图像生成入门：从提示词到可控出图
提示词结构与编写实务
在启动任何图像生成之前，明确提示词的结构是获得理想结果的第一步。大多数现代生成模型倾向于接收由关键词、艺术风格、构图元素和修饰词组成的有序列表。建议读者遵循“主体+动作+环境+风格+修饰”的黄金顺序。例如，若要生成“一座被雾气笼罩的古城”，应将“古城”置于句首作为主体，随后加入“被雾气笼罩”描述环境，并可选添加“赛博朋克风格”或“油画质感”等修饰词。
在实际操作中，使用逗号或分号分隔不同维度的关键词，有助于模型更好地解析意图。避免在单一位置堆砌过多 unrelated 的描述，这往往会导致模型注意力分散，生成出的图像缺乏主次焦点。读者可以先在文本编辑器中列出核心关键词，再逐步组合，通过反复尝试调整词语的位置和权重，找到最符合预期的表达方式。
值得注意的是，不同的生成软件对提示词的解析规则差异较大。部分工具支持“权重语法”，通过括号和数字来强调特定元素（如（主体：1.2）表示主体重要性提高20%）。读者应根据所使用的具体平台或模型查阅其文档，了解如何利用这些语法特性来精细调控生成结果，而不是盲目堆砌文字。
负面提示与畸变控制
负面提示是图像生成中处理常见畸变和瑕疵的有效手段。它的核心作用是告知模型哪些元素是不希望出现在生成图像中的。在面对人物生成时，常见的负面提示包括“额外的手指”、“畸形的眼睛”、“低质量”等。通过设置这些禁止项，可以显著降低模型生成手部畸变或破损细节的概率。
在实操时，读者应将负面提示放在生成界面的专用输入框中。需要注意的是，负面提示并非万能解药，过于冗长或矛盾的负面描述可能会干扰主提示词的正向生成。建议从几个核心的、最常出现的问题入手，例如“低分辨率”、“模糊”、“变形”。随着经验的积累，用户可以根据自身生成的具体问题，逐步完善负面提示的列表。
针对特定的畸变问题，如手部结构错误或面部不对称，一些高级用户会利用“控制网”或“图像到图像”功能进行局部修复。但对于入门级用户，首先掌握合理设置负面提示的技巧是性价比最高的方法。定期回顾之前的生成结果，分析其中出现的共同瑕疵，并将其添加到负面提示中，是提升生成质量的循环过程。
采样步数、种子与结果复现
采样步数是控制生成图像细节丰富度与生成速度的关键参数。步数越多，模型通常越有时间去完善细节，但也会增加算力消耗和生成时间。对于初学者，建议从 20 到 30 步入手。如果发现图像细节不足，可适当增加至 40 步；若追求速度且对细节有基本满意，则可以尝试降低至 15 步。不同的采样器（如 DPM++ 2M Karras、Euler a 等）对步数的敏感度也不同，这需要用户根据具体模型进行微调。
种子是决定图像随机性的核心因子。每一次生成都会基于一个唯一的种子数值开始。如果读者希望复现某一张满意的图像，必须记录下当时使用的种子号。在大多数生成软件中，种子号会实时显示，且通常具备“一键复制”功能。将该数值保存到个人笔记或项目文档中，下次输入相同的种子、相同的提示词和参数，将几乎能还原出完全相同的图像。
除了简单的复现，种子还可以作为微调的基准。读者可以固定种子，仅微调提示词中的某个关键词或采样步数，观察细微差异的变化。这种方法特别适合于角色设计或产品渲染等需要保持角色一致性的场景。通过不断迭代种子和参数，用户能够在有限的尝试次数内，精准锁定最符合预期的视觉表达。