提示词不用写得专业，要写到你自己能读懂
作者以AI生图的窗边咖啡馆人像提示词为例，讲解如何整理AI生成的冗长提示词。核心方法是：删流程、合重复、换实景、测删除。要点包括：去掉分栏小标题后整体通读，合并重复表达同一意思的形容词；把'不要杂乱'等否定句改写为具体的正面画面描述；将'高级感、电影感'等笼统大词拆解为具体的光线、配色和构图要求；一次只删一句，对照出图验证效果，但不要为了精简丢掉关键的安排。最终目标是写出自己能读懂、出了问题知道从哪句下手的提示词。
相关文档
AI 出图总翻车？十段式提示词系统
文章介绍了一套「十段式提示词系统」，帮助解决 AI 出图常见翻车问题。作者认为 AI 出图 90% 的失败源于提示词问题，而非模型本身。十段式包括：主体、动作、环境、情绪、镜头、光线、色彩、风格、画质、反提示十个维度。文章还提出物理参数化写法（明确光源方向、材质质感、动作因果）、真实感六项自查清单（手指、五官、光影、物理、材质、背景）、动作五问法，以及终极工作流——将正片描述、反提示、参数拆分为三个文本框分别填写，可显著提升出图成功率。
AI 生图还能用 JSON 控制排版？5B 开源模型商业海报实验
作者测试了模思智能开源的 5B 生图模型 MOSS-Image，重点验证其文字渲染与 JSON Layout 结构化布局能力。通过虚构日系甜品店海报案例，对比传统自然语言 Prompt 与 JSON 布局控制的效果差异：JSON 可将人物、产品、标题等元素按坐标框精确定位，类似写前端页面。三轮测试覆盖主视觉、商业活动海报排版及中英文文字生成，验证了文案正确率、版式适配与视觉融合。结论是 JSON Layout 虽非 PS 级精确编辑，但能将模糊排版需求变为结构化描述，对商业海报、电商图等场景具有实际价值。
Midjourney 上手：从0到1小白也能看懂的教程
这是一篇面向新手的 Midjourney 入门教程，作者逐一讲解 MJ 输入界面的各个功能模块，包括提示词输入区、三种参考图入口（Attach to prompt 编辑原图、Style Reference 参考画风、Image Prompts 参考构图）的区别与用途，以及生成设置中的画面比例、模型版本、审美参数（Stylization、Weirdness、Variety）等选项的作用。文章还介绍了草稿模式、对话模式、个人化功能（P值）的使用方法和常见误区，帮助小白快速掌握 MJ 的界面操作与参数调优。
5B 参数就能做到这种效果？开源生图模型太卷了！
作者使用模思智能开源的 5B 参数图像生成模型 MOSS-Image，为 Claude 和 DeepSeek 设计拟人化角色形象。文章分享了角色设计思路：Claude 采用橙棕奶油配色体现温暖复古气质，DeepSeek 延伸蓝色海洋主题。作者重点介绍了 MOSS-Image 的优势：生成速度快于 Stable Diffusion 和 ComfyUI，支持准确的中英文文字渲染、JSON Layout 布局控制、最长 4K tokens 提示词，并提供 Prompt Enhance 提示词增强功能。模型基于国产 PPU 算力平台训练，已开放 Base 和 SFT 版本权重，支持动漫、写实等多种风格，目前可免费体验。
MOSS-Image 实操：用 JSON Layout 控制文字、物体和画面构图
作者实测国产开源生图模型 MOSS-Image，重点验证其 JSON Layout 对文字、物体位置和画面构图的可控性。文章对比了普通提示词与 JSON Layout 在同一封面需求下的生成效果，详细讲解了中心坐标系和 yxyx 格式的 bbox 写法、在线体验参数设置、官方示例分析，以及 ZeroGPU 额度问题和本地部署方法。作者强调可复用的不是某张图，而是一套固定种子、对照测试的评估方法，认为 JSON Layout 让提示词变成可保存、可修改的布局资产，使 AI 生图真正进入设计工作流。
AI 透明图被低估了：12 种玩法，攒出自己的素材库
文章介绍如何用 ChatGPT、Codex 等工具直接生成带 Alpha 通道的透明 PNG 素材，并系统梳理了 12 类应用场景：聊天表情包、游戏立绘、VFX 特效、海报拼贴、产品图、UI 图标、装饰素材、像素游戏资产、Live2D 素材、直播包装、特殊材质以及阴影光效辅助素材。作者还提出五个进阶方向：模块化角色生成、实验摄影、复合表情资产、视觉特效库和素材处理工作流，并附上通用透明角色素材提示词模板，帮助读者积累可复用的个人素材库。
GPT Image 2.5 提示词写作指南
本文整理了 OpenAI 官方 GPT Image 2.5 提示词写作指南的八条核心原则：先定义结果、选易维护格式、描述可见细节、写清人物动作、精确文字加引号、分开要改与要保持的内容、给参考图编号、有意识迭代。同时介绍了模型与参数（quality、size、background）的选择建议，并结合人像摄影与自然景物两类示例，给出中文提示词模板和实操要点，帮助用户写出可控、可迭代的图像生成提示词。
实测商汤 SenseNova U1 Pro 新模型，我的 8K 生图工作流要换新了
作者实测商汤新发布的 SenseNova U1 Pro 图片生成模型，该模型在 SuperCLUE-Image 中文文生图榜单排名第一。作者从五个维度进行测试：审美与中文版式、多文字运营物料、资料检索与高密度信息、局部修图、多图融合。测试结果显示，该模型在海报设计、菜单与导览图、科普信息图、全诗《琵琶行》等复杂任务中文字稳定性出色，局部编辑精准不破坏其他细节，多参考图融合能力强，并能从刀版图生成可交付的包装渲染图，整体表现超过 GPT Image 2.5。作者认为其达到可交付水平，决定替换到自己的 8K 生图工作流中。
拆解 Qwen-Image 官方「智能改写」：我把生图和改图经验总结成了一个 Skill
作者在测试 Qwen-Image 2.1 时发现，生图和改图效果不佳的主要原因是创作意图未被准确传递给模型，如负面文字被印进海报、改姿势只换了衣服等。作者将经验整理成 qwen-image-gen Skill 并提交开源：区分文生图、局部编辑和参考人物创作；将人物动作、接触关系、镜头和画面文字写成模型可执行的描述；落实比例决策并检查返回图片真实像素；将质量反馈带回下一版。四组对照实验显示三组改善、一组失败，证明提示词改写有价值但非几何纠错器。
如何玩转参考图？我总结出了这句短提示词
作者在做剧时遇到参考图迁移提示词难写的问题，通过大量跑图试验，总结出一句简短提示词模板：「将图一的【对应维度】迁移到图二，保持图二的主体身份与主要内容」。他将图片风格拆解为17个维度（光线调色、成像质感、摄影空间、造型媒介四大类），逐项单独测试迁移效果，记录每项的收获与代价。结论是：短提示词写起来快、能直接感知画面变化，虽可能需要两三轮迭代，但相比AI生成的复杂长提示词效果偏差不大，且维度可灵活混合叠加使用。
AI 生图 Skill：记住编号就能锁死画风
文章介绍了一个名为“手绘风格编号画廊”的 AI 生图 Skill。作者指出许多人无法用 AI 生成理想图片，是因为说不清抽象的画风名称。该 Skill 收录了 216 种手绘画风并配以编号和示例图，用户只需记住编号并输入主题，即可自动生成带风格名称的中英文提示词，复制到任何生图 AI 中使用，从而解决风格漂移问题。Skill 还内置智能判断逻辑，按优先级决定是否传参考图，避免模型照搬参考图的构图内容。文章通过朋克钢笔、新中式水墨等案例验证了风格一致性，适合需要批量出图、保持视觉调性统一的创作者使用。
测试了四五百张图，我终于找到一种好写的 AI 表情提示词
作者通过四五百张图的测试，探索 AI 生图时如何准确描述角色表情。文章首先否定了直接拆解眉眼嘴细节的提示词写法，指出这样容易导致五官组合僵硬诡异。最终总结出更有效的方法：为表情补充发生的原因，即'事件+情绪'的结构。针对单一情绪使用'发生了什么+情绪+指向谁'的结构；针对复合情绪，则需写清主次情绪及掩饰原因和外在表现。文末提供两段可直接套用的提示词模板，帮助生成更自然、有故事感的角色表情。