Stable Diffusion Prompt 语法：把自然语言变成可测试的生成配方
AI工具指南2026-08-0310 मिनेट पढाइLearnPromptStable Diffusion
来源：LearnPrompt：Stable Diffusion Prompt 语法：把自然语言变成可测试的生成配方。本文为迁移、格式转换和图片路径调整后的整理版，保留原文结构、代码片段与公开教学配图。原站仓库采用 CC BY-NC-SA 4.0；产品版本与事实以原文标注的核验日期为准。
| 组成 | 要回答的问题 | 可检查的变化 |
|---|---|---|
| 主体 | 画面里最重要的对象是什么？ | 主体是否被替换或遗漏 |
| 场景 | 它在何处、做什么？ | 构图与动作是否稳定 |
| 风格 | 用什么视觉语言呈现？ | 光线、材质、媒介是否改变 |
| 约束 | 哪些元素不应出现？ | 是否减少了已知失败模式 |
Stable Diffusion Prompt 不是一套跨所有界面、模型和插件都相同的魔法语法。更可靠的理解方式是：它是一份可实验的输入配方；文本编码器、模型、采样器和工作流共同决定结果。
从可比较的配方开始
先用一行结构化描述，而不是把所有想到的词堆在一起。每次只改变一个变量，才知道哪一项真正影响结果。
主体，动作或场景，视觉媒介与风格，光线与构图，必要约束
例如，先固定主体和分辨率，再测试“柔和侧光”与“强硬顶光”的差异。若一次同时更换模型、seed、采样器和十个词，得到的只能是灵感，不能是结论。
权重与括号：先看工具，再写数值
| 你看到的写法 | 它可能表示什么 | 正确做法 |
|---|---|---|
(term) | 某些界面会提高该词的强调程度 | 查看当前界面的 attention/emphasis 文档 |
(term:1.2) | 某些界面支持显式权重 | 用一张基线图和一个改动版本验证 |
[term] | 某些界面会降低强调程度 | 不要假定所有工作流都同样解析 |
| negative prompt | 试图减少不想要的特征 | 记录它解决的是哪一种失败 |
这些写法常见于某些 WebUI，但并非 Stable Diffusion 的通用语言。节点式工作流、不同文本编码器或自定义节点可能有另一套输入和权重规则；如果语法没有效果，先检查 parser 和节点，而不是继续加括号。
用一张实验表替代“万能 Prompt”
- 冻结模型、分辨率、seed 和工作流，生成基线图。
- 一次只改主体、场景、风格或约束中的一项。
- 给结果标注“改善了什么”和“带来了什么副作用”。
- 只保留在多个 seed 下仍有价值的词或结构。
这样积累下来的 Prompt 模板是可迁移的方法，而不是对某一张偶然图片的过拟合。
Prompt 与部署是同一个复现问题
Prompt 不能脱离模型和环境单独保存。先按Stable Diffusion 安装与部署：先选工作流，再做一次可复现的本地运行记录运行环境，再保存输入、模型和输出，才能让别人复现你的判断。