✨ 2025 版 Stable Diffusion 提示词手册：中英 prompt+CFG scale/LoRA 技术指南
? 一、2025 版 Stable Diffusion 核心更新与提示词适配
2025 年 Stable Diffusion WebUI 1.8.0 版本带来了多项关键升级，直接影响提示词的使用逻辑。比如新增的 LCM 采样器，能将生成速度提升 2-5 倍，此时提示词的权重分配需要更精准。实测发现，使用 LCM 采样器时，提示词的顺序权重影响减弱，但 关键词的语义连贯性 变得更为重要。例如，“cyberpunk city, neon lights, flying cars” 这样的短语组合，在 LCM 模式下生成的画面元素关联性更强。
另外，SDXL-Inpaint 模型 的加入，让局部重绘的提示词设计有了新玩法。当需要修复画面中的特定区域时，提示词需要明确描述 修复目标与周边环境的关系。比如，“replace the broken window with a stained glass design, matching the Gothic architecture style”，这样的描述能让模型更精准地完成修复。
? 二、中英 prompt 设计的核心差异与优化策略
1. 中文 prompt 的结构化技巧
中文提示词需要更注重 语义分层。比如，“古风少女，手持油纸伞，漫步江南雨巷，青石板路，雾气缭绕，水墨风格” 这样的结构，将主体、动作、场景、风格依次拆解，能有效提升生成质量。同时，文化锚点的注入 尤为重要，比如在描述古建筑时加入 “飞檐斗拱，黛瓦白墙” 等专业术语，能让模型更好地还原中式美学。
2. 英文 prompt 的权重语法进阶
英文提示词的权重控制更依赖 符号组合。例如，“((1girl:1.2)) with (long hair:1.1) and (red dress:1.3)” 这样的写法，通过双层括号和冒号语法，能精准控制人物特征的突出程度。另外，交替语法（如 “(cat|dog) sitting on a chair”）可生成融合元素，但需注意并非所有采样器都支持。
3. 中英混合使用的避坑指南
当需要混合使用中英词汇时，建议 将中文关键词单独用括号包裹，避免模型误判。例如，“(汉服少女) holding a (sword:1.2) in a fantasy forest”，这样既能保留中文特色，又能通过英文语法调整权重。同时，反向提示词 的中英文差异也需注意，比如 “low quality, blurry” 对应的中文应为 “低质量，模糊，结构畸形”，覆盖更全面的负面特征。
?️ 三、CFG scale 调节：从新手到专家的进阶之路
1. CFG scale 的基础逻辑
CFG scale 控制提示词对生成结果的约束强度。在 2025 版中，默认值 7-10 仍是大多数场景的首选，但针对不同模型需灵活调整。例如，使用 LCM LoRA 模型 时，CFG scale 应降至 1-2，以平衡速度与质量。实测发现，CFG scale 过高（如 >12）会导致画面细节僵化，而过低（如 <5）则可能偏离提示词核心。
2. 动态调节技巧
- 分阶段调节：在生成初期（前 10 步）使用低 CFG scale（如 5），让模型自由探索；后期（后 20 步）提升至 8-10，强化提示词约束。
- 结合反向提示词：当需要突出某元素时，可在正向提示词中提高其权重，同时在反向提示词中排除干扰项。例如，“(cyberpunk:1.5) cityscape” 搭配 “((realistic:0.8))”，能增强赛博朋克风格的同时避免过度真实化。
3. 特殊场景的 CFG 策略
- 艺术创作：使用 4-6 的 CFG scale，允许更多随机细节，适合生成抽象或超现实作品。
- 商业设计：提高至 8-10，确保品牌元素（如 logo 颜色、产品形态）精准还原。
? 四、LoRA 技术实战：从训练到应用的全流程指南
1. LoRA 模型的选择与加载
2025 年的 LoRA 模型库更加丰富，涵盖风格、材质、人物等多个维度。例如，“Misty Forest LoRA” 能为画面添加雾效和植被细节，使用时只需在提示词末尾加入 “(lora:MistyForest:0.7)” 即可激活。加载多个 LoRA 时，权重分配需遵循 0.3-0.8 的安全范围，避免风格冲突。
2. 自定义 LoRA 训练技巧
- 数据准备：收集 50-100 张风格一致的参考图，命名格式为 “Repeat 值_主题名”（如 “30_anime_eyes”），Repeat 值越高，训练越精细。
- 参数设置：学习率设为 1e-4 至 1e-5，批次大小 1，训练总轮数 200 左右。为防止过拟合，可加入 class-specific prior preservation loss 正则化项。
3. LoRA 与提示词的深度融合
- 风格叠加：例如，“(lora:VanGoghStyle:0.6) starry night, (lora:DigitalPainting:0.4) vibrant colors”，可混合梵高风格与数字绘画质感。
- 局部强化：配合 ControlNet 的蒙版功能，对特定区域应用 LoRA。例如，“(lora:CyberneticArmor:0.8) on the character's chest”，能精准强化盔甲细节。
? 五、2025 年提示词工程的十大趋势与工具推荐
1. 多模态提示词崛起
Stable Diffusion 已支持 文本 + 图像 + 3D 模型 的多模态输入。例如，上传一张线稿图，结合提示词 “convert this sketch into a realistic oil painting”，能生成逼真的油画效果。
2. 长上下文窗口的应用
新一代模型支持百万 Token 级输入，可描述复杂场景。例如，“A medieval city at dawn, bustling market, knights in shining armor, children playing, detailed stone buildings, distant mountains, soft golden light”，能生成包含数百个元素的史诗级画面。
3. 实用工具推荐
- PromptHero：提供分类清晰的提示词库，支持按风格、主题筛选。
- Lexica：海量 AI 生成图像与提示词的对应案例库，适合灵感参考。
- Civitai：全球最大的 LoRA 模型社区，涵盖各种细分领域的预训练模型。
? 结语
2025 年的 Stable Diffusion 提示词工程已从 “技巧” 升级为 “科学”。通过精准的中英 prompt 设计、灵活的 CFG scale 调节和深度的 LoRA 技术应用，任何人都能成为 AI 绘画的大师。记住，提示词是驾驭 AI 的缰绳，而创意才是决定方向的骑士。持续探索，你将解锁无限可能！
【该文章由 dudu123.com 嘟嘟 AI 导航整理，嘟嘟 AI 导航汇集全网优质网址资源和最新优质 AI 工具】
