句只有自己看的任务说明：
这是一张横向文章头图。读者第一眼要看到“一个人正在耐心修复某样东西”，第二眼才发现那是一只机械鸟。画面需要安静、具体，不能像科幻战斗海报。
这句话不一定原样交给模型，却会决定后面哪些变量值得写。没有这一步，风格词很容易先把图带走。
任务层至少要确定四件事：
比例不是最后随手补的参数。横向 16:9 更容易建立环境与横向关系，竖向 4:5 更适合集中主体与纵向动作，正方形 1:1 会压缩空间并强化中心。它们不是固定审美规则，却会从一开始改变构图选择。
“一个女人，一只机械鸟，工作室”只是三件东西。它们同时出现，不等于画面成立。
把它改成“年轻修复师低头用镊子校准机械鸟翅膀上的齿轮”，画面才获得动作、方向和注意力。桌上的螺丝、草图和台灯随后有了作用：它们不再是填空用的装饰，而是在证明这里确实发生着一次精细修复。
人物可描述的维度很多：性别、年龄、族裔或肤色、职业、发型、眼镜、胡须、脸型、五官、皮肤细节、身高、身材、身体特征、服装、饰品、表情、气质和动作。它们并不等价。
我通常按以下顺序取舍：
年龄可以通过白发、皮肤纹理、姿态和服装共同进入画面；“疲惫”可以通过眼神、动作速度与环境状态表达。国籍通常不能仅凭一张脸可靠判断。只有当文化和地点确实参与任务时，才通过有依据的服饰、物件、文字或空间线索交代，不用刻板外貌替代事实。
面部细节也不是越多越好。近景肖像里，发型的长度、颜色和质地，以及肤色、雀斑、青春痘或痘痕、皱纹、眼镜和胡须都可能影响识别；人物只在远处负责尺度时，写清数量、位置和动作即可，硬塞五官只会增加噪声。
动物、植物或幻想生物可以从物种、品种、年龄、性别、大小、体型、毛发或羽毛的长度、颜色与纹理，角、翅膀、鳞片等特殊结构，以及姿势和动作中选择。
如果要画一只暴雨后的白鹭，物种、腿与喙的比例、湿羽毛和站立动作很重要，性别未必能被画面可靠区分，就不必强写。如果要做一张特定犬种的角色设定，品种、耳形、毛长、花色、体型和年龄会直接决定身份，就需要锁得更细。
“一只漂亮的狐狸”很难形成事件；“一只赤狐逆风停在废弃站牌下，前爪抬起，回头看向来路”已经带出了毛发方向、身体重心和空间关系。
物品首先要说清类型和用途，然后再选择形状、大小、颜色、材质、结构、表面状态与设计语言。
一台“复古收音机”可能被模型理解成许多东西。若它是产品主角，最好说明圆角长方体外壳、旋钮数量、扬声器位置、透明塑料或拉丝金属，以及机身是否磨损。水渍、灰尘、刮痕、掉漆和氧化不是装饰词，它们会决定物品经历过什么，也会改变光的反射方式。
“赛博朋克、工业、未来、复古”只能提供宽泛方向。真正决定物品可信度的，仍然是它能否被握住、打开、穿戴、摆放或使用，结构之间有没有功能关系。
无论主体是人、生物还是物品，都别忘了数量与关系。“三个人围着桌子”不等于“三个人分别在焊接、记录和递工具”；“手拿锤子”也不等于“锤头正在敲击铆钉”。把接触关系写出来，动作才更有机会成立。
时间和场景不是背景资料，它们会改变光线、材料、人的状态和空间用途。写“冬天”“古代”“暴雨”只是给了标签，写出标签怎样进入画面，才完成了视觉转译。
年代可以是古代、近代、现代、未来，也可以细到某个朝代或年份。只有当服装、器物、交通、建筑、照明或制作工艺能够共同支持它时，年代才可信。单独给现代外套加几条发光线，并不能自动构成近未来。
季节会通过植物状态、地面、空气、衣服和人的动作留下痕迹。初春可以是未完全融化的雪、刚冒出的芽和潮湿道路；盛夏可以是强烈顶光、汗湿衣领和浓密树荫；深秋会改变叶色、风向和日照长度；冬天则可能让呼气、积雪重量和裸露枝条进入画面。
