《Stable Diffusion绘画完全指南：从入门到精通的Prompt设计艺术》第四章

第四章：高级Prompt设计技巧

4.1 权重调控：精确到单词的影响力分配

（配图：权重热力云图 + 神经网络注意力可视化）

一、动态权重方程

def calculate_weight(base, modifiers):
    """
    base: 基础权重（1.0）
    modifiers: 增强/减弱系数列表
    """
    return base * np.prod([(1 + m) if m > 0 else (1 / (1 - m)) for m in modifiers])
​
# 示例：((cyberpunk:1.3) 在第三步时受到-0.2衰减)
最终权重 = calculate_weight(1.3, [-0.2])  # = 1.3 * (1/1.2) ≈ 1.08

二、跨模型权重映射表

三、权重冲突解决方案

1. 注意力隔离法

   "(机械臂:1.5) AND [有机触手:0.3]" 

2. 时序衰减法

   "(steampunk_style:1.4)[cyberpunk:0.5@step>20]"

4.2 负面Prompt：排除干扰要素的进阶用法

一、负面词库分类体系

二、动态负面Prompt技术

[在步骤10-15时: 添加"过度锐化"][在步骤>20时: 移除"模糊"]

三、负面强化学习

# 基于生成结果的自动优化
for 迭代 in range(5):
    生成图片 = model.generate(prompt, 负面词)
    分析缺陷 = ai诊断(生成图片)
    负面词 += 分析缺陷.top(3)

4.3 动态变量：使用{ }实现随机元素

（配图：变量树状图 + 概率分布直方图）

一、智能变量语法

"中世纪{骑士|巫师|刺客}站在{城堡废墟|魔法森林|地下城入口}前，手持{剑:0.7|法杖:0.3}"

二、条件概率控制

"当角色是巫师时: 场景=魔法塔楼 否则: 场景=训练场"

三、商业级应用方案

# 电商广告批量生成系统
变量池 = {
    "季节": ["圣诞", "春节", "情人节"],
    "产品": ["手机", "智能手表", "耳机"],
    "风格": ["极简主义", "赛博朋克", "复古蒸汽"]
}
​
生成队列 = [f"{{季节}}主题的{{产品}}广告，{{风格}}风格" for _ in range(27)]

4.4 迭代优化：从初稿到成品的Prompt进化史

一、工业级迭代协议

class PromptOptimizer:
    def __init__(self, 初始prompt):
        self.版本库 = [{"v1": 初始prompt}]
    
    def 迭代(self, 分析结果):
        新prompt = 应用修正规则(当前prompt, 分析结果)
        self.版本库.append({f"v{len(self.版本库)+1}": 新prompt})
        
    def 回溯(self, 目标版本):
        return self.版本库[目标版本-1]

二、量化评估指标

三、智能优化工作流

1. 生成初稿 → 2. CLIP分析 → 3. Diff检查 → 4. 语义强化 → 5. 人类审核