文字描述
决定画面里出现什么、以什么关系出现。它管的是内容与语义，管不了精确的像素位置——想要“左边一个人、右边一棵树”，得靠构图词而不是坐标。
能拧动的只有三个旋钮
画面偏离预期时，先判断问题出在哪一层，再动手。绝大多数“AI 不听指挥”，其实是旋钮拧错了位置。
参考图
决定“像不像”。给一张风格参考，模型就能把笔触、色调、材质搬过来；给一张构图参考，画面骨架会被继承。参考图比文字约束更硬，也更省字。
参数
画幅比例、生成步数、随机种子、参考强度。比例决定版式，种子决定可复现性，强度决定“听参考图多少”。这些是工程参数，不是审美词。
02 / 结构
把提示词写成四层
一句好的描述，读起来像一份拍摄通告：谁、在哪、什么光、什么质感。四层各司其职，缺一层就少一层控制力。
- 主体层：年龄、穿着、动作、表情。“穿米色风衣的女生，侧身回望”。
- 环境层：地点、天气、前后景。“雨后的老城区巷口，地面反光”。
- 光线层：光源方向与色温。“傍晚暖色路灯从侧后方打来”。
- 质感层：镜头、胶片、清晰度。“浅景深，35mm 胶片质感，细节清晰”。
一位穿米色风衣的女生站在雨后的老城区巷口，侧身回望，傍晚的暖色路灯从侧后方打来，浅景深，35mm 胶片质感，细节清晰。
这段 60 字左右的描述，四层齐全，没有一句废话。你可以把它当成模板：换掉主体与环境，光线和质感保留，出图质量的底线就守住了。
画面糊脸、手指错位，该改哪一句
下面这张表按“现象 → 根因 → 改法”排列。遇到问题先查表，比反复重写整段描述快得多。
| 现象 | 根因 | 改法 |
|---|---|---|
| 脸部模糊、五官错位 | 人物在画面中占比过小，模型只分到很少像素 | 让人物占画面一半以上，或直接写“半身特写” |
| 手指数量不对 | 手部面积小又被遮挡，结构信息不足 | 让手离开画面，或写“双手插兜”“背在身后” |
| 画面发灰、没有层次 | 缺少光线描述，模型按平均光渲染 | 补“侧逆光、明暗对比明确、暗部保留细节” |
| 风格四不像 | 同时写了三四种风格，互相抢夺主导权 | 一次只留一个主风格，其余最多做点缀 |
| 构图空、主体太小 | 没写景别，模型默认给全景 | 明确“特写 / 半身 / 全身 / 远景”中的一个 |
| 画面里出现乱码文字 | 让模型生成文字，字形结构不可控 | 画面内不要出现文字，标题后期排版再加 |
四个立竿见影的小习惯
- 先固定比例。竖图做手机壁纸、方图做头像、横图做封面，比例错了，后面全白费。
- 先粗后细。第一轮只写主体和环境，出图后再补光线与质感，逐轮加词。
- 一次只改一个变量。同时改三处，你永远不知道是哪一处起了作用。
- 把成功的描述存下来。同一套词汇复用在不同主体上，风格自然统一。
随机性从哪来每次生成都从不同的噪声起点开始，逐步“去噪”成图，起点不同，细节自然不同。
怎么稳定复现锁定随机种子，再固定比例与风格词，同一段描述就能反复出同一类画面。
怎么批量出图描述不变、只换种子，一次得到四到八张候选，再挑一张精修，效率最高。
AI 生图的高频疑问
AI 生图和 AI 绘画是同一件事吗？
日常语境里基本可以互换。严格说，“AI 生图”强调输入输出这条链路——给文字或参考图，得到一张位图；“AI 绘画”更强调结果的美术属性。同一套模型既能出商业配图，也能出插画，叫法不同而已。
一句描述写多少字比较合适？
中文 40 到 90 字是比较舒服的区间。少于 20 字，模型只能靠猜，出图随机性很大；超过 150 字，后半段的约束会被稀释，反而互相打架。宁可选三四个关键点写透，也不要堆二十个形容词。
为什么加了“高清、8K”反而更糊？
画质词只能影响渲染倾向，不能凭空补细节。如果主体在画面里只占十分之一，“高清”只会把背景纹理放大。真正有效的做法是先缩小景别、让主体变大，再谈画质。
同一段描述，两次结果差别很大正常吗？
正常。生成过程带有随机性，每次都在不同的起点上“去噪”。想稳定复现，就固定随机种子；想比较提示词的效果，就只改一个变量，其余全部锁定。
可以用真人照片做参考图吗？
技术上可以，但请只使用你有权使用的照片，尤其是他人肖像。把朋友、同事或网图人脸丢进生成器，可能同时涉及肖像权与个人信息问题，公开传播的风险更高。