把提示词写成导演说明书

我以前会把图像和视频模型的 prompt 当作一种“神秘咒语”：多塞几个形容词，念得越长越虔诚，画面就会越接近脑子里的样子。

看完这一轮官方文档之后，我反而觉得最好的比喻是片场。Prompt 不是咒语，是一张给模型的导演说明书：布景怎么搭、演员是谁、镜头往哪儿走、哪些东西不能动、哪里绝对不许出错。

这篇笔记来自本地那份 6 万字研究稿 howprompt.md，但我不想把报告原样贴进来。原稿像一柜子食材，这里做成一份能直接端上桌的菜单：先看四家厂商各自的脾气，再玩一个模板组装器，最后带走一套我自己的 prompt 写法。

四种模型，其实是四种工作台

OpenAI、Google、Seedance、Kling 的官方教程都在讲 prompt，但它们脑子里的“好 prompt”不是同一种东西。

OpenAI 更像生产流水线。它关心的是结构稳定、编辑不漂、品牌元素不乱跑，所以官方指南反复强调固定顺序、短标签、保留清单和失败约束。它的口头禅大概是：你先告诉我这是广告、UI 还是信息图；然后说清楚场景、主体、细节和不要动的地方。

Google 像信息图老师。DeepMind 的提示词指南把画面拆成 Style、Subject、Setting、Action、Composition 五块；Gemini API 的图像页又把 Search grounding、参考图数量、SynthID、长文本渲染这些工程边界讲得很细。它的口头禅是：别只说好看，先说这张图拿来干嘛。

Seedance 像导演分镜本。它不是独立的纯图像模型品牌，而是音画一体的视频生成路线。官方资料最强调动作、空间变化、运镜、声音、续写和多模态参考。它的口头禅是：不要给我一张图，给我 15 秒怎么发生。

Kling 像创作者操作手册。T2V、I2V、Multi-Shot、Motion Control、Image O1 的教程都很“表单化”，公式直白，适合直接做成产品里的输入框。它的口头禅是：Subject + Movement 先写对，动作别塞爆 5 秒。

现在，自己拼一条 prompt

真正有用的 prompt 不是“一个万能模板”，而是“按任务换工种”。单图生成要像美术 brief；图像编辑要像外科手术单；多图组合要像资产分配表；视频生成要像分镜和录音表合体。

下面这个小玩具把四种写法压成可点选的部件。它故意不追求“最强咒语”，因为咒语不好维护。真正适合生产的 prompt 应该能被另一个人扫一眼就看懂。

我自己的四条 Prompt 法则

1. 先写用途，不要先写形容词

“高级”“梦幻”“电影感”这些词可以有，但它们不该站在第一排。第一排应该是用途：电商主图、信息图、广告 KV、UI mockup、角色参考图、15 秒广告片。用途会决定模型该用哪种审美和哪种精度。

我现在会这样开头：

用途：新品发布 KV。
输出形态：4:5 竖版社媒海报。
验收重点：产品识别度、标题可读性、品牌色一致。

这三行比“超高质量、8K、电影感”更像方向盘。

2. 写可见对象，也写空间关系

图像模型不是只缺“细节”，更常缺“关系”。产品在画面哪里？人物看向哪里？参考图 A 的主体要搬到参考图 B 的哪个位置？镜头是近景还是俯拍？

越是要合成、编辑、排版，越要把空间讲清楚：

Image 1：产品白底图。
Image 2：浴室大理石背景。
组合要求：
把 Image 1 的产品放到 Image 2 的洗手台中央。
匹配清晨自然光、尺度、反射和阴影。

这不是啰嗦，这是告诉模型别把香水瓶漂浮到墙上。

3. 编辑任务永远要写“保留项”

图像编辑最常见的灾难不是改不动，而是改多了。你让它把标题换成中文，它顺手把背景、构图、logo、人物脸也“优化”一遍。于是你得到一张很漂亮但完全不能交付的图。

编辑 prompt 的核心句式应该像手术单：

仅将瓶身标签颜色从红色改为橙色。
保留瓶子形状、构图、背景、光线。
保留标题文字和 logo 位置。
除上述改动外，其余全部保持一致。

Kling 的 Image O1 官方教程里那句 Keep everything else unchanged, modify X to Y. 很朴素，但非常好用。OpenAI 的 cookbook 也在讲同一件事：change only X，keep everything else the same。

4. 视频 prompt 一定要写时间

视频模型吃的不是“画面描述”，而是“事件描述”。如果只写一个静态画面，它可能只会做推拉镜头；如果要动作稳定，就要把主体动作、镜头动作、声音和时序拆开。

我会这样写：

主体：穿橙色外套的跑者。
动作：慢跑接近镜头，停下，打开瓶盖。
动作：喝一口后微笑。
镜头：开场远景缓慢推近。
镜头：中段切到手部特写，结尾半身镜头。
声音：脚步声、开瓶声、轻快电子乐。
时序：0-4s 跑近，4-8s 开瓶特写。
时序：8-15s 饮用与收束。
约束：衣着一致，不要额外品牌，不要水印。

这就是 Seedance 和 Kling 文档给我的最大启发：视频 prompt 不是给画师的，是给导演、摄影、剪辑和录音同时看的。

一张速记卡

如果只带走一张纸，我会写成这样：

这张卡的本质很简单：先把模型当成一个会犯错但很能干的协作者，而不是一个读心术机器。 它需要你的审美，也需要你的验收标准。