AI提示词

o( ￣⌣￣ )o

2025-02-24 3210 words 7 minutes

Contents

参考资料

官方文档与社区
- Stable Diffusion WebUI (Automatic1111 或 Forge)：GitHub 仓库的 Wiki
- Civitai：不仅是模型仓库，其文章和教程板块非常实用
B 站：Nenly同学、秋葉aaaki、Runo_润诺 的实操教程
提示词灵感
- PromptHero：海量生成作品及对应提示词
- Lexica：专注于 AI 艺术提示词的搜索引擎
博客

AI 模型与提示工程概述

提示工程（prompt engineering）是一门与大语言模型（LLM）高效沟通的技术
其核心原则是：清晰、具体、提供上下文

主流模型介绍

DeepSeek
- DeepSeek-V3
  
  通用旗舰模型，在综合性能、多语言处理和长上下文方面有优势
- DeepSeek-R1
  
  专为复杂推理设计的深度思考模型，通过 思考链 过程生成可追溯的推理步骤，在数理逻辑、代码和需要深度推理的复杂问题上表现出色
- 联网搜索
  
  根据网络搜索结果来回答问题，也就是 RAG（检索增强生成）
  RAG，即检索（Retrieval）、增强（Augmented）、生成（Generation）
  模型先去网上搜索相关信息，然后将这些信息与原问题进行整合，并运用大语言模型（LLM）技术生成一段通顺、词意趋近的文本
OpenAI
- GPT-4o
  
  目标是处理多模态通用任务（文本、图像、音频等）
  支持实时交互、跨模态内容生成（如语音对话、图像描述）
  响应速度很快，API 价格也较低
  适用于客服机器人、多媒体内容分析、实时翻译
- o1
  
  目标是复杂逻辑推理（数学、编程、科学问题）
  支持多步骤数学证明、代码调试、物理问题求解
  不支持多模态，仅能输入文本
  API 价格大约是 GPT-4o 的 6 倍
  适用于学术研究、编程、法律/医疗文档分析

聊天提示词

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48


你是一位资深编程专家，精通 C、C++、Python、Golang、JavaScript/Node.js 等语言。
当收到代码优化或修改请求时，请按以下流程处理：

## 核心执行规则
1. **自主审查与优化**
   - 至少检查代码三遍，识别语法错误、逻辑缺陷、潜在风险及不符合语言规范的部分
   - 在不改变功能的前提下，优化代码结构，提升可读性、性能或可维护性
   - 优先遵循该语言的官方风格指南和最佳实践

2. **输出要求**
   - **默认模式**：仅提供优化后的完整代码，代码中须包含必要的注释
   - **解释模式**：仅当用户明确要求【代码解释】时，才提供说明
     - 先整体说明代码功能和目标
     - 再分段解释关键逻辑（无需逐行说明）

3. **修改代码类任务**
   - 修复发现的所有问题
   - 验证优化后是否引入新问题
   - 输出最终代码后，用简短文字总结：
     - 原代码存在什么问题
     - 修改了哪些部分
     - 修改原因（可选技术依据）

4. **最终输出结构**
   - 优化后的完整代码（带注释）
   - 代码逻辑结构示意图（如使用树状图、模块关系图或流程图表示）

## 补充说明
- 如用户未指定语言，请根据代码特征自动判断
- 保持代码功能完全一致，除非用户明确要求改变功能
- 注释应简洁明了，避免过度标注

---

**代码结构图示例输出格式**（修改任务）：
main
├── module_a
│   ├── function_a1
│   └── function_a2
└── module_b
    └── function_b1

**问题总结**：
原代码存在XX问题，通过修改YY部分解决，优化后提升了ZZ。

---

请根据上述规则响应用户的代码请求。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42


你是一位兼具 **技术专家** 与 **文档优化专家** 双重身份的专业人员，擅长代码优化、结构化写作与知识表达。
当收到笔记或文档优化任务时，请遵循以下流程：

## 一、内容审查与修正
1. **全面审查（不少于三遍）**
   - 修正语法、拼写、标点等语言错误
   - 识别并调整逻辑不连贯、表述模糊或重复的部分
   - 确保技术术语准确、一致

2. **内容精简原则**
   - 删除冗余、无关或重复内容
   - 若删除重要内容，需以 `【删除理由：<位置>，<内容>】` 格式标注说明
   - 保持原意不变，仅优化表达

## 二、结构优化策略
1. **遵循金字塔原理**
   - 结论先行，自上而下组织信息
   - 每部分标题明确反映其核心内容
   - 层次清晰：模块 → 子模块 → 细节

2. **结构化呈现**
   - 使用 Markdown 进行规范格式化：
     - 层级标题（`##`、`###`…）
     - 列表（有序/无序）
     - 表格、代码块、引用等
   - 对技术概念、步骤或配置，可添加代码示例或示意图

## 三、输出规范
1. **默认输出**
   - 直接给出优化后的完整笔记
   - 在文中以 `> 优化说明：...` 或注释形式标注重要修改点
   - 不再额外解释修改过程，除非用户特别要求

2. **如用户要求解释**
   - 先概括整体优化思路与目标
   - 再分段说明主要调整及其原因
   - 可附上结构对比说明（如原结构 vs 新结构）

## 四、注意事项
- 保持原文的核心信息和知识密度
- 技术示例需准确、简洁，避免过度展示
- 语言风格与原文角色/场景匹配（如技术笔记、学习总结、会议纪要等）

Stable Diffusion 图像生成提示词

推荐使用英语编写
使用英文逗号 , 分隔不同概念的关键词
使用 | 表示“或”，例如 red|blue hair（红发或蓝发）
赋予提示词权重，例如 (1girl:1.1),(long hair:1.21) 用于对关键词进行增强, 0~1.0 之间则是减弱
渐变
- a girl with long [white:yellow:16] hair，迭代前 16 步为白发，之后提示词变为黄色头发
- a girl with long [white:yellow:0.5] hair，总的迭代步数的前一半为白发，之后提示词变为黄色头发
交替使用中括号中的提示词，例如 [cow|horse|cat|dog] in a field，每次生成随机选择其一

反向提示词 Negative prompt

用于引导模型远离不想要的元素。一个强大的通用负面词库能显著提升出图稳定性

AI 大致做法就是
1、对图片进行去噪处理，使其看起来更像你的提示词
2、对图片进行去噪处理，使其看起来更像你的反向提示词（无条件条件）
3、观察这两者之间的差异，并利用它来产生一组对噪声图片的改变
4、尝试将最终结果移向前者而远离后者

1

(worst quality, low quality, normal quality:1.4), (jpeg artifacts), (signature, watermark, username), (blurry), bad anatomy, deformed, ugly, disfigured, bad hands, missing fingers, extra digit, fewer digits, (bad feet), text, error, cropped,

建议

将提示词按逻辑分组，并用换行隔开，以提升可读性和调整效率

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11


# 画质与风格基调
(masterpiece, best quality, ultra-detailed, 8K), illustration, digital art, trending on ArtStation,

# 主体核心描述
1girl, beautiful, (long silver hair:1.2), glowing blue eyes, elegant dress,

# 场景与氛围
in a futuristic neon-lit city at night, raining, reflections on wet pavement, cyberpunk aesthetic,

# 构图与镜头
dynamic angle, wide shot, cinematic lighting, depth of field,

越靠前的词影响力通常越大。将核心主体和画风词前置
75-150 个 token 是理想范围。过于冗长会稀释核心概念
明确主题（人物、场景、情绪）、风格（写实、动漫、油画）、构图
迭代，从简单核心词开始，逐步添加细节（服装、光影、镜头），通过多次生成微调
善用资源，在 Civitai， LiblibAI 等平台，参考他人的优秀作品和完整提示词，并建立自己的关键词库，分类整理（如光线：soft lighting, rim light, volumetric）

模型与扩展类型

类型	常见格式	主要作用	典型存放路径
基础模型/大模型	`.ckpt`, `.safetensors`	决定基本画风和能力	`D:\stable-diffusion-new\models\Stable-diffusion`
LoRA	`.safetensors`	微调模型，注入特定风格、人物或概念，权重可调。	存放路径 1、使用插件 `D:\stable-diffusion-new\extensions\sd-webui-addtional-networks\models\lora` 2、不使用插件 `D:\stable-diffusion-new\models\lora`
Embeddings (Textual Inversion)	`.pt`, `.safetensors`	将新概念（如特定物体、风格）编码为少量关键词。	`D:\stable-diffusion-new\embeddings`
Hypernetwork	`.pt`	较早期的微调方式，用于调整模型生成风格。	`D:\stable-diffusion-new\models\hypernetworks`
ControlNet	`.pth`, `.safetensors`	控制生成过程的构图、姿势、边缘、深度等。	`D:\stable-diffusion-new\models\ControlNet`

安全优先：优先下载 .safetensors 格式的模型，避免潜在的安全风险
LoRA 为主流：对于角色训练和风格定制，LoRA 是目前最流行、最灵活的微调方法
插件管理：通过 WebUI 的 “Extensions” 标签页在线安装，更便捷稳定

github 上下载后手动安装，插件存放目录 D:\stable-diffusion-new\extensions\

模型训练简易操作

https://www.bilibili.com/video/BV1ss4y1s7ta/?spm_id_from=333.999.0.0&vd_source=f17bac2fc1c6cdda2557b1601f2c6413

Dreambooth
- 复制训练图片，在 stable-diffusion 根目录下创建新的文件夹 train 用于存放训练图片
  
  例如我现在有几十张的梵高大师画作的图片，然后创建目录 D:\stable-diffusion-new\train\fangao，接着在该目录下再创建文件夹 \fangao_in 和 \fangao_out，再把图片都粘贴到 \fangao_in 目录下
- 执行图像预处理
  
  注意勾选使用 deepbooru 生成文字说明
- 创建 Dreambooth 模型
  
  生成的文件在 D:\stable-diffusion-new\models\dreambooth 下
LoRA
- 数据准备：收集目标主题（如个人画像、特定画风）的清晰图片（20-50 张），统一尺寸（如 512x512 或 768x768）
- 预处理：使用 WebUI 的 “训练” -> “图像预处理” 功能，进行打标（tagging）。可使用 WD14 Tagger 或 BLIP 自动生成描述词，并手动修正
- 训练配置：使用如 Kohya_ss 等训练脚本，设置训练参数（学习率、步数、网络维度）
- 应用生成：训练完成后，在生成时加载 LoRA 文件，并在提示词中使用触发词调用，例如 <lora:my_style_v1:0.9>