别再给 AI 堆\"电影感梦幻高级\"了，商业级 prompt 长得像一份剧组工单

你写的 prompt 在许愿，他写的 prompt 在下工单

先说残酷的一面。普通人写 prompt，基本会撞进三个坑里。对号入座：

第一个坑，感觉词陷阱。

打开生图工具，键盘一响：「一块红丝绒蛋糕，电影感，梦幻，高级感，超清 8K，大片质感」。

这句话的问题不在字少，在它全是情绪，没有约束。模型收到这串词，它知道你想要"好看"，但不知道镜头怎么摆、光怎么打、背景留多干净、主体该悬浮还是该坐在盘子里。它只能瞎猜。你抽三十次卡，能抽到一张勉强能用的，就已经是运气。

第二个坑，静物错觉。

稍微进阶一点的写法：「一块红丝绒蛋糕，旁边有奶油飞溅，碎屑飞起来，米白色背景，浅景深」。

这句话看着已经具体了，但依然差了一个等级的东西:没有指定决定性瞬间。结果就是你看到的大多数 AI 甜点图:奶油像被泼出来的刷子糊，碎屑散得没层次，主体稳稳坐在桌上。这叫"摆拍"，不叫"静止的爆发"。上面这四张原图之所以炸，不是因为有奶油飞溅，是因为液体刚炸开到极值、碎屑刚飞散到最有戏、主体却依然清晰。就这一帧。没锁死这一帧，画面就垮。

第三个坑，单张思维。

每张图都从零写一次，四张拼一起像拼多多合成图。做不了品牌，撑不起账号。

三个坑我自己都踩过，也见过太多人踩。根因只有一个:

你把 prompt 当成了一句"描述"，他把 prompt 当成了一份"工单"。

这就是今天这篇文章的核心。商业级 AI 生图提示词，长得不像咒语，而像一份广告片的拍摄规格单，你不是在画画，你是在给 AI 下剧组制作指令。

这不是 prompt，是一份四层剧组工单

先把完整骨架摆出来，不藏，不绕。上面这四张图对应的 prompt 是下面这样:

{
  "production_manifest": {
    "metadata": {
      "series_id": "CIN-FOOD-2025",
      "aspect_ratio": "9:16",
      "resolution_target": "8k_uhd"
    },
    "technical_stack": {
      "hardware": {
        "camera": "ARRI Alexa 65",
        "lens_profile": "Large format cinematic prime"
      },
      "film_emulation": {
        "stock": "Kodak Portra 400",
        "characteristics": ["Fine grain", "Natural skin tones", "Warm highlights"]
      },
      "lighting_rig": {
        "style": "Cinematic soft glow",
        "atmosphere": "Timeless indoor",
        "diffusion": "High"
      }
    },
    "artistic_direction": {
      "visionary_style": "Greta Gerwig",
      "composition_rule": "Graphic centered symmetry",
      "physics_engine": "Suspended animation / Zero gravity",
      "background_specification": "Flat off-white / Studio bone"
    },
    "variant_registry": [
      {
        "id": "VAR-001",
        "flavor_profile": "[口味名]",
        "tonal_emotion": "[情绪关键词]",
        "ingredients": {
          "primary_solids": ["[主体]"],
          "fluid_fx": ["[流体效果]"],
          "debris": ["[碎屑粒子]"]
        }
      }
    ]
  }
}

先看结构:外层一个 production_manifest（制作单），里面四块字段：metadata、technical_stack、artistic_direction、variant_registry。

用一句话解释这四层分别管什么:

• metadata(总控规格)：这批图做几张、多大、交付到哪里
• technical_stack(技术栈)：用什么机器、什么胶片、什么灯光拍
• artistic_direction(艺术指导)：按谁的审美、按什么构图、按什么物理规则导演
• variant_registry(变体注册表)：底座不变，每一款只换口味、配料、情绪

你现在可以不理解为什么要分成四块，也不用背下来每一个字段。接下来我一层一层拆开讲,讲完你就知道:每一层在控什么变量、新手会怎么漏、工单应该怎么写、动了会怎样。

第一层 · 总控规格:你定的不是画面,是交付

进入第一块字段之前，先停下来问自己一个问题:

这组图做出来之后,发在哪?做什么用?出几张?

新手的第一步是「想画什么」，专业的第一步是「要交什么」。这是从"单图创作"跳到"系列产出"的心智切换。

看 metadata 的三个字段:

• series_id: 系列编号。这不是给模型看的,是给你自己看的,意味着"这是一组而不是一张"
• aspect_ratio: 画幅比例。9:16 对应手机竖屏、短视频封面、Ins 故事;1:1 对应电商主图、朋友圈;16:9 对应横版海报、公众号头图
• resolution_target: 分辨率目标。8k_uhd 是商业印刷级,4k 足够线上发布

这一层看起来最简单,但大多数人直接跳过,上来就写「帮我画一块蛋糕」。跳过这一步的代价是:你出来的图可能好看,但上传到小红书就模糊了,或者印出来看发现构图顶到边了。

我推荐大家这样填:

• 做小红书发图:aspect_ratio: "3:4"
• 做 Instagram Story:aspect_ratio: "9:16"
• 做公众号头图:aspect_ratio: "16:9"
• 做电商详情图:aspect_ratio: "1:1"

分辨率有条件就给 8k_uhd,没条件给 4k_uhd。

一句话:这一层不决定画面好不好看,决定你出来的图能不能用。

第二层 · 技术栈:坐标词不是装饰,是工程参数

这一层是整条链路里最能炸穿读者的单点,慢慢看。

先对比两种写法。新手写「电影感」,AI 收到什么?收到一个情绪词,然后它自己去猜:是诺兰那种冷蓝?还是王家卫那种霓虹?还是韦斯·安德森那种对称糖果色?它不知道,就给你拼一个最大公约数,结果通常最俗。

专家写 "camera": "ARRI Alexa 65",AI 收到什么?收到一个具体型号。ARRI Alexa 65 是好莱坞 A 级电影机,大画幅数字机身,对应的画面特征是:浅景深、高动态范围、肉色还原、暖调偏移。这些特征不是你脑补的,是训练数据里有成百上千部用这机器拍的电影给它做参照的。

同样的道理:

• Kodak Portra 400:柯达肖像负片,中等颗粒 + 高宽容度 + 肤色暖调讨喜,是训练集里无数人像大片的共同基底
• Large format cinematic prime:大画幅电影定焦头,对应立体感、空间压缩、虚化形状
• Cinematic soft glow:电影级柔光,没有硬阴影
• High diffusion:高漫射,像在摄影棚里开了柔光箱

每一个词都是工程坐标。你不是在形容画面好看,你是在告诉 AI "用这台机器、这款胶片、这套灯"。密度比「电影感」高十倍。

这里有一个通用技巧,我管它叫「坐标词替换」:凡是你想写形容词的地方,先问自己一句:这个感觉对应到真实世界里的器材、胶片、导演、摄影师,是哪一个?能说得出名字,就用名字;说不出,就再想想,想不出再用形容词。

坐标词越密,许愿越少,出图越稳。

案例 1 · 把温暖棚拍改成冷调宽银幕海报

光讲不练没意思,我实际操作给你看。

我们保留骨架,只动 technical_stack 这一层。想看看:同一套"悬浮红丝绒",改成冷调宽银幕,会变成什么?

改了什么:

"technical_stack": {
  "hardware": {
    "camera": "ARRI Alexa 65",
    "lens_profile": "40mm anamorphic prime with horizontal flares"
  },
  "film_emulation": {
    "stock": "Fujifilm Velvia 50",
    "characteristics": ["High saturation", "Cool shadows", "Deep blacks"]
  },
  "lighting_rig": {
    "style": "Single hard key from camera left",
    "atmosphere": "Late night editorial",
    "diffusion": "Low"
  }
}

为什么这样改:

原图是温暖日光棚拍(Portra 400 + 柔光 + 高漫射),想走的是"亲切精致广告片"。我想让它翻转成另一种气质:深夜时尚杂志封面。所以:

• 40mm 宽银幕变形镜头替换大画幅定焦头,画面会出现横向光晕拉条。加上单侧硬光和 Velvia 50 的冷饱和,出来的气质更接近 David Fincher 的《社交网络》《龙纹身的女孩》那种冷峻疏离,不是《银翼杀手 2049》的橙青雾气(2049 是大逆光 + 雾,不是单侧硬光)
• Velvia 50 是风景向反转片,饱和度和对比度都拉到满,和 Portra 400 这种人像向负片正好是两个极端
• 单侧硬光 + 低漫射,替换掉原来的无影柔光,会出现强阴影对比,红丝绒的红会更浓,白奶油会被打出雕塑感

改完什么样:

预期出来的画面:深夜质感的米灰色背景,一块红丝绒悬浮在中心,红色被硬光打出近乎血色的饱和度,白奶油切面边缘有一道锐利高光;画面横向有两条淡淡的 anamorphic 镜头光晕;红色蛋糕碎像从黑暗里爆出的火星。气质从"甜品店好可爱"直接跳到"Loewe 新季秋冬大片"。

所以如果你只想换一组胶片味道,改 technical_stack 这一层就够,下面三层不用动。

第三层 · 艺术指导:把"静止的爆发"写进规则

技术栈解决的是"用什么拍",艺术指导解决的是"拍什么时刻"。这一层看清楚,你就会明白为什么前面那四张图长得像电影预告片海报,而不是美食博主的盘子照。

看字段:

• visionary_style: "Greta Gerwig",格蕾塔·葛韦格。注意一个细节:在 AI 模型眼里,Greta Gerwig 的视觉坐标其实更接近《Lady Bird》《小妇人》那种柔焦胶片 + 女性视角,不完全等于《芭比》的糖果色(《芭比》的糖果色 + 对称主要来自摄影指导 Rodrigo Prieto)。真的想要"芭比感",写 "Wes Anderson" 或 "Barbie 2023 movie aesthetic" 会更准
• composition_rule: "Graphic centered symmetry",图形化中心对称,主体永远在画面正中偏上
• physics_engine: "Suspended animation / Zero gravity",零重力悬停
• background_specification: "Flat off-white / Studio bone",扁平骨白,没有环境,没有桌子,没有影子

这四行的意思不是"我想要一张好看的图",是"我要 AI 冻结一个决定性瞬间"。

什么叫决定性瞬间?回头看那四张原图。它们共同在执行一个指令:主体安静地悬在空中,但周围所有元素都在运动的极值瞬间被按下暂停:液体刚炸开没散、碎屑刚飞散没落、奶油刚旋起没垂下。

这不是 AI 自己能想到的,是你写进工单里的。

这一层里最狠的一行,是 physics_engine。

记住这个词:它是整条链路里权重最高的单点,也是这套方法论里的最大旋钮。

为什么这么说?你可以换掉相机、换掉胶片、换掉灯光,图还是"电影级的什么东西"。但你只要把 Suspended animation / Zero gravity 改成 On a ceramic plate,不管其他行怎么写,图瞬间从"被导演的甜点"退回成"被拍的甜点"。好看会还在,但"海报感"没了。

如果你只能改一行,就改这行。

案例 2 · 关掉零重力,甜点会怎样?

改了什么:

骨架全留,只动这两行:

"artistic_direction": {
  "visionary_style": "Greta Gerwig",
  "composition_rule": "Graphic centered symmetry",
  "physics_engine": "Gentle gravity, slow honey pour in mid-air",
  "background_specification": "Flat off-white / Studio bone"
}

physics_engine 从"零重力"改成"温柔重力 + 半空中慢速倾倒蜂蜜"。构图规则保留,背景保留,技术栈也保留。

为什么这样改:

我想让你亲眼看到:静止的爆发 vs 慢动作倾倒,是两种完全不同的画面节奏。前者是"定格",后者是"流淌"。这一改,整组图的叙事节拍从"砰"一下变成"哗"一下。

我拿马卡龙来做这个案例,因为开心果马卡龙 + 蜂蜜的色彩对比非常适合做这种"流淌"质感:金黄色慢速液体经过薄荷绿马卡龙表面,会在边缘形成细小拉丝。

改完什么样:

预期画面:依然是薄荷绿背景,马卡龙依然居中对称。但这一次主体不再悬停:三颗马卡龙轻轻下沉,最上方一颗顶端有一股金黄色蜂蜜正在以慢动作倾倒,在空中拉成一根细亮的糖丝。开心果碎不再飞散,而是沿着蜂蜜的轨迹黏附在表面。气质从"电影预告片"变成了"Le Labo 香水广告":静、慢、奢。

同一套美学语言,切换了一个物理规则,情绪完全是两回事。

第四层 · 变体注册表:换皮不换片场

讲到这里,前三层已经把整个片场搭好了。机器、胶片、灯光、导演、构图、物理、背景,全部锁死。

接下来这一层,是把它从"一张神图"变成"一个系列"的关键。这是整套方法论里商业价值最大的部分。

看 variant_registry 的结构。每一款变体只定义四个东西:

{
  "id": "VAR-001",
  "flavor_profile": "[口味名]",
  "tonal_emotion": "[情绪关键词]",
  "ingredients": {
    "primary_solids": ["[主体]"],
    "fluid_fx": ["[流体效果]"],
    "debris": ["[碎屑粒子]"]
  }
}

这里有一个我想让你记住的结构:主体 / 流体 / 碎屑,三层粒子。

回看四张原图:

• 曲奇(主体)/ 燕麦奶(流体)/ 巧克力屑(碎屑)
• 红丝绒(主体)/ 奶油芝士(流体)/ 蛋糕碎(碎屑)
• 马卡龙(主体)/ 奶油馅(流体)/ 开心果碎(碎屑)
• 草莓蛋糕(主体)/ 打发奶油(流体)/ 酥饼碎(碎屑)

换皮换的就是这三层。主体大块、流体中等、碎屑粒子,三个尺度撑起画面的"粒子层次"。少一层,画面就扁。

另一个被很多人忽略的字段,是 tonal_emotion。它是一个可拨的旋钮,用来在同一套视觉里调情绪微差:

• Playful, cheeky yet chic,顽皮俏皮(曲奇那种)
• Bold, playful chic,大胆热烈(红丝绒那种)
• Refined, playful chic,精致克制(马卡龙那种)
• Sweet, playful yet chic,清新甜美(草莓那种)

四款都带 playful chic 做底色,保证系列感;前半部分的形容词各不同,做个性。新手会直接写"梦幻""高级",把旋钮拧到底;老手只拧半圈,让每款有个性,又都属于同一个品牌。

案例 3 · 把西式甜点换成中式本土风味

这是整篇文章里我最偏爱的案例。

改了什么:

骨架全留,技术栈全留,艺术指导全留。只替换 variant_registry 里的四个条目。英文 + 中文并列写,方便 AI 理解:

"variant_registry": [
  {
    "id": "VAR-CN-001",
    "flavor_profile": "Black Sesame Tangyuan 黑芝麻汤圆",
    "tonal_emotion": "Moody, poetic chic",
    "ingredients": {
      "primary_solids": ["Glutinous rice tangyuan with black sesame filling spilling"],
      "fluid_fx": ["Warm sweet osmanthus broth splash"],
      "debris": ["Black sesame powder burst"]
    }
  },
  {
    "id": "VAR-CN-002",
    "flavor_profile": "Osmanthus Jelly Cake 桂花糕",
    "tonal_emotion": "Gentle, nostalgic chic",
    "ingredients": {
      "primary_solids": ["Translucent amber osmanthus jelly cubes"],
      "fluid_fx": ["Honeyed osmanthus syrup swirls"],
      "debris": ["Dried osmanthus petals"]
    }
  },
  {
    "id": "VAR-CN-003",
    "flavor_profile": "Jiuniang Glutinous Rice Balls 酒酿圆子",
    "tonal_emotion": "Warm, cozy chic",
    "ingredients": {
      "primary_solids": ["Small white glutinous rice balls"],
      "fluid_fx": ["Fermented rice wine broth with egg ribbons"],
      "debris": ["Goji berries suspended mid-air"]
    }
  },
  {
    "id": "VAR-CN-004",
    "flavor_profile": "Red Bean Snow Skin Mooncake 红豆冰皮月饼",
    "tonal_emotion": "Cool, elegant chic",
    "ingredients": {
      "primary_solids": ["Pink snow skin mooncake sliced, red bean paste flowing"],
      "fluid_fx": ["Frosted rosewater mist"],
      "debris": ["Crushed candied rose petals"]
    }
  }
]

为什么这样改:

我想证明一件事:这套片场不只能拍西式甜点。真正厉害的不是工单里的那些英文术语,是底座本身的通用性。原骨架锁死的是"电影级悬浮 + 粒子层次 + 静止爆发"这组视觉语法,至于主体是马卡龙还是汤圆,无所谓。

选品牌气质的时候我想了一下:这个案例不能用"优雅中国风"去碰星巴克或茶颜悦色这种被用烂了的参照,那些已经是视觉上的大众公约数。我更想对标的是观夏 To Summer那种极简中式高级香氛品牌的视觉调性:克制、东方、不土气、有国际感。所以情绪旋钮里我写的是 Moody, poetic chic、Gentle, nostalgic chic,不是「国潮」「中国风」「古典美」。

三层粒子结构保留:

汤圆配温热桂花汤和黑芝麻粉,桂花糕配桂花蜜和干桂花瓣,圆子配酒酿蛋花和枸杞,冰皮月饼配玫瑰水雾和糖渍玫瑰瓣。每一款都严格遵守"主体大 / 流体中 / 碎屑小"的三层尺度。

改完什么样:

预期画面(以黑芝麻汤圆为代表):依然是 ARRI Alexa 65 + Portra 400 + 柔光棚拍的那套胶片感,依然是骨白背景 + 中心对称。一颗糯米汤圆悬停在画面中心偏上,黑芝麻馅从破口处像熔岩一样缓缓流出,但被定格在半空;下方是温热的桂花糖水被冲起的浪花,带着几根蛋花;黑芝麻粉像黑色星尘在空气里散开。气质不是"中式糕点店橱窗",是"东方电影节宣传海报"。

同一个片场,换一套演员。这就是 variant_registry 的商业价值:写一次 prompt,批量出系列。你不是在做一张图,你是在搭一条流水线。

能动什么,不能动什么

到这里,四层工单全部讲完。最后把整套方法论压成一张可复用的操作卡,以后你改动时直接对照就行。

顺序铁律(不可颠倒)

metadata → technical_stack → artistic_direction → variant_registry。顺序不能乱。一旦你先写了"草莓、红丝绒、马卡龙",模型会先锁定"食物种类";等你后面补镜头、胶片、物理规则,画面想象已经跑偏,再改很难扭回来。这条顺序对应的是"拍摄系统 → 场面调度 → 系列扩展"的因果链,不是格式洁癖。

可动旋钮(放心换)

• aspect_ratio / resolution_target:看你用在哪,随时可改
• variant_registry 里的每一项:口味、配料、情绪,全可换
• tonal_emotion:同一系列内做情绪微差,放心拨
• 如果你是老手,technical_stack 的单项也能换(参考案例 1:Portra 400 换 Velvia 50)

半动半锁(谨慎换)

• visionary_style:换导演会带偏整个系列的审美,系列内不建议中途换
• lens_profile / film_emulation:单独换一项可以,整套拆开重写,气质会明显变薄

死锁骨架(一碰就散)

• 四层分层结构不能压扁成一句自然语言。你一旦写成「用 ARRI Alexa 65 拍一块红丝绒蛋糕,Greta Gerwig 风格,零重力悬浮……」,稳定性立刻崩塌。JSON 的层级不是给模型解析的(模型把它当文本),是给你自己当脚手架用的:压扁一次,自己就会漏掉一个字段
• composition_rule + background_specification:主体居中 + 背景克制,这两条一动,注意力立刻被环境吃掉,商业主视觉滑回普通美食摄影
• camera + film_emulation + lighting_rig 三件套:尽量整体保留或整体替换

最大旋钮(改了一切重来)

physics_engine。你可以当它是整套方法论里最敏感的那一行。它一变,这不再是"静止的爆发",而是另一种片场了。

模型适用性(补一句)

这套 JSON 工单最适合跑在对"训练语料坐标"响应较重的模型上,比如 Midjourney v7、Sora、Nano Banana Pro(原推那组图用的 Gemini 3 Pro Image)。换成 Flux、Seedream 这类对自然语言描述更敏感的模型,坐标词的吃重会变,需要做裁剪或替换。

最后回到开头那个问题。

你写的 prompt 和他写的 prompt 差在哪?

不是差形容词的量,不是差英文,是差思考单位。描述句是一根根词拼起来的,工单是一张图纸分好层的。

许愿变下单,摆拍变决定性瞬间,单图变系列。这三件事,JSON 的四层帮你一层一层搬完。

今晚打开你最近跑过的任何一个 prompt,把它拆成四层 JSON 重写一遍。你会发现自己漏掉的字段,比想象中多一半。

写到 variant_registry 那一栏时,你会发现自己已经不是一个提示词作者,是一个片场的制片人。

本文参考:@YaseenK7212 原推文