Prompt Engineering：AIGC 设计师的核心竞争力

Prompt Engineering：AIGC 设计师的核心竞争力

上周三深夜，我收到一位学员的微信：“老师，我用 Midjourney 生成了一下午的图，没有一张能用的。要么是手部畸形，要么是风格完全跑偏。我是不是没有天赋？”

我点开她发来的图片——一张“赛博朋克风格的女战士”，画面锐利、色彩浓烈，但仔细看，角色的左手有六根手指，背景的霓虹灯牌上写着一串乱码。这不是天赋问题，这是 Prompt 的问题。

这位学员的原始指令是：“cyberpunk female warrior, neon, detailed”。她用了三个词，却期待 AI 能读懂她对“废土美学”“义体改造”“雨夜反光”的所有想象。这就像你走进一家米其林餐厅，只跟主厨说“我要吃的”，然后抱怨菜不好吃。

在 AIGC 时代，Prompt 就是设计师的“设计图纸”。Midjourney、Stable Diffusion、DALL·E 3 这些工具，本质上都是“极度听话但缺乏常识的实习生”。你给的信息越模糊，它发挥的“自由意志”就越大，结果就越不可控。今天，我们就把 Prompt Engineering 拆开揉碎，讲清楚它为什么是 AIGC 设计师的底层竞争力。

一、从“关键词堆砌”到“结构化指令”：一个真实的 Midjourney 案例

我们先做一个对比实验。假设你要生成一张“未来城市空中花园”的概念图。

低级 Prompt：

futuristic city with hanging gardens, concept art, 8k

Midjourney v6 会给你一张“看起来还行”的图——有漂浮的岛屿、有绿植、有未来感建筑，但构图平庸，光影混乱，植物和建筑的比例失调，整体像一张“AI 味”很重的合成图。

高级 Prompt：

isometric view of a vertical city in 2150, hanging gardens cascading from hexagonal glass domes, bioluminescent plants glowing softly at dusk, flying vehicles leaving light trails, architectural concept art by Syd Mead and Zaha Hadid, volumetric lighting, ultra-detailed, 8k, --ar 16:9 --v 6.0 --style raw

这串 Prompt 包含七个关键模块：
1. 视角与构图（isometric view）
2. 时间与空间设定（vertical city in 2150）
3. 核心元素描述（hanging gardens, hexagonal glass domes）
4. 材质与氛围（bioluminescent plants, volumetric lighting）
5. 风格锚定（by Syd Mead and Zaha Hadid）
6. 画质参数（ultra-detailed, 8k）
7. 模式参数（–ar 16:9 –v 6.0 –style raw）

结果天差地别。前者是“一张图”，后者是“一���符合你设计意图的图”。

核心方法论： 我称之为 “5W1H 结构法”——Who（主体）、What（动作/状态）、Where（环境）、When（时间/光线）、Why（氛围/情绪）、How（风格/媒介）。把每个维度写清楚，AI 的“想象力”就被你锁在了框架里。

二、进阶操作：用“负面 Prompt”和“权重语法”精确控制输出

很多设计师不知道，Stable Diffusion WebUI 里有一个被严重低估的功能——Negative Prompt（负面提示）。它告诉 AI“我不要什么”，这比“我要什么”更能快速收敛结果。

实操案例： 生成一张“极简主义办公椅”的产品渲染图。

基础 Prompt：

minimalist office chair, product render, white background, studio lighting

如果你只写这些，SD 会给你一张“还行”的图，但大概率会出现：椅腿有奇怪的金属反光、坐垫材质像塑料、背景不够纯净。

加入负面 Prompt 后：

minimalist office chair, product render, white background, studio lighting
Negative prompt: blurry, low quality, distorted legs, extra parts, plastic texture, reflection on floor, text, watermark, oversaturated, cluttered background

这组负面词直接砍掉了最常见的“翻车点”。在 SD XL 模型下，配合 `–cfg scale 7`，出图精度会明显提升。

进阶技巧：权重语法（只适用于 SD 系）

a [chair:bench:0.6] in a [white:black:0.3] studio

这里的语法含义是：前 60% 的采样步数画“chair”，后 40% 画“bench”，实现渐变过渡；背景色在 30% 步数时从白色过渡到黑色。这是做风格融合实验的利器，在概念设计阶段特别有用。

三、从“单张生成”到“批量探索”：DALL·E 3 与 GPT-4V 的协同工作流

很多设计师把 AIGC 工具孤立使用，这是最大的误区。真正高效的流程是“多模型协同”。

我的日常设计流：
1. 用 GPT-4V 做“Prompt 医生”：把一张不满意的图丢给 GPT-4V，输入指令“Analyze this image and suggest 3 specific improvements for the composition and lighting, then rewrite the prompt accordingly.”（分析这张图，对构图和光线提出 3 条具体改进建议，然后重写 Prompt。）它会给出非常专业的修改方向。
2. 用 DALL·E 3 做“快速草图”：DALL·E 3 在理解复杂语义上最强，适合生成“参考版式”和“构图草图”。虽然细节不如 MJ，但胜在快。我通常用它出 10 张“缩略图”，挑出 2 张最满意的，把它们的 Prompt 复制到 MJ 里精修。
3. 用 Midjourney 做“终稿渲染”：MJ v6 的细节和光影是三者中最强的，配合 `–stylize 250`（数值越高艺术性越强，越低越遵循 Prompt）和 `–tile`（无缝平铺）参数，能出高质量成品。

真实案例： 上个月，一位学员要设计“新能源充电桩的户外广告主视觉”。她用 GPT-4V 分析了 5 张竞品图，总结出“流线型 + 蓝绿渐变 + 城市天际线背景”的共性，然后让 GPT-4V 重写了一个包含“golden hour light”“carbon fiber texture”“futuristic skyline”的 Prompt。她把这段 Prompt 分别输入 DALL·E 3 和 MJ，各出 8 张图，最终选出一张 MJ 的图，用 Photoshop 的 Generative Fill 扩展了画布，直接交付给客户。全程不到 40 分钟。

四、Prompt 的“反模式”：为什么你写的词越多，图越糟？

有个反直觉的现象：很多新手以为 Prompt 越长越好。但在我审阅的 3000+ 条学生 Prompt 中，超过 80% 的失败案例是“词藻堆砌”。

典型反面教材：

ultra beautiful, amazing, stunning, incredible, masterpiece, best quality, 8k, 4k, hdr, hyper detailed, cinematic lighting, photorealistic, 3d render, octane render, unreal engine 5, artstation trending, award winning photo

这段 Prompt 全是“形容词和平台标签”，没有任何“实体信息”。AI 会把它当成噪音，然后随机发挥。Midjourney 官方文档明确说明：`–quality` 参数和“best quality”这类词无关，真正的画质由模型版本和参数决定。

正确的“词频策略”：

• 名词 > 动词 > 形容词。名词提供实体信息（物体、材质、环境），动词提供动作逻辑，形容词只是“调味料”。

五、总结与进阶建议

Prompt Engineering 不是“写作文”，而是“结构化沟通”。它考验的是你对设计元素的理解、对工具参数的掌握，以及“用文字构建视觉”的能力。

给不同阶段设计师的建议：

1. 初级（0-3 个月）： 不要追求“一次出图”。把时间花在“拆解别人好的 Prompt”上。在 Midjourney 社区或 Civitai 上，复制高赞作品的 Prompt，逐词删减，看哪个词影响了什么。这是最快的提升方式。

2. 中级（3-12 个月）： 建立自己的 “Prompt 素材库”——按“材质”“光线”“构图”“风格”分类，像整理设计素材一样整理词汇。推荐用 Notion 或 Obsidian 做标签管理。

3. 高级（1 年以上）： 学习 “多模型协同” 和 “ControlNet 控制”（SD 系）。ControlNet 能让你用线稿、深度图、姿态图精确控制生成结果，这是从“AI 出图”到“AI 按我的图纸出图”的关键一步。

最后送大家一句话：“AI 不会取代设计师，但会用 AI 的设计师会取代不会用的。” 而 Prompt 就是你握在手里的方向盘。

—

常见问题 FAQ

Q1：我写的 Prompt 很详细，但 Midjourney 还是总忽略某个关键元素，怎么办？
A：把那个元素放在 Prompt 最前面，并且增加它的“权重”。在 MJ 里用 `::` 分割并加权，例如 `cyberpunk city::2 neon lights::1.5`，数字越大权重越高。另外，检查是否被 `–no` 参数误伤。

Q2：SD 和 MJ 的 Prompt 写法能通用吗？
A：不完全通用。MJ 更擅长理解自然语言描述，SD 对“词序”和“权重语法”更敏感。建议 MJ 用完整句子，SD 用逗号分隔的关键词组，并善用 `(word:1.2)` 这种权重标记。

Q3：为什么我用同样的 Prompt，生成结果每次都不一样？
A：这是正常的。AI 生成有随机性，MJ 的 `–seed` 参数可以固定种子值，SD 在设置里勾选“固定随机种子”。但如果你想要“多样性��，就保持随机，多抽几次卡。

Q4：如何避免生成图片的“AI 味”（过于光滑、塑料感）？
A：在 MJ 中加 `–style raw` 减少默认美化；在 SD 中降低 `–cfg scale`（比如从 7 降到 4-5），给模型更多“自由发挥”空间。另外，后期在 PS 里加一层胶片颗粒或噪点纹理，能有效消除“塑料感”。

Q5：有没有推荐的 Prompt 学习资源？
A：Midjourney 官方文档（必读）、Civitai（看高手作品和参数）、PromptHero（搜索风格化 Prompt）。另外，我强烈建议你“逆向工程”——把喜欢的图下载下来，用 GPT-4V 反推 Prompt，再自己改一遍，这比看一百篇教程都管用。