提示词的底层逻辑：模型是如何看懂文字的

很多人以为提示词写得越长越详细，画面就越精准，实际上模型的工作方式更接近概念匹配而非逐句执行。文生图模型在训练阶段学习了数亿组图文对，它记住的是词语与视觉特征之间的统计关联：提到落日，画面倾向暖橙色调；提到胶片，画质倾向颗粒感与低饱和。因此提示词的本质，是用模型熟悉的视觉概念去唤起对应的画面特征，而不是像写作文一样描述场景。
这带来三条实用推论。第一，具体名词优于抽象形容词：写斑驳的红砖墙远比有质感的墙有效，因为前者是清晰的视觉概念，后者没有对应的画面锚点。第二，词语之间会互相影响：把可爱和赛博朋克放进同一段提示词，两种风格会互相稀释，最终画面两头不靠，应当围绕一个核心概念组织所有词汇。第三，模型对出现频率高的事物理解最好，越是罕见小众的描述，越要拆解成常见概念的组合：想画修女，直接写生僻表达命中率低，改成身着黑白长袍、头戴白色头巾的女性就容易命中。
理解底层逻辑之后，写提示词的正确姿势也随之明确：先确定画面的一个核心主体，再用风格、光线、构图等维度词去约束它，最后用参数收口。后面的文章会按这个框架逐个维度展开。