Midjourney是一个AI工具，允许用户输入提示词来生成图片。业州愚公是一位自媒体从业者，他发现同样输入几个词，有些人可以生成出高品质的图片，而有些人则只能得到糊成一团的光斑。这个差距不在于运气或会员等级，而是在于提示词的撰写方式。业州愚公认为，Midjourney的提示词需要按主体、环境、构图、光影、风格、参数六块积木搭配，这样才能生成出高品质的图片。他还提供了填空模板和五问自检的方法，帮助用户改善提示词的撰写能力。通过这种方式，用户可以更好地利用Midjourney生成出自己想要的图片。
菜鸟之友系列：《AI 工具实操与提示词》・工具篇作者：业州愚公
做自媒体的朋友前阵子兴冲冲地订了 Midjourney，第一句提示词输的是「一只猫，可爱，高清，大师级，获奖作品，震撼视觉」。四张图出来，全是糊成一团的光斑，勉强认得出毛色。同一周，另一个同事用同一个工具出封面图，一发入魂，四张里三张直接能用。两个人的差距不在运气，也不在会员等级——他们输入的东西，根本不是同一种语言。前者在许愿，后者在写分镜。这一篇，就把提示词的结构拆成六块积木，让你照着填空就能上手。
Midjourney 长期以 Discord 内的 /imagine 指令为主要入口，官方也在持续更新网页版介面；具体入口与介面细节以官方最新版本为准。本文讲的是提示词结构本身，与入口无关。
结果先放这里：把一句提示词按「主体、环境、构图视角、光影氛围、风格媒介、参数」六块填空，出图命中率立刻不一样。这不是玄学，原因说得清楚。
Midjourney 这类文生图模型，是把句子里的词转成画面元素的线索。它不像人类读者会替你理顺逻辑，也不懂「可爱、高清、大师级」这种修辞是夸奖——它只会老老实实把这些词对应的视觉特征糊进画面。「大师级」对应什么视觉特征？没有。于是只能凭空猜测，猜出来的就是那团光。形容词还会互相打架：你写「极简背景、华丽构图、古典油画质感」，三个词指向三个方向，模型不会选择，只会全部揉进同一张图。好提示词的第一原则只有一条：每个词都指向一个具体的视觉决定——光从哪来、镜头在哪、像什么画出来。
把任何一条能用的提示词拆开，基本都落在这六块里。顺序不强制，但按下面的顺序写，条理最清楚：
| 积木 | 它决定什么 | 填法范例 | 缺了它会怎样 |
|---|---|---|---|
| 主体 | 画面主角是谁、长什么样 | a fisherman in a yellow raincoat | 模型自由发挥，画面失焦 |
| 环境 | 主体在哪里 | on a stormy harbor pier | 背景每次随机，难复现 |
| 构图视角 | 镜头怎么摆 | low-angle shot, close-up | 永远默认中景，千篇一律 |
| 光影氛围 | 光从哪来、什么调子 | golden hour light, thin fog | 平光，像证件照 |
| 风格媒介 | 像用什么画出来 | watercolor illustration | 塑胶感的数位默认味 |
| 参数 | 句尾的技术旋钮 | --ar 16:9 --stylize 200 | 比例固定正方形 |
六块拼起来，就是一条完整的提示词：
```
a fisherman in a yellow raincoat pulling nets on a stormy
harbor pier, low-angle shot, spray and dim morning light,
35mm film photo --ar 3:2 --no text, watermark
```
主体有职业有动作有衣着，环境有地点有天气，镜头有角度，光有方向有时刻，媒介指定了胶片摄影，句尾参数定了比例、排掉浮水印。八个视觉决定全在一句话里落实——这就是分镜脚本跟许愿的差别。
参数是写在提示词最后、以两个短杠开头的指令，不参与画面内容，只控制生成行为，常用六个：
| 参数 | 作用 | 常见用法 | 使用提醒 |
|---|---|---|---|
| --ar | 画面比例 | --ar 16:9（横幅）／--ar 9:16（手机直式） | 封面、壁纸先定比例再写词 |
| --no | 排除元素 | --no text, watermark, people | 排除项用逗号分隔 |
| --stylize | 风格化强度 | 数值越高越「美术化」，越低越贴近描述 | 想要精确控制时调低 |
| --chaos | 四张图的差异度 | 数值越高四张图彼此差越远 | 找灵感调高，收敛时调低 |
| --seed | 固定随机种子 | 记下数字，之后沿用 | 想在同一张图上微调时必备 |
| --v | 模型版本 | 以官方最新版本为准 | 新版本通常对长句理解更好 |
三个使用心得。第一，--ar 是新手最容易忽略也最该先写的：公众号头图和手机壁纸比例完全不同，先定比例，构图才有意义。第二，--no 的价值被低估——文字和浮水印是 AI 出图的常见瑕疵，一句 --no text 能省掉大量返工。第三，--seed 是「迭代」的钥匙：不固定种子，每次生成都是全新抽奖；固定了种子，改一个词就能看清它影响了什么。
参数的具体名称与取值范围可能随版本更新调整，以官方文件最新版本为准。两个短杠后面不要加空格，写成单杠 -ar 或中间夹空格，指令会失效——这是新手最常见的「参数明明写了却没生效」的原因。
第一个坑：形容词打架。「极简」和「华丽」同时出现，模型不选边，直接和稀泥。检查方法：把形容词一个个念出来，问自己「它对应哪个视觉决定？」答不上来的，删掉。
第二个坑：把参数写进句子。--ar 这类指令必须放在提示词最后，夹在句子中间可能被当成普通文字，或者干脆吞掉整段描述。参数归参数，描述归描述。
第三个坑：不会给主体分配重量。想让画面「猫为主、狗为辅」，只会写 a cat and a dog，结果两者平均分配、彼此抢戏。正确工具是双冒号加权重：写成 cat::2 dog::1，猫的视觉分量就是狗的两倍。主体复杂的画面，全靠这招排兵布阵。
还是那位被光斑劝退的朋友。我把六块积木的表发给他，他重写了一条：a tabby cat curled on a windowsill, morning sunlight through lace curtains, soft warm tones, watercolor illustration --ar 3:2。这次四张图里有一张直接用作了封面。他说：「原来它不是画得差，是我一直没说清楚。」
用一次真实的迭代过程，把前面的东西串起来。目标：一张文章头图，主题「深夜便利店」。
| 轮次 | 输入的提示词 | 出来的结果 | 这一轮补了哪块积木 |
|---|---|---|---|
| 第一轮 | night convenience store, beautiful, amazing | 氛围混沌，看不清重点 | 全缺，只有空话形容词 |
| 第二轮 | a convenience store at night | 认得出便利店，但像手机随手拍 | 补了主体与环境 |
| 第三轮 | a lone customer at a convenience store counter at night, fluorescent light spilling onto wet street, wide shot, 35mm film photo --ar 16:9 | 接近想要的电影感 | 补了光影、构图、媒介、比例 |
| 第四轮 | 固定第三轮的 seed，把 fluorescent light 换成 warm tungsten light 微调 | 收敛到可以直接用 | 用参数做最后一里 |
规律很清楚：每一轮只加一两块积木，加完看清效果，再加下一块。这正是 --seed 的意义——种子固定，变数只有你改的那个词，因果一目了然。反过来，每一轮都整句重写，永远不知道是哪个词起了作用，学十轮也攒不下经验。
最后把整篇压缩成你能直接抄走的东西。
填空模板：
```
[主体] with [一个关键细节], [环境地点与天气], [构图视角],
[光源与氛围], [风格或媒介] --ar 比例 --no 想排除的东西
```
动笔前的五个自检问题：
提示词写作不是许愿，是摄影师的分镜脚本加上美术指导的工作单。你把视觉决定做得越具体，留给随机的部分就越少。下次打开 Midjourney，先花三十秒把六块积木在心里摆一遍——这三十秒，抵得上抽奖抽一下午。
工具推荐随身机器人（新用户免费试用 7 天）
卡在「提示词写好之后还要反覆调」？「随身机器人」帮你把需求转成结构化提示词草稿，再陪你一轮轮迭代，新用户免费试用 7 天。
下一篇预告：图有了，配乐呢？下一篇我们实测 Suno AI 音乐生成——从一段歌词到一首有前奏有副歌的完整歌曲，新手第一次生成该避开哪些坑，实操记直接开录。
业州愚公 ｜ SY 视野（sylogs.com）原创内容，转载请注明出处。
编辑评论 / Editor's Note
这种创作工具的使用方法需要一定的技巧和创意，才能产生出高质量的结果。通过了解和掌握这六块积木的搭配技巧，使用者可以更好地控制和优化自己的创作效果。同时，这也反映出人工智慧在创作领域的应用和发展潜力。