Prompt Engineering：AIGC 设计师的核心竞争力
上周在火星人教育的课堂上，一位学员小陈拿着他生成的“赛博朋克城市”作品给我看——画面诡异，霓虹灯牌上的文字像鬼画符，建筑比例完全失调。他苦恼地说：“老师，我已经用了‘赛博朋克、未来城市、霓虹灯’这些词，为什么出来的效果还是像十几年前的劣质游戏截图？”
这个问题我每天都在听到。很多设计师以为 AIGC 就是“输入几个关键词，等奇迹发生”，结果往往等来的是“车祸现场”。真正的 Prompt Engineering，不是简单的关键词堆砌，而是像写代码一样精确地控制 AI 的“思维路径”。 今天我们就用两个实操案例，拆解如何通过结构化提示工程，让 Midjourney 和 Stable Diffusion 真正成为你的设计利器。
一、从“玄学”到“科学”：提示词的底层逻辑
1.1 为什么你的提示词总“翻车”？
我们先看一个典型错误案例。学员小陈的原始 Prompt 是：
cyberpunk city, neon lights, future, busy street, rain, high quality
这个提示词犯了三个致命错误：
- 模糊的形容词：“high quality”“future”对 AI 来说没有具体标准
AI 在处理这种提示词时，会像无头苍蝇一样在“赛博朋克”这个大类里随机采样，结果就是画面混乱、细节缺失。
2.2 结构化提示词框架
经过大量测试，我们总结了适合设计师的 T.A.R.G.E.T. 框架：
—
二、实操案例1：用 Midjourney 生成电影级概念设计
2.1 工具与环境配置
2.2 从垃圾到杰作：逐层优化
初始版本（失败）：
a futuristic city with flying cars, sunset, mountains in background
产出：画面平淡，飞车像漂浮的玩具，山体缺乏层次。
优化后 Prompt：
Cinematic wide shot of a neon-lit megacity at golden hour, flying cars leaving light trails, background has snow-capped mountains with mist, foreground shows a rain-slicked street with reflections, volumetric lighting, lens flare, shot on 35mm film, grain texture, Denis Villeneuve style, cyberpunk aesthetic, hyperdetailed architecture, --ar 16:9 --v 6 --style raw --seed 12345
关键优化点：
1. 视角明确：`Cinematic wide shot` 替代模糊的 `futuristic city`
2. 光照控制：`golden hour` + `volumetric lighting` 形成戏剧性光影
3. 风格锚点：`Denis Villeneuve style`（《银翼杀手2049》导演）锁定灰冷色调
4. 物理细节：`light trails`（光轨）`reflections`（反射）`grain texture`（颗粒感）
2.3 迭代技巧：用“–iw”参数控制权重
当你需要保留某次生成的构图，但调整风格时，可以使用 `–iw`（图像权重）参数。例如：
/imagine prompt: original scene with different color palette --iw 0.5
`–iw` 值范围 0-2，数值越高，越保留原图特征；数值越低，越听从文本提示。
—
三、实操案例2：Stable Diffusion 的 ControlNet 精准控制
3.1 工具与插件配置
3.2 案例：为产品海报生成背景
需求：为某款运动鞋生成一个“城市夜景运动感”的背景，要求建筑透视与产品角度匹配。
步骤1：准备线稿控制
1. 上传一张简单的建筑线稿（可用 Photoshop 快速绘制）
2. 在 ControlNet 中选择 `Canny` 模式，权重 0.8
3. 勾选 `Pixel Perfect`（自动匹配尺寸）
步骤2：撰写结构提示词
Prompt: dynamic sports scene, runner on a futuristic bridge, city skyline at night, neon lights reflecting on wet ground, motion blur on legs, photorealistic, 8K, shot on Canon EOS R5 with 24-70mm lens, low angle, dramatic lighting
Negative Prompt: text, watermark, deformed hands, extra limbs, blurry face, low quality, jpeg artifacts
步骤3：参数设置
3.3 进阶：用 LoRA 锁定品牌风格
如果你需要为同一品牌生成系列海报，可以训练一个 LoRA 模型。步骤如下：
1. 收集素材：20-30 张品牌过往海报（分辨率 ≥ 1024）
2. 打标：使用 `WD14 Tagger` 自动生成标签
3. 训练：在 Kohya_ss 中设置 `Repeat=10`，`Epoch=20`
4. 调用：在 Prompt 中加入 `
—
四、总结与进阶建议
今天我们从“为什么提示词总翻车”出发，通过两个实操案例展示了结构化 Prompt Engineering 的核心方法。记住三点：
1. 框架优于灵感：用 T.A.R.G.E.T. 框架替代直觉堆词
2. 参数是画笔：`–iw`、`CFG Scale`、`ControlNet` 权重都是可调参数
3. 迭代胜于完美：先固定种子值，再逐层优化细节
进阶学习路径：
最后，送大家一句话：Prompt Engineering 不是魔法，而是编程。 当你像写代码一样写提示词时，AI 就不再是玩具，而是真正的生产力工具。
—
常见问题 FAQ
Q1：为什么我用同样的提示词，生成的结果每次都不同？
A：这是正常的。AI 模型有随机性，建议使用 `–seed`（Midjourney）或设置随机种子（Stable Diffusion）来固定结果。如果需要完全一致，可以同时固定 `seed` 和 `CFG Scale`。
Q2：如何让 AI 生成特定分辨率？
A：Midjourney 用 `–ar` 参数控制比例（如 `–ar 16:9`），实际分辨率由平台决定。Stable Diffusion 可直接设置宽高（建议 1024×1024 以内），超出需要开启 Hires.fix。
Q3：Negative Prompt 真的有用吗？
A：非常有用。它像“禁止列表”，能有效避免常见缺陷。建议针对不同任务准备不同的 Negative Prompt 模板，例如人物生成时加入 `deformed hands, extra fingers`。
Q4：LoRA 训练需要多少张图？
A：最少 15 张高质量图像，但 30-50 张效果最佳。注意图像要风格统一（如同系列产品图），且分辨率不低于 1024。
Q5：如何判断 Prompt 是否“过拟合”？
A：如果 AI 生成的画面出现重复纹理、不自然的对称、或过度依赖某个关键词（如每个物体都带有“发光”效果），说明提示词过于狭窄。此时应增加描述多样性，或降低相关权重。
评论(0)