Stable Diffusion 提示词高阶用法：从新手到精通的实战指南
刚接触 Stable Diffusion 时，我经常遇到这样的困扰：明明输入了详细的描述，生成的图片却总是不尽如人意。要么是细节缺失，要么是完全跑偏，有时候甚至会出现一些奇怪的元素。经过一段时间的摸索和实践，我发现提示词（prompt）的使用技巧才是决定生成质量的关键因素。
新手常见问题分析
刚开始使用 Stable Diffusion 时，大多数人都会遇到以下几个典型问题：
- 描述模糊导致效果不稳定：使用"一个漂亮的女孩"这样的提示词，每次生成的差异很大
- 细节控制不足：无法精确控制服装、姿势、背景等具体元素
- 意外元素出现：画面中经常出现不想要的物体或畸变
- 风格不一致：难以保持统一的画风和质量
提示词策略深度解析
正向提示词 vs 负向提示词
正向提示词（Positive Prompt）告诉 AI 你想要什么，而负向提示词（Negative Prompt）则告诉 AI 你不想要什么。两者配合使用效果最佳。
负向提示词示例：
lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry
正向提示词示例：
masterpiece, best quality, 1girl, long hair, blue eyes, school uniform, cherry blossoms background
权重调整技巧
通过使用 () 和 [] 可以调整提示词的重要性：
(word:1.3)- 将"word"的权重提高 30%[word]- 降低该词的权重- 多层嵌套
((word))相当于(word:1.21)
特殊符号的使用
- 交替提示词：使用
[A|B]让 AI 在 A 和 B 之间选择 - 分步渲染：使用
AND连接不同概念，让 AI 分阶段处理 - 风格融合：使用
:连接两个艺术家名字来混合风格
代码实战示例
下面是一个使用 diffusers 库调用 Stable Diffusion 的 Python 示例，展示了如何实现高级提示词控制：
from diffusers import StableDiffusionPipeline
import torch
# 加载模型
pipe = StableDiffusionPipeline.from_pretrained(
"runwayml/stable-diffusion-v1-5",
torch_dtype=torch.float16
).to()
prompt =
negative_prompt =
image = pipe(
prompt=prompt,
negative_prompt=negative_prompt,
height=,
width=,
num_inference_steps=,
guidance_scale=
).images[]
image.save()
