你花了10分钟，精心编写了一条自认为很到位的提示词，点了生成，等了30秒——出来一张四不像。主题毫无关系，风格像是AI做了一场梦之后的随机输出。
你不是个例。90%的"AI出图翻车"都源于同一个问题：提示词缺乏结构。
大多数人写提示词的方式，本质上是"许愿"——把一句模糊的期待丢给AI，然后期待它读心。专业的做法是把提示词当成施工图纸：结构清晰、信息完整、主次分明。
这篇文章给你一套经过大量实测验证的框架：七要素公式。七个位置，按顺序填完，出图质量至少上一个台阶。
七个要素不是平权的。它们有主次、有先后，有些决定生死，有些锦上添花。下面逐一拆解——不只讲"是什么"，更讲"为什么这样写"和"写错了会怎样"。
## 一、风格限定——第一句话就定调
风格是整张图的DNA。它决定AI用什么"画法"来渲染所有后续元素——同样一棵树，水彩风是晕染的，赛博朋克风是霓虹勾边的，吉卜力风是治愈系暖色的。
为什么放在最前面？因为大多数模型对提示词前半段的敏感度远高于后半段。风格写在第一个位置，相当于在AI脑子里先装了一个"滤镜"，后面所有描述都会经过这个滤镜渲染。
不写风格会怎样？AI会给你一张"什么都像又什么都不像"的默认图。就好比你跟厨师说"来道菜"，端上来什么全看心情。
风格叠加：调鸡尾酒的学问
实战中你经常需要叠加多种风格，比如"吉卜力风格+水彩质感"或"赛博朋克+浮世绘"。叠加的核心原则是：一个定基调，一个加质感。第一个风格词决定画面的整体世界观（比如"吉卜力"决定了温暖治愈的基调），第二个风格词叠加材质或技法（比如"水彩"给这个基调加上晕染的手绘质感）。
但风格叠加不是无限加料。两种风格如果在审美取向上剧烈冲突——比如"极简主义+巴洛克"——AI会陷入精神分裂式的纠结，最终输出一张两头不靠的四不像。判断标准很简单：如果你自己脑子里都想象不出这两种风格融合后的画面，AI大概率也做不到。
💡 风格冲突急救指南
遇到叠加后效果不对，先确认两个风格是否在同一维度上打架。比如"油画+水彩"就是打架——都在定义"用什么材质画"，AI不知道听谁的。正确的叠加是跨维度的："油画+赛博朋克"（材质+世界观）、"水彩+极简主义"（技法+构图哲学），这样AI能同时兼顾两个指令。
## 二、视角构图——镜头语言
构图决定"观众从哪个角度看这张图"。同一个城堡，低角度仰拍是史诗感，俯瞰是战略沙盘感，鱼眼镜头是魔幻感。不指定的话，AI默认给你一个平平无奇的正面中景——安全但无聊。
底层原理：构图本质上是在告诉AI"虚拟摄像机"的位置和朝向。摄影术语越准确，AI的理解越精确。如果你不懂摄影术语也没关系，用直白的描述同样有效，比如"从地面往上看""从正上方俯视"。
高频构图术语速查
下面这张表，左边是专业术语，右边是"人话翻译"和对应的情绪效果。不用全背——挑三五个常用的记住就够用了，剩下的用到时查表。
💡 构图选择的捷径
想不出用什么构图？反过来想：你这张图想让看的人产生什么感觉？想让人觉得震撼——仰拍；想让人觉得孤独——远景+俯拍；想让人觉得亲切——平视特写。情绪先行，构图跟上。
## 三、主体描述——越具体越好，但别写小说
主体是画面的主角。描述原则只有一个：让一个从未见过这个东西的人，能在脑海里精准还原它。做到这一点，AI大概率也能还原。
静态属性：把主角画像写清楚
人物描述清单：性别、年龄段、体型、发型发色、穿着（从头到脚）、表情神态、动作姿势。别笼统说"一个女生"，要说"一个8岁左右的亚洲女孩，齐肩黑发扎着双马尾，穿浅蓝色棉质连衣裙"。
物体描述清单：材质、颜色、大小比例、状态（新旧、动静）。"一杯咖啡"远不如"一杯刚倒好的拿铁，奶泡上有一片叶子形状的拉花，杯壁有轻微的水雾"。
动态描写：让画面活起来
静态属性只能画出一个蜡像。真正让画面有灵魂的是动态——动作、力的方向、瞬间感。这也是小白和老手之间最大的分水岭。
💡 对比：静态描述 vs 动态描写
静态：一个女孩站在花田里。
动态：一个女孩在向日葵花田里转圈，裙摆被旋转的离心力甩成伞形，一只手举着草帽、另一只手的指尖刚刚划过花瓣，头微微后仰，闭着眼睛笑。
第一个版本AI会给你一张"站桩照"——人僵在那里，背景铺一片花。第二个版本AI会给你一张有风、有力、有瞬间定格感的画面，因为你给了足够多的运动线索。
动态描写的要素包括三个层次：动作本身（在转圈）、动作产生的物理效果（裙摆甩成伞形、头发飞起来）、以及情绪表达（闭眼微笑）。把这三层都写上，AI就能理解你要的不是一个摆拍的模特，而是一个被按下快门的瞬间。
描述长度：因模型而异
2024年的经验是"别超过150词"，但2025-2026年这个一刀切的数字已经不准了。不同模型对描述长度的消化能力差异巨大：
💡 精准词 vs 冗长描述——第一章最重要的原则
不管哪个模型，有一条原则是通用的：用精准的专业术语替代模糊的口语描述。"穿着维多利亚时期的高领蕾丝长裙"比"穿着那种很古老的欧洲贵族才会穿的、上面有很多花纹的裙子"好得多——前者7个字，后者20个字，信息量前者更大。这就像给AI发电报：字越少、信息越密、传输越准。掌握这一条，你的提示词质量会直接跳一个档次。
## 四、背景设定——给主角搭舞台
背景不是可有可无的壁纸。它交代场景、营造氛围、暗示叙事。没有背景的主体像是漂浮在虚空里——当然，如果你确实想要纯色背景的产品图，那就明确写"纯白背景"，这本身也是一种背景设定。
背景与主体的关系：背景要服务主体，不能抢戏。描述背景时，花在背景上的笔墨不应超过主体描述的一半。背景太复杂，AI的注意力会被分散，主体反而画不好。
空间层次感：前景-中景-远景
好的背景不是一面平墙，而是一个有纵深的舞台。摄影里管这叫"三层构图"——前景、中景、远景各放不同元素，画面就有了立体的空间感。听着抽象？来看一个具体拆解：
💡 案例拆解：古镇雨巷
目标画面：一个撑伞的女子走在江南古镇的雨巷里。
只写背景："背景是一条古镇的巷子"——AI给你一面灰墙+一条路，平得像贴了张壁纸。
三层写法：
前景——青石板路面上积着浅浅的雨水，倒映着两侧建筑的轮廓
中景——巷子两侧是白墙黛瓦的徽派建筑，墙根长着青苔，一家店铺门口挂着红灯笼
远景——巷子尽头是一座石拱桥的半边轮廓，桥后面的远山隐在雨雾里
三层写上去，画面从"一面墙"变成了"一个你能走进去的空间"。前景的水面倒影给了地面质感，中景的建筑给了生活气息，远景的雨雾山影给了意境和纵深。这就是层次感的力量。
## 五、细节修饰——出彩的关键
细节是区分"还行"和"惊艳"的分水岭。花瓣上的露珠、铠甲上的划痕、桌面散落的面包屑——这些东西让AI明白你要的不是模板，是作品。
少即是多
细节不是越多越好。当独立细节元素超过10-15个时，AI开始顾此失彼——像一个同时被下了太多单的服务员。把预算花在最关键的2-3个点睛细节上，比撒胡椒面式地列20个细节效果好得多。
细节的优先级排序
哪些细节该写、哪些该砍？按这个优先级来：
如果你只有三个细节的预算（大多数情况确实如此），全部砸在第一优先级上。一个好的叙事细节顶十个装饰。"猫爪旁边放着一个倒了的牛奶杯"——这一个细节就暗示了一整个小故事，比列十件摆设有意思得多。
## 六、光影色调——画面的情绪开关
同一个场景，换一种光线，情绪截然不同。光影是最容易被新手忽略、却对成图质量影响最大的要素之一。它不是装饰，它是情绪本身。
专业打光术语：说对灯光的名字
你不需要成为摄影师，但知道几种经典打光方式的名字和效果，能让你的提示词从"业余"跳到"内行"。AI训练数据里包含大量专业摄影作品，它对这些术语非常敏感。
色温：冷暖之间的情绪刻
色温是一个被严重低估的控制变量。简单说，色温低（2700K-3500K）画面偏暖黄/橙，像傍晚的壁炉；色温高（6500K-8000K）画面偏冷蓝/白，像阴天的北欧。你不需要在提示词里写具体的开尔文数值，但可以用这些关键词精确控制：
💡 光影描述的颗粒度
新手写"明亮的光线"，老手写"从左上方45度射入的暖色侧光，在主体右侧脸颊形成柔和的阴影过渡"。区别在哪？新手只给了"亮度"一个维度，老手给了"方向+角度+色温+硬度+效果"五个维度。维度越多，AI可操作的指令越精确，惊喜的概率就越高。不需要每次都写五个维度——但至少给两到三个，效果就会有质的飞跃。
## 七、质量词——最后的增益Buff
质量词放在提示词末尾，告诉AI你要的精度等级。它的作用类似游戏里最后的"增益Buff"——不决定方向，但能拉高上限。
2025-2026年的变化：质量词正在贬值
这里必须说一句实话：质量词的重要性正在下降。GPT-4o、Gemini nano-banana、Seedream 4.0这些2025-2026年的主流模型，默认输出质量已经很高。你写不写"4K, high detail, masterpiece"，出来的图区别不大——模型已经把这些当成了默认设定。
质量词目前主要在两个场景还有明显效果：一是Stable Diffusion系的开源模型，它们对质量词仍然非常敏感，"masterpiece, best quality"几乎是必写项；二是当你需要强调某个特定维度的质量（比如"8K macro detail"强调微距细节，"cinematic color grading"强调电影级调色），这时候质量词不是在说"给我好的"，而是在说"给我这个方向上好的"。
💡 质量词使用建议
对于GPT-4o/Gemini/Seedream等新模型：省略通用质量词（4K、high detail），把精力花在前六个要素上。如果需要，只写方向性质量词（如"cinematic""editorial""studio quality"）。
对于Stable Diffusion系模型：仍需要标准质量词组合，如"masterpiece, best quality, highly detailed, sharp focus"。
简单说：质量词从"必需品"变成了"看情况的加分项"。
## 八、七要素的权重排序
七个要素对最终成图的影响力并不相等。根据大量实测，大致排序如下（影响力从高到低）：
风格和主体并列第一。风格决定"怎么画"，主体决定"画什么"，这两个信息缺一不可，AI对它们的依赖最重。
光影色调排第三，容易被低估。很多人写了详细的主体和背景，忘了指定光影，结果AI给了一个平淡的默认打光，整张图就少了那口气。
背景和细节居中，构图随后。背景提供舞台，细节增加信息量，构图确定视角。三者缺了不致命但有了大加分。
质量词排最后。前面六个要素写好了，质量词是最后的抛光；前面写得稀烂，质量词救不了。
为什么前面的要素权重更高？
这不是玄学，背后有技术原因。大多数图像生成模型在处理提示词时，采用的是类似于"注意力机制"的方式——越靠前的token（词/词组）获得的注意力权重越高，越靠后的token权重逐步衰减。你可以把它想象成一个人读一段话：开头的内容记得最清楚，结尾的内容容易被一笔带过。这就是为什么风格要放在最前面——它占据了注意力最集中的黄金位置。
Midjourney V7对此更加极端：它的提示词解析器偏好"短句+高信号关键词"，冗长的描述在后半段几乎会被忽略。而GPT-4o/5则宽容得多，它能较为均匀地处理长段描述中的每个指令。所以"前重后轻"的写法策略对MJ系用户是硬需求，对GPT系用户是好习惯。
## 九、模型感知：同一张图纸，不同工匠的读法
七要素公式是通用框架，但不同模型对这七个要素的"读法"不一样。这就像同一张建筑图纸交给不同的施工队——德国队会严格按毫米执行，意大利队可能给你加点即兴发挥，日本队会在细节上做到极致。
2026年的核心共识是：提示词策略是模型特定的（model-specific）。用写给MJ的提示词直接喂GPT-4o，或者反过来，效果都会打折扣。不是公式错了，是"翻译"方式不对。
实操建议：先用七要素框架把内容想清楚，然后根据目标模型的"口味"做翻译。同一个画面，给MJ写可能是20个词的精炼短句，给GPT-4o写可能是一段80词的段落描述，给SD写可能是一串加权关键词。框架不变，表达方式适配。
💡 关于模型感知的边界说明
本节只是点明"不同模型读法不同"这个关键认知。各模型的详细操作指南、参数体系、工作流，将在第二章"工具选择"中逐一展开，这里不重复。记住核心原则就够了：了解你的工具，然后适配你的表达。
## 十、实战：从零搭建一条提示词
理论讲完了，来看完整的提示词是怎么从零搭建的。两个案例，一个是意境型（古诗配图），一个是商业型（产品图），让你看到同一套框架在不同场景下的填法差异。
案例一：给一首古诗配意境图
目标：为苏轼《水调歌头》配一张"明月几时有，把酒问青天"的意境画面。
案例二：电商产品图——一瓶香水
目标：为一款小众香水品牌拍一张高端感的产品宣传图。
![案例二：香水产品图七要素拆解]
两个案例，一个用中文写给国产模型（即梦/Qwen），一个用英文写给GPT-4o/MJ。七要素框架完全一样，但填法、语言、侧重点完全不同。这就是框架的价值——它不限制你的创意，只是确保你不遗漏关键信息。
## 本章小结
七要素公式的本质是一个检查清单：风格、构图、主体、背景、细节、光影、质量词。每写一条提示词，过一遍这七个格子，缺的补上，多的砍掉。写多了就成肌肉记忆，不需要对着清单一条条填。
但请记住：公式是骨架，不是牢笼。当你对某个要素有特殊想法时，大胆打破常规。最好的提示词工程师不是最严格遵守公式的人，而是最清楚"什么时候该遵守、什么时候该打破"的人。
下一章，我们来聊工具——你手里这张图纸，该交给哪支施工队。
