150 字生成超燃杂志级时尚大片的底层逻辑

这张图是一段话生成的

先看东西。

这两张图，橙色西装、复古跑车、前景那双夸张的球鞋，看着像是摄影棚里大几万预算才能拍出来的时尚大片。

实际上，它们是 Gemini 用一段话生成的。

不是 JSON，不是模板，不是分了十几个字段的结构化指令。就是一段英文，153 个词：

A high-contrast, low-angle fashion editorial photograph from a 24mm lens, capturing Steve Harrington in a tailored bright orange suit, white shirt, and orange tie. He leans against a sharp corner in a monochrome orange studio with clean geometric lines. A pair of oversized orange and black sneakers in forced perspective dominates the foreground. A vintage orange hatchback (e.g., a Ford Fiesta Mk1) is parked in the background. The lighting is dramatic, with strong shadows. The overall aesthetic is luxury street-style. 4:5 aspect ratio.

今天就拆这一条。我想让你看到的不是"结构多完美"，而是这 153 个词里，每个字为什么在那个位置，去掉任何一句话画面会怎么塌。

先有概念，再有描述

很多人写提示词的起手式是：打开输入框，想到什么写什么。先写人，再想想背景放什么，最后随手加个"cinematic"收尾。

这条提示词不是这么来的。

你倒过来看就明白了。它的出发点不是"我要画一个穿橙色西装的人"，而是一个完整的视觉概念："Steve Harrington 的橙色时尚大片"。

这个概念定下来之后，后面的每一个细节都在回答同一个问题：怎么让这张图看起来像一本正经的时尚杂志大片？

西装要 tailored、颜色要 bright orange，因为杂志大片的衣服不会皱巴巴也不会颜色暧昧。背景是 monochrome orange studio，因为杂志棚拍就是单色背景。前景放了一双球鞋用强制透视（一种利用近大远小让小东西看起来巨大的构图手法），因为时尚大片需要视觉冲击点。甚至那辆 Ford Fiesta Mk1，大概也不是随便选的，这种 70 年代的小掀背车外形圆润、体积小，放在背景里不会抢主体。

没有一个字是为了"多写点 AI 好理解"。每个字都在服务那个概念。

人名就是最精准的提示词

这条提示词用了一个你可能觉得理所当然的操作：直接写 Steve Harrington。

Steve Harrington 是《怪奇物语》（Stranger Things）里的角色，由 Joe Keery 饰演。这个名字带着一整套视觉信息：年轻白人男性、浓密的标志性发型、略带痞气的帅气脸型、80 年代美式审美。

如果不用名字呢？你大概得这么写："a young white male in his mid-20s with thick voluminous brown hair swept back, sharp jawline, with a confident and slightly cocky expression"。写了一大段，AI 还不一定能给你一致的脸。

用名字，一个词搞定三件事：长相、气质、受众联想。

这个技巧叫"角色锚定"。AI 的训练数据里有大量这些角色的图片，用名字等于直接告诉 AI 去匹配那个视觉数据集，比你用形容词堆出来的描述精准得多。

不过有个前提：你选的角色得在 AI 的训练数据里有足够多的图片。一线影视剧角色、超级英雄、知名歌手，基本都好使。但如果你想画一个只在三集里出现过的配角，AI 大概率画不出来，还不如自己描述。

全场一个颜色：色彩纪律

现在来看这条提示词里最"强迫症"的部分。

数一下带 orange 的地方：bright orange suit、orange tie、monochrome orange studio、orange and black sneakers、orange hatchback。一条提示词里，orange 出现了 5 次。

这不是作者懒得换词。这是故意的。

这个叫"色彩纪律"：整个画面只允许一个主色调存在，所有元素都必须服从这个色调。为什么这么极端？因为 AI 在配色上特别爱自由发挥。你不限死，它就会给你的西装配一条蓝色领带，给背景加一面白墙，给那辆车喷个红色。每一个"小小的自由发挥"加在一起，画面的统一感就碎了。

我们做个实验。把 monochrome orange 去掉，不限制场景颜色，其他都不动，看 AI 会怎么处理：

看到了吗？去掉颜色约束之后，AI 立刻开始"帮你配色"。背景可能变成灰色、地面可能出现黑色、灯光色温也飘了。单看每个元素都不丑，但放在一起就没有了原图那种整页都是橙色的视觉冲击。

所以 5 次 orange 不是废话，是在每一个可能跑色的位置都插了一面旗：这里也是橙色，别动。

一双鞋凭什么占 C 位

这条提示词最有意思的一句话是这个：

A pair of oversized orange and black sneakers in forced perspective dominates the foreground.

一双球鞋，写了 forced perspective（强制透视），写了 dominates the foreground（占据前景）。为什么一双鞋要这么大排面？

因为这条提示词在构造一个三层画面：前景是鞋，中景是人，背景是车。三个不同的物件占据三个不同的景深位置，画面才有纵深感，而不是所有东西都贴在一个平面上。

但光有三层还不够。要让前景的鞋真正"撑起来"，需要三个技术配合一起工作：

第一是 24mm lens。24mm 是广角镜头，近处的东西会被夸张放大，远处的东西会被压缩变小。你试过把手机贴近一双鞋拍照吗？鞋变得比人头还大，后面的人缩成一个小点。24mm 广角干的就是这件事。

第二是 low-angle，低角度拍摄。从低处往上拍，前景物体天然就会显得更高更大。放在地上的鞋，低角度拍就变成了画面里的"巨物"。

第三是 forced perspective，强制透视。这是一个摄影术语，意思是利用近大远小的原理，刻意让一个小东西在画面里看起来巨大。

这三个不是分开选的。24mm 给了广角畸变，low-angle 给了仰视角度，forced perspective 给了构图意图。三个加在一起，才能让一双球鞋在画面里比人还抢眼。

现在我们反过来，把这三个全去掉，换成 50mm 标准镜头、平视角度、正常构图，看看会怎样：

鞋还在画面里，但它变成了一个普通的前景元素。没有了夸张的大小对比，没有了仰视带来的压迫感，整张图从"时尚大片"变成了"一个穿橙色衣服的人站在鞋旁边"。

技术参数从来不是随便填的。24mm 不是因为作者喜欢广角，是因为画面里有三层元素需要广角来容纳和夸张。参数是被画面需求倒推出来的。

道具不是装饰，是叙事

回头看这条提示词里的三个物件：一套橙色西装、一双超大球鞋、一辆复古小车。

这三个东西凑在一起，讲的是同一个故事：奢华和街头的混搭。

西装是 tailored（定制剪裁），这是奢华的符号。球鞋是 oversized（超大号），这是街头文化的符号。而那辆 Ford Fiesta Mk1，一辆 70 年代的平民小车，既不是豪车也不是跑车，它代表的是一种复古的、不那么正经的生活态度。想象一下，如果背景停的是一辆兰博基尼，整张图就变成了"富二代炫富"；如果是一辆皮卡，画风就变成了"乡村音乐 MV"。换一辆车，故事就变了。

提示词最后一句 "The overall aesthetic is luxury street-style" 不是一个额外的标签，而是对前面所有道具选择的总结。你把那句话去掉，画面依然是奢华街头风，因为道具本身就在讲这个故事。

这就是提示词里道具选择的逻辑：不是"画面空了加点东西"，而是每个道具都在强化同一个视觉叙事。你选道具的时候问自己：这个东西放进去，是在讲同一个故事，还是开了一条新的岔路？

这条提示词没写什么

现在反过来看，这 153 个词里"没有"什么。

没有写表情。Steve Harrington 是什么表情？提示词里完全没提。但你看生成的图，人物的表情是自信、从容的，和整个画面的调性完全吻合。

没有写皮肤质感。没有写发型细节。没有写鞋子的品牌。

更有意思的是，最后只用了两句话来兜住整体风格："The lighting is dramatic, with strong shadows. The overall aesthetic is luxury street-style."

就这两句。没有写色温、没有写光源方向、没有写打光技法的名字。但 dramatic lighting + strong shadows + luxury street-style 三个短语组合在一起，AI 就知道该怎么布光了。因为这三个描述指向的是同一个视觉方向，AI 不需要在矛盾的指令之间做选择。

少即是多，但有个前提：你省掉的部分，必须能被你写出来的部分推导出来。表情没写，但"Steve Harrington + tailored suit + luxury street-style"已经暗示了那种自信的状态。光线没写细节，但"dramatic + strong shadows"已经足够。

新手的提示词经常犯两种错：要么什么都不写让 AI 全猜，要么什么都写把 AI 搞晕。这条提示词的做法是：关键的视觉决策写死（颜色、构图、焦段），可以被推导的细节留给 AI 自己判断。

从概念开始，不从模板开始

拆完了。回头看这条提示词，它的厉害之处不在于用了什么高级技巧，而在于每个字都知道自己为什么在那里。

你下次打开 AI 画图工具的时候，别急着往输入框里打字。先花 10 秒钟想一件事：我要的是什么感觉的图？

然后围绕那个感觉，一个一个决定：谁、穿什么、在哪里、什么颜色、什么镜头、什么构图。每加一个词都问自己：这个词是在服务那个感觉，还是我凑字数？

这条提示词的作者 Maercih 后来发了更多作品，用的是结构化的 JSON 格式，把人物、场景、灯光、相机参数分成了独立的字段。如果你想要更稳定、更可控的出图效果，可以去看看他的其他作品。

本文参考：Maercih (@Maercihh) 的内容 | 原文链接

但在研究 JSON 之前，先把"一段话"写明白。能用 153 个词讲清楚一张图的人，换成 JSON 只会更强。反过来，如果一段话都理不清自己要什么，JSON 的字段再多也救不了你。