这两年做AI绘画相关的内容，最让我头疼的不是模型装不上、显存不够用，反而是那些看起来没什么技术含量、但每天都折磨人的“废片”。出图一时爽，挑图火葬场，尤其是批量出图的时候，废片率一高，素材库就像垃圾堆。很多人以为废片多是运气问题，或者单纯怪模型不好，但我在反复踩坑之后发现：绝大多数废片，根子都出在提示词上。所谓AICG（有的朋友写成AIGC，指的是AI生成内容，这里按标题习惯统一用AICG），本质上是“你指挥、AI执行”的过程，提示词就是你的指挥语言。语言没组织好，执行自然歪楼。这篇东西不聊晦涩的理论，就把我自己摸索出来的、怎么用提示词把废片率压下去的方法整理出来，希望能帮到正在跟废片搏斗的你。

1. 为什么你总在出废片：先搞清楚“废”在哪

在聊优化提示词之前，先花点时间看看废片到底是怎么产生的。只有把问题归好类，才知道该从提示词的哪个环节下手。

1.1 废片最常见的三种类型

我把平时碰到的废片简单分成三类，不一定准确，但便于对症下药：

• 结构崩坏类：最常见的是人物手指多一根、脚踝反向弯折、眼睛一大一小，或者建筑透视歪掉、物体边缘融在一起。这类废片纯粹是模型在结构理解上出了问题。
• 内容偏离类：你明明想要“日落时分的海边”，AI给你出一张正午的沙滩；你想要“机械风格的赛博朋克城市”，它给你来了一堆复古木头房子。画风、主体、元素跟需求对不上。
• 画质劣化类：画面发灰、噪点严重、过度锐化、阴影脏、高光死白，看起来就像老式摄像头拍的，完全没有美感和质感。这类废片往往是参数搭配或者负面提示词没跟上导致的。

如果你每次都栽在同一类废片上，那基本可以确定是提示词里某些固定习惯在拖后腿。我见过一位朋友每次出图都抱怨“AI不懂人话”，后来我点开他的提示词一看，好家伙，全篇只有三个词：人物、背景、好看。这种丢给谁都没法执行，纯粹是把AI当成算命先生了。

1.2 废片要减少，先别急着“抽卡”

很多人的第一反应是硬着头皮狂出图，靠数量堆出幸存者，也就是俗称“抽卡”。这种做法不能说完全没用，但费时间费电费心情。更关键的是，如果提示词本身有硬伤，出100张图也只是得到100张问题各异的废片，偶尔出一张能看的，你也不清楚它为什么能看，下次照旧碰运气。

我自己早期就这么干过，一万张图出下来，能用的不到两百张，效率低得离谱。后来我给自己定了一条规矩：连续出三张废片，就停下来检查提示词，而不是继续点击生成按钮。这个习惯帮我省下的时间，足够我再研究半个项目了。

现实中真正该做的，是把“废片”当成AI给你返回的错误日志。每张废片都在告诉你某些信息：可能是某个词它听不懂，可能是某些词组合在一起互相打架，也可能是负面提示词没把常见的坏因素屏蔽干净。理解了这一点，优化提示词就不再是玄学，而是有迹可循的调试过程。

2. 提示词拆解：让AI听懂你的“人话”

提示词不是写得越多越好，也不是随便堆几个英文单词就完事。它有自己的语法逻辑和结构层次，理解了这套逻辑，你才能让模型稳定输出你想要的东西。

2.1 一条合格提示词的基本组成

我习惯把提示词拆成四个层面的内容，缺什么就补什么：

• 主体内容：画面里最核心的对象，例如“一位穿红色汉服的少女”“一只蹲在窗台上的橘猫”。主体描述越具体，AI的发挥空间就越小，跑偏概率越低。
• 场景环境：主体所处的空间和环境，例如“江南水乡的雨巷”“老式港风茶餐厅”“末日废土的城市废墟”。环境词汇决定了背景信息，是氛围感的关键来源。
• 风格与质感：渲染风格、镜头语言、艺术流派，例如“电影感”“浅景深”“柔光”“极简主义”“厚涂插画”。风格词要跟主体场景协调，否则会出现画面割裂。
• 画质与细节等级：例如“8K高清”“超精细”“细节丰富”“锐利焦点”。这一层属于兜底词，能提升整体完成度，但别指望它来拯救构图问题。

举个例子，如果我只写“一个女孩，坐在咖啡馆”，那模型大概率会给你一个身份不明、场景含糊、风格混乱的图。但如果你写“一位留着短发的女孩，穿着米色毛衣，坐在老式咖啡馆的窗边，手里捧着冒热气的咖啡杯，窗外是下着雨的街道，电影感，浅景深，柔和自然光，8K，超精细”，出图结果就完全不一样了。

2.2 写提示词最容易犯的三个错

第一个错是贪多求全。曾有人一条提示词叠了几十个风格词：“科幻、奇幻、蒸汽朋克、宫崎骏、迪士尼、3D、油画、黑白”，AI能同时给你塞进一张图里才奇怪。风格词不是越多越好，选两三个方向一致的词就够了。

第二个错是前后矛盾。比如前面写了“白色背景”，后面又加一个“复杂的室内环境”，模型就会无所适从。每写一个词，都要想想它跟前文是不是冲突。

第三个错是只描述结果不描述边界。很多人写提示词只写“要什么”，不写“不要什么”，结果AI就大胆发挥，长出六根手指，加一副奇怪的墨镜。负面提示词的重要性，我在下一节专门展开讲。

2.3 一个可以套用的提示词模板

我自己做设计项目的时候，几乎都按下面这个结构出提示词：

主体描述 + 动作状态, 环境场景, 时间光线, 镜头构图, 风格流派, 画质细节, , 负面提示词

来看一个完整示例。假设我要做一张“宇航员站在火星表面”的插画：

一个穿白色宇航服的宇航员站在火星红色的丘陵上, 面向远处巨大的地球, 背景是深空星星, 黄昏金色阳光从侧面照射, 广角镜头, 低角度仰拍, 电影感, 科幻插画风格, 极精细的纹理, 8K, 超清细节, , (bad anatomy:1.3), (bad hands:1.3), (missing fingers:1.3), extra digits, lowres, bad quality, worse quality, blurry, jpeg artifacts, watermark

这个模板里，前面是正向描述，逗号加两个空格之后是负面提示词。别小看这个分隔习惯，很多工具和插件会把后面的部分单独识别为负面提示词，养成习惯能少踩很多坑。

3. 实战核心：用负面提示词给AI划红线

如果说正向提示词是“告诉AI做什么”，那负面提示词就是“告诉AI不做什么”。在我压低废片率的实战经验里，负面提示词起的作用甚至比正向提示词更大。

3.1 为什么负面提示词如此关键

AI模型在生成时并没有人类这么强的常识判断力。它只知道手指大概长在手掌上，但具体是五根还是六根，模型其实不太在乎。如果你不在负面提示词里明确写“坏手指”“多余手指”，它就会用极大概率给你生成一窝“蜘蛛指”。

这就像交代一个做事马虎的新人：你说“帮我把桌子擦干净”，他会把抹布随便糊弄一下；但如果你补充“不要留水渍、不要擦花桌面、不要漏掉桌角”，他就会认真很多。负面提示词本质上是在给模型的“马虎”补上约束条件。

3.2 一份常用负面提示词黑名单

不同工具对负面提示词的敏感度不一样，但下面这些词在绝大多数模型里都有效，可以当基础底稿：

lowres, bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, worst quality, low quality, normal quality, jpeg artifacts, signature, watermark, username, blurry, ugly, deformed, mutated, extra limbs, extra arms, extra legs, fused fingers, malformed limbs, bad feet, long neck, poorly drawn hands, poorly drawn face, out of frame, gross proportions, duplicate, cluttered, noise, oversaturated, underexposed, overexposed

这份清单看着挺长，但你不需要每次都手敲。主流工具都支持把负面提示词保存为预设，或者用插件默认加载。我自己会存三档：基础档、人像档、风景档。人像档会额外加“bad face, deformed iris, bad eyes”；风景档会去掉跟人体结构相关的词，加上“oversaturation, washed out, fake looking”。

注意：负面提示词不是越多越好。堆太多会限制模型的发挥空间，导致画面变得僵硬寡淡。核心思路是“只封堵高频废片因素”，而不是把所有可能性都堵死。

3.3 从废片到成片：一组真实对比

我拿同一条接近报废的提示词做了对比实验。第一版提示词是：

一个厨师在厨房里做饭, 写实风格, 高清

出来三张图，一张手指黏在锅铲上，一张脸上五官挤在一起，还有一张背景糊成一团。

同样内容，改成结构化提示词加负面词：

一位中年男厨师, 穿白色厨师服戴高帽, 站在不锈钢厨房操作台前, 手持平底锅翻炒蔬菜, 明火灶台, 暖色灯光, 写实摄影风格, 浅景深, 细节丰富, 8K, , lowres, bad hands, missing fingers, extra fingers, deformed face, blurry, worst quality, watermark

这一版出来的图就明显可用多了，五官结构正常，手部肢体自然，背景虚化合理。同样的模型、同样的种子范围，差别全部来自提示词的结构和约束。

这个实验做完之后，我就把“先写负面词，再写正面词”这个顺序养成了肌肉记忆。写负面词时，先想想最近这批废片最常出什么问题，然后把对应词条优先放进黑名单。

4. 调参配合：提示词之外，这些参数同样决定废片率

光有好的提示词还不够，提示词是在文本层面跟模型沟通，而采样步数、CFG、采样器这些参数是在生成层面影响结果。它们跟提示词是配合关系，配合不好，再好的词也白搭。

4.1 三项关键参数怎么影响出图

CFG（提示词引导系数）是很多人忽略的重灾区。CFG数值代表AI对提示词的服从程度，数值越大越服从提示词，但太大反而会导致画面过饱和、对比度爆炸、出现伪影。常见的误区是一看到出图跑偏就疯狂拉高CFG，结果图是跟提示词贴近了，却变得又硬又脏，还是没法用。

采样步数（Steps）也不是越大越好。步数太低，画面细节不够，噪点明显；步数太高，不仅生成慢，还可能“过拟合”出奇怪的纹理。不同采样器对步数的敏感度也不一样，有些采样器30步就能收工，有些要跑到40步以上。

采样器（Sampler）的选择更像口味问题。有些采样器擅长真实摄影质感，有些擅长插画风格，有些则偏快但细节略毛躁。换个采样器，同样的提示词可能直接从“废片”翻身成“神图”。

4.2 不同场景的参数组合参考

下面是我个人常用的参数组合，不说绝对正确，但可以作为起步参考：

以上参数不是死的。每次换了模型，或者新模型版本更新之后，我都会用小样图先跑一批参数组合，记录下来哪个组合在当前模型下废片率最低，算是建立自己的“参数手感库”。

4.3 进阶：提示词权重与分段控制

现在主流的AI绘画工具基本都支持权重语法，就是用半角括号加数字来调整某个词的重要程度，例如(sunset:1.3)表示让“日落”这个元素的重要性提升1.3倍。这个功能在元素较多的时候特别有用。

我做过一组测试：同样写“一只白色的猫，落在窗台上的花盆旁”，不给权重，猫经常体积过小甚至被花盆抢了主体。把“白色的猫”改成(white cat:1.4)，猫的主体地位瞬间稳了，花盆自动退到背景里去。权重语法就是在告诉AI“这顿饭什么菜是主菜”，模型有了主次轻重，构图自然更有章法。

还有一种分段控制思路，是把提示词按区域分到不同阶段。有些工具支持动态提示词或者分块控制，允许“前10步强调构图，后20步强调细节”。我试过几次，确实能改善画面从粗放到精细的过渡，但上手门槛高一点，普通出图需求暂时用不着。

5. 工作流提效：把“减少废片”变成一套习惯

如果说前面几节解决的是“单张图怎么出好”，那这一节聊的是“批量出图时怎么控制废片率”。在实际项目里，单张图可以慢慢调，但一套素材库如果全是废片，那交付压力就大了。建立一套高效率的工作流比一味堆图更重要。

5.1 固定风格模板化，减少临场乱调

最有效的做法是先花一两天时间打磨一个“风格模板”。拿我自己举例，我经常需要出“蒸汽朋克风的机械角色”设定图，一开始每次重新写提示词，每次出来的质感都不一样。后来我把核心元素固定成模板，每次只改角色的动作、服装细节、场景差异，其他风格词、画质词、负面词全部不动。

模板化的好处是稳定。你改动的变量越少，出图结果的可控性就越强。这个道理跟做饭一样，咖喱块的配比稳定了，每次只要换食材，味道就不会跑太远。

5.2 善用图生图与局部重绘，让废片复活

不是所有废片都该直接删。有些图整体构图很好，就坏在某个局部，比如脸崩了、手烂了、背景里冒出一个莫名其妙的东西。这时候直接重出整张图，等于把构图优势也扔掉了。

我常用的做法是图生图局部重绘：把废片拖进去，用遮罩把坏掉的部分涂黑，然后在提示词里重新描述这部分应该长什么样，参数里把重绘幅度控制在0.4到0.6之间。很多废片经过这一轮抢救，直接就变成成片了。这个习惯特别适合那些已经无法重拍、又不想丢掉的素材。

实操心得：局部重绘最忌讳的是幅度调太大。幅度超过0.7之后，AI会连没遮罩的区域也一起改，画面就变得面目全非。循序渐进，先用小幅度试，不够再往上加。

5.3 建立废片复盘日志，而不是只删图

我以前出完一批图就一键删除废片，后来发现这是最蠢的习惯。废片里藏着大量信息，删了就相当于把调试日志删了。我现在会在批量出图后快速截几张有代表性的废片，简单记一句问题出在哪：是手指多了，还是整体过曝，还是风格跑偏。攒上一两周，就能看到自己的高频问题是什么，然后回到提示词或参数上做针对性调整。

这个复盘日志其实就是给AI出图做了一个“体检报告”。举个例子，我统计过自己前两周的出图记录，发现超过一半的废片都栽在背景杂物上。于是我把负面提示词里加了一组“cluttered background, messy composition, random objects”，之后的废片率肉眼可见地降下来了。

6. 常见问题与排查技巧实录

做AI绘画时间久了，总会遇到一些反复出现的问题。下面我整理几个典型场景的排查经验，都是自己实打实踩过的坑，按“症状-原因-解法”列出来，方便你直接对照。

6.1 人物手指和肢体总崩坏

• 症状：手指数量不对、手指扭曲、手臂多长一节、腿从奇怪的位置长出来。
• 原因：模型对细小肢体结构的理解本来就弱，加上提示词里没有明确约束，也没有用负面词封堵。
• 解法：在负面提示词中加入bad hands, extra digits, missing fingers, fused fingers, malformed limbs, extra limbs；正向提示词里尽量把动作写具体，例如“双手自然下垂”“双手交叉放在桌面上”比单写“一个人”要好得多。如果单张图仍有问题，用局部重绘框住手部重新生成。

6.2 画面整体发灰或者过曝

• 症状：色彩浑浊、高光死白、阴影处糊成一片。
• 原因：CFG设置偏高或者偏低，加上负面词里缺少画质相关的约束。
• 解法：先检查CFG，写实类建议压到5到7之间；负面词中加入overexposed, underexposed, washed out, oversaturated, low contrast。另外可以试试换采样器，比如从默认的采样器换到Karras系列，处理光影的细腻程度会明显改善。

6.3 想要的核心元素一直不出来

• 症状：明明写了“戴黑色礼帽”，结果帽子根本不在画里，或者变得很小。
• 原因：核心元素在提示词列表里排在太靠后，或者被其他词稀释了权重。
• 解法：把核心元素提前到提示词靠前的位置，并加上权重，例如(black top hat:1.4)。同时检查是不是跟其他描述冲突，比如你写了“只穿T恤的男人”，又指望他戴着夸张大礼帽，模型会没法平衡。遇到这种矛盾，果断删掉不重要的限制，给核心元素让路。

6.4 同一段提示词每次结果差很大

• 症状：同样的提示词，这次出图很满意，下次出图完全不能用，飘忽不定。
• 原因：没有固定随机种子。AI绘画本质上有随机性，如果你不锁种子，每次都会在随机起点上画画。
• 解法：找到满意的那张图，记录它的种子参数。之后微调提示词时锁住种子，这样能最大程度保留满意的构图，只改动你希望变化的部分。种子加提示词模板的组合，完全可以当成一套“配方”记下来。

6.5 高产出的工作流还是不停碰运气

碰到这种情况，我会做一次“批量参数扫描”。固定好提示词，分别改CFG、采样步数、采样器，各出几张图，横向对比，用最少的资源找出当前模型下废片率最低的参数区间。做完记录，之后在这个区间里微调即可。这比每次凭感觉乱试高效得多。

关于后续扩展的一点点想法

减少废片这件事，说到底是一个持续调试的过程。模型在更新，你的审美和需求也在变，没有一套提示词能用一辈子。我现在的习惯是每个月抽半天时间，把上个月的废片记录翻出来看看，重新调一遍负面词库和参数基线。每次调整完，都能明显感觉到出图质量往前走了一截。

最后再分享一个小技巧：手动写提示词累的话，可以先让AI帮你写出十条提示词，你再从里面挑顺眼的微调。但别把AI的提示词直接拿去出图，它写出来的词往往太满、太密、互相打架，污染率反而更高。真正适合出图的提示词，一定是经过你亲手删减过、逻辑理顺过的。

废片率降下来之后，出图这件事就会顺手很多。希望这篇文章能帮你少踩几个坑。