提示词解剖学

模型不会读心。它只会把你给的每一个词，当成一束需要被满足的约束去摆放像素。提示词工程的全部要义，就是把"你脑子里那张图"翻译成一份模型能逐项执行的清单——既不含糊，也不臃肿。

本书把这份清单叫做 shared prompt schema。它是一套贯穿"内置"与"CLI"两种模式的通用脚手架：你先用它把需求想清楚、写整齐，再决定用哪种模式去执行。这一章只讲"怎么写"，执行细节留给后面的章节。

完整字段表：一条提示词的 14 个零件

一条成熟的提示词，可以拆成 14 个字段。你不必每条都填满——但心里要有这张表，才知道自己漏掉了什么。下面这张配方卡，是把"一张暮色书桌静物照"按字段逐项摊开的样子：

结构原则：场景 → 主体 → 细节 → 约束

14 个字段不必按表格顺序堆。真正好用的写作顺序，是从"大"到"小"再到"边界"，分四段推进——这恰好对应人眼建立一幅画面的方式：先有舞台，再有演员，然后是质感，最后划清楚边框。

1. ① 先搭舞台（场景/背景）

   主体站在哪儿？周遭环境如何？先确立空间，模型才有地方"放东西"。

2. ② 再放主角（主体）

   画面的绝对中心是什么，写清楚、写靠前。主体含糊，后面再多细节也救不回。

3. ③ 然后上细节（风格·光线·配色·材质·构图）

   把质感一层层叠上去。这是"普通"和"对味"的分水岭。

4. ④ 最后划边界（约束 + 避免）

   明确要保留什么、坚决不要什么。边界放最后，像给画面装一道护栏。

具体度政策：该补的补，该收的收

新手最容易走两个极端：要么一句"画只猫"丢过去，要么把 200 个形容词堆成一座山。技能给的政策很克制——看用户原话的具体程度，再决定补多少：

• 用户已经写得很具体、很详细 → 你只做规范化 / 结构化：把它整理成清晰、面向生产的 spec，不擅自加料。
• 用户写得很笼统 → 在能实质改善画面的地方做得体的增强：补构图、取景、用途、合理的场景具体化。

核心分寸是一句话：让目标更清晰、更可执行，但绝不盲目堆细节。哪些增强算"得体"，哪些算"越界"，这条线必须画清楚：

把政策落到一个真实例子上。下面是一条笼统提示词，以及把它规范化 + 得体增强后的样子——注意：我们补的是构图、光线、用途，但没有替用户发明任何品牌、人物或叙事。

逐字文本：把字钉在画面上

"画面里要带字"是出图最容易翻车的环节。模型会把你随手写的文字理解成"大概那个意思"，于是你常拿到拼错、漏字、字体乱飞的结果。规矩只有几条，但每条都要照做：

• 逐字引用：要出现在画面里的文字，原样、带引号写进提示词，并明确"逐字渲染、不要改写"。
• 指定字体与位置：说清楚用什么字体风格、放在画面的哪个位置、多大。位置不交代，字就会乱落。
• 棘手词逐字母拼写：生僻词、专有名词、易错词，逐个字母拼给它，并要求逐字母渲染。
• 编辑场景每轮重复：在多轮编辑里，每一轮都要把这段逐字文本和位置重新说一遍——模型不会自动记住上一轮的约定。

多图引用、重复不变量与单次迭代

当提示词涉及多张图、或进入反复修改时，还有三条纪律能帮你少走弯路。它们都很朴素，但漏掉任何一条，对话很快就会乱套。

① 多图按 index 引用

给了不止一张输入图时，用序号点名，别用"那张图""左边那个"这种模糊指代。比如"参考第 1 张的配色、保留第 2 张的主体姿态、把它合成进第 3 张的背景"。这样模型才知道每张图扮演什么角色（参考图 / 编辑目标 / 合成素材）。

② 编辑每轮重复不变量

编辑的本质是"改一处，保其余"。模型不会默认记住"上一轮我们说过脸不能动"。所以每一轮编辑，都要把不变量（invariants）——必须原样保留的部分——和这次要改的点一起重新声明。还要记住：内置编辑只对"对话上下文里可见的图"生效，要编辑本地文件得先用 view_image 把它载入对话，再走内置 edit。

③ 单次只改一处，再复检

一口气改五个地方，出了问题你根本不知道是哪条指令的锅。正确节奏是：一次只改一个变量 → 看结果 → 再改下一个。慢，但稳，且可回溯。