Prompt Engineering：AIGC 设计师的核心竞争力

Prompt Engineering：AIGC 设计师的核心竞争力

上周三的直播答疑课上，一位学员小周把她的 Midjourney 作品集发到群里，焦虑地问：“老师，我花了三个月学构图、学光影、学色彩理论，结果隔壁工位那个连 PS 都不太熟的新人，靠一套‘咒语’生成的电商海报，居然被总监直接选中提案了。我们学设计的，难道要输给会写提示词的吗？”

这个问题，我几乎每周都会遇到。小周的困惑非常典型——她混淆了“设计执行”与“设计意图”的边界。在 AIGC 时代，Prompt Engineering（提示词工程）不是对设计能力的替代，而是对设计思维的一种“高杠杆封装”。你脑子里没有构图意识，写不出“对角线构图 + 低机位仰拍”；你不知道伦勃朗光，也调不出“Rembrandt lighting, chiaroscuro effect”。提示词，本质上是把你脑子里的设计知识，翻译成机器能听懂的语言。

今天，我们不谈虚的。我会用两个完整的实操案例，拆解如何用 Prompt Engineering 解决真实的设计痛点。你会看到，为什么说设计师的“核心竞争力”正在从“��头功夫”迁移到“脑内模型”。

一、 从“抽卡”到“精准控场”：用结构化提示词锁定商业风格

很多设计师用 AI 绘图工具时，最大的痛苦是“失控”。想要“科技感”，结果出来一堆蓝色发光线条；想要“国潮”，结果生成了一堆龙和祥云。这不能怪 AI，只能怪你的提示词太“笼统”。

案例 1：为一个新消费茶饮品牌设计“东方极简”风格的包装主视觉

小周之前的做法是：“a tea packaging design, oriental style, minimalist, high quality, 8k”——这基本等于没说。AI 只能给你拼凑一个“看起来像茶”的图。

我的做法是，采用“主体-环境-风格-构图-材质-光效-渲染-参数”的八维框架。这里以 Midjourney V6.1 为例（当前最新版本，对自然语言理解力有显著提升）：

第一步：定义“风格锚点”
不要只说“极简”，要给出具体的参照系。在 Prompt 中，使用“in the style of”或“inspired by”来锚定风格。对于“东方极简”，我建议锚定日本当代设计大师（如原研哉 Kenyahara）的“白”与“空”的理念，同时结合宋代瓷器的釉色。

第二步：构建物理质感
AI 画图最怕“塑料感”。你必须用材质词去“喂”它。比如 `matte ceramic texture`（哑光陶瓷质感）、`rough rice paper grain`（粗糙宣纸颗粒感）。

第三步：控制光线与氛围
商业设计需要“高级感”，而高级感的一大来源是光。指定 `soft diffused lighting with subtle shadows`（柔和的漫射光与微妙阴影），避免 AI 默认的棚拍硬光。

第四步：负面提示词（Negative Prompt）
这是最容易忽略但最关键的一步。在 Midjourney 中，我们使用 `–no` 参数。对于东方极简，必须排除 `–no vibrant colors, gradient background, 3d render, cartoon, text, watermark`（排除鲜艳色彩、渐变背景、3D渲染、卡通、文字、水印）。

完整 Prompt 示例（可直接复制）：
> A premium tea packaging mockup, a single minimalist ceramic jar placed on a rough-textured beige stone, in the style of Kenyan Hara, empty space composition, matte ceramic texture, rough rice paper grain, soft diffused lighting with subtle shadows, earthy tones of Song dynasty porcelain, centered composition, high-end product photography, –ar 4:5 –v 6.1 –style raw –no vibrant colors, gradient background, 3d render, cartoon, text, watermark, clutter

效果差异： 小周之前的图是“好看但廉价”，而这组提示词生成的图，直接可以放��提案 PPT 里作为风格参考。这种“控场”能力，就是核心竞争力。它要求你懂得“原研哉是谁”、“宋瓷是什么釉色”、“漫射光和硬光的区别”——这些全是设计知识，不是编程知识。

二、 用“语言分镜”驱动一致性：Stable Diffusion 的 ControlNet 与 Prompt 协同

如果说 Midjourney 是“才华型选手”，那么 Stable Diffusion（SD）就是“逻辑型选手”。对于需要精确控制构图和姿态的商业插画或海报，SD 配合 ControlNet 是绝对的生产力工具。而 Prompt 在这里的作用，是“分镜脚本”。

案例 2：为一个运动品牌设计一套“城市夜跑”系列海报（需保持人物主体一致）

在 SD 中，保持多张图人物一致，核心靠 ControlNet 的 OpenPose（姿态检测） 功能，但 Prompt 的写法决定了“皮囊”是否统一。

第一步：固定“角色描述符”
你不能每张图都写一遍人物长相，那样 AI 会给你画出三个人。你需要定义一个“角色 Token”。在 Prompt 里，用一个固定词组代替，比如 `a female athlete with a high ponytail and sharp jawline`（一个扎高马尾、下巴线条锐利的女性运动员）。这个描述在每一张图的 Prompt 里必须一字不差。

第二步：利用 ControlNet 锁定骨架
在 SD WebUI（我建议使用 Automatic1111 或 ComfyUI，版本号需在 1.6.0 以上以支持最新的 ControlNet 模型）中，上传一张你想要的跑步姿态的线稿或骨骼图。启用 ControlNet，选择 `openpose_controlnet` 模型。此时，AI 的构图自由度被锁死了，它只能在这个骨架内填充细节。

第三步：用 Prompt 切换“场景变量”
骨架锁定了，但背景可以变。这就是 Prompt 发挥威力的地方。我们保留角色描述符，只改动环境部分。

• 图 A（街道路跑）： `… in a rainy neon-lit city street, reflections on wet asphalt, cinematic lighting, motion blur background`

第四步：设置固定参数
为了保证风格统一，采样器（Sampler）建议固定为 `DPM++ 2M Karras`，步数（Steps）固定为 `28`，CFG Scale 固定为 `7`。这些参数决定了画面的“颗粒感”和“AI 味”，必须锁死。

效果差异： 你得到的是两张姿态不同、但妆容、发型、服装质感完全一致的系列海报。这种批量产出的能力，对于电商大促、品牌季度海报非常值钱。这就是“语言分镜”的威力——你不需要会画线稿，但你需要会用语��描述出“什么是你要的骨架”。

三、 提示词工程师的“内功心法”：审美判断与语义拆解

很多学员问我：“老师，这些参数我背下来了，为什么还是做不出好图？”因为 Prompt Engineering 的表层是关键词堆砌，底层是审美判断。

1. 语义拆解能力的训练
你要能看懂 AI 的“误解”。当你写 `a beautiful woman`，AI 会给你一个“网红脸”。但当你写 `a woman with distinctive features, high cheekbones, a face that tells a story of resilience`，AI 才能给你一张有灵魂的脸。这种能力，需要你对“美”有深度的认知，而不是对“咒语”有深度的背诵。

2. 版本迭代的敏感度
工具在进化。Midjourney V6 时代强调 `–v 6.0` 的语法，但到了 V6.1，自然语言权重更高，你甚至可以写长句。SD 的 SDXL 模型和 SD 1.5 模型的 Prompt 写法完全不同——SDXL 需要更简洁的语义，而 1.5 需要更精确的标签（Tag）。保持学习，是设计师在 AIGC 时代不被淘汰的唯一法门。

3. 工作流的“模块化”思维
不要每次画图都从零开始写。我建议你建立自己的 “提示词资产库”。把“光影描述”、“材质描述”、“构图描述”拆分成独立模块，像搭积木一样组合。比如，我的库里有一个模块叫 `cinematic rim light`（电影级轮廓光），另一个叫 `hyper-detailed skin texture`（超精细皮肤纹理）。当需要画人像时，直接调取组合。这才是效率的倍增器。

四、 总结与进阶建议

Prompt Engineering 是 AIGC 设计师的“翻译官”能力。它把你的设计直觉、艺术史知识、光影认知，翻译成机器能执行的指令。它不是替代设计，而是放大设计。

如果你想进阶，我建议你走以下三步：

1. 本周内：用我上面提到的“八维框架”，重新生成你过去一个月最不满意的三张图。对比差异，你会发现自己之前的 Prompt 有多么“苍白”。
2. 本月内：选定一个垂直领域（比如“潮玩 IP 设计”或“国风插画”），建立你自己的 50 条高级提示词库。不要贪多，要打磨到每一条都能稳定输出 80 分以上的图。
3. 本季度内：学习 ComfyUI 的工作流逻辑。因为 Midjourney 正在变成“黑盒”，而 ComfyUI 能让你看清 Prompt 在每一步是如何作用的——当你理解了“为什么”，你才能掌控“是什么”。

—

常见问题 FAQ

Q1：我完全不懂代码，能学好 Prompt Engineering 吗？
A：完全可以。Prompt Engineering 本质是“语言结构化”和“审美表达”，不是编程。你只需要懂逻辑顺序（先主体、后环境、再风格）和关键词权重（在 SD 中用 `(keyword:1.2)` 提升权重），不需要会写 Python。

Q2：Midjourney 和 Stable Diffusion，我应该先学哪个？
A：如果你是商业设计师，建议先学 Midjourney V6.1，因为它上手快，且对风格化理解极强，适合快速提案。等你觉得 MJ 的“随机性”限制了你的精确控制时，再转学 SD + ControlNet。两者不是替代关系，而是互补关系。

Q3：为什么我用了网上很火的“万能提示词”，生成效果还是很差？
A：因为那些提示词是“平均值”。真正的核心竞争力在于“定制化”。你需要根据你具体的画面主体、光线需求、甚至参考图的色彩倾向去修改提示词。网上的模板只能保证“不犯错”，不能保证“出彩”。

Q4：负面提示词（–no）到底有多重要？
A：极其重要。它决定了你的图是“精装修”还是“毛坯房”。在 MJ 中，`–no` 能帮你排除掉常见的“廉价感”元素（如文字、水印、过度饱和）。在 SD 中，Negative Prompt 是模型推理的关键输入，一个好的负面提示词，比正面提示词更能提升画面纯净度。

Q5：AIGC 时代，设计师还需要学素描和色彩构成吗？
A：不仅需要，而且更重要。因为 AI 帮你解决了“手绘执行”的 80% 工作量，剩下的 20% 是“审美决策”。你不知道什么是“透视关系”，你就无法判断 AI 生成的建筑是不是扭曲的；你不懂“色相环”，你就无法在 Prompt 中写出 `complementary color scheme`（互补色方案）。审美，是你在 AI 时代最后的护城河。