用 Stable Diffusion Prompt Book 搭建可复用的提示词与参数配置

Stable Diffusion Prompt Book 是一本面向 AI 绘画创作者的提示词指南手册，解决的是「模型会用，但写不出稳定出图的提示词」这个问题。它把提示词拆成可复用的结构：主体描述、风格修饰、画质修饰、负面提示，再配上分辨率、采样步数、CFG scale、种子值这些参数的调节建议，并用同一主题不同提示的对比图说明语言细节对画面的影响。适合刚接触 Stable Diffusion、想从「随便写几句」过渡到「有章法地写」的初学者，也适合需要批量产出风格一致图像的设计与电商团队。手册本身以 PDF 形式免费提供，可以配合 Stable Diffusion Prompt Book 一起查阅使用。

准备工作

手册文件

手册是 PDF 格式的免费资源，可以从 OpenArt.ai 获取，GitHub 与 Internet Archive 等存档平台也有流传的副本。下载后建议本地留存一份，方便离线翻阅。手册的版本、页数与后续是否更新，以官方渠道当前公布的信息为准。

出图环境

手册的示例与参数建议面向 Stable Diffusion 系列模型，并适配主流 WebUI，例如 AUTOMATIC1111。开始之前需要准备好：

• 一个可运行的 Stable Diffusion WebUI 或同类界面，能输入正向提示、负向提示并调整采样参数；
• 至少一个基础模型权重，手册中的示例覆盖 SD 2.1、SDXL 等版本，不同版本对提示词的响应并不完全一致；
• 足够的本地显存或可用的云端算力，具体硬件门槛以所用 WebUI 与模型的官方说明为准；
• 一个用来存放提示词草稿与出图记录的文本文件或表格，方便回溯哪条提示对应哪张图。

手册本身不需要账号、密钥或付费订阅，下载即用。若通过第三方站点获取，注意核对文件是否完整。

操作步骤

第一步：先读「提示格式」章节，建立语法概念

手册把提示词的基本语法讲在最前面，核心是两类符号：

• () 圆括号用于提高某段描述的权重，让模型更重视括号内的内容；
• [] 方括号用于降低权重，弱化某段描述的影响。

理解这两个符号之后，提示词就不再是一串平铺的词，而是带层次的语言描述。建议在正式创作前，先用同一句提示加与不加括号各生成一次，观察画面元素的变化幅度，建立对权重强弱的直觉。

第二步：按主题套用结构化提示模板

手册收录了多种主题的预设提示格式，例如摄影风格、艺术流派、角色设计等。使用方式不是整段照抄，而是把模板拆成槽位再填入自己的内容。一个通用的拆解顺序是：

1. 主体：画面里最重要的对象，写清数量、外观、动作、姿态；
2. 环境与构图：场景、光线方向、景别（特写、半身、全景）、视角；
3. 风格与媒介：摄影、油画、水墨、赛博朋克等，从手册的修饰词部分挑选；
4. 画质修饰：清晰度、细节程度一类的通用修饰词；
5. 负面提示：把不想要的元素单独放进负向提示框，而不是塞进正向提示里加方括号。

把模板当成骨架，把具体内容当成血肉，这样同一套结构可以反复用于不同题材。

第三步：从修饰词库挑选风格关键词

手册的风格化修饰词部分收录了大量「魔法词」，例如「赛博朋克」「水墨风格」这类能显著改变画面气质的词。挑选时注意两点：

• 同一张图里不要堆叠互相冲突的风格词，风格词之间会互相争夺权重，结果往往两边都不像；
• 风格词与模型版本要匹配，某些风格在特定模型上表现更好，这一点只能靠实际出图验证。

建议为每个常用风格单独建一行记录，写清「风格词组合 + 使用的模型 + 效果评价」，积累成自己的小型词库。

第四步：在 WebUI 中填入提示并设置参数

把整理好的正向提示与负向提示分别填入对应输入框，然后按手册的参数建议设置采样相关选项。手册中提到的关键参数包括：

参数	作用	调整思路
采样器（Sampler）	决定去噪过程的算法路径	手册示例中使用了 Euler a，可作为起点，再与其他采样器对比
采样步数（Steps）	去噪迭代的次数	步数过低细节不足，过高收益递减且耗时增加
CFG scale	提示词对生成结果的约束强度	偏低更自由、偏离提示，偏高更贴合提示但画面容易僵硬
分辨率	输出图像的宽高	按用途设定，注意与模型训练分辨率相匹配
种子值（Seed）	控制随机数起点	固定种子可复现同一张图，便于做单变量对比

具体默认值与推荐区间随 WebUI 版本和模型不同而变化，请以所用工具与模型的官方当前信息为准，不要直接套用别处的数字。

第五步：用固定种子做单变量对比

手册的案例对比分析是它最有价值的部分之一：同一主题、不同提示，生成结果并排展示，直观说明语言细节如何影响画面。把这个方法迁移到自己的调试流程里：

1. 先固定种子值、采样器、步数、CFG scale，只改提示词中的一个变量；
2. 生成后记录改动前后的差异，判断这个变量是否真的起作用；
3. 确认提示词稳定后，再逐个调整参数，每次只动一个；
4. 把最终确定的「提示 + 参数 + 种子」整组保存下来，作为可复现的配方。

这样做的意义在于：出图结果不理想时，能判断问题出在语言描述还是参数设置，而不是盲目地同时改一堆东西。

第六步：用负面提示修补细节

手册的进阶技巧里专门讲了负面提示。当画面出现多余肢体、模糊、水印、不想要的风格倾向时，优先在负向提示里补充对应描述，而不是在正向提示里不断加词。负面提示同样支持权重符号，可以按需要加强或减弱某类排除项。

一个完整示例

下面走一遍从手册到出图的最小流程。示例只演示结构与流程，具体参数请按自己的模型与硬件调整。

1. 确定主题与结构

假设要做一张「雨夜街头的机械猫」概念图。按第二步的槽位拆解：

• 主体：一只金属质感的机械猫，坐姿，正面朝向镜头；
• 环境与构图：雨夜街道，霓虹灯反射在湿滑地面，中景，低机位；
• 风格与媒介：赛博朋克风格，电影感摄影；
• 画质修饰：高细节、清晰对焦；
• 负面提示：模糊、多余肢体、水印、文字。

2. 写成提示词

正向提示：
(mechanical cat:1.2), sitting, facing camera, rainy night street,
neon lights reflecting on wet pavement, cyberpunk style, cinematic photography,
highly detailed, sharp focus

负向提示：
blurry, extra limbs, watermark, text, low quality

这里用 (mechanical cat:1.2) 这种带数值的写法提高主体权重，也可以按手册的基础语法写成 (mechanical cat)，两者表达的是同一类意图，具体写法取决于所用 WebUI 是否支持数值权重。

3. 设置参数并生成

在 WebUI 中填入上述提示，采样器选 Euler a，先给一个中等步数与中等 CFG scale 作为基线，分辨率按用途设定，种子值先留随机。生成第一张图后，把种子值固定下来。

4. 迭代

• 如果机械猫的金属质感不够，加强主体权重或补充材质描述；
• 如果霓虹反射不明显，把环境描述提前，或提高该段权重；
• 如果画面出现多余结构，往负向提示里补对应词；
• 如果整体过于死板，适当降低 CFG scale 再试。

每一轮只改一个变量，并把结果与对应设置记在同一行记录里。几轮之后，就能得到一组可复用的配方：提示词全文、采样器、步数、CFG scale、分辨率、种子值。

5. 复用

把这条配方里的主体描述替换成别的对象，环境、风格、画质修饰与参数保持不变，就能快速产出一组风格统一的系列图。这正是手册的结构化模板在批量场景下的用法。

注意事项

• 手册是参考，不是保证。 同一段提示在不同模型、不同 WebUI 版本上的效果会有差异，手册中的示例结果不能直接等同于自己的出图结果。
• 参数不要照抄数字。 采样步数、CFG scale、分辨率的合适取值与模型、硬件、用途都有关，以所用工具与模型的官方当前信息为准。
• 风格词不要堆叠。 互相冲突的风格修饰词会稀释彼此的效果，宁可少而准。
• 固定种子是调试的前提。 不固定种子就无法判断变化来自提示词还是随机性。
• 负面提示与正向提示分开管理。 把排除项写进正向提示再加方括号，效果通常不如直接放进负向提示框。
• 注意获取渠道。 手册免费，但第三方存档站点的副本可能不完整或夹带无关内容，下载后先确认文件本身。
• 商用前确认授权。 手册内容与模型权重的使用条款各自独立，涉及商业用途时请分别核对官方许可说明。