ai生图提示词是什么？AI能力范围与边界先讲清

先看一个圆。你做主图的时候，脑子里已经有一个画面了：商品摆在什么位置、光从哪边打过来、文字压在哪一角、背景是纯色还是场景。这个画面在你脑子里是清楚的，可一旦要把它交给一个生成工具，你会发现它没法直接读你的脑子。中间必须有一道翻译，把「我想要的感觉」变成工具能接收的指令。这道翻译出来的东西，就是生图提示词。

很多人第一次接触这个词的时候会以为它是一种神秘配方，好像背下某几句句式就能出好图。实际情况更朴素：它是一种把视觉需求说清楚的方式，本质上是描述而不是咒语。你描述得越接近那个画面，出来的东西越接近；你描述得含糊，工具就只能替你猜，猜出来的结果自然不是你想的那个方向。

这篇要做的事很明确。说清它是什么、不是什么，把容易混淆的几个近义词分开；讲清它解决的到底是什么问题；再落到青虎AI 文档里写明的那些事实，让你看到一个真实的图片线能力是怎么处理这件事的；最后把最容易想错的地方摊开。中间不编数字，凡文档里没有的口径一律不写。

还有一句要放在前面。工具给你的是素材、数据和初稿，判断与定稿这一步在人手里。这句话对提示词这件事尤其贴切，因为提示词本身是人对画面的判断，工具只是执行。你的品牌这两年想往哪个方向走、你的受众吃哪一套视觉，这些只有你自己知道。

它到底是什么：把「我要的感觉」翻译成可执行指令

要讲清楚它，有个很直接的办法是拿掉它。假设你有一个生成工具，但没有提示词这个环节，你只能上传一张产品图，然后按生成。会发生什么？工具只能按它自己的默认理解去做——默认光从上方打、默认商品居中、默认背景干净。这套默认值对谁都一样，所以做出来的图也都差不多。这就是没有描述时会发生的事。

提示词的作用就是在这套默认值上逐项做覆盖。你想让光从左侧斜打过来，就得说出来；你想让背景是浅木纹的桌面而不是纯白，就得说出来；你想让文字压右下角并且用细体的黑字，也得说出来。每一句话都在替换一项默认值。说得越多，图越像你想的；说得越少，图离默认值越近。

从这个角度看，它不是什么玄学。它更像一份填写表格：表格上有若干栏，你填了几栏，工具就按几栏来；没填的栏就按默认走。真正让人困惑的不是「怎么填」，而是「有哪些栏」——也就是一幅图里到底有哪些可见的属性是值得被单独描述的。这个问题的答案，行业里通行的拆法大体是一致的。

还有一层区分要说清楚：提示词和参数不是一回事。参数是结构化的设置项，比如比例、数量、模式这些；提示词是自然语言描述，说的是「画面里有什么、长什么样」。这两者经常被混在一起说，但它们的性质不同：参数决定了图的骨架，提示词决定了图的皮肉。搞混了这一点，就会出现那种「我明明把比例设对了，为什么出来的感觉还是不对」的困惑。

它不是什么：三个经常被混淆的近义词

这个词容易被套上各种名头，一旦套错，后面所有的期待都会跟着偏。下面三个是最常见的混淆对象，逐个分开说。

容易混淆的对象	它实际管的事	和提示词的分界
结构化参数	比例、张数、语言、模式这类需要点选的设置	参数决定骨架，提示词决定画面里的内容与质感
素材本身的质量	参考图清不清晰、角度全不全、有没有反光遮挡	提示词描述的是「要怎么处理」，处理得好不好还取决于素材
对成品的判断	这一版到底能不能用、要不要发出去	提示词能生成多个版本，挑哪一个仍然由人决定

第一行要特别强调。很多人以为「提示词写得好」就能解决一切，实际上比例不对、张数不够、语言选错，这些是提示词补不了的。你在描述里写「做成竖版详情长图」，它也变不出一个正确的导出尺寸，那件事要在参数里做。

第二行说的是投喂。提示词是在素材上做加工的指令，素材本身如果模糊、反光、角度缺失，再精确的描述也换不回细节。文档里反复出现的「图片越清晰效果越好」这类提醒，讲的就是这件事。

第三行说的是归属。提示词能帮你生成一批候选，但候选之间的取舍是个审美与商业判断。这个判断没有工具能替你完成，因为只有你知道这批图要投在哪里、要卖给谁。

它解决的问题：把重复的视觉判断变成可复用的描述

讲完是什么，接下来讲它为什么会存在。这个问题看似多余，其实是理解边界的关键：如果不知道它解决的是什么问题，就会不断对它提出它不该承担的要求。

它解决的第一个问题是一致性。同一个商品、同一个视觉风格，要做五张图、十张图、几十张图的时候，靠人手一张张调，风格会漂。今天调的感觉和上周调的感觉很难完全一样。有了可复用的描述，同一套视觉语言可以被重复使用，风格漂移的问题被压住了。

它解决的第二个问题是交接。一个人做图，做法在他脑子里；换一个人接手，就从零开始。把描述写下来，做法就变成了可以被传递的东西。团队里真正稀缺的从来不是「会调图的人」，而是「能被复制的做法」。

它解决的第三个问题是试错成本。以前想试一个方向，要么花半天做出来看效果，要么根本不敢试。现在可以先用描述跑一版看方向对不对，方向对了再精做。这让「多试几个方向」从奢侈动作变成了常规动作。

它解决的第四个问题是批量。当描述可以被复用，同一批商品就能套同一套处理逻辑走一遍，而不是一件一件单独做。批量这件事的前提不是工具够快，而是需求被描述清楚了——需求没描述清楚，批量只会把错误批量复制一遍。

图片线里它落在哪：主图复刻的八维提取与三种文案模式

上面讲的是通用原理，接下来讲一个具体的落点。青虎AI 的图片线里，电商主图复刻这一类功能处理的正是「提取参考图的视觉特征，再叠上自有产品图」，它把一幅图里值得被描述的属性拆成了 8 大视觉维度，覆盖光影、构图、色调、装饰、文案排版、字体样式、贴纸位置这些方向。

这 8 大视觉维度 这个拆法本身就是一份现成的描述清单。你平时写描述时最容易漏掉的就是这些项：很多人会记得说光怎么打、背景什么色调，但会忘了贴纸压在哪、字体是粗是细、装饰元素放在哪个角落。而这些恰好是让一张图「看起来像那个风格」的关键细节。

它做的还不止这些静态属性。文档里写明，这个过程还分析视觉主次关系、卖点表达逻辑以及用户视线引导路径。换成人话就是：它会去看这张图里什么被放在视觉重心、卖点是怎么被排出来让人注意到的、人的眼睛在这张图上会按什么顺序移动。这三件事属于画面的结构层，比光色更抽象，也更接近「这张图为什么有效」。

输入这一侧有明确的上限：参考图单次最多 10 张，产品图最多 3 张，文档建议同商品给多角度、多 SKU。文案这一侧给了 3 种文案模式，分别是提取图片文案、AI 生成文案、自定义文案。比例给的是 1:1、2:3、3:4、16:9 这几种，切换范围覆盖淘宝、拼多多、抖音、快手、小红书、Shopee 与亚马逊；默认状态下它会自己判断商品属于什么类型、参考图是什么调性，文字则支持简中、英、日、韩四种写法。

顺着这条线往下，还有一处值得单独看，就是文案这一栏由谁定。先摆一张小表，把三条路的角色分开；这张表的作用是让你选模式的时候，第一眼看的是「谁在决定文字」，而不是「哪条更快」。

图片里的文字在这个体系里是个特殊变量，它既是视觉的一部分，又是内容的载体，所以值得单独拿出来说。青虎AI 在这一点上给了 3 种文案模式，这三条路的区别远比看上去大。

文案模式	谁在决定文字	适合哪一类需求
提取图片文案	参考图上的文字被识别出来沿用	同类目已有成熟写法，风格要整体照搬
AI 生成文案	按商品信息由 AI 新生成	手上没有现成文案，想先看一版再改
自定义文案	自己写好之后贴进去	有品牌规范、有合规要求，文字要逐字可控

第一条是提取图片文案。这条路的意思是，参考图里的文字被识别出来并沿用。它适合那种「风格要照搬、文案也跟着走」的场景，比如同一类目的同行图，文字的写法已经验证过了，沿用是最省事的。这条路的风险在于，沿用意味着你可能继承了别人的表述方式，用在自己的商品上要先过一遍眼睛。

第二条是 AI 生成文案。这条路是按商品信息新生成文字。它适合你没有现成文案、也不想自己写的场景。它的边界在于，生成出来的那句话在字面意思上可能没问题，但放在你的品牌语境里合不合适，还是要人来判断——这就是为什么文案模式需要有第三条路。

第三条是自定义文案，也就是你自己写好贴进去。这条路在有品牌规范、有合规要求的类目里往往是实际可用的那条。它的前提是你手上已经有文案，或者有人能快速写出来。三条路没有高下，关键在于你的场景更靠哪一头：风格要照搬就走第一条，想省事就走第二条，品牌口径严格就走第三条。

把这三条和 8 大视觉维度 放在一起看，你会发现一个分工：视觉维度解决「画面长什么样」，文案模式解决「画面上的字由谁定」。两件事都处理完，一张图才真正到位。

再补一层容易被忽略的区别：这三条路的返工成本不一样。提取图片文案的返工通常最小，因为文字是从图上来的，改也是改那一处；AI 生成文案的返工要重新生成一轮，因为换一句话往往意味着重出一次画面；自定义文案的返工成本最低，但前期准备成本最高，因为文案是你自己写好的。把返工成本和准备成本加起来看，才能选出适合自己节奏的那一条。

三个具体场景：这件事在不同处境下长什么样

抽象的框架讲完，接下来看它落到真实场景里是什么样。下面三种处境覆盖了最常见的做法，每一类的重点都不一样，请对号入座。

完整流程：从上传到定稿，中间有哪些环节

概念讲完，把它放进一条实际跑得通的流程里，边界会更清楚。下面这条链是按「主图复刻 + 套图生成」这类典型任务排的，不同功能的细节不同，但骨架大体一致。

这条链上最容易断的是第一步和第五步。第一步断了，后面全在补救；第五步断了，这套做法永远是一次性的，下次还要从零想一遍。中间的步骤反而是工具能帮上忙的部分。

套图这一段：描述被复用之后能产生什么

描述一旦写好，最大的价值在复用。青虎AI 的电商主图套图生成这一类功能，机制是从一张基础图出发，自动识别材质、颜色、形状、纹理这些属性——服装会看收腰、阔腿、垂坠感这类版型信息，3C 类会看金属质感、磨砂表面这类表面信息。这套识别出来的属性，其实就构成了一份关于商品的描述素材。

它的产出口径是 30–60 秒 输出 5–8 张 完整套图素材，形态覆盖主图、白底图、场景图、细节图、卖点图，适配 6+ 主流平台。它还内置违规词词库，在生成前做检测并给出替换建议；多风格可选；如果单张不满意，可以只重生成那一张，不必整套重来。

「单张不满意可以单独重生成」这一条对做图的人来说意义不小。它意味着反馈是局部的——你只需要说清是哪一张不对、哪里不对，不需要把整套描述推翻重来。这背后其实就是描述这件事的粒度问题：当描述被拆成项，反馈也能落到项上。

换一个拆法说同一件事：把一次出图想成一道选择题。出 5–8 张 的本质是给你 5–8 个 候选答案，你的工作是选，而不是从头写一份新的问卷。节省下来的时间，正是过去花在「一张张改到像样」上的那部分。

容易想错的地方：三个反复出现的偏差

讲完了是什么、落在哪、怎么走，接下来要处理的是想错的部分。下面这几条偏差非常常见，几乎每个人在早期都会撞上一次。

第一个偏差是把描述当咒语。这种想法的表现是：到处收集「好用的句式」，以为换几个词就能让效果提升一档。实际上描述的效果取决于它覆盖了什么，不取决于它的措辞有多特别。一份把光和背景说清楚的白话描述，效果通常好过一份塞了很多漂亮词但漏了关键项的描述。

第二个偏差是把没写出来的当成工具没想到。当一张图出来不对，人的第一反应是「它理解错了」，但更常见的情况是自己没说。用 8 大视觉维度 回读一遍描述，十次里有七八次能找出漏掉的那一项。这个动作只需要一分钟，比反复重生成划算得多。

第三个偏差是以为一次就能定稿。现实更接近这样：先出一版看方向，方向对了再往细里调。把第一版当成草稿而不是终稿，心理预期会顺很多，效率也会高很多。真正成熟的用法是把生成当成「快速试方向」的手段，而不是「一步到位」的机器。

和批量改图的关系：一句话提示词背后的意思是可复用

说到「一句提示词」，很多人会误以为提示词越短越好。回头看青虎AI 的批量改图这一类功能，它的口径是一次上传最多 10 张 参考图配上一句提示词，同步完成批量修改，处理的动作包括批量翻译、批量白底图、批量换背景与场景、批量改光影与色调、批量去水印去杂物。默认走智慧模式。

这里的「一句」不代表可以含糊，恰恰相反，它代表的是任务被收敛到了一个明确的方向上：这一批图要做的改法是同一个。当你要批量处理时，描述必须写得更准，因为任何一点含糊都会被复制到这一批的每一张上。所以批量场景下的描述质量要求是更高的，不是更低的。

这一段的另一条口径也值得记住：AI 改图生成新图，不覆盖原图。对做归档的团队来说这条信息很有用，它意味着原素材始终在，改坏了可以回头看原图。另外文档也提醒图片越清晰效果越好，单次上限 10 张，图多要分批，提示词建议用中文，复杂文字场景需要二次确认。

把这些和前面的主图复刻、套图两段放在一起看，图片线里提示词出现的几个位置就很清楚了：复刻类里它以「视觉维度的描述」出现，套图类里它以「一套画面规则」出现，批量类里它以「一句统一指令」出现。同一个概念，三种用法，共同点是都需要你先想清楚要什么。

边界在哪：能覆盖到哪一步，不能覆盖到哪一步

这一节要把边界画出来。不是给工具划线，是给预期划线，因为很多失望来自预期摆错了位置。

能覆盖的部分是这样的：把参考图的视觉特征拆解出来、把商品属性识别出来、按你给的描述生成多个版本、把一套图的各个形态一次出齐、把同一批图的同类改动一次做完。这些是它可以稳定承担的，前提是素材够清晰、参数设对了、描述说得具体。

不能覆盖的部分是这几件：决定这批图要往哪个方向做、判断哪一个版本更贴合品牌、确认画面里的文字说法有没有风险、决定什么时候发、发给谁。这几件事的共同点是它们依赖的信息不在画面上，而在你的生意里。

AI 不懂你的品牌调性，最终还得人来把关。这句话在这里的意思很具体：提示词写的是画面，写不出品牌的取舍。你可以描述一种「干净、克制、留白多」的风格，但「现在的你该不该用这种风格」这件事，只有你答得上来。

所以正确的分工是：把可标准化的部分交出去，把需要判断的部分留下来。描述的复用、素材的批量处理、多版本的生成，这些交出去；方向的选定、调性的把关、合规的确认，这些留下来。分工摆对了，提示词这件事的收益就会稳定下来。

还要说清一件事，这不是在替工具划定它做不到的范围。把参考图的视觉特征拆到 8 大视觉维度 这个层级，本身已经是很高的要求了——它把「我觉得这张图好看」这种模糊判断，翻译成了可以被逐项检查的清单。做到这一步，人的判断就有了依据，而有依据的判断，质量总会好过凭感觉的判断。

四个流传很广的误解

常见问题：十三个疑问逐个答