Prompt Engineering：AIGC 设计师的核心竞争力
上周在火星人教育的AIGC实战班上，学员小李拿着两张图来找我——左图是他用“一只猫在花园里”生成的，画面模糊、构图歪斜，猫的腿有六条；右图是他花了两小时反复调整后得到的，光影通透、毛发细节清晰，甚至能看出花园里玫瑰花瓣上的露珠。他问我：“老师，同样的工具，为什么差距这么大？我是不是应该学更多软件？”
我告诉他：你缺的不是工具，而是控制工具的语言。这种语言，就是Prompt Engineering——提示词工程。在AIGC时代，设计师的核心竞争力不再是操作某个软件的熟练度，而是用精准的指令让AI理解你的设计意图。今天，我们就用两个实操案例，拆解如何从“随缘出图”变成“精准控制”。
—
一、从“描述”到“工程”：提示词的结构化思维
很多设计师把写提示词当成“写作文”，想到什么说什么。比如“一个穿红色裙子的女孩在雨中跳舞，背景是巴黎街道，有霓虹灯”。这种描述能出图，但结果往往不可控——AI��能会把女孩画成卡通风格，雨滴变成雪花，霓虹灯变成中文招牌。
Prompt Engineering的核心，是把创意需求拆解成可量化的参数指令。 就像写代码一样，每个关键词都有明确的“函数”作用。以Midjourney v6.1为例（目前最新版本，2024年10月更新），一个高效的提示词结构应该包含五个模块：
- 主体：明确描述对象及其属性（材质、颜色、姿态）
实操案例1：用“参数化”提示词生成电影级产品图
假设我们要生成一张“复古机械手表在木桌上的产品摄影图”。初级提示词可能是：
`“Old mechanical watch on wooden table, product photography”`
结果：表盘反光过曝，木纹模糊，背景有莫名其妙的杂物。
现在，我们用结构化思维重写：
A close-up of a vintage mechanical watch with a leather strap,
resting on a polished walnut wooden desk,
soft window light coming from the left side,
slight dust particles in the air,
shot with a 85mm macro lens, f/2.8 aperture, shallow depth of field,
in the style of commercial advertising photography,
white background with subtle gradient,
--ar 4:3 --s 250 --v 6.1
关键参数说明：
操作步骤：
1. 打开Midjourney Discord，在任意频道输入`/imagine`
2. 粘贴上述提示词（注意：提示词中不要有中文标点，逗号后用空格）
3. 按回车后，等待约30秒生成4张图
4. 用U1-U4放大某张图，或用V1-V4生成该图的变体
生成结果中，表盘的金属质感、皮革纹理、木纹细节都清晰可控。这就是“提示词工程”的力量——用精确的指令减少AI的“熵增”。
—
二、高级控制：用“负提示词”和“风格参考”锁定设计方向
结构化提示词能解决80%的基础问题，但当你需要更精细的控制时，就需要用到“负提示词”（Negative Prompt）和“风格参考图”（Image Reference）。这两个功能在Stable Diffusion WebUI和ComfyUI中尤其强大。
实操案例2：用Stable Diffusion生成“赛博朋克角色概念设计”
假设我们要设计一个“机械义肢的街头战士”，需要排除“科幻感太强、像太空服”“金属反光太亮”“背景杂乱”等问题。
步骤1：加载模型和LoRA
步骤2：编写带负提示词的提示词
正向提示词：
A muscular street warrior with a cybernetic left arm,
wearing a torn leather jacket and tactical pants,
standing in a rain-soaked alley, neon signs reflecting on puddles,
cinematic lighting, volumetric fog,
shot on a 35mm film camera, grainy texture,
detailed skin pores, realistic sweat drops,
--ar 16:9 --s 400
负提示词（在Negative Prompt框输入）：
spacesuit, astronaut, smooth plastic, shiny metal,
clean environment, daytime, bright sun,
blurry background, cartoon, 3D render,
extra limbs, deformed hands, bad anatomy
关键技巧：
步骤3：使用“风格参考图”锁定色调
如果你的正向提示词依然无法控制最终色调（比如AI把雨夜画成了橙色），可以用“Image Reference”功能：
1. 在Stable Diffusion WebUI的“img2img”标签页上传一张你喜欢的电影截图（如《银翼杀手2049》的蓝紫色调雨夜）
2. 设置`Denoising Strength`为0.3-0.5（值越低越接近参考图，值越高越自由）
3. 将上述提示词复制到提示词框，点击Generate
这样生成的画面，既保持了角色设计的细节，又统一了赛博朋克的经典蓝紫+霓虹的色调。
—
三、进阶技巧：用“提示词链”完成系列设计
在商业项目中，我们经常需要生成一系列风格统一的图——比如一个品牌的10张产品图，或者一个游戏的20张角色立绘。这时候，每次重新写提示词效率极低，而且风格容易跑偏。
提示词链（Prompt Chain） 是一种高级工程方法：把固定不变的部分写成“模板”，把可变的部分写成“变量”。例如：
模板：
[variable],
in the style of [artist],
cinematic lighting,
shot on [camera] with [lens],
--ar [ratio] --s [value]
变量替换：
在Midjourney中，可以用`–style random`和`–seed`参数结合，手动控制随机种子（`–seed 12345`），确保同一系列在构图和色彩上有延续性。
—
总结与进阶建议
Prompt Engineering不是玄学，而是一套可复制、可量化的设计方法论。它要求设计师：
1. 从“感觉”转向“参数”：把“我想要一张酷图”变成“我需要–s 300, –ar 16:9, 负提示词排除xxx”
2. 建立个人提示词库：在Notion或Obsidian中，按场景分类（产品、角色、场景、UI）保存有效的提示词模板
3. 持续测试参数：同一个提示词，改变`–s`值或采样器，结果可能完全不同。建议每次实验只变更一个变量。
学习路径建议：
—
常见问题 FAQ
Q1：为什么我用了详细的提示词，生成的图还是“翻车”？
A：最常见的原因有两个：一是版本号不对（比如用v5.2的提示词在v6.1上跑），二是负提示词不够具体。建议先检查`–v`版本，再细化负提示词，比如把“bad hands”改成“six fingers, extra thumb, deformed palm”。
Q2：–s（风格化）参数到底怎么选？
A：–s值范围0-1000。产品图、建筑图建议200-300（保持写实）；角色设计、插画建议400-600（增加艺术表现力）；抽象概念、实验艺术可以到800以上。注意：值过高会导致AI忽略你的主体描述。
Q3：在Stable Diffusion中，采样器怎么选？
A：新手推荐DPM++ 2M Karras（速度与质量均衡）。追求细节用DPM++ SDE Karras（但速度慢2倍）。追求极速用Euler a（步数20即可）。记住：采样器不是越新越好，要匹配模型风格。
Q4：商业项目中，如何避免AI生成的图有版权风险？
A：第一，不要直接用“in the style of [在世艺术家]”作为风格参考，改为“in the style of [艺术运动，如Art Deco]”；第二，生成后手动修改至少30%的元素（比如换颜色、改纹理）；第三，使用Adobe Firefly或Shutterstock AI等有版权保护的工具。
Q5：提示词需要写英文吗？中文可以吗？
A：目前主流工具（Midjourney���Stable Diffusion、DALL·E 3）都支持中文，但英文效果普遍更好，因为训练数据以英文为主。如果英文不好，可以用DeepL翻译后微调。注意：不要用“中式英语”，比如“a very beautiful girl”改成“a young woman with delicate features”。
评论(0)