最近在整理 AI 绘画提示词库时，发现很多朋友虽然掌握了基础语法，但生成的图片总是差强人意，要么风格混乱，要么细节缺失。这背后往往不是模型能力问题，而是提示词（Prompt）的构建不够精准和系统。一套好的提示词，就像给 AI 画师的详细工作指令，能极大提升出图质量和可控性。

本文将以Seedance 2.5 提示词精选集的发布为契机，系统性地拆解高质量提示词的构建方法论。无论你是刚接触 Stable Diffusion、Midjourney 的新手，还是希望提升出图稳定性的进阶玩家，都能从中获得一套从理论到实战的完整方案。我们将涵盖核心语法结构、风格标签库、负面提示词避坑、参数调优以及如何将这些元素组合成高效的提示词配方。

1. 提示词的核心概念与作用

在开始构建提示词之前，我们必须理解它的本质。提示词并非简单的关键词堆砌，而是一种结构化的、面向 AI 图像生成模型的“编程语言”。

1.1 什么是提示词（Prompt）？

提示词是用户输入给文本到图像（Text-to-Image）生成模型的一段文本描述，用于指导模型生成符合预期的图像。它通过将自然语言转换为模型能够理解的潜在空间表示，来影响图像的内容、风格、构图、细节和氛围。

1.2 提示词如何工作？

以 Stable Diffusion 为例，其工作流程可以简化为：

1. 文本编码：CLIP 文本编码器将你的提示词转换为一系列数值向量（嵌入）。
2. 去噪过程：模型在一个充满随机噪声的初始图像上，根据文本向量的引导，逐步去除噪声。
3. 图像形成：经过多次迭代（采样步数），最终形成一张清晰的、与提示词语义相关联的图像。

因此，提示词的质量直接决定了文本编码的“清晰度”，从而影响去噪过程的方向和最终图像的保真度。

1.3 提示词的构成要素

一个高效的提示词通常包含以下层次（权重从高到低）：

1. 主体描述：核心人物、物体、场景是什么？（如：a beautiful elf warrior）
2. 细节刻画：外观、服饰、动作、表情的细节。（如：intricate silver armor, flowing white hair, holding a glowing sword, determined expression）
3. 风格与质量：艺术风格、渲染引擎、画质要求。（如：digital painting, concept art, unreal engine 5, masterpiece, best quality, 8k）
4. 构图与镜头：视角、景别、镜头语言。（如：full body shot, dynamic angle, cinematic lighting）
5. 环境与氛围：背景、光线、天气、情绪。（如：in a mystical forest, sunset, volumetric fog, epic atmosphere）
6. 负面提示词：明确不希望出现的内容。（如：ugly, blurry, bad hands, extra fingers, watermark）

理解了这个结构，我们就能像搭积木一样，系统性地构建提示词。

2. 环境准备与工具说明

虽然提示词本身是文本，但为了验证和优化它们，我们需要一个运行环境。本文的示例和思路主要基于Stable Diffusion WebUI (AUTOMATIC1111)，因其开源、免费且功能强大，但核心方法论同样适用于 Midjourney、DALL-E 3 等平台。

2.1 基础环境

• 操作系统：Windows 10/11, macOS, Linux 均可。
• 硬件建议：拥有至少 6GB 显存的 NVIDIA GPU 能获得较好体验。CPU 模式也可运行但较慢。
• 主要工具：Stable Diffusion WebUI。你可以从其 GitHub 仓库获取安装指南。

2.2 关键模型与资源

• 基础模型：推荐从Civitai或Hugging Face下载流行的 Checkpoint 模型，如SDXL 1.0、Realistic Vision、DreamShaper等。不同模型对提示词的响应风格不同。
• LoRA/LyCORIS：用于微调风格或特定人物特征的小型模型，能极大扩展创作空间。
• VAE：用于改善颜色和细节的模型。
• Embeddings/Textual Inversion：将复杂概念（如特定风格、物体）编码成关键词，能有效控制生成。

版本说明：WebUI 及模型迭代迅速，本文重点在于提示词构建的通用原则和实战方法。具体操作界面可能随版本更新略有变化，但核心逻辑不变。

3. 提示词语法精讲与权重控制

仅仅堆砌关键词是不够的，我们需要掌握“语法”来精确表达意图。

3.1 基础语法：连接与分隔

• 逗号分隔：最常用的分隔符，用于区分不同的概念。a cat, on a sofa, sunny afternoon
• 自然语言：也可以写成完整的句子，但逗号分隔通常更高效、更易于模型解析。

3.2 进阶语法：强调与弱化（权重控制）

这是提示词工程的核心技巧，用于调整某个概念在生成过程中的重要性。

1. 括号强调法(keyword)

• (keyword)：将keyword的权重提高至 1.1 倍。
• ((keyword))：提高至 1.1 * 1.1 ≈ 1.21 倍。
• [keyword]：将权重降低至 0.9 倍。
• 可以嵌套，如(((keyword)))。

2. 数字权重法(keyword:1.3)

• 更精确的控制方式。(keyword:1.5)表示将keyword的权重设置为 1.5 倍。
• (keyword:0.8)表示弱化。
• 这是Seedance 2.5 精选集中大量使用的技术，能精细调整画面元素的主次关系。

3. 交替语法[cat|dog]

• 让模型在cat和dog之间“犹豫”，可能产生混合体或随机选择其一。用于探索创意或增加随机性。

3.3 组合与结构

一个优秀的提示词是结构化的。通常顺序遵循“主体 -> 细节 -> 风格 -> 质量 -> 构图”的流程，但权重高的元素（用括号强调的）即使放在后面也可能更突出。

示例对比：

• 平淡的提示词：a girl with red hair in a city, painting
• 结构化、加权重的提示词：

  (masterpiece, best quality, 8k), 1girl, (vibrant red long hair:1.3), elegant dress, standing on a neon-lit cyberpunk city street at night, (cinematic lighting:1.2), (detailed face:1.2), by Greg Rutkowski and Artgerm, trending on artstation Negative prompt: ugly, deformed, bad anatomy, blurry, lowres

  后者通过权重控制和风格标签，对画面有了极强的引导性。

4. Seedance 2.5 提示词精选集实战解析

“Seedance 2.5 提示词精选集”并非指一个特定的软件，而是代表一套经过系统整理和验证的高质量提示词构建体系。下面我们将其拆解为可复用的模块。

4.1 模块一：质量与风格强化标签库

这是一组“万能”前缀，能显著提升图像的基准质量。你可以将其作为大多数提示词的开头。

(masterpiece, best quality, ultra-detailed, 8k resolution), (illustration, beautiful and aesthetic), <lora:add_detail:0.5>

• masterpiece, best quality：向模型请求最高质量的输出。
• ultra-detailed, 8k resolution：请求高细节。
• illustration, beautiful and aesthetic：定下美观、插画的基调。
• <lora:add_detail:0.5>：可选，调用一个名为add_detail的 LoRA 模型来增加细节，权重为 0.5。

4.2 模块二：人物与角色刻画

这是提示词的核心主体部分。

1girl, (solo:1.2), (looking at viewer:1.1), (perfect eyes:1.3), (elegant smile:1.2), flowing white hair, wearing a intricate fantasy gown, (detailed hands:1.2)

• 1girl：明确主体数量与类型，避免出现多人。
• (solo:1.2)：强调“单独一人”，权重1.2。
• (looking at viewer:1.1)：眼神交流，增加生动性。
• (perfect eyes:1.3)/(detailed hands:1.2)：重点强化AI容易出错的部位（手、眼）。
• 对发型、服装进行具体描述。

4.3 模块三：场景、光影与氛围

构建画面背景和情绪。

in a serene magical forest, (sunlight filtering through leaves:1.3), (volumetric fog:1.2), (ethereal atmosphere:1.2), (fantasy style:1.1)

• in a serene magical forest：基础场景。
• (sunlight filtering through leaves:1.3)：具体的光影效果，高权重。
• (volumetric fog:1.2)：体积雾，增加层次感和氛围。
• ethereal atmosphere：定义整体氛围为“空灵”。

4.4 模块四：艺术家与风格引擎

这是控制画面风格的“魔法关键词”。

by Greg Rutkowski and Alphonse Mucha, (artstation trending), (unreal engine 5 render:1.2)

• by Greg Rutkowski：引用特定艺术家（擅长奇幻史诗风格），能强烈影响笔触和色彩。
• artstation trending：指向现代数字艺术审美。
• (unreal engine 5 render:1.2)：模拟游戏引擎渲染效果，画面更干净、立体、光影真实。

4.5 模块五：负面提示词（Negative Prompt）精选

负面提示词同样重要，它告诉模型要避开什么。一个强大的负面提示词能解决很多常见问题。

(worst quality, low quality:1.4), (bad anatomy, deformed, disfigured:1.3), (extra fingers, mutated hands, poorly drawn hands:1.4), (blurry, jpeg artifacts), (text, watermark, signature), (ugly, morbid), (extra limbs), missing limbs

• 质量类：worst quality, low quality直接要求排除低质图像。
• 解剖结构类：bad anatomy, deformed针对整体畸形；extra fingers, mutated hands专门针对手部问题。
• 瑕疵类：blurry, jpeg artifacts去除模糊和压缩痕迹。
• 内容类：text, watermark避免生成水印和文字。

组合使用示例： 将以上模块组合，形成一个完整的提示词：

### Positive Prompt: (masterpiece, best quality, ultra-detailed, 8k resolution), (illustration), 1girl, (solo:1.2), (looking at viewer:1.1), (perfect eyes:1.3), elegant smile, flowing white hair, wearing a intricate fantasy gown, in a serene magical forest, (sunlight filtering through leaves:1.3), (volumetric fog:1.2), (ethereal atmosphere:1.2), by Greg Rutkowski and Alphonse Mucha, (artstation trending), (unreal engine 5 render:1.2) ### Negative Prompt: (worst quality, low quality:1.4), (bad anatomy, deformed, disfigured:1.3), (extra fingers, mutated hands, poorly drawn hands:1.4), (blurry, jpeg artifacts), (text, watermark, signature), (ugly, morbid), (extra limbs), missing limbs

使用这个组合提示词，在合适的模型（如DreamShaper或Realistic Vision）下，配合适当的采样器（如 DPM++ 2M Karras）和步数（20-30），就有很高概率生成一张高质量的奇幻风格角色立绘。

5. 参数调优与提示词的协同工作

提示词不是孤立的，需要与生成参数配合才能达到最佳效果。

5.1 采样器与采样步数

• 采样器：Euler a创意性强，DPM++ 2M Karras细节好、稳定。DDIM速度较快。多尝试找到适合当前模型的。
• 采样步数：一般 20-30 步足以。步数过低细节不足，过高可能引入噪声且耗时。对于复杂提示词，可适当增加到 30-40 步。

5.2 引导尺度

• CFG Scale：控制模型遵循提示词的程度。通常 7-12 是安全范围。
  • 过低（<5）：图像自由发散，可能忽略提示词。
  • 过高（>15）：图像可能颜色过饱和、构图僵硬。对于强调艺术感的提示词，CFG 7-9 可能更自然。

5.3 种子与变化

• 种子：固定种子可以完全复现同一张图。这是测试提示词微调效果的黄金标准。
• 实践方法：
  1. 用一个种子生成一张基础图。
  2. 仅修改提示词中的一个词或权重，保持种子不变。
  3. 对比两张图，你就能清晰看到该关键词带来的精确影响。

5.4 高清修复

对于追求极高细节的图片，使用“高清修复”功能。在生成一张小图后，用更高的分辨率（如 2倍）和较低的“重绘幅度”（0.3-0.5）进行放大和细节重塑，这能有效补充提示词描述的细节。

6. 常见问题与排查思路

在实践过程中，你可能会遇到以下问题：

7. 最佳实践与工程化建议

将提示词管理工程化，能极大提升你的创作效率和出图稳定性。

7.1 建立个人提示词库

• 分类管理：按主题（人像、风景、科幻）、风格（二次元、写实、油画）、用途（头像、壁纸、概念图）建立不同的.txt文件或使用 WebUI 的“预设样式”功能。
• 模块化存储：将“质量前缀”、“负面提示词通用库”、“艺术家列表”、“光影词汇”等作为独立模块保存，方便快速组合。

7.2 迭代与实验方法

• 单一变量原则：调试时，一次只修改一个词、一个权重或一个参数，固定种子进行对比。这是理解每个元素作用的唯一方法。
• 记录与复盘：对成功的生成，务必保存其提示词、参数（采样器、步数、CFG）、模型和种子。建立自己的成功案例库。

7.3 使用高级工具

• 动态提示词：学习使用Wildcards语法（如__color__），从一个文本文件中随机选取词条，用于批量生成或增加多样性。
• 提示词编辑：在生成过程中切换提示词（如从“冬天”切换到“夏天”），可以实现有趣的渐变效果。
• XYZ 图表：利用 WebUI 的脚本功能，同时测试一个参数（如权重、CFG）在不同值下的效果，生成对比图网格，这是科学调参的利器。

7.4 伦理与版权意识

• 尊重原创：当使用特定艺术家名字时，应意识到这是在模仿其风格。用于商业项目时需谨慎。
• 人物一致性：通过 LoRA、Textual Inversion 训练特定人物脸型时，确保你拥有相应肖像权或已获授权。
• 内容安全：避免生成令人不适或非法的内容。合理使用负面提示词进行约束。

掌握提示词工程，是从“随机抽卡”到“可控创作”的关键一步。本文通过拆解Seedance 2.5 提示词精选集背后的方法论，为你提供了一套从语法基础、结构搭建、模块化设计到参数协同的完整工作流。

真正的熟练来自于实践。建议你：

1. 从模仿开始：使用文中提供的完整示例，在你的本地环境中复现，感受每个模块的作用。
2. 动手拆解：找到一张你喜欢的AI作品，尝试逆向分析其可能使用的提示词结构。
3. 建立流程：按照“质量基底 -> 主体刻画 -> 场景氛围 -> 风格指定 -> 负面过滤”的流程，构思你的下一个作品。
4. 善用工具：将验证有效的提示词片段保存为预设，逐步积累你的私人武器库。

提示词是人与AI协作的桥梁，精炼而准确的指令，能让你的创意得到最大程度的展现。现在，打开你的 Stable Diffusion WebUI，开始构建你的第一个“精选级”提示词吧。如果在实践中遇到具体问题，欢迎在社区分享你的提示词和成果，与其他创作者共同探讨优化方案。