Stable Diffusion提示词案例库：从入门到精通的实战宝典

梳理了Stable Diffusion提示词案例库的完整知识体系，涵盖案例库规模分类、主流模型语法对比、核心公式拆解、六大场景实战配方及负面提示词策略。无论你是新手还是进阶用户，都能从中找到可直接复用的提示词方案，告别盲目“抽卡”，实现精准出图。

一、案例库到底有多大规模？

打开任何一个AI绘画社区，你都会看到数以百万计的提示词被分享出来。但真正有价值的、经过验证的提示词案例库，其实集中在几个核心平台。了解这些平台的规模和特点，能帮你快速定位到适合自己需求的那一个。

DiffusionDB是目前最大的公开提示词数据集，收录了来自Stable Diffusion用户社区的1400万条文生图提示词。这个数据集的独特之处在于，它不仅记录了提示词本身，还关联了生成参数（如采样器、步数、CFG Scale）和对应的输出图像。对于想要深入研究“什么提示词配什么参数”的用户来说，这是最完整的参考源。

另一个值得关注的是Hugging Face上的Image-Prompt-Library，它从一个超过70万条提示词的原始集合中，经过质量筛选后保留了约61,235条精选提示词。这个库的亮点在于它按照提示词风格进行了系统分类，总结出了6种语法家族：逗号分隔式、标签式、增强权重式、自然语言式、S表达式和字段标注式。这种分类方式本身就是一个很好的学习框架——你可以根据自己的使用习惯和模型特性，选择最适合的提示词书写风格。

除了这些大型数据集，像Civitai这样的模型社区也积累了大量带有实际生成参数的提示词案例。用户上传作品时会自动附带完整的提示词和参数信息，这形成了一个持续的、实战验证的提示词库。PromptHero则提供了另一个维度的价值——它收录了数百万条提示词和对应的生成图像，支持通过关键词搜索匹配的案例。

这些案例库的共同特点是：它们不是静态的文档，而是随着模型迭代和社区创作不断更新的活库。2026年，随着SD3.5和Flux等新模型的普及，案例库中的提示词风格也在发生明显变化。

二、提示词案例库的类型与分类体系

面对海量的提示词案例，如果没有清晰的分类体系，很容易陷入“收藏了但不会用”的困境。我根据实际使用经验，将提示词案例库分为以下几个维度来理解。

2.1 按模型版本分类

这是最实用的分类方式，因为不同模型对提示词的“理解方式”差异巨大。SD 1.5时代，提示词以标签堆叠为主，需要大量质量修饰词来“堆”出好效果。SDXL时代，原生分辨率提升到1024×1024，模型对自然语言的理解能力增强，标签式提示词依然有效但不再是唯一选择。到了SD3.5，自然语言优先成为主流，T5-XXL编码器让模型能够理解长句和复杂描述，权重语法虽然仍然支持但不再是必需品。Flux模型则在自然语言理解和输出质量上实现了更大的飞跃，但代价是计算资源需求更高，且社区微调模型的丰富度不如SDXL。

2.2 按应用场景分类

人像、风景、建筑、产品、二次元、概念设计——每个场景对提示词的要求截然不同。人像案例库强调面部细节、光影和皮肤质感；风景案例库侧重氛围、色调和空间层次；建筑案例库需要精确的结构描述和材质表现。将这些场景的提示词分开整理，能让你在特定需求下快速找到参考。

2.3 按提示词风格分类

Image-Prompt-Library的六种分类法很值得借鉴：逗号分隔式适合SD1.5/SDXL的传统用法；标签式来源于Danbooru等图片社区，在动漫风格模型中效果最稳定；增强权重式通过括号和数字精确控制每个元素的影响力；自然语言式在SD3.5和Flux上表现最佳；S表达式和字段标注式则适合需要结构化管理的批量生成场景。

三、主流模型提示词语法横向对比

不同模型之间的提示词语法差异，是很多用户感到困惑的地方。下面这张对比表能帮你快速理解各模型的核心差异。

这张表的核心信息是：模型越新，对提示词“写法”的宽容度越高，但对“内容质量”的要求也越高。在SD 1.5上，你可以靠堆砌“masterpiece, best quality, 8k, ultra detailed”来提升出图效果。但在SD3.5和Flux上，这些质量词的作用微乎其微——模型更关注你描述的主体、场景和构图是否清晰具体。

阿里云PAI ArtLab的实践文档也印证了这一点：通用提示词结构正在从“前缀质量词+主体+场景”的堆叠模式，向“自然语言描述+关键标签补充”的模式演进。

四、案例库核心公式与语法拆解

理解了模型差异之后，我们来看提示词案例库中反复出现的核心语法模式。这些语法不是“可选技巧”，而是决定出图质量的基础工具。

4.1 权重控制的四种方式

最常用的是小括号加数字：(beautiful:1.3)表示将“beautiful”的权重提升到1.3倍。权重取值范围建议控制在0.4到1.6之间，低于0.4的词几乎会被忽略，高于1.6则容易导致画面畸变。

直接用括号叠加也能调整权重：一层小括号相当于1.1倍，((word))等于1.21倍，(((word)))等于1.331倍。大括号的幅度更温和，{word}约等于1.05倍。中括号则会降低权重，[word]约等于0.95倍。

还有一种更精细的方式是分段调度：[apple:peach:0.9]表示前90%的生成步骤使用“apple”，后10%切换到“peach”。通过调整这个比值，可以在保持整体构图不变的前提下，微调画面中的某个元素。

4.2 交替与组合语法

[word1|word2]语法让模型在每个生成步骤中交替使用两个词，适合创造混合效果，比如[purple|silver|green]_hair可以生成带有多种色调的发色。

AND语法（部分界面支持）用于在同一个位置上叠加多个元素的权重，例如gold hair:1.2 AND silver hair:0.8会让发色以金色为主、银色为辅。

4.3 提示词模板化的实战思路

比迪丽SDXL提示词库的整理者分享了一个很实用的结构：[触发词 & 角色描述], [场景与动作], [视觉风格与构图], [画质与细节强化]。以战斗场景为例：bidili, martial arts uniform, dynamic fighting pose, flying kick, energy aura, intense battle scene, anime style, dramatic lighting, masterpiece, best quality。

这种模板化的思路之所以有效，是因为它把提示词从“一次性创作”变成了“可复用的配方”。你在案例库中看到的好提示词，不应该只是复制粘贴，而应该拆解它的结构，理解每个部分的作用，然后替换成自己的内容。

五、六大场景实战提示词配方

以下配方均从案例库中精选并经过实际验证，覆盖最常见的六类创作需求。每个配方都附有参数建议和注意事项。

5.1 写实人像

正向提示词：
RAW photo, a young woman with long wavy brown hair, sitting by a window,
soft natural light from the side, wearing a white linen shirt,
gentle smile, looking at viewer, shallow depth of field,
85mm portrait lens, film grain, Kodak Portra 400, photorealistic
负面提示词：
cartoon, anime, illustration, painting, 3d render, CGI,
plastic skin, over-smooth, airbrushed
推荐参数：CFG 5-7, Steps 25-35, 采样器 DPM++ 2M Karras

核心要点：写实人像的关键不是堆砌“masterpiece”，而是用摄影语言描述光线、镜头和胶片的质感。

5.2 风景与自然

正向提示词：
Lush green moss in forest scenes, sunlight filtering through trees,
gentle rays casting soft glows on moss-covered rocks, tiny plants peeking out,
creating a serene woodland atmosphere, misty air, morning golden hour,
national geographic style photography, wide angle
负面提示词：
people, buildings, urban, concrete, oversaturated, HDR, neon
推荐参数：CFG 6-8, Steps 30-40

核心要点：自然场景的氛围感来自“光源方向+时间+天气”的组合描述，而非单纯的“beautiful landscape”。

5.3 建筑与空间

正向提示词：
modern office building, glass facade reflecting sunset sky,
geometric concrete structure, clean minimal lines,
perspective view from ground level, blue hour lighting,
architectural photography, tilt-shift lens, ultra sharp
负面提示词：
people, cars, messy, cluttered, old, damaged, cartoon
推荐参数：CFG 7-9, Steps 30-35, 建议分辨率 1024×1536（竖版）

5.4 二次元动漫

正向提示词：
1girl, solo, long black hair, blue eyes, school uniform, pleated skirt,
standing on rooftop, wind blowing hair, sunset sky, city skyline background,
anime style, cel shading, vibrant colors,
masterpiece, best quality, absurdres
负面提示词：
worst quality, low quality, bad anatomy, bad hands, extra fingers,
deformed, blurry, jpeg artifacts, watermark, text
推荐参数：CFG 5-7, Steps 20-28（动漫模型出图效率更高）

5.5 产品与商业摄影

正向提示词：
a luxury watch on marble surface, studio lighting from above,
soft shadows, reflections, macro photography, shallow depth of field,
clean minimal background, commercial product photography, 8k detail
负面提示词：
blurry, noisy, distorted, text, watermark, cluttered background
推荐参数：CFG 6-8, Steps 30-40

5.6 概念设计与科幻

正向提示词：
a biomechanical creature, organic metal hybrid, glowing blue veins,
standing in an alien desert, two moons in sky,
concept art, artstation trending, intricate details,
cinematic composition, rule of thirds, atmospheric perspective
负面提示词：
ugly, boring, simple, flat, 2d, cartoon
推荐参数：CFG 7-9, Steps 35-45

六、负面提示词的策略框架

负面提示词在案例库中往往被忽视，但它是控制出图质量的关键杠杆。负面提示词的核心机制是“分类器自由引导”（CFG）：模型同时计算正向和负向两组预测，两者的差值决定最终生成方向。可以这样理解：正向提示词是油门，负面提示词是刹车。

根据实际使用经验，负面提示词可以分为四类：

一个重要的原则是：负面提示词不是越多越好。建议控制在10到15个词以内，堆砌过多反而会削弱模型的表现力。不同模型对负面提示词的敏感度也不同——SD 1.5非常敏感，SDXL中等，SD3.5和Flux则对负面提示词的依赖大幅降低。

七、案例库使用的三个层次

掌握了具体的提示词配方之后，更重要的是建立一套使用案例库的方法论。我把这个过程分为三个层次。

第一个层次是“复制层” 。你从案例库中找到一个效果不错的提示词，直接复制使用，微调几个词来适配自己的需求。这是最基础也最实用的用法，尤其适合刚接触AI绘画的用户。Civitai上的作品页面通常附带了完整的提示词和参数，一键复制即可开始。

第二个层次是“拆解层” 。你不再满足于复制，而是开始分析一个提示词案例为什么有效。你会注意到，写实人像的提示词中总会出现镜头焦段和胶片型号的描述，风景提示词中总有“光源方向+天气+时间”的三要素组合，动漫提示词中“1girl, solo”几乎从不缺席。这些规律性的模式，就是案例库最有价值的部分。

第三个层次是“构建层” 。基于前两个层次的积累，你开始构建自己的提示词模板体系。比如，你发现某种光线描述词在多个场景中都表现出色，就把它固化到自己的模板中。你还会根据实际出图效果，记录哪些词组合有效、哪些无效，形成个人的“提示词笔记”。比迪丽案例库的作者就是这样做的——他测试了上千次，筛选出50多个有效组合。

这三个层次之间不是线性的，而是循环的。每次构建新的模板后，你又会回到案例库中寻找新的参考。

八、构建个人提示词案例库的实操方法

理解了使用层次之后，具体怎么搭建自己的案例库？以下是一套经过验证的流程。

第一步：选择记录工具。 不需要复杂的数据库，一个结构化的表格就够了。关键字段包括：提示词全文、模型名称和版本、LoRA（如有）、采样器、步数、CFG、种子、输出效果评分（1-5分）、备注。

第二步：分类标签。 按场景（人像/风景/建筑/二次元/产品/概念）、按风格（写实/动漫/油画/赛博朋克）、按模型（SDXL/SD3.5/Flux）打标签。标签体系不需要完美，能帮你快速检索就行。

第三步：固定测试参数。 在评估一个提示词是否有效时，固定种子、步数和CFG，只改变提示词本身。这样能排除参数干扰，准确判断提示词的效果。

第四步：定期复盘。 每隔一段时间，回顾一下哪些提示词模板使用频率最高、效果最稳定，把它们提升为“核心模板”。低分的案例可以删掉，保持案例库的精简和实用。

需要提醒的是，2026年的模型迭代速度很快，今天在SDXL上有效的提示词，明天换到Flux上可能就不一样了。案例库需要持续更新，而不是一次性建好就不管了。

九、2026年提示词案例库的趋势与展望

从2026年的技术发展来看，提示词案例库正在经历几个显著的变化。

最明显的是从“技巧驱动”到“描述驱动”的转向。在SD 1.5时代，写好提示词需要掌握大量语法技巧——括号、权重、交替语法、分段调度。但SD3.5和Flux的出现改变了这个格局。这些新模型对自然语言的理解能力大幅提升，你不需要用(beautiful:1.3)来强调“beautiful”，直接用“一幅美丽的日落画面”这样的自然描述就能获得不错的效果。这并不意味着语法技巧完全过时——在需要精确控制画面元素时，权重语法仍然有用——但它的重要性确实在降低。

另一个趋势是案例库的“智能化” 。Hugging Face上的Image-Prompt-Library已经开始使用LLM（如Gemma 4和Qwen 3）来生成和填充提示词模板，这意味着未来的案例库不再是静态的文字集合，而是能够根据你的需求自动生成和调整的动态系统。

第三个趋势是跨模型提示词的标准化。当用户同时在SDXL、SD3.5和Flux之间切换时，他们需要一个统一的提示词框架来减少重复劳动。目前来看，自然语言为主的提示词风格最有可能成为跨模型的通用标准，因为它对模型语法细节的依赖最少。

从更长远的角度看，我认为提示词案例库的角色正在从一个“参考答案集”演变为“创作思维工具”。它的核心价值不在于告诉你“该写什么词”，而在于帮助你建立一套系统化的画面描述能力——知道一个场景需要描述哪些维度（主体、光线、构图、氛围、风格），知道不同模型的“语言偏好”是什么，知道如何通过负面提示词来“做减法”。

常见问题（FAQ）

Q1：Stable Diffusion提示词案例库中，SDXL和SD3.5的提示词可以通用吗？

不建议直接通用。SDXL对标签式提示词（如“masterpiece, best quality”）的依赖度较高，而SD3.5更倾向于自然语言描述。在SDXL上有效的质量词堆叠，在SD3.5上可能被忽略甚至产生干扰。建议根据目标模型选择对应的提示词案例作为参考。

Q2：为什么我的负面提示词加了很多，但画面问题依然存在？

负面提示词建议控制在10到15个词以内。过多的负面词会导致模型“注意力分散”，反而削弱对核心排除项的约束力。同时，负面提示词对不同模型的敏感度差异很大——SD1.5很敏感，SD3.5和Flux则相对“不敏感”。如果你的模型对负面提示词响应较弱，与其在负面词上下功夫，不如把正向提示词写得更精确。

Q3：提示词案例库中的权重数值（如1.3、1.5）可以直接照搬吗？

权重数值需要根据实际情况调整。建议的权重范围是0.4到1.6，但不同模型对同一数值的反应不同。另外，LoRA的强度也会影响提示词权重的效果。更稳妥的做法是：从案例库推荐的权重起步，然后根据实际出图效果微调0.1到0.2的幅度。

Q4：如何判断一个提示词案例库的质量和可靠性？

看三个指标：一是提示词是否附带了完整的生成参数（模型、采样器、步数、CFG、种子）；二是是否展示了实际生成效果（没有配图的提示词参考价值有限）；三是案例库是否在持续更新。一个2024年建立后就不再更新的案例库，在2026年的模型环境下参考价值会大打折扣。

Q5：2026年了，学习Stable Diffusion提示词还有必要吗？新模型不是“自然会懂”吗？

新模型确实降低了提示词书写的“技术门槛”，但没有消除“描述门槛”。SD3.5和Flux能理解自然语言，但如果你描述的场景本身不够具体、缺乏视觉细节，模型依然会输出平庸的结果。提示词案例库的价值不在于教你“背咒语”，而在于帮助你理解“一个画面需要描述哪些维度才能被AI准确还原”。这种结构化思维，在任何模型上都不会过时。