AI 学习之路之「零基础玩转 AI 生图：我的白嫖实战笔记」

不充会员、不翻墙，也能搞定 80% 的日常出图需求。一份踩过坑之后总结出来的低成本、高效率提示词方法论。

先交代一下背景：我并不是设计师，也不靠 AI 绘图吃饭，平时只是给公众号配个插图、做张海报底图，或者帮朋友生成一些概念参考图。市面上顶流的 Midjourney 和 GPT Image 2 我至今没体验过——不是因为它们不好，而是因为我懒得折腾「魔法」环境，也舍不得每月掏几十美元。

但这不代表国内工具不够用。这几个月，我陆续试过即梦、LiblibAI（哩布）、通义万象，还有公司内部 WorkBuddy 自带的 Imagen 功能（不知道套的哪家模型）。最后我主力固定在即梦，因为它每天送免费额度，对我这种低频用户来说刚刚好。到现在我一分钱没充，但已经生成了几百张能用的图。

踩过不少坑之后，我总结出一套「低成本、高效率」的提示词方法论。这篇文章不讲晦涩的算法，只讲实操中验证过的技巧，特别适合和曾经的我一样——没设计基础、不想花钱、又希望一次出图就满意的你。

第一章：提示词语言——中文还是英文？我的「灵机一动」时刻

绝大多数国内平台都宣称「支持中文提示词」，实际用下来，人物、风景、静物等常见题材，中文描述确实能正常工作。比如输入「一个穿着白裙子的女孩在向日葵花田里微笑」，即梦 4.5 模型基本能给出构图合理的画面。

但有一个案例让我印象极深：我想生成一张「老茶馆里，一位戴眼镜的老板用长嘴铜壶倒茶」的场景。中文提示词反复调了七八遍——加上了「蒸汽缭绕」「木质桌椅」「复古灯笼」等细节，结果生成的人物要么表情呆滞，要么茶壶形态怪异，甚至背景直接变成现代咖啡厅。我几乎要放弃了，突然想起网上有人提过「英文提示词更稳定」，于是死马当活马医，翻译成：

"An elderly teahouse owner with glasses, pouring tea with a long-spout copper kettle, steam rising, wooden tables and vintage lanterns, warm atmosphere."

结果第一次生成就基本达标，人物动作自然，环境氛围也对味。这当然可能是个例，但后来我在 Liblib 上使用 SD WebUI 时，发现英文提示词的效果普遍优于中文——毕竟底层模型（如 Stable Diffusion）的训练语料以英文为主，英文描述在语义嵌入上更精确。

我的建议是：

国内闭源模型（即梦、通义万象）优先用中文，方便快捷；

如果中文反复试都不满意，花 30 秒翻译成英文再试，不亏；

如果在 Liblib 等平台用 SD 1.5/XL 或 ComfyUI 工作流，直接写英文，不要用中文翻译插件，那样反而会损失细节。

另外注意：英文提示词不必追求语法完美，关键词堆叠 + 逗号分隔就足够，比如 tea house, old man, copper kettle, steam, warm light, cinematic，模型反而更容易抓住核心。

第二章：负面提示词——不是万能药，别把它当「橡皮擦」

现在主流工具都支持输入负面提示词（Negative Prompt），用来告诉模型「我不要什么」。比如画人时，很多人会填「畸形手指，多出来的手臂，模糊，模糊背景」。这确实能降低翻车率，但它不是万能的。

我遇到过两次典型的「负面词失效」：

我想生成一只「橘猫趴在窗台上，窗外下雨」，为了不让猫变成奇形怪状的怪物，我加了 extra legs, missing eyes, deformed，结果猫是正常了，但窗外雨丝完全没了，变成了晴天。因为模型把「模糊」「变形」这类词过度泛化，连带把雨丝这类「动态细节」也抑制了。

另一回我想画「一位老人脸上有皱纹」，负面词里写了 smooth skin, young，但生成的人依然皮肤光洁。后来换了一个模型（从即梦 4.7 换成 5.0），问题自然消失——说明负面词的生效与否，很大程度上依赖于模型本身的训练数据分布。有些模型对「年龄」特征敏感，有些则更关注「光影」。

我的实战心得：

负面提示词只填最基础、最通用的缺陷，比如「低画质，畸形，多余肢体」，不要贪多；

如果特定问题（比如人物总是闭眼）反复出现，负面词加 closed eyes 试三次，如果无效，放弃纠结，转而修改正面提示词，比如换成 open eyes, looking at viewer；

更极端的情况——负面词无效且正面词也调不动，那大概率是模型能力边界的问题，这时候果断换模型，比死磕效率高得多。

第三章：模型选择——别追新，够用就是王道

很多新手有个误区：觉得版本号越大越好，非最新版不用。以即梦为例，我一开始也直奔 5.0/5.1，结果经常遇到「生成失败」「超时」「内容违规」等莫名其妙的问题（免费用户可能被限流，但也可能是模型不稳定）。而且新模型通常消耗更多积分或额度，对我这种白嫖党很不友好。

后来我退回到 4.5 和 4.7，发现：

出图速度快（几乎 10 秒以内）；

风格偏写实，色彩舒服，符合我的日常需求；

很少翻车，几乎每次都能出可用的图。

举个真实案例：我要做一张「深夜便利店门口，一只流浪猫蹲在路灯下」的图。5.0 模型试了三次都报错，换成 4.7 一次过，而且灯光氛围很有电影感。从此我就把 5.0「雪藏」了。

其他平台也类似——Liblib 上的 SD 模型，有些「老版本」（如 SD 1.5 的精调版）在特定风格（二次元、水墨）上反而比最新的 SDXL 更稳定。通义万象的早期版本对人脸表情的处理更柔和。

我的选型准则：

先试用平台默认推荐模型，如果效果满意，就固定下来；

如果出图率低（超过 3 次失败），立刻降版本，而不是升级；

不要被「最新」「最强」「4K 超清」等营销词汇忽悠，最终看生成的样图是否符合你的审美，而不是看参数。

第四章：参考图生图——AI 不懂「生活常识」，你得替它补上

现在的工具几乎都支持图生图（Image-to-Image），即上传一张参考图，让 AI 基于它修改或延展。这功能看起来强大，但 AI 对「物理世界逻辑」的理解极其薄弱——它只会像素级模仿，不会「推理」行为背后的情境。

我踩过的一个经典坑：我想根据一张「成年男性站立全身照」的参考图，生成「他躺在床上熟睡」的画面。结果 AI 直接把人原封不动搬到了床上——衣服还是那套外出服，皮鞋还穿在脚上，甚至手里还握着手机。这显然不合常理，但 AI 觉得「人」和「床」放在一起就够了，至于脱鞋、换睡衣、盖被子，它根本想不到。

后来我在提示词里明确加上：

wearing pajamas, barefoot, blanket over body, eyes closed, sleeping posture

才终于得到一张合理的睡觉图。类似的生活逻辑盲区还有很多：

「做菜」场景：AI 不会自动给人物系围裙，锅铲可能悬在空中；

「跑步」场景：AI 经常让人物穿着拖鞋或高跟鞋；

「下雨天打伞」：AI 可能让人握着伞柄，但伞面是收起来的。

解决方案：

在提示词里显式写出「应该有的物件/状态」，比如 wearing apron、holding an open umbrella、shoeless；

如果参考图本身特征太强（比如特定服装），AI 会过度保留，这时可以降低「参考强度」参数（如有），或者用「重绘」模式只保留构图，不保留细节；

实在不行，放弃参考图，纯文字描述反而更容易获得正确的生活逻辑。

第五章：进阶之路——SD + WebUI/ComfyUI，适合「较真」的人

如果你需要 AI 图片用于商业设计——比如产品包装、服装款式图、建筑效果图——那么前述的闭源模型（即梦、通义等）往往不够精准，因为它们的随机性太强，风格不可控，也无法精细调节。

这时，Stable Diffusion（SD）搭配 WebUI 或 ComfyUI 是行业主流方案。它们的优势是：

可精确控制姿势（OpenPose）、深度（Depth）、构图（Canny）；

可使用 LoRA 微调特定角色或画风；

可自定义采样器、步数、CFG 权重，出图质量上限极高。

但代价是学习门槛：你需要理解「潜空间」「VAE」「CLIP」等概念，还要会安装插件、管理模型文件、调试报错。我自己目前也还在摸索阶段，在 Liblib 上租用云端显卡跑过几个工作流，确实感受到了自由度，但每次调整参数都像在「编程」，不适合只想快速出图的场景。

给普通用户的建议：

如果你不靠 AI 吃饭，完全没必要急着学 SD，先把即梦这类工具用透；

如果你确实有商业需求，可以先用闭源模型做「创意草图」，确定方向后，再用 SD 精细打磨，降低前期试错成本；

网上教程很多（B站、知乎都有完整系列），但不要贪多，先跟着一个「从零到一」的完整案例走一遍，比碎片化看几十个视频更有效。

第六章：我的日常出图流程（附小抄）

最后，分享一下我每次出图的标准操作，供参考：

确定需求：这张图用来做什么？配图、头像、参考、打印？决定分辨率和风格（写实/插画/3D）。

写初版提示词：先用中文写一个「主体 + 环境 + 氛围」的短句，比如「一只柴犬在樱花树下打盹」。

添加修饰词：加入光线、视角、色彩、情绪，比如「夕阳侧光，低角度仰拍，暖色调，宁静」。

选模型：优先用自己熟悉的旧版本（我用即梦 4.7），出图快且稳定。

首先生成 2~3 张，看构图和颜色是否满意。如果完全跑偏，调整提示词顺序——把最重要的主体词放最前面，模型会更关注它。

如果 3 次都失败：换英文重写一遍，或换一个模型版本，或干脆简化提示词（去掉部分修饰词）。

出图后微调：如果有小瑕疵（比如手指畸形），我会用手机自带的修图工具简单涂抹，不依赖 AI 二次生成，因为二次修改费时且不可控。

我的「提示词小抄」常驻备忘录：

[主体] + [动作/状态] + [环境] + [光线/色调] + [视角] + [氛围词]

例：女孩 坐在窗边 读书 雨天 室内 冷色调 俯视 忧郁

结语：AI 是工具，不是魔术师

回顾这几个月的体验，我最大的感悟是：AI 生图并不神秘，它更像一个「非常听话但缺乏常识的实习生」。你给的指令越具体、越符合它训练数据里的表达方式，它就越能交出好作品。反之，指望它「猜中你的心思」，只会浪费额度。

至于要不要充值会员、要不要追新模型——完全取决于你的使用频率和收益。对我这样的轻量用户，免费额度 + 旧模型 + 英文备用方案，已经覆盖了日常需求。而如果你真的想深入，SD 这条路径值得花时间，但请保持耐心，它是一场马拉松，不是冲刺。

希望这篇「野路子」教程能帮你少走一些弯路。下次当你对着生成失败的图抓狂时，不妨先停下来，重新读一遍自己的提示词——也许问题就藏在那个你没写出来的「脱鞋」里。

本文由 kuzhang 整理