S19-X01 · 图像生成提示词的结构化写法

定位：附录。把旧文的"提示词库"重组成"结构化方法"。
前置：S19-B01、B02。
覆盖旧文：A-464（诱惑图提示词，140 点）。
覆盖扩展：E-S19-007（正向/负向提示词分工）。
上一篇：S19-B04 · 学习方法：开源项目与新技术怎么入门。
下一篇：S19-J01 · 提示词评估。
口径说明：本篇提取结构与写法，不逐条搬运原始提示词；示例一律用占位模板。

1. 一句话结论

图像提示词与文本提示词的最大差别：它没有"语法"，只有"权重的堆叠"。所以结构比措辞重要——把"要什么"拆成可替换的维度。

文本提示词	图像提示词
有指令层级（角色/任务）	只有描述堆叠 + 权重
输出是文本，可解析	输出是像素，无法程序化校验
改一个词影响语义	改一个词影响构图与风格

2. 两个流派：标签流 vs 自然语言流

旧文把提示词分成两种写法，这个区分是有价值的：

流派	写法	适合	风险
标签流（Danbooru 式）	逗号分隔的关键词堆叠：`主体, 构图, 光线, 风格, 画质`	二次元/插画类模型	标签词表依赖强，换模型失效
自然语言流	完整句子描述场景	写实/通用模型	长句易被稀释，关键词权重下降

判据：看你用的模型是在什么数据上训练的——标签流的模型吃标签，自然语言流的模型吃句子。换模型要换写法，这是最常见的"之前好用现在不好用"。

3. 五维结构（可复用的模板）

维度	写什么	例子（占位）
主体	谁/什么、状态、动作	`{subject}, {action}`
构图	景别、视角、位置	`{shot}, {angle}, {composition}`
环境	场景、时间、天气	`{scene}, {time_of_day}`
光线	光源方向、软硬、色温	`{lighting}, {color_temperature}`
风格/画质	媒介、艺术家风格、分辨率词	`{style}, {quality_tags}`

模板（正向）：

{subject}, {action}, {shot}, {angle},
{scene}, {time_of_day}, {lighting},
{style}, {quality_tags}

为什么用占位符：同一套结构可以换主体/场景，不用每次重写（与 B02 的模板思想一致）。

4. 负向提示词：分工明确（E-S19-007）

类型	作用	常见项
正向	你要什么	五维结构
负向	你不要什么	低质量、畸形、文字水印、多余肢体

负向词的三个注意点：

注意	说明
不要照抄别人的负向表	不同模型对"负向词"的敏感度不同（有的甚至不支持）
负向词过多会"反噬"	大量负向词会挤压正向描述的空间
负向词不能替代结构	结构差 + 负向多 ≠ 好图

模板（负向）：

{low_quality_tags}, {anatomy_issues}, {watermark_text},
{extra_limbs}, {bad_proportions}

5. 可复现性：图像提示词的"版本管理"

图像生成没有"编译器"，所以可复现性极差（同 seed + 同 prompt 在不同模型版本下结果不同）。工程上的三条做法：

做法	目的
记录模型名 + 版本 + seed + 采样参数	至少能定位"哪天开始变了"
提示词进仓库（与 J02 一致）	可 diff、可回滚
保留参考图与当时的完整参数	复现争议时的唯一证据

6. 五个误区

误区	真相
"提示词越长越好"	过长会稀释关键描述
"负向词能修一切"	结构问题修不了
"同一套提示词换模型照样好用"	标签流/自然语言流的模型吃法不同
"同 seed 一定同图"	模型/驱动版本变化会变
"抄现成提示词库最省事"	学结构比抄咒语迁移性强

7. 自检

标签流与自然语言流分别适合什么模型？
五维结构是哪五维？缺"光线"会怎样？
正向与负向提示词的分工是什么？
为什么图像提示词的可复现性天然差？
记录哪些参数才能"定位哪次开始变了"？

8. 下一篇

S19-J01 · 提示词评估：怎么判断"改好了"

从"写"到"验证"。下一篇给回归集与评分表——这是提示词从草稿变成资产的关口。

本篇属于系列《S19 · AI 素养与学习方法》，是基础层附录。旧文来源：A-464（提取结构，不搬运原始提示词）；扩展点 E-S19-007。