AI 生图的“语言锚定”：选受众，比选风格更重要

你过去的肌肉记忆,正在毁掉你写的每条提示词

我们这一代人是被 Stable Diffusion 1.5 教出来的。

那个时代写 prompt 是一门"详细描述"的手艺。你要把脑子里的画面翻译成长长一串关键词:粉色背景、金属光泽字体、产品摆中间、右上角价格牌、星星散落、Y2K 风格、masterpiece、best quality、4k、ultra detailed……写得越细,出图越准。我手里现在还存着两年前写的提示词,一条 600 字。

这套手艺到了 GPT image2、FLUX-Pro、Sora image 这一代,已经过期了。

不是说不能用,是说用得越熟练,出图越平庸。

你回想一下,你最近一次写 AI 生图提示词,是不是这样的:

"我要一张 Y2K 风格的彩妆广告。粉色和蓝色为主色调。背景是渐变。中间放三个产品。字体要有金属质感。要有星星和蝴蝶结装饰。要有日文 hashtag。要有价格牌。要看起来像日本杂志……"

写完一看,300 字。再加一些"masterpiece""8k""ultra detailed"凑上 500 字,提交。

出来的图哪哪都对,哪哪都差一口气。

字体有金属感,但不是那种 90 年代《Popteen》的软糖质感;配色是荧光的,但组合在一起没有层次;你写了"日文 hashtag",模型给你画了几个看起来像日文的东西,但里面没有「うるちゅる」「盛れる」这种真正在 SNS 上每天有人用的活词。

整张图像一个用力过猛的仿品,而不是一张本地生长的 SNS 广告。

为什么?

因为你写的每一个细节,都在挤掉模型脑子里已经存好的东西。

GPT image2 不是 SD 1.5。它的核心不是"按你说的画",是"把你给的词,在它见过的几十亿张图片里找到最匹配的那批记忆,把那一整套视觉模板一次性调出来"。

模型见过几十万张日本 Z 世代平价彩妆广告。它记得那种字体的质感、记得那种装饰元素的密度、记得那种价格爆炸贴的形状、记得「粘膜リップ」是 2023 年起在日本 SNS 上被反复使用的种草词。这些东西在它脑子里是一整个生态,不是几十个独立元素的拼贴。

你一旦开始一项一项往里塞细节,它就从"调档案"模式切换到"按你说的画"模式。一旦切换,那个完整的生态就散了。

这是一个心智模型的代际切换。

旧的心智模型:模型是画师,我是甲方,我描述,它画。

新的心智模型:模型是档案管理员,它身后有一整个文化档案库,我的任务是给出正确的索引词,让它把我要的那一份调出来。

这个切换我先给它取个名字,叫画师 → 检索器。后面整篇文章都会回到这个名字。

记住一句话:写得越细,你越是在和模型自己的记忆打架。

第一圈:选对一个词,等于挂上一整本档案

心智模型切换完了,具体怎么写?

那 45 个字的提示词,我把它拆开来看。它其实是分三圈在工作的,从外到内一层套一层。

最外面那一圈,是文化符号。在原例里就是这三个词:Y2K、Z 世代、プチプラ(平价)。

这三个词是钥匙。它们的任务不是描述画面,是锁定模型记忆里的某一个区域。一旦锁定,这个区域里整套已经成形的视觉模板,就会被一次性调出来。

我用一个比喻你就懂了。

模型的记忆库像一个图书馆。Y2K 这个词不是一本书,是一整个书架的索书号。你说"Y2K",图书管理员就把那一整面书架推到你面前,上面整整齐齐摆着糖果质感字体、霓虹渐变配色、多重描边、密集装饰元素、杂志页式构图、爆炸贴定价、Z 世代俚语、心形腮红妆面……几十样东西作为一个整体,一起被推过来。

你说"粉色"呢?管理员只能拉一张色卡给你。

这就是为什么作者第一步选的不是"粉色"或"亮眼",而是"Y2K"和"Z 世代"。风格词是色卡,文化符号是整个书架。 信息密度差几个量级。

那问题就来了:什么样的词能当钥匙?

我教你一个判断标准,只有一条。

打开 Pinterest 或者 TikTok,搜这个词。如果出来一屏一屏密集的、视觉风格高度一致的、被反复使用过的内容,这个词能当钥匙。如果出来的东西稀稀拉拉、风格不统一、要靠你自己脑补,这个词不能当钥匙。

Y2K、Cottagecore、Dark Academia,这三个词在 Pinterest 上各自搜出满屏风格高度一致的图,都能当钥匙。

那"千禧风"能不能当钥匙?

不能,或者说效果远不如 Y2K。同一个意思,英语和日语训练语料里反复出现的是 "Y2K Aesthetic" 这个固化短语,中文"千禧风"在网络上被使用的密度差好几个量级。模型对"千禧风"的视觉绑定很弱,你用它,模型只能给你一个模糊的"有点粉有点亮"的结果。

记一句话:钥匙词不是你觉得对的词,是网络已经替你定义过的词。

选词的第二个秘诀:选受众,不选风格

讲到这里还有一层。原例那条提示词里,真正起到锚定作用的不是 Y2K,而是 Z 世代。

这个细节你不仔细看会错过。

如果作者写的是"为粉色控用户制作可爱的 Y2K 风格的平价化妆品广告",出来的图大概率是欧美/泛亚视觉调性的混合体,不会是日本 SNS 风。

但他写"为 Z 世代制作"。Z 世代这个词背后挂着一整套消费场景:プチプラ、バズり、SNS 种草、社内女孩日常、コスパ最強。模型一旦锁定这个受众,配套的字体、价格牌、hashtag、装饰元素、模特长相全都会自动跟过来。

更绝的是,Y2K + プチプラ + Z 世代这三个词组合在一起,把语料库精确缩窄到了"日本 Z 世代平价彩妆"这个切片。同一个 Y2K 单独出现,可能调出 90 年代美国 MTV 风、欧洲电子舞曲海报风、日本杂志风三种之一,模型自己掷骰子。但一加上"プチプラ",日元定价感和日文 SNS 标签的指向就锁死了。

这个细节有名字,我管它叫语言锚定。一句话带过:你选的词是哪个语言/地区里的高密度概念,模型就会把视觉本土化到那个市场。

所以第一圈选词,记住两件事:

1. 选已经被互联网共识化的词,不要选你自己造的词
2. 优先选受众身份词,而不是视觉风格词

写到这一圈,你的提示词里应该有 2-3 个钥匙词。

第二圈:钥匙词是钥匙,旋钮词是旋钮

第一圈选完文化符号,提示词不能就此结束。还有一圈要写。

回到原例:

为 Z 世代制作可爱的 Y2K 风格的平价化妆品广告图片。使用鲜艳的配色和荧光色。纵横比为 3:4。

加粗的部分是钥匙词。剩下没加粗的"鲜艳的配色""荧光色""3:4",是另一类东西。

这类东西我管它叫旋钮词。

钥匙是开门的,旋钮是开门以后调音量调亮度的。

钥匙词和旋钮词,作用完全不同,绝对不能互换。

我列个对照表给你看:

词的类型 作用 例子 改动后果 钥匙词 激活整套视觉模板 Y2K / Z 世代 / プチプラ / Cottagecore / Dark Academia 删了图就崩,图会变成无主题的拼凑 旋钮词 在模板内做参数微调 鲜艳配色 / 荧光色 / 3:4 / 暖色 / 哑光 删了图还在,只是情绪/构图换了一种风味

新手最常见的一个错误,是用旋钮词去替代钥匙词。

比如他觉得"Y2K"太简单了,删掉,换成"粉色和荧光蓝渐变背景,有金属高光的字体,装饰元素是星星和蝴蝶结"。这套写法,全是旋钮词,一个钥匙词都没有。

结果就是:模型没有任何一个文化档案被激活。它从零开始按你的描述硬画,画出来的东西是各种零件的拼贴,没有"那种感觉"。

反过来,你写"Y2K"但忘了加"3:4",出图比例可能默认是 1:1,但风格是对的。损失可控。

记一句话:钥匙词决定方向对不对,旋钮词决定细节准不准。方向比细节更不能错。

写提示词之前先想清楚:我这条里,哪个词是钥匙,哪个词是旋钮。两类都要有,但钥匙必须在前。

第三圈:写到 50 字就停手,剩下的让档案自己长

到这里,提示词其实已经写完了。剩下的工作是不写。

我知道这听起来反直觉。但你回头看图 2。

那张图上有什么?

• 4 个色号名称:Baby Pink / Coral Glow / Magenta Doll / Neon Peach
• 一个完整条形码,数字 4582468541245
• 三个 hashtag:#うるちゅる #Y2K #盛れる
• 一个自创品牌名:chu♡lip GLOSS
• 一个日本 Z 世代专用美妆术语:粘膜リップ
• 一个 Z 世代女孩特写,带心形钻贴和荧光绿美甲
• 一个价格爆炸贴:プチプラ ¥550 (tax in)
• 一句 SNS 种草文案:Z世代から大バズリ中!

我数了一下,粗略估计,这张图上能数出来的视觉/文案元素有 40 多个。

提示词 45 个字。

这意味着 95% 的图像内容,是模型自己加的。

这才是这条提示词最反直觉的地方。作者没有要求"加一个条形码""加 4 色示色""加心形钻贴""加日文 hashtag"。他什么都没加。

但是模型加了。因为它的训练记忆里,"Y2K + Z 世代 + 平价彩妆广告"这个组合,本来就附带条形码、4 色示色、心形钻贴、日文 hashtag。这些东西是这个文化档案的"标配",不是需要被指挥的。

那如果作者真的写了"画面里要有条形码,要有 4 色示色,要有心形钻贴",会怎么样?

会更糟。

因为模型一旦看到这些显式指令,就会从"调档案"切换回"按指令画"模式。条形码会画出来,但可能比例怪;4 色示色会有,但色号名可能是"Pink 1 / Pink 2"这种没文化的命名;心形钻贴可能贴在不该贴的位置。整张图的内在一致性反而被打散。

这个现象有个名字,我叫它克制即控制。

不写,是主动决策,不是偷懒。

新手这一条最难做到。我自己用了一个月才把这个肌肉训练出来。每次写完提示词,我都会逼自己念一遍,问一句:这条里有没有可以删的字?如果某个词是在描述细节(条形码、心形腮红、价格牌的位置),八成可以删,删掉不会让图变差,反而会让模型自己的模板更完整地展开。

记住一个数字:写到 50 字就该停了。

不是说必须卡 50 字,是说当你的提示词字数往 100、200 走的时候,要警觉:我是不是在和模型的记忆打架?

把 Y2K 换成别的词,整套方法还能跑吗

到这里你可能在想:好,你说的我都懂了,但这是不是只对 Y2K 美妆这一类有效?换个场景就翻车了?

我也担心这个。三个完全不同的迁移案例,验证整套方法是不是工作流,还是只是 Y2K 专属公式。

每个案例都是同一套结构:钥匙词换掉,旋钮词换掉,品类换掉,模板的写法不变。

先把模板亮出来。

为 [受众群体] 制作 [情绪修饰词] 的 [文化符号关键词] 风格的 [品类] 广告图片。
使用 [配色风格] 的配色和 [辅助色调]。
纵横比为 [画幅比例]。

固定结构(三段式不能改):

• 受众 + 风格符号 + 品类
• 配色风格指令
• 画幅指令

变量(每次按场景填):

• [受众群体]:身份词,不是审美词(Z 世代 / 千禧一代 / 学院派青年)
• [情绪修饰词]:1-2 个高频形容词(可爱 / 复古 / 暗黑 / 田园)
• [文化符号关键词]:必须共识固化(Y2K / Cottagecore / Dark Academia)
• [品类]:加上"平价/手作/复古"等定位词,能携带语境
• [配色风格]:鲜艳 / 暖色 / 莫兰迪 / 高饱和
• [辅助色调]:荧光色 / 哑光 / 高对比 / 旧时代质感
• [画幅比例]:3:4 / 1:1 / 16:9

三个案例,每个告诉你三件事:改了什么、为什么这样改、期待出图。

案例 1:从日本 Y2K 换到韩国 K-Beauty(Glass Skin)

改了什么

为什么这样改

K-Beauty Glass Skin(玻璃肌)是 2018 年至今在 TikTok/Instagram/小红书上持续高密度出现的现象级美妆标签,文化母体是韩国偶像/韩剧女主的"剥壳鸡蛋般通透水光"妆面。打开 Pinterest 搜这个词,扑面而来的是水光感模特特写、清新淡雅的米白绿色调、玻璃瓶质感产品、Olive Young 货架风格陈列、清纯素颜美学、韩文 SNS 标签。这套视觉模板在训练语料里反复被强化过,信息密度极高。

受众词换成"韩国 Z 世代",这是在做语言锚定。同样是 Z 世代,日本切片和韩国切片完全不同——日本调出的是プチプラ糖果荧光风,韩国调出的是 Olive Young 水光极简风。你给的是受众身份+地区锚,模型把语料库从日本 SNS 切到了韩国 SNS。

Olive Young 这个词很关键。它是韩国 Z 世代美妆消费的主场,功能上等同于日本的"プチプラ"——是平价美妆的代名词,但视觉档案是韩式极简通透,不是日式糖果荧光。

我期待出图会有什么:韩文 hashtag(类似 #유리피부 #올리브영 #글래스킨)、₩(韩元)价格牌、4 件套护肤品集合(洁面/精华/面霜/防晒)、Olive Young 风格货架陈列或单品摆拍、玻璃瓶/磨砂玻璃质感产品包装、水光感模特素颜特写、清新淡雅米白绿色调、韩国 SNS 美妆种草文案。这些东西我都没在提示词里写,但 K-Beauty Glass Skin + 韩国 Z 世代这两个钥匙一转,它们都会自己长出来。

完整提示词

为韩国 Z 世代制作清纯的 K-Beauty Glass Skin 风格的 Olive Young 平价护肤美妆杂志广告海报。
使用清新淡雅的配色和水光透亮的质感。
纵横比为 3:4。

期待出图

案例 2:从日本 Y2K 换到 90s 美式校园辣妹彩妆(Drugstore Beauty)

这个案例我设计得特别狠。我故意保留 Y2K 这个词,但把受众和品类换掉,看看模型会不会调出完全不同的视觉档案。

改了什么

为什么这样改

这是一次故意的对照实验。我想证明同一个 Y2K,在不同语言锚定下能调出完全不同的视觉档案。

90s American High School + Drugstore Beauty 这两个词都是 TikTok 自 2023 年起的怀旧美妆现象级标签。Drugstore Beauty 特指美国 CVS / Walgreens 这种连锁药店里的平价彩妆品牌(类似 Maybelline 那个段位),整套视觉是 Lisa Frank 涂鸦风 + Bratz 娃娃质感 + 90 年代 MTV 美学 + 啦啦队配色。

你看,我把"プチプラ(日本平价)"换成了"Drugstore Beauty(美国平价)",同样是"平价",但语言锚定指向了完全不同的语料库切片。

我期待这张图会有什么:储物柜涂鸦质感的背景、Bratz 娃娃风格的字体、宝丽来照片的角落、紫粉黄绿四色搅在一起的糖果色、可能有一个 cheerleader 的小图标、价格牌可能是美元 $4.99 而不是日元 ¥550、字体上的描边方式可能更接近 Lisa Frank 那种童趣涂鸦风,而不是日本糖果质感。

如果两张图出来真的视觉差异巨大,就至少说明了一件事:Y2K 不是一个固定的视觉档案,它会根据后面跟着的语言锚定去调取不同的本土版本。这是这套方法最深的一层。

完整提示词

为美式校园辣妹制作怀旧的 Y2K 90s American High School 风格的 Drugstore Beauty 平价彩妆杂志广告海报。
使用高饱和糖果色的配色和泡泡糖荧光色。
纵横比为 3:4。

期待出图

案例 3:从日本 Y2K 换到欧美 Clean Girl(极简留白)

前两个案例都是"高密度装饰"风格——日本糖果荧光、美式怀旧涂鸦,装饰元素能塞满每一寸。这个案例换到完全相反的极端:极简、留白、克制,看模型能不能调出另一个本土档案。

改了什么

为什么这样改

Clean Girl 是 2022 年至今在 TikTok/Instagram 上持续现象级的美妆 aesthetic 标签,文化母体是 Hailey Bieber/Sofia Richie/Glossier 这一类"看起来什么都没涂但其实精心打理"的极简美学。打开 Pinterest 搜这个词,扑面而来的是白底/浅米色背景、留白克制的版面、原木和玻璃瓶质感产品摆放、英文 minimal sans-serif 标签、Glossier/Drunk Elephant 风格 logo、模特素颜般水光感、奶油哑光质感。

更关键的是,从"日本 Y2K 高密度装饰"切到"欧美 Clean Girl 极简留白",视觉风格几乎是 180 度反向——一个恨不得每寸都塞满,一个恨不得 80% 留白。如果这张图真的成立,就证明:

整套方法的核心不是"加细节",是"换钥匙就换整本档案"——哪怕新档案在视觉上完全相反,模型依然能从语料里调出一整套地道的本土版本。

我期待这张图会有什么:白底或浅米色背景、大面积留白克制版面、玻璃瓶/陶瓷罐/原木质感产品摆放、英文 minimal sans-serif 标签(类似"Hydrating Cream""Glow Tonic""Daily Moisturizer")、Glossier 风格的圆角无衬线 logo、可能有模特素颜水光感特写或纯产品摆拍、米色奶油哑光质感、英文 hashtag(类似 #cleangirl #effortless #lessismore)、价格可能是 $24/$32 这种 Indie Beauty 段位定价。这些都是我没写进提示词的,但 Clean Girl 这个钥匙一转,它们都会自动到位。

完整提示词

为欧美千禧一代制作极简的 Clean Girl 风格的 Indie Beauty 极简美妆杂志广告海报。
使用米色奶油色调的配色和哑光自然质感。
纵横比为 3:4。

期待出图

三个案例跑下来,真正的看点不是"换品类",是同一个 SNS 美妆广告生态,在四种语言锚定下被切成四套完全不同的本土档案:日本 Y2K プチプラ的糖果荧光、韩国 K-Beauty 的水光通透、美式 Drugstore Beauty 的怀旧涂鸦、欧美 Clean Girl 的极简留白。模板没动,变的只是钥匙。

钥匙换了,模型自己挂的档案就换了。这才是这套方法真正的杠杆——不是省字数,是把"控制"从描述粒度提到了文化档案粒度。

什么时候你的钥匙词会拧不开门

到这里如果我直接收尾,这篇文章就少了一块。下次你拿这套方法去做一张"赛博朋克酒吧海报"或者"我家阳台的真实场景",大概率会翻车,然后回头怪我没说清楚。

所以这一节先把丑话说前面。

这套方法的有效性,只取决于一件事:你选的那个钥匙词,在模型的训练语料里是否有大量、密集、风格高度一致的图像范本。

这是整套方法的前置条件,不是注意事项。

我给你一个判断流程,三步:

第一步,把你想用的钥匙词放进 Pinterest 搜索框。

第二步,看出来的前两屏,问自己三个问题:

• 这些图的风格是不是高度一致?(衣服颜色配色装饰元素是否反复出现)
• 这个词是不是已经被反复使用了 2 年以上?(看下方 hashtag 数量、有没有大量"~ aesthetic"的衍生标签)
• 这些图是不是有专门的爆款标签或博主在持续生产?

三个问题都是"是",这个词能当钥匙。只要有一个"否",就回退到老办法,详细描述每一个视觉细节。

举几个例子。

Y2K:全是。能用。 Cottagecore:全是。能用。 Dark Academia:全是。能用。 Cyberpunk:全是,但要小心,因为它的视觉档案太大太散(2077 风、Blade Runner 风、攻壳机动队风混在一起),可能需要再加一个细分锚定词,比如 "Cyberpunk 2077 style"。 赛博朋克酒吧海报:这种"中文 + 具体场景"的组合,不是钥匙词,是描述。回退到老办法。 我家阳台的真实场景:个人化场景,不存在共识模板。彻底回退到老办法,详细描述每个细节。 新中式风:训练语料里密度还在涨,但不如 Y2K 那么固化。可以试,但效果可能波动。 多巴胺穿搭:中文社媒原生标签,如果你的模型主要训练中文语料密度高(比如可灵、即梦),可能能用;如果是 GPT image2 这种全球语料,可能不如英文 "dopamine dressing" 命中率高。这是另一层语言锚定。

记一句话:钥匙词的有效性是查得到的,不是凭感觉的。下次写之前去 Pinterest 查一下,3 分钟能省你一晚上瞎折腾。

收束:你不是在写画面,是在挂档案

回到那条 45 字的提示词。

「为 Z 世代制作可爱的 Y2K 风格的平价化妆品广告图片。使用鲜艳的配色和荧光色。纵横比为 3:4。」

现在你应该看得出每个字在做什么了。

"Z 世代"是身份钥匙,锁定受众语料切片。"Y2K"是视觉钥匙,挂上千禧美学整本档案。"平价"是定价钥匙,带出价格牌、爆炸贴、コスパ感。后面的"鲜艳的配色和荧光色""3:4",两个旋钮,一个管能量等级,一个管 SNS 竖图的构图框。

整条提示词没有一个字描述画面。但它指向了模型记忆里一个非常精确的位置。剩下的 95%,模型自己长出来。

这篇文章所有内容,就是为了把这一句话说清楚:

写 GPT image2 这一代提示词,你不是在写画面,是在挂档案。

字数往 100 走的时候,提醒自己一句:我是在挂档案,还是在和模型的记忆打架?

写到 50 字就停手。剩下的让模型自己长。

本文参考:みどり🐲Midori Tatsuta 的内容 | https://x.com/midori_tatsuta/status/2045378877363798279