企业官网建设流程全解析

写提示词这件事，说穿了就是一个“词汇量决定上限”的活。我在各个AI绘画社群里逛了这么久，最常见的现象就是：同一个模型、同一个参数、同一个种子，新人写“一个女孩，漂亮，长发”，大佬写“soft cinematic lighting, hyper-detailed portrait of a woman with flowing chestnut hair, freckles across the bridge of her nose, wearing a cream-colored knit sweater, dappled sunlight through window blinds, film grain, 85mm f/1.4”——出图效果完全不在一个层面上。很多人以为这是模型差异，或者纯粹靠运气，但你用同一个种子复现几次就会发现，差距就是那几行提示词本身。

这篇文章我想认真聊聊这个卡住很多人的“词汇壁垒”：它到底是怎么形成的，底层机制是什么，以及最关键的——怎么系统性地破解它，而不是靠零零散散收集几个所谓“高质量提示词”却不知道为什么有效。里面会涉及一些模型对文本理解的真实逻辑，也会有我自己搭词库、做反推练习、以及踩坑总结出来的一套实操方法，想把这东西吃透的朋友可以照着一步步来。

1. 词汇壁垒的本质：你不是不会画画，而是“不会说话”

1.1 为什么同样一句话，在不同人手里效果天差地别

先抛一个我自己很早就意识到的事实：AI绘画模型不是“理解”你的提示词，它是“匹配”你的提示词。这意味着你输入的文字，本质上是作为一个查询条件，去它记忆里检索一个最接近的“视觉特征组合”。那么问题来了——如果你的查询条件本身就模糊，模型怎么知道你想要的是什么？

举个例子。你写“美女”，模型检索到的是“美女”这个词在所有训练图片中对应的平均特征。但这个“平均”非常可怕，它把无数张不同风格、肤色、发型、光照下的面孔揉在一起，最后出来的结果就是一张“大众脸”，没有个性、没有细节、没有氛围感。而高手写提示词，从来不会用这种高度概括的大词，他们用的是“一个小众切面的精确描述”。

这就是词汇壁垒的第一层含义：你以为你在使用语言，实际上是语言在限制你。你的词汇量有多大，你能表达的画面边界就有多宽。词汇越少，你向模型传达的信息熵就越低，模型只能用常见的组合来补全，结果自然是千篇一律。

1.2 “知识诅咒”：不是你看不懂，是你不知道别人看到了什么

词汇壁垒最隐蔽的地方在于，它几乎不会让你意识到自己的不足。你看到一张惊艳的图，第一反应是“这个模型真强”或者“这个作者运气真好”，而不是去拆解它的提示词到底写了什么。这就是心理学里的“知识诅咒”——当你不知道某个词汇存在时，你根本不知道自己错过了什么。

举个很现实的例子：刚接触SD（Stable Diffusion）的时候，我写“森林里的木屋”怎么都画不出电影感，出图永远是“老实巴交”的旅游照。后来我才知道，需要在里面加一个词叫做“volumetric fog”（体积雾）。当这个词加进去的一瞬间，整个画面立刻有了层次和氛围。但问题是，如果你从来没听说过“volumetric fog”这个词汇组合，你是无法凭空想出来要写它的。

这意味着我们面对的不是“审美差距”，而是一个“信息差问题”。破解这个问题的关键，不是提高审美水平，而是扩大词汇覆盖的广度，把所有高频出现的“画面描述词汇”变成自己的本能反应。这是整篇文章要解决的核心问题。

2. 破解词汇壁垒的第一关：理解模型到底在“读”什么

2.1 文本编码器不是人，它像一本“词典”

很多教程会让你背一堆“魔法词”，但如果不理解底层原理，背了也白背。以Stable Diffusion系列为例，它的文本编码器（SD 1.5时代是CLIP ViT-L/14，SDXL是双编码器结构，FLUX则用了T5+CLIP的组合）做的事情很简单：把每一个词或者词组映射到一个高维向量空间中的某个坐标。

这里可以做一个非常贴切的生活化类比：你可以把文本编码器想象成一本“配图词典”，模型训练时看过的每一张图，都被打上了对应的解说词条。你输入提示词的时候，本质就是在翻这本词典，找到最接近的词条，然后把对应词条后面的图样组合拿出来给你。所以，模型质量的高低，很大程度上取决于这本“词典”的厚度，也就是训练数据集。

这就解释了很多奇怪的现象。为什么“cyberpunk”这个词出图效果极其稳定？因为它在训练集里出现了几百万次，向量空间中的映射区域极其密集、清晰。为什么相对小众的词汇容易“翻车”？因为它在词典里只有可怜的一两条记录，模型找不到足够丰富的视觉特征，只能东拼西凑，出来的图自然乱七八糟。

2.2 词组的“不可拆分性”和组合幻觉

文本编码器对词组的处理，远比你想象的更“死板”。尤其是CLIP这一类编码器，它对“a cat wearing a hat”的理解，并不是拆成“cat”（猫）和“hat”（帽子）分别取特征，再组合成一个新概念。它是把整句话当成一个整体去匹配，但由于训练数据中“穿帽子的猫”图片足够多，它整体匹配的效果还不错。

但如果你的描述是“a pelican riding a bicycle”（鹈鹕骑自行车），这里就很有意思了。这个提示词的出现频率几乎为零，模型没有完整的对应图像可以检索。然而，你实际出图会发现，模型大概率能给你画出一只鹈鹕在骑自行车的画面，虽然动作很僵硬，但元素都在。这说明模型并不是完全死板的“查词典”，它能通过注意力机制，在已有的局部特征库中进行某种程度的“重新组合”和“幻觉构建”。这也是为什么像“鹈鹕骑车”这样的荒诞组合提示词会成为测试模型能力的经典用例——它逼迫模型展示自己的组合推理能力。

理解了这一层，你就明白为什么“词组顺序”很重要了。以SD 1.5为例，CLIP对文本的编码是分步进行的，前面的token会占主导权重。你如果把“bicycle”放在最前面，出来的图可能会偏向自行车而不是鹈鹕。这也是为什么很多人写提示词时，会把最核心的主体名词放在最前面。

但有一个变化值得注意：新一代模型（比如SDXL、FLUX）对文本的理解能力已经大幅增强，语义解析的容错性更高，不再像SD 1.5那样对词序极度敏感。不过，把核心词前置仍然是一个稳妥的好习惯——因为文本编码器的注意力机制即便再优化，也会对序列开头的内容保持更高的全局注意力。

2.3 负面提示词同样存在“词汇壁垒”

很多人写负面提示词只会写“bad quality, blurry, ugly”，效果往往不尽如人意。问题在哪？因为这些负面词同样太“大”了。它们在大规模数据集里覆盖了太多不同类型的缺陷，模型不知道该具体避开什么。

我实测下来，负面提示词需要写得尽可能具体，效果才会明显。比如，与其写“bad hands”，不如写“extra fingers, deformed fingers, malformed hand”；与其写“bad face”，不如写“asymmetric eyes, crooked nose, distorted face”。绝大多数底层模型训练时确实见过大量手指畸形的图，你把“extra fingers”（多余的手指）这个具体形态写出来，模型才能真正去修正这个具体的病灶。

3. 从“空泛”到“具体”：一套可复用的词汇颗粒度体系

3.1 五个层级的词汇颗粒度

我在大量对比测试后，把提示词的具体程度分成了五个颗粒度等级。你可以用这个框架来检查自己写的提示词处于哪个层级：

你可以对照一下自己平时写的提示词在哪个层级。大多数人长期停留在L2或L3，而强的提示词一般都在L4甚至L5。差距不在于你是不是知道“沙发”这个英文单词，而在于你是否会把“深绿色天鹅绒沙发”和“午后暖阳侧光”这样的微细节写进去。

3.2 颗粒度越细，模型的“猜测空间”越小

为什么越具体出图越稳定？回到第一部分的逻辑：提示词是模型的“约束条件”。你给的约束条件越多，模型的检索范围就越窄，可发挥的“自由裁量权”就越小，乱创的概率就越低。

我做一个实验对比给大家看。用同样的种子、同样的采样器：

提示词A：a beautiful girl in a garden

提示词B：a young woman with wavy honey-brown hair, wearing a white linen sundress, standing in a wildflower meadow under soft golden hour light, delicate petals floating in the air, shot on 85mm f/1.2, shallow depth of field, pastel color palette

结果非常明显：提示词A每次生成的女孩长相都不一样，姿势也随机，甚至有时候花园风格都截然不同。提示词B则基本上稳定在同一张脸上，构图的偏差幅度很小，角度和光线的风格也比较统一。这说明，对主体外观描述越详细，模型对外貌特征的锁定就越精准。

所以在写提示词的时候，我建议核心主体必须过一遍“5W检查法”：who穿着什么（外貌+衣着）、what在做什么（动作）、where在什么环境、when什么时间光线、how用什么镜头/视角/画质呈现。这五个维度全部写全，提示词的颗粒度就基本达到L4以上。

3.3 别急着追求“长”，先追求“准”

这里有一个必须提醒的误区：不是提示词越长越好。堆砌大量重复的近义词、空泛的夸赞词（比如“masterpiece, best quality, amazing”）并不会提升画面质量，只会白白浪费模型的注意力权重。

真正的提示词应该是“信息密度高但互不重复”。每一个词都在提供新的有效信息，而不是在强化已有的信息。比如“a cute adorable lovely beautiful girl”这一串形容词，在CLIP编码器看来几乎是同一个词在重复，能提供的约束能力远不如“a girl with freckles and braided hair”这种明确的外貌特征。

从我自己的经验来看，有效提示词的单词数并不是关键指标，画面主体（Subject）、环境（Environment）、光线（Lighting）、构图（Composition）、风格（Style）五个维度的完整度才是。你把五个维度都覆盖到，哪怕是50个词也能出不错的图；缺了维度，写500个词也是浪费。

4. 搭建属于自己的提示词词库：结构、分类与拓展方法

4.1 六段式提示词模板

为了解决“词汇不够用”和“不知道写什么”的问题，我给自己总结了一套六段式模板。每次写提示词，我按这个结构填空，基本不会出现无从下手的情况：

1. 主体（Subject）：谁/什么 + 外貌特征 + 衣着/材质
2. 动作/姿态（Pose）：正在做什么 + 表情 + 视角朝向
3. 环境（Environment）：地点 + 背景元素 + 氛围
4. 光照/色调（Lighting）：光源类型 + 光线方向 + 色彩倾向
5. 镜头/构图（Camera）：焦距 + 景深 + 拍摄角度 + 画幅
6. 风格/画质（Style）：艺术风格 + 渲染方式 + 质量后缀

我拿一张实际作品来拆解。当时想画一个“雨夜站在霓虹灯下的女孩”，但不想落入赛博朋克的俗套，于是按模板填：

• 主体：a young woman with short platinum-blonde hair, wearing a translucent yellow plastic raincoat
• 动作：looking up at the sky, raindrops running down her face, slight smile
• 环境：empty Tokyo backstreet at night, wet asphalt reflecting neon signs, vending machines glowing
• 光照：mixed warm and cool neon lighting, strong contrast, reflections on wet surfaces
• 镜头：low-angle shot, 35mm lens, deep focus, cinematic composition
• 风格：photorealistic, Kodak Portra 400 film grain, muted color palette with vibrant neon accents

最终出图效果非常稳定，氛围感直接拉满。大家可以看到，这个提示词里没有一个词是“复杂词汇”，基本都是日常会用的描述性短语。它厉害的地方在于每一个短语都有明确的指向性，组合在一起就形成了完整画面。

4.2 建立自己的“功能性词汇抽屉”

词库最怕“一盘散沙”。我建议按功能分类去积累，而不是收藏一大堆整段提示词。因为整段提示词往往把多个功能混在一起，换场景时无法复用。我的做法是开一个表格或者笔记软件，维护以下分类：

每个分类不需要背太多，每个分类能稳定掌握五到十个词就够用了。真正在使用的时候，你会发现这些词之间是可以自由组合的，比如“velvet + candlelight + close-up”就能构出一个温暖的室内特写场景。

这里还有一个技巧：在向词库添加新词时，不要只看词本身，要做一次“词义验证”——在模型上用它出几张图，确认这个词在特定模型库里对应什么样的画面。因为同一个词在不同模型里的表现可能差异很大，比如“cinematic”在SD 1.5里往往意味着画面变暗、对比度加重，而在某些微调模型里可能显得很平淡。经过验证的词才能进入你的常用词库，否则就是在碰运气。

4.3 风格词不是越多越好，要“同源互撑”

风格类词汇有一类特殊问题：词库内部的兼容性。举个例子，你既写了“watercolor”（水彩），又写了“photorealistic”（照片级真实），模型就会很为难，因为它不知道是要往绘画感还是写实感上靠。最终的图很可能装饰感很强但画面脏乱。

我的经验是：风格词要“同源互撑”，也就是围绕同一个方向做加强。走写实路线，就坚持photorealistic + film grain + natural skin texture + f/1.8 bokeh；走厚涂油画的路线，就坚持oil painting + visible brushstrokes + rich impasto + canvas texture。混搭最多可以选一个“主干风格+一个辅助材质”，比如“oil painting + canvas texture”是可以的，因为两个词都指向油画。但“oil painting + photorealistic”就别试了，大概率会四不像。

与之类似的还有“comic”、“anime”、“3D render”与“photograph”这四个方向的混用，也是新手最容易犯的错误之一。先确定你要的素材底模（完全不同的模型家族，如动漫底模与写实底模），再围绕那个方向去选风格词，而不是自己费尽心思组合一个不存在的风格。

5. 用“反推”工作流快速突破词汇瓶颈

5.1 反向打标：把别人的画面翻译成你的词库

当你积累了基础词库以后，提升最快的方法就不再是自己闷头试了，而是“逆向拆解”优秀作品。这里说的不是去下载人家的图然后直接套用——而是用“反推提示词”工具，把一张图的特征翻译成文本标签，然后从中学习别人的词汇组织逻辑。

常用的反推工具主要有几类：一是老牌的WD14 Tagger（在SD WebUI的扩展里可以直接运行），二是系统层面更灵活的JoyCaption系列，三是像Midjourney的/describe功能这类内置于产品里的反推命令。这些工具的原理各不相同：WD14用的是图像分类模型打标签，反推出来的结果偏“标签风”；JoyCaption这类多模态大模型则会生成自然语言描述。两者各有用途，标签风适合快速提取具体的元素词，自然语言描述则能还原画面的整体氛围和构图逻辑。

5.2 反推不是为了“抄”，是为了建立“视觉—词汇对照表”

很多人以为反推就是拿来抄一抄，然后感叹一句“原来如此”。其实价值远比这个大。你可以通过反推做三件非常有用的事：

第一，拆解词法。看一张氛围感很强的图，反推出“soft window light, muted earth tones, linen texture”这一串词，从而明白这种氛围感的来源其实是光的方向、色温、材质三个维度的组合。你提取的是“组合关系”，而不只是那几个单词。

第二，做风格实验。找到喜欢的画师或摄影师风格，把他们的图批量反推，提取高频词和共性词，就能得到一份“风格基因报告”。你会发现他们常写的词是哪些，光是怎么布置的，背景中经常出现的元素是什么。这些数据比任何“XX画风提示词合集”都来得靠谱，因为它是从实际作品产出里反向验证过的。

第三，掌握“异词同义”。讲个真实案例，我曾经想表达“阳光透过百叶窗在墙上投下条纹光影”，写英文怎么都不对。后来看别人的反推结果，发现原来这个词组光是我能用到的不同语法表达就有四种：“venetian blind shadows on the wall”“striped light through window blinds”“linear shadow pattern from blinds”“dappled light and shadow stripes”。我收藏了这些说法之后，再想画这个场景就可以自由变体。这就是“视觉—词汇对照表”的价值：你知道一种视觉现象在词汇层面有多少种表达，模型就有多条路径触达这个画面。

5.3 不要照搬反推结果，要“清洗”和“重组”

这里必须给一个实操警告：反推出来的提示词不是一个可以直接使用的成品。因为反向打标模型和生成模型的词汇偏好存在差异，反推结果能否在生成模型里复现出类似画面，是需要验证的。很多时候，反推结果会带出一堆无关紧要的标签，比如大量服装款式词、动作词，这些标签对氛围的影响很小。

我通常的处理流程是：

1. 用WD14先打一层标签，提取基础元素；
2. 过滤掉明显无效的标签（色彩近似词保留最强的一个，材质词保留能匹配画面的两个）；
3. 按“主体—环境—光照—镜头—风格”五维重组结构；
4. 用不同采样器各出两张图做对比，观察画面与原图的差距，再微调权重。

这四步做完，反推结果才能变成真正属于你自己词库的一部分。你会逐渐发现，通过这种方式收集的词汇，比从教程里背来的词汇更贴合你的常用模型，也更经得起实战检验。

6. 提示词实操中的高频踩坑与避坑技巧

6.1 靠前词不等于权重词

虽然前面提到核心词前置是个好习惯，但很多人误以为调整词序就是调整权重，这是错的。在纯提示词层面，词序影响的是“被优先解析和处理”的程度，并不是类似数学公式里的“乘以2”这样的倍率关系。想要真正控制权重，需要借助权重语法，比如在SD WebUI里用(关键词:1.3)表示增强、用[keyword:0.8]表示减弱、用(关键词:0.9)表示降低。不过权重值不建议超过1.5，否则画面很容易出现过度硬化、色彩溢出、边缘刺眼等问题。

以我常用的权重策略为例：主体名词给1.2～1.3，关键气氛词给1.1，环境背景词保持1.0，最后加一个负面提示词的强限制。这样的配比出图比较稳，既不会主体模糊，也不会氛围词喧宾夺主。

6.2 负面提示词写太多也会“翻车”

不少人有个误区，觉得负面提示词越写越长越壮观，比如写一整屏的“ugly, bad, low quality, awful, deformed...”。我试过这种极端情况，结果模型把画面的细节都“吓跑”了，整体变得灰蒙蒙、软绵绵，完全没有对比度和锐度。原因是负面提示词中的概念并不完全等于“正向提示词取反”，它们本身也是通过词典检索，负面词太多会干扰模型对画面的整体判断。

我的建议是负面提示词精炼一点，聚焦在三四类最常见的问题上：画面质量差（low quality, bad anatomy）、结构畸形（deformed hands, extra fingers）、画面瑕疵（oversaturated color, noise, blurry）、以及其他特定模型容易犯的问题（text watermark, signature）。每类选一两个最强的词就够了。

6.3 一个参数上的配合问题：提示词再好，采样器和CFG不对也是白搭

提示词写得再精确，如果采样器和CFG（Prompt Guidance Scale，提示词引导比例）设置不合理，出图效果也会非常糟糕。这里提供一个我常用的参数速查表：

这里想特别提醒：使用“非Karras”类型的采样器时，CFG的建议区间和默认值会不同。比如Euler a配合7的CFG通常没大问题，但如果你把CFG拉到10以上，再用这类采样器，画面会出现明显的“糊成一团”的色块。所以当一张图效果不佳时，先别急着改提示词，检测一下采样器和CFG的组合是否在合理范围内。

6.4 提示词里不要混用场景语言

如果你要画写实风格，尽量用描述画面本身的语言，而不要混入程序语言或3D渲染指令。因为一旦你写了“ray tracing, octane render, unreal engine 5”，模型的“字典”就会偏向CG渲染风格，即使你已经写了“photorealistic”，最终也可能出来一种“照片级3D感”的“假照片”。这不是说不能用渲染词，而是你要明确自己想要的是“照片感”还是“渲染感”，两者混用时，模型会倾向于取一个折中值。

类似的情况也出现在“artstation”这类平台上，如果你写“trending on artstation”，实际上是在调用艺术社区的主流审美偏向，它会一定程度上把画面拉向“商品插画感”。这本身不是什么问题，而是你要能意识到这些词是一种“风格开关”，而不是纯粹的褒义词。

6.5 中文提示词与英文提示词的差距

很多新手朋友习惯直接写中文提示词，然后抱怨“国产模型出图不好看”。这里面有一个客观原因：CPU时代就奠定的底模训练数据，绝大多数高质量美术、摄影作品对应的描述都是英文，所以英文提示词在绝大多数开源底模中的“词典条目数”远多于中文。你写中文时，模型需要先把中文映射到语义空间，再找视觉特征，这一步会有信息损耗，远不如直接命中英文词条来得直接。

我的建议是：如果使用SD系列底模，直接写英文提示词。如果英文不熟练，可以用翻译软件先翻成英文，再检查一下关键语义是否被正确翻译。像“氛围”这个词，直译成“atmosphere”通常不如“mood”或“ambience”能正确触达画面感受。至于国内一些大模型的绘画产品，中文理解能力已经很强了，那就可以直接中文，但也要留意它们使用的底层模型是哪套，根据底层模型数据分布去调整用词。

写在最后：词汇壁垒是认知壁垒，不是天赋壁垒

我一开始也被“词汇壁垒”卡了很久，总觉得别人写提示词有一套“独门心法”。后来做了大量反推拆解才发现，所谓心法就是扎实的词汇积累和结构意识，几乎没有玄学成分。你看到的那些惊艳画面，背后绝大多数是经过数十次、上百次测试迭代后沉淀下来的词汇组合习惯——用什么词描述体积，用什么词控制光比，用什么词避免元素冲突，这些都是可以习得的。

最后分享一个我这半年一直在用的小练习：每天选一张喜欢的图，不看原提示词，手动用六个维度反推一遍，再打开反推工具对照漏了哪些关键信息。坚持一个月之后，你对画面特征捕捉的敏锐度和提示词颗粒度都会明显提升。这个习惯成本很低，但带来的提升远比今天背十个“万能提示词模板”要大得多。