AI绘图人物提示词终极指南：从写出一张好脸开始

为什么你的AI绘图人物提示词总是“差点意思”？

先说一个反直觉的事实：提示词写得越长，效果不一定越好。

SDXL模型的CLIP编码器对提示词长度有天然限制，超出处理范围的内容会被截断或稀释。这意味着你精心堆砌的后半段描述，AI可能根本没“看到”。

更常见的问题有三种：

第一，结构混乱。 “赛博朋克风格的女孩穿红色连衣裙站在雨中的霓虹灯下微笑” —— 这句话同时包含了风格、主体、服装、环境、表情和光照，但AI不知道哪个更重要。不同的排列顺序会产出截然不同的结果。

第二，特征冲突。 写“蓝色短发”又写“长发及腰”，AI会尝试平均化处理，最后得到一个不蓝不白、不长不短的模糊结果。SDXL在多角色场景中还特别容易出现“特征混淆”——两个角色的发色、服装互相串染。

第三，缺少“锚点”。 AI绘图人物提示词的核心挑战不是“描述一个人”，而是“描述一个特定的人”。没有锚点的描述会让AI调用训练数据中的“平均值”，产出千人一面的结果。

解决这三个问题的关键，是建立一套结构化的提示词思维模型。

AI绘图人物提示词的核心结构公式

基础公式：适合快速上手

最简单的AI绘图人物提示词只需要三个要素：

提示词 = 主体 + 场景 + 风格

主体是画面的核心表现对象——性别、年龄、身份、外貌。场景是主体所处的环境——室内室外、季节天气、光线氛围。风格决定画面的视觉调性——写实、动漫、油画、水彩。

这个公式够用，但只适合灵感探索阶段。当你需要精确控制人物形象时，需要进阶版本。

进阶公式：精确控制画面的六层结构

提示词 = 主体描述 + 场景描述 + 风格定义 + 镜头语言 + 氛围词 + 细节修饰

这六层从宏观到微观，逐层递进。主体描述确定“画谁”，场景描述确定“在哪”，风格定义确定“怎么画”，镜头语言确定“从哪个角度看”，氛围词确定“什么感觉”，细节修饰确定“精致到什么程度”。

深度结构：九段式人像模板

对于需要高度复用的角色创作，可以使用九段式结构：

人物 → 面容 → 妆容 → 身材 → 装饰 → 动作 → 服装 → 环境 → 摄像

前四段（人物、面容、妆容、身材）是“真实感内核”，可以跨图复用。后五段按每张图的需求自由填充。这种结构的优势在于：当你需要同一角色出现在不同场景中时，只需更换后五段，前四段保持不变，角色的核心辨识度就能稳定维持。

人物特征的分层描述技巧

面部特征的微观控制

“好看的脸”是无效描述。AI需要具体的视觉线索。

脸型： 鹅蛋脸（oval face）、圆脸（round face）、方脸（square face）、心形脸（heart-shaped face）、长方脸（oblong face）。阿里Wan2.7-Image模型的“捏脸”功能就支持通过提示词灵活更换脸型，实现“千人千面”的效果。

眼睛： 杏仁眼（almond eyes）、丹凤眼（phoenix eyes）、圆眼（round eyes）、深邃眼窝（deep-set eyes）。眼睛是人物辨识度最高的特征之一，建议至少用两个词描述——一个定形状，一个定神态。

眉毛： 柳叶眉（willow eyebrows）、剑眉（straight thick eyebrows）、挑眉（arched eyebrows）。

嘴唇： 薄唇（thin lips）、厚唇（full lips）、微笑唇（smiling lips）。

肤色与肤质： 白皙（fair skin）、小麦色（wheatish complexion）、蜜色（honey skin）。肤质方面，写实风格建议加“真实皮肤纹理”（realistic skin texture）和“细微毛孔”（subtle pores）。

发型与发色的精确表达

发型是AI绘图人物提示词中最容易出效果的部分，也是最容易“翻车”的部分。

发色要具体：不要写“金发”，写“铂金色”（platinum blonde）或“蜂蜜金”（honey blonde）。不要写“红发”，写“铜红色”（copper red）或“酒红色”（burgundy）。

发型要精确：丸子头（bun）、低马尾（low ponytail）、波波头（bob cut）、大波浪（loose waves）、脏辫（dreadlocks）、双马尾（twin tails）。

一个实用技巧：当角色一致性要求高时，把发型描述简化为“发色 + 发长 + 基本形态”三个要素。过多的修饰词会让AI在不同生成中产生波动。

服装与配饰的描述策略

服装描述遵循“类型 + 材质 + 颜色 + 细节”的顺序。例如：“丝绸质地的墨绿色旗袍，领口有金色盘扣”比“穿旗袍”有效十倍。

配饰要克制。每增加一个配饰，AI分配到面部细节的注意力就会减少。除非配饰是角色辨识度的核心（比如标志性的眼镜或耳环），否则建议不超过两个。

2026年主流AI绘图工具人物提示词横向对比

不同平台对AI绘图人物提示词的理解方式差异很大。同一段提示词在不同工具中的表现可能天差地别。

关键发现： 2026年9月的一项受控实测显示，三个模型在写实人像任务上都通过了基础质检，但差异落在“审美解释”上——GPT Image 2和Midjourney V8.2的成片取景更近、更精致，而Nano Banana Pro的环境取景最宽。这意味着选择工具时，先想清楚你需要的是“面部特写”还是“带环境的中景”。

各工具的提示词策略要点

Midjourney V8.2： 2026年7月发布的V8.2对美学关键词的响应更敏感。提示词中应更多使用“cinematic”“moody”“editorial”“filmic grain”等风格化描述词。注意：V8.x系列不再支持Character Reference和Omni Reference参数，角色一致性需要依赖提示词描述本身。

Stable Diffusion 3.5： 倾向于自然语言提示词，不再像SD1.5时代那样依赖标签堆砌。人物特写的皮肤质感优秀，但手指精度不如Flux。

Flux： 支持高达32K tokens的提示词长度，建议从“图像类型+主体”开始，然后依次添加风格和光照。具体语言优于抽象描述——“三十多岁的女性，肩长赤褐色头发”比“一个人”效果好得多。

Nano Banana Pro： 擅长“还原真实场景”，提示词风格偏向自然语言描述。角色设定图任务中表现最贴近要求。

Wan2.7-Image： 2026年4月发布的阿里模型，核心突破是“捏脸”功能——支持在提示词中精确指定脸型和眼部特征，让AI生成的人物告别同质化。

写实风格 vs 二次元风格：提示词策略差异

写实风格的提示词要点

写实人像的核心是“真实感”。但“真实感”不是一个词能解决的问题。

光照是写实感的基石。 “柔和侧光”（soft side lighting）、“自然窗光”（natural window light）、“黄金时段光照”（golden hour lighting）——不同光照方案直接影响面部立体感和皮肤质感。Flux在写实人像中对光照提示词的响应尤为精准。

皮肤质感需要正向引导。 加入“真实皮肤纹理”（realistic skin texture）和“细微胶片颗粒”（subtle film grain）可以有效避免AI生成的“塑料感”皮肤。不要写“光滑皮肤”——那会让AI过度磨皮。

镜头参数增强真实感。 “85mm镜头”（shot on 85mm lens）、“浅景深”（shallow depth of field）、“f/1.8光圈”这类摄影术语能显著提升写实度。

二次元风格的提示词要点

二次元风格的关键词体系与写实风格完全不同。

风格标签要精确。 “anime style, cel-shaded, vibrant colors”适合日系动画风；“Chinese fantasy 3D animation, cinematic quality”适合国漫3D写实。

面部特征可以夸张化。 大眼睛（large expressive eyes）、小嘴巴（small mouth）、精致的鼻子（delicate nose）——二次元审美对五官比例的要求与写实不同，可以大胆使用风格化描述。

质量标签有实际作用。 “masterpiece, best quality, highly detailed”这类标签在二次元模型中确实能提升输出质量，但在写实模型中的作用相对有限。

镜头语言与光影氛围的提示词技巧

景别控制

景别直接决定人物在画面中的占比和细节呈现。

视角选择

视角决定观众与角色的关系。

平视（eye level）： 中性、客观的呈现，适合角色设定图。仰视（low angle）： 角色显得高大、有力量感，适合英雄式构图。俯视（high angle）： 角色显得脆弱或渺小，适合叙事性画面。侧面（side view）： 强调面部轮廓和身体姿态。

光影氛围的层次

光照是区分“普通”和“专业”AI绘图人物提示词的分水岭。

光源类型： 自然光（natural light）、棚拍光（studio lighting）、伦勃朗光（Rembrandt lighting）、轮廓光（rim light）。

光照方向： 顺光（front lighting）、侧光（side lighting）、逆光（backlighting）、顶光（top lighting）。

氛围色调： 暖色调（warm tones）、冷色调（cool tones）、高对比度（high contrast）、柔和漫射（soft diffused）。

一个值得记住的经验：逆光+轮廓光组合是让AI生成人像“高级感”最有效的单一技巧。Nano Banana Pro的侧脸肖像示例中，强轮廓光勾勒下颌线和鼻梁，配合深色极简背景，效果远胜于平铺直叙的光照描述。

负面提示词：让AI画“对”的关键

负面提示词的工作原理

负面提示词的本质是“做减法”。在扩散模型中，正向提示词和负面提示词同时参与引导——模型一边朝正向方向“前进”，一边从负面方向“后退”，两者的差值决定最终方向。

打个比方：正向提示词是油门，负面提示词是刹车。模型一边踩油门驶向目标，一边踩刹车远离雷区。

人物场景的负面词清单

画质修复类： low quality, worst quality, blurry, pixelated, jpeg artifacts, noisy

人体结构类： extra fingers, missing fingers, deformed hands, extra limbs, bad anatomy, mutated, disfigured, long neck

画面干扰类： watermark, text, signature, logo, date stamp, border

风格排除类： cartoon, 3d, realistic, anime, painting（按需选用）

手部崩坏的专项修复

AI画手是翻车重灾区。修复策略分两步：

正向提示词中精确描述手部： “五指清晰可数，拇指与其余四指分开，手背朝向镜头”。注意不要写“perfect hands”——这个词会触发AI过度优化导致手掌僵硬变形。

负面提示词中全面堵漏： extra fingers, fused fingers, deformed hands, missing fingers, mutated hands, poorly drawn hands。

如果生成后仍有问题，建议使用局部重绘（inpainting）功能，只对手部区域重新生成，而不是整张图重来。描述词只写手的数量和朝向，不要添加肤色等冗余信息。

负面提示词的使用原则

负面提示词不是越多越好。堆砌超过15个词反而会削弱模型表现力。建议保存3-4套常用模板，按场景切换：人物生成用一套、场景图用一套、写实风格用一套。

角色一致性：让同一张脸出现在不同画面

为什么一致性这么难？

AI绘图人物提示词的根本矛盾在于：每次生成都是一次独立的“从噪声到图像”的过程。模型没有“记忆”，它不会记住上一次生成了什么。角色一致性需要通过外部手段来“锚定”。

方法一：锁定描述模板

最基础也最可靠的方法。先写一段“锁定描述”，涵盖年龄、性别、发型（颜色+长度+形态）、眼睛颜色、脸型、标志性特征。每次生成时，把这段描述原封不动地放在提示词最前面，然后再添加场景细节。

关键原则：锁定描述中的词一个都不要改。哪怕你觉得“深邃的蓝色眼睛”换成“深蓝色的眼睛”意思一样——AI不这么认为。

方法二：参考图+权重控制

Midjourney用户： V7及以上版本使用Omni Reference（–oref）功能。上传角色参考图后，通过–ow参数（0-1000，默认100）控制参考强度。注意V8.x系列目前不支持此参数。

Stable Diffusion用户： 可以使用IP-Adapter或LoRA来锁定角色特征。LoRA的优势在于可以将特定角色的特征“训练”进模型，生成时只需在提示词中加入触发词即可。

通用方法： 使用img2img模式，上传角色参考图作为底图，设置较低的重绘强度（0.3-0.5），让AI在保持角色特征的前提下更换场景。

方法三：种子值固化

每次生成时记录seed值，后续生成使用相同seed。Seed决定了初始噪声的分布，固定seed可以让画面的基础结构保持一致。

但要注意：seed并非万能。改变场景、服装、姿态等变量时，即使seed相同，角色面部也可能发生漂移。建议配合锁定描述模板一起使用。

多角色同框：避免“特征混淆”的实战方法

问题诊断

当提示词中出现两个及以上角色时，AI倾向于“平均化”所有描述。红色头发和蓝色头发的两个角色，可能生成两个紫发角色。

区域分离语法

SDXL用户可以使用区域语法（regional prompting）将画布分割为左右两个区域，每个区域只接收对应角色的描述。LoRA权重建议压低到0.65左右，以平衡两个角色的特征强度。

互动词的优先级

多角色场景中，互动词必须紧跟在人数声明之后。推荐写法：“2girls, duo, holding each other’s hands”，然后才开始分别描述每个角色的容貌和服装。如果把互动词放在角色描述之后，AI可能无法正确建立角色之间的空间关系。

通用建议

如果频繁需要多角色场景，考虑使用基于DiT架构的模型（如Tsubaki、Serin），这些架构在多角色构图上的表现比SDXL更稳定。

关于AI绘图人物提示词的常见问题

提示词写中文还是英文效果更好？

目前主流模型的训练数据以英文为主，英文提示词的识别精度普遍高于中文。但2025-2026年发布的新模型（如Wan2.7-Image、SD3.5）对中文的支持已有显著提升。实用建议：关键特征词用英文，场景和氛围描述可以用中文。

提示词越长越好吗？

不是。SDXL的CLIP编码器对长度有限制，超长提示词的后半段可能被截断。Flux虽然支持32K tokens，但过多的描述词会稀释每个词的权重。建议：核心人物提示词控制在75-150个英文词以内，分层次组织。

为什么AI总是画出“AI脸”？

“AI脸”是训练数据平均化的产物。解决方案：在提示词中加入具体而独特的特征描述——特定的脸型、眼型、面部标记（如痣、疤痕、雀斑）。Wan2.7-Image的“捏脸”功能就是针对这个问题设计的，支持通过提示词精确控制骨相和五官细节。

Midjourney的–cref和–oref有什么区别？

–cref是V6时代的角色参考参数，通过–cw（0-100）控制参考强度。V7及以上版本用Omni Reference（–oref）替代，通过–ow（0-1000）控制，且不仅能参考角色，还能参考物体、动物等。V8.x系列目前不支持这两个参数。

负面提示词应该写多少？

建议控制在10-15个词以内。超过这个数量，模型的注意力会被分散，正面提示词的效果也会被削弱。可以建立多套模板按场景切换，而不是每次都写一长串。

如何让AI画的人物更像真人？

三个关键：光照描述要具体（侧光、逆光、轮廓光），皮肤质感要正向引导（真实皮肤纹理、细微毛孔），镜头参数要加入（85mm、浅景深）。另外，Flux和Midjourney V8.2在写实人像上的表现目前处于第一梯队。

角色一致性有没有“万能方法”？

没有。最可靠的是“组合拳”：锁定描述模板 + 固定seed + 参考图（如果工具支持）。三者叠加的效果远好于单一方法。另外，尽量减少每次生成中的变量数量——如果同时改变场景、服装、姿态和光照，AI维持角色一致性的难度会急剧上升。

AI绘图人物提示词不是一门玄学，而是一套可以系统学习的技能。从理解结构公式开始，到掌握特征描述的分层技巧，再到根据工具特性调整策略——每一步都有明确的逻辑可循。

最重要的心法只有一条：AI不是在“理解”你的描述，而是在“解码”你的指令。 每一个词的位置、权重和精确度都在影响输出。写提示词的过程，本质上是在用AI能理解的语言，把脑海中的画面“翻译”出来。

翻译得越精确，画面就越接近你的想象。