AIGC 提示词工程：文字、图片、视频的提示词结构与技巧

三种模态的提示词本质相同：先固定不变量，再描述变量，最后给约束。区别在于每种模型"读"的重点不同——文字模型读指令层级，图像模型读名词与空间关系，视频模型读时间轴上的动作变化。把这三者的结构和技巧分开梳理一遍。

一、总览：三种模态的差异

维度	文字（小说）	图片	视频
模型读什么	指令层级、角色、约束	名词、形容词、空间关系	时间轴上的状态变化
权重机制	靠标题/分层结构区分优先级	靠词序，越前权重越高	靠时间分段与分号断句
一次能生成多少	长（数千字），但要分章	一张静态画面	数秒，动作数量极有限
最大难点	文风漂移、设定遗忘	多主体混乱、数量失控	动作崩坏、物理连续性
主要控制手段	分层提示词 + 文风选段	定向堆叠 + 负向提示词	图生视频 + 首尾帧接续

二、文字（小说）类提示词

2.1 结构：四层控制

小说提示词的核心是分层——设定层跨章节稳定复用，任务层驱动单次生成，文风层与约束层守住输出质量。

2.2 可复用模板

【设定层】
世界观：<规则、时代、地理、力量体系>
主角：<姓名>，<身份>。核心动机是<…>。说话习惯：<具体语言特征>。
配角：<姓名>，与主角关系<…>，本卷作用<…>。
前情：<上一章结尾发生了什么，主角当前处境>
伏笔：<已埋但未收的线>

【任务层】
本章目标：<这一章必须完成的情节推进>
场景序列：
  1. 开场：<钩子，制造问题>
  2. 中段：<冲突升级，至少一次反转>
  3. 收尾：<留悬念，不要解决问题>

【文风层】
叙述视角：第三人称限制视角，紧跟主角
节奏：对话驱动，避免大段环境描写
参考文风（务必模仿其句长与用词习惯）：
<粘贴 200 字你的目标文风选段>

【约束层】
字数：2500～3000 字
禁忌：不要总结陈词；不要用"然而、于是"过度衔接；不要出现现代词汇；不要替角色解释情绪，只写行为

2.3 技巧要点

技巧	做法
人物卡写"行为"不写"标签"	不写"性格开朗"，写"习惯用反问句怼人、被夸时会移开视线"——模型只能复现行为，无法执行性格标签
少量示例胜过形容词	贴 200 字目标文风选段，比"文笔优美凝练"有效十倍
反向指令要具体	写成"避免总结陈词"而不是"不要写得太差"；禁忌清单放提示词末尾，位置越后越容易被遵守
长篇靠续写不靠一次生成	每章单独一个任务层，设定层保持不变；用"前情提要"替代把全文塞进上下文
用"行为指令"控制节奏	"这一章至少一次反转""每 300 字出现一次对话"，比"写得精彩一点"可执行
情绪与心理活动外化	要求"只写行为与环境，不写内心独白"，比让模型"描写悲伤"更不容易落入俗套

三、图片提示词

3.1 结构：七要素定向堆叠

图像模型不理解从句逻辑，它读的是名词、形容词和空间关系。结构上按"主体 → 状态 → 环境 → 构图 → 光影色调 → 风格 → 参数"排列，越靠前的词权重越高。

3.2 可复用模板

正向：
<主体：谁/什么，外观特征>，
<状态：动作或姿态、材质、情绪外化的表情>，
<环境：地点、时间、天气、背景元素>，
<空间关系：左边…右边…前景…背景…>，
<构图：景别（特写/中景/全景）+ 视角（平视/俯视/仰视）+ 镜头（35mm/长焦）>，
<光影：光源方向 + 光质 + 色调>,
<风格：媒介 + 流派 + 参考>，
<参数：画面比例、质量词>

负向：
低分辨率, 模糊, 变形, 多余手指, 多肢体, 水印, 文字, 签名, 杂乱背景, 过曝

3.3 技巧要点

技巧	说明
名词优先，少用抽象形容	"长焦压缩、浅景深、f/1.8"比"很有电影感"可执行；抽象词只能做微调，不能承担主要描述
多主体必写空间关系	"左边一只猫、右边一只狗"比"两只猫和一只狗"成功率高得多
数量词精确	"两个女孩牵手"有效；"几个女孩在街上"必然失控
风格用三段式定位	"媒介 + 流派 + 视觉特征"（水彩 + 扁平插画 + 高饱和低对比），比单独堆艺术家名字稳定
迭代改词不重写	一次只动一个变量，先定构图再调光影，否则不知道哪个词起了作用
文字交给后期	模型画不好画面内的招牌与字幕，用负向提示词排除，出图后再叠
反向提示词要"正向化"	不要写"不要模糊"，直接写"清晰锐利"；负向栏只放具体缺陷名词

四、视频提示词

4.1 结构：时间轴上的四段信息

视频的核心差异是时间轴。图片只需要一张画面，视频需要"起点状态 → 变化过程 → 终点状态"，再叠上镜头自身的运动。模型最难处理的是动作与物理连续性，所以运动要写得像分镜脚本。

4.2 可复用模板

【首帧】<场景 + 主体外观 + 光线，等同于一条完整的图片提示词>
【动作】<主体> 缓慢地 <单一动作>（分号分隔，不要堆叠多个动作）
【镜头】镜头 <一种运动>，<速度副词>，<焦段/景深>
【氛围】<色调 + 天气 + 情绪基调>，结尾 <状态变化>

示例：
清晨薄雾中的湖面，一只白羽白鹭静立浅滩，柔和冷调自然光；
白鹭低头猛地啄向水面，水花缓慢溅起；
镜头缓慢右移跟随，浅景深；
薄雾渐散，暖光洒落，宁静收尾。

4.3 技巧要点

技巧	说明
图生视频比文生视频稳	先用图片提示词做好首帧，再让视频模型"让这张图动起来"，主体一致性远高于纯文字
动作要单一	"她转身并对镜头挥手"可行；"她转身、拿起伞、走出房间、回头微笑"必然崩坏——拆成多段再剪辑
镜头运动与主体动作分开写	用分号或分行隔开"主体动作；镜头缓慢推进"，混写会导致两者都失控
越平凡的词越稳定	"缓慢、轻微、自然"出好结果；"剧烈、炫酷、史诗感"诱发变形和鬼影
物理交互是雷区	手持物体、打字、吃饭等精细交互最难，能避开就避开
长视频靠首尾帧接续	分段生成时用上一段尾帧做下一段首帧，保持连贯
时长为先	先按模型支持的时长（常见 4～8 秒）规划分镜，再写提示词，而不是写完再裁

五、三条通用原则

1. 具体压倒抽象——可执行的物理描述 > 情绪形容词。三个模态都一样：写"行为/参数"，不写"感觉"。
2. 一次只改一个变量——控制变量法迭代，否则无法归因，也复现不出好结果。
3. 结构化分隔——文字用分层标题，图片用逗号分隔的定向堆叠，视频用分号分段。本质相同：让模型一眼分清哪部分是设定、哪部分是任务、哪部分是约束。

示例是最强的控制手段：文字贴文风选段，图片与视频贴参考图，都胜过任何形容词。

六、常见失败与对策

现象	根因	对策
小说文风像 AI 味	缺少文风锚点	贴文风选段，并禁止"总结陈词"类句式
小说前后设定矛盾	设定层没有持久化	把设定层固定为独立提示词，每章复用
图片主体特征漂移	主体描述太抽象	具体到颜色、材质、服装细节，或用参考图
图片数量、人数出错	数量词模糊	写准确数字，并配合负向提示词排除多余肢体
视频动作变形	一次要求太多动作	单动作拆段，逐段生成再剪辑
视频主体换脸	纯文生视频缺乏锚点	改用图生视频，用首帧锁死外观
画面出现乱码文字	模型文字能力弱	负向提示词排除文字，后期叠加