文生图提示词的工程师写法:把玄学话术拆成结构化模板

16 阅读3分钟

玩文生图的人大多经历过「咒语阶段」:收藏一堆玄学提示词模板,逐字照抄,出一张好图全凭手感。做工程的手感通常不太好——我们维护过一组上百条的生图模板,从玄学话术重构到结构化模板之后,废图率降了将近一半。复盘下来就一句话:提示词是接口参数,不是诗。

一、五段式:先给 prompt 定 schema

好维护的 prompt 有稳定的槽位顺序,我们按「主体-动作-环境-镜头-风格」五段拆分:

{主体:产品名+材质+颜色}
{动作/状态:摆放、开合、使用中的姿态}
{环境:桌面材质、背景色、道具}
{镜头:视角、景深、光线}
{风格:渲染风格、色调、质感参考}

拆段的价值不在格式好看,在可定位。整段玄学 prompt 出图不对,你只知道「不对」;分段之后能定位到「主体段没错、光线段太硬」,改动有靶子。这一段一改、seed 一钉重跑,实验闭环就是这么来的。

每段再区分固定文本和变量槽:

TPL = "{product},{material}材质,{color}配色,置于{surface}桌面,{scene_prop}," \
      "45度俯拍,柔和顶光,浅景深,电商主图风格,{style_suffix}"
DEFAULTS = {"scene_prop": "", "style_suffix": "哑光质感"}   # 兜底,禁止渲染出 {花括号}

模板进 git,变量走配置,渲染函数要带最后一道保险:输出里检测到未填充的 { 直接报错拒发——把 {scene_prop} 原样发给模型,它会当字面文本处理,产出莫名其妙的图,比不报错更糟。

二、负向词是字典,不是顺口溜

控制「不要什么」的负向提示(多余的手、乱码文字、水印、肢体畸形……)适合做成全局字典 + 场景引用:

NEG = {
  "human":  ["多指", "肢体畸形", "面部扭曲"],
  "text":   ["乱码文字", "水印", "logo残留"],
  "photo":  ["过曝", "噪点", "构图裁切不完整"],
}
# 人像类模板引用 human + text

理由很工程:负向词的问题往往批量出现。某天某类畸形图暴增,改字典一处,所有模板生效;写在顺口溜里就得逐条 prompt 去救。

一个反直觉的坑:否定语义不要塞进正向文本。「不要出现 XX」这种句子,模型对否定的理解并不稳定,等于把需求交给了运气——该走负向通道的,就放进负向字典。

三、风格预设:把团队审美固化成常量

同一批业务图要求风格统一。做法是沉淀风格预设(style preset),本质是一组锁死的参数组合:

PRESETS = {
  "brand_warm": {"style_suffix": "暖色柔光,米白背景", "neg": ["text", "photo"]},
  "tech_cold":  {"style_suffix": "冷灰渐变,硬光高对比", "neg": ["text"]},
}

新需求先选预设再填主体变量,出图的「品牌感」不再依赖某个人的手感。预设文件连同基准测试图一起进仓库——改预设必须附一组新旧对比图作 commit 说明,相当于给审美做 code review。

四、版本与回归

模板改了算不算「发版」?算。我们的最小规矩三条:

  1. 模板文件有版本号,每次出图把 (模板版本, 变量, seed) 记进任务元数据;
  2. 固定一组 20 条基准输入,改模板必跑,对比图挂进 PR;
  3. 上游模型版本变动时(接口响应里回读,别信请求里传的),所有预设重新校准一遍再用——同 seed 同 prompt,模型升级前后可能判若两模,昨天的「好图标准」今天未必成立。

收尾

从抄咒语到写模板,变化的不是文笔,是把 prompt 当成输入参数的态度:有 schema、有默认值、有字典、有版本、有回归测试。结构化不能替你的审美负责,但它让每一次「不满意」都退化成一次可定位、可复现、可回归的调试——工程师处理世界的方式,本来就是这个。