企业官网建设流程全解析

简介：《Stable Diffusion 提示词指南书》是一份面向AI绘画创作者与数字艺术爱好者的实用PDF手册，围绕OpenArt平台展开，帮助读者系统掌握提示词（Prompt）的构建逻辑与修饰词（Modifiers）运用技巧，解决生成图像与创意预期不匹配的常见问题。资源包内含1个PDF文件，大小约15.15MB，结构清晰，便于按章节检索学习。全书从提示词格式入手，讲解如何组织句子结构以引导算法生成符合预期的画面，并深入列举形状、色彩、氛围、情感等各类修饰词的应用方式，同时介绍有助于提升生成质量的特殊词汇，以及图像质量、分辨率、迭代次数等参数微调思路。书中还结合OpenArt平台数百万条提示词实例，鼓励读者借鉴与实验，逐步提升数字艺术创作能力。目前已有3558人学习下载，适合希望从入门到进阶、系统打磨提示词功底并追求更佳出图效果的创作者参考。

1. 从一份 Stable Diffusion 提示词指南书说起：OpenArt 的 PDF 到底能解决什么

很多人第一次接触 Stable Diffusion，卡住的地方不是装不上，而是装好之后对着输入框发呆——脑子里有画面，手上敲不出词。这时候如果手边有一份整理好的提示词指南书，比如 OpenArt 出的那份 PDF，事情会简单很多。它本质上是一份把「画面描述」翻译成「模型能听懂的结构化文本」的参考手册，覆盖风格词、镜头词、光照词、质量词以及负面提示词的常见组合。它解决的不是模型能力问题，而是人和模型之间的表达鸿沟。适合两类人：一是刚部署完 Stable Diffusion、想快速出可用图的新手；二是已经能出图、但想让结果更稳定可控的从业者。PDF 这种载体看着朴素，但胜在离线可查、结构清晰、方便对照抄改，比在网页里翻来翻去靠谱得多。

2. 提示词指南书里的结构拆解：一份 PDF 到底该怎么读

2.1 提示词不是一句话，而是六个槽位

拿到一份 OpenArt 风格的提示词指南书，第一件事不是从头背，而是先看清它的组织逻辑。绝大多数这类 PDF 会把提示词拆成几个固定槽位：主体、风格、构图与镜头、光照与氛围、画质修饰、负面词。这六个槽位对应的是 Stable Diffusion 文本编码器理解画面的不同维度。主体决定「画什么」，风格决定「像谁画的」，构图决定「怎么摆」，光照决定「什么气氛」，画质词决定「精细到什么程度」，负面词决定「避开什么」。

理解这一点之后，PDF 里那些看起来零散的词表就有了归属。你不需要记住所有词，只需要知道每个槽位里有哪些高频可选项。比如风格槽位里常见的是oil painting、watercolor、cyberpunk、studio ghibli这类；镜头槽位里常见的是close-up、wide shot、from above、depth of field。指南书的价值在于把这些词按槽位归好类，你查的时候是按需查，而不是通读。

提示：读这类 PDF 的正确姿势是把它当字典用，不是当教材读。先跑通一次出图流程，再带着具体问题回去查对应槽位。

2.2 权重语法和括号：PDF 里最容易被跳过的一页

很多指南书会用一整页讲权重语法，但新手往往直接翻过去，结果出图时发现某个词完全没起作用。Stable Diffusion 的提示词权重靠括号和数字控制，常见写法有三种：

(keyword) # 权重乘以 1.1，轻微强调 ((keyword)) # 权重乘以 1.21，较强强调 (keyword:1.5) # 显式指定权重为 1.5 [keyword] # 权重除以 1.1，轻微削弱

逻辑说明：圆括号每套一层，默认乘 1.1；方括号是除以 1.1。显式写法(keyword:1.5)最直观，推荐优先用这种，因为层数多了之后心算容易出错。参数方面，权重建议控制在 0.5 到 1.5 之间，超过 1.5 容易让画面出现结构崩坏或颜色溢出，低于 0.5 基本等于没写。

指南书里通常会给出一些推荐权重区间，比如风格词 0.8 到 1.2，画质词 1.0 到 1.3，负面词 1.0 到 1.2。这些数字不是铁律，但作为起点比自己瞎试快得多。我一般会先把所有词权重设为 1.0 跑一张，再针对不满意的部分单独调，一次只动一个词，这样才知道是哪个词在起作用。

2.3 负面提示词：PDF 里最值钱也最容易被忽略的部分

正面提示词决定画面有什么，负面提示词决定画面没有什么。OpenArt 这类指南书通常会把负面词单独列一章，因为它是提升出图质量最快的手段。常见的通用负面词包括：

lowres, bad anatomy, bad hands, extra fingers, fewer fingers, blurry, watermark, text, error, cropped, worst quality, low quality, jpeg artifacts, signature, username, artist name

逻辑说明：这些词覆盖了三类问题——画质问题（lowres、blurry、jpeg artifacts）、结构问题（bad anatomy、bad hands、extra fingers）、干扰元素（watermark、text、signature）。参数方面，负面词整体权重保持在 1.0 到 1.2 即可，不需要逐个加权重，除非某个问题特别顽固。

实际使用中，负面词不是越多越好。堆太多负面词会压缩模型的生成空间，导致画面变得保守、缺乏细节。我一般会保留 10 到 15 个通用负面词，再根据具体场景追加 2 到 3 个针对性负面词。比如画人物时追加extra limbs，画风景时追加people。

3. 把 PDF 里的词表变成可复用的提示词模板

3.1 从 PDF 到模板：三步落地法

光看 PDF 不够，得把它变成自己顺手能用的模板。我的做法分三步：第一步，从 PDF 里挑出每个槽位最常用的 5 到 8 个词，抄到一个文本文件里；第二步，按槽位顺序拼成一个基础模板；第三步，每次出图时只替换主体和风格两个槽位，其余保持不动。这样做的目的是减少变量，让出图结果可控。

一个典型的基础模板长这样：

[主体描述], [风格词], [构图与镜头], [光照与氛围], [画质修饰词], best quality, highly detailed Negative prompt: lowres, bad anatomy, bad hands, extra fingers, blurry, watermark, text, worst quality

逻辑说明：主体描述放最前面，因为 CLIP 文本编码器对靠前的词注意力更高。风格词紧随其后，决定整体调性。构图和光照放中间，画质词放最后作为兜底。负面词单独一行，不参与正面权重计算。

参数方面，如果你用的是 AUTOMATIC1111 的 WebUI，提示词框里直接按这个格式填即可。如果用的是 ComfyUI，正面词和负面词分别接两个 CLIP Text Encode 节点。采样步数建议 20 到 30，CFG Scale 建议 7 到 9，这两个参数和提示词配合起来才能出稳定结果。

3.2 用脚本批量生成提示词组合

当你需要测试大量提示词组合时，手动改太慢。可以写一个简单的 Python 脚本，把 PDF 里抄出来的词表做笛卡尔积，批量生成提示词文件：

import itertools subjects = ["a young woman", "an old fisherman", "a robot"] styles = ["oil painting", "watercolor", "cyberpunk"] shots = ["close-up portrait", "wide shot", "from above"] combos = list(itertools.product(subjects, styles, shots)) with open("prompts.txt", "w", encoding="utf-8") as f: for s, st, sh in combos: prompt = f"{s}, {st}, {sh}, best quality, highly detailed" f.write(prompt + "\n") print(f"generated {len(combos)} prompts")

逻辑说明：itertools.product做三个列表的笛卡尔积，生成所有组合。每个组合拼成一条完整提示词，写入prompts.txt，每行一条。参数方面，你可以按需增删列表里的元素，组合数等于各列表长度的乘积。3×3×3 是 27 条，如果加到 5×5×5 就是 125 条，注意控制规模，不然跑图时间会很长。

这个脚本的用途是批量测试。你可以把生成的prompts.txt导入支持批量处理的工具，或者自己写一个循环调用 API 的脚本。关键是先小规模验证，确认模板没问题再放大。

3.3 提示词模板的版本管理

模板改多了之后，很容易忘记哪个版本效果好。我一般会在模板文件头部加一行注释，记录版本号和改动内容：

# v3 2024-06-01 # 改动：把画质词从 best quality 改成 masterpiece, best quality # 原因：masterpiece 对细节提升更明显 # 效果：人物皮肤纹理更清晰，但偶尔出现过锐

逻辑说明：注释不参与实际生成，但方便回溯。参数方面没有硬性要求，关键是记录「改了什么」和「为什么改」。这样当你发现某个版本效果变差时，能快速定位到是哪次改动导致的。

提示：模板不要频繁大改，一次只动一个槽位。大改之后如果效果变差，你根本不知道是哪个词的问题。

4. 提示词实战避坑：从出图翻车到稳定复现

4.1 现象：画面出现多余手指或肢体扭曲

原因：负面词里缺少针对性的结构词，或者正面词里手部描述太模糊。Stable Diffusion 对「手」这个部位的理解一直不太稳定，尤其是手部占画面比例较小时。

解决：在负面词里加入bad hands, extra fingers, fewer fingers, mutated hands，同时在正面词里明确手部动作，比如hands resting on table而不是笼统的hands。如果还是不行，把画面比例调大，让手部占更多像素。

4.2 现象：风格词加了但画面风格没变化

原因：风格词权重太低，或者被后面的画质词覆盖了。CLIP 编码器对靠后的词注意力会衰减，如果风格词放在中间而画质词放在最后，画质词的影响可能更大。

解决：把风格词往前移，或者显式加权重，比如(oil painting:1.3)。同时检查画质词是不是太多太强，适当减少画质词数量。

4.3 现象：负面词堆了几十个，画面反而变糊

原因：负面词过多会压缩生成空间，模型为了避开所有负面词，倾向于生成「安全但平庸」的画面。

解决：负面词控制在 15 个以内，只保留通用负面词和当前场景最需要的 2 到 3 个针对性词。定期清理负面词列表，把长期没起作用的词删掉。

4.4 现象：同一组提示词，两次出图结果差异很大

原因：随机种子不同。Stable Diffusion 默认每次随机种子，即使提示词完全一样，结果也会不同。

解决：固定种子。在 WebUI 里把 Seed 设为固定值，或者用--seed参数。固定种子后，同样的提示词和参数会得到完全一样的结果，方便对比不同提示词的效果。

4.5 现象：PDF 里的词抄进去没效果

原因：PDF 里的词可能是针对特定模型训练的，比如 SD 1.5 的词在 SDXL 上效果会打折扣。不同模型对提示词的敏感度不同。

解决：先确认你用的模型版本，再对照 PDF 里的说明。如果没有说明，就以实际出图效果为准，不要迷信词表。词表是参考，不是圣旨。

5. 进阶技巧：用提示词矩阵做系统性对比

当你已经能稳定出图，下一步是提升效率。我常用的一个技巧是提示词矩阵：固定其他槽位，只变一个槽位，批量出图对比。比如固定主体和构图，只变风格词，一次跑 6 到 8 张，横向对比哪个风格最合适。

具体做法是在 WebUI 的 X/Y/Z plot 脚本里，把 X 轴设为风格词列表，Y 轴设为 CFG Scale，一次生成一张对比网格图。这样你能直观看到不同风格和不同 CFG 下的效果差异。参数方面，CFG Scale 建议测试 5、7、9、11 四个值，风格词选 4 到 6 个，总共 16 到 24 张图，跑一次大概几分钟。

另一个技巧是提示词继承：把上一次效果好的提示词保存下来，下次只改主体，其余全部继承。这样能保证风格一致性，适合做系列图。我一般会维护一个prompt_library.txt，按主题分类存好用的提示词组合，用的时候直接复制。

最后说一个我自己的习惯：每次出图后，把提示词、种子、模型、采样器、步数、CFG 这几个参数记在一个表格里。看起来麻烦，但当你需要复现某张图时，这份记录就是后悔药。我翻车过好几次，都是因为没记参数，结果再也跑不出同样的图。希望帮到你。

本文还有配套的精品资源，点击获取