AI图片生成入门：从提示词到工作流
本文用于AI知识学习与工作流理解，不构成对具体产品、付费服务或商业效果的推荐。AI工具能力、可用地区和规则会变化，重要结果请以发布时官方说明和人工核验为准。
生成一张好看的AI图，为什么还是不能用
你有没有类似遇到这样的场景：
负责一次社区读书会的线上招募，需要一张横版封面图，当晚交给运营发布。你打开一款文生图工具，输入"年轻人参加周末读书会，温暖、有活力"，很快拿到一张画面：色调确实温暖，人物表情也自然，很符合你对图片的要求。
但放到实际排版里，问题立刻出现：
画面是竖构图，横版裁切后人物只剩半张脸；
主体人物正好站在画面上方三分之一处，标题放不进去；
背景里出现了不属于读书会的运动器材；
最关键的一点——画面中间有一行变形英文，无法当作活动标题使用。
这不是工具出了错，而是一句模糊描述能做的事本来就有限。
文生图工具收到的信息只有氛围和主题方向，它不知道这张图要横着用、标题放在哪里、画面里哪些东西必须出现而哪些绝对不能出现。生成按钮做的事情比你以为的少，而你需要做的事比想象的多。
这篇文章会沿着这张招募图从"不能用"变成"可以发"的过程，把AI图片生产中真正需要的步骤走一遍：明确需求、首次生成、筛选底图、局部修改、人工排版、导出交付，以及怎样让下一张图不用从头来过。
需要注意的是，我这里提供的示例场景是特定的用法，用来展示通用方法，不代表某一款工具的固定操作。
先把"想要一张图"变成可执行任务
你已经知道第一版为什么不能交付：不是因为画面不好看，而是因为你在按下生成之前没有确定验收标准。
在真正写提示词之前，需要先回答几个和AI工具无关的问题：
这张图给谁看、在哪里用？
招募图的读者是社区群成员和朋友圈浏览者，投放渠道决定了横版比例（通常 16:9 或公众号头图尺寸），也决定了图片要在手机屏幕上一眼看清主题。
画面必须传达什么信息？
活动名称、时间和报名方式会以文字排版覆盖在图上，所以画面需要留出足够的安全区域。核心视觉信息是"一群年轻人在室内参与读书相关活动"，不需要出现具体书名或具体面孔。
哪些元素可以变化，哪些不能？
人物数量、服装配色、书架样式都可以交给AI发挥。但画面不能包含真实品牌logo、特定名人面孔，也不能出现与读书会无关的场景元素。如果你打算上传一张往期活动照片作为参考图，需要确认你对这张照片有使用权利。
把这些答案写下来，你会得到一份简短的图片任务单——它不是提示词，而是提示词的依据。任务单上至少包含：
用途与渠道
画幅比例
核心视觉信息
文字排版区域
必须包含与必须排除的元素
参考素材来源说明
有了这些任务单信息，接下来的每一步才有判断标准，而不是反复按生成按钮碰运气。
提示词只负责指令，不能替你做决定
任务单准备好了，现在该写提示词。提示词的作用是把你的任务单翻译成生成工具能理解的描述——它是一次沟通，不是一道咒语。
一条有效的提示通常包含几类信息：
主体（画面里是谁或什么东西）
动作或状态（他们在做什么）
环境（室内还是室外、什么样的空间）
构图方向（留出上方三分之一做标题区、主体偏左或居中）
风格与色彩（插画风还是摄影风、暖色调）
以这张招募图为例，一条提示可能是：
一群年轻人围坐在明亮的室内空间里翻阅书籍和讨论，暖色自然光从左侧窗户照入，画面上方三分之一留白，摄影风格，16:9横版构图。
注意这里没有堆砌几十个风格关键词，也没有试图在一句话里规定每个人的衣服颜色。提示词写得越具体越好，但"具体"指的是你确实需要控制的维度，不是把能想到的修饰语全部罗列。堆砌过多互相矛盾的要求，反而会让结果变得不可预测。
除了文字提示，多数图片工具还提供其他控制入口：
画幅比例
内容类型（摄影 / 插画 / 平面设计）
风格参考图、构图参考图等。
这些选项和提示词共同约束生成结果——它们不是高级功能，而是和文字提示平级的沟通渠道。如果你在提示词里写"暖色调"，同时在风格参考里放了一张冷蓝色照片，工具收到的就是矛盾信号。
第一次生成建议只跑少量候选（比如四张），目的不是直接拿到完美成品，而是看生成方向是否正确。这一步更像拍一组样片确认取景方向，而不是期望每张都能直接印刷——当然，AI生成和摄影的相似也仅限于此：摄影记录真实场景，AI是从学习过的视觉模式中合成新画面。
选底图比追求一次完美更重要
四张候选图摆在面前，你需要做一次快速判断。不是选"最好看"的那张，而是选最接近任务单、同时后续修改成本最低的那张。
判断可以从三个层面进行。
第一，主题是否准确：画面里的人在做读书相关的事情吗？场景是否是室内？有没有出现任务单里要求排除的元素？
第二，构图是否服务于信息传达：上方是否留出了标题区域？主体人物是否被裁切到只剩边缘？横版比例下画面是否平衡？
第三，细节错误的严重程度：手指数量异常或书本文字变形是生成模型常见问题，但如果错误出现在画面焦点位置，修改成本就会很高；如果出现在可以被标题遮盖的区域，反而不影响最终交付。
这里需要理解一件事：文生图工具每次生成都包含随机因素。即使你用完全相同的提示词再点一次生成，出来的画面也会不同。这不是bug，而是生成过程的基本特性——模型从随机起点出发，沿提示方向逐步"去噪"形成画面。保留你选中的那张底图以及对应的生成参数（提示词、随机种子、画幅设置），是后续能继续修改而不是从零开始的前提。
假设第二张候选构图最接近要求，上方有足够留白，人物姿态自然，但右下角出现了一个不合理的物体，而且整体色调偏冷。这两个问题不需要重新生成——它们可以通过局部修改解决。
改一处时，不要每次推倒重来
选定底图之后，最常见的冲动是"右下角不对，重新生成一张"。但重新生成意味着随机性会改变整张画面——你好不容易选中的构图、留白和人物姿态全部作废，问题可能解决了一个却冒出三个新的。更合理的做法是只改需要改的地方。
AI图片工具普遍提供两种局部操作。
一种是局部重绘（inpaint）：你用遮罩框选画面中的某个区域，工具只在这个区域内重新生成内容，其余部分保持不变。比如框选右下角那个不合理的物体，告诉工具"这里应该是木质地板"，它就会在保留周围像素的前提下替换掉那块区域。随着AI技术发展，有些能力强的AI也能通过你的自然语言描述信息，进行局部重绘调整，但是有时候也会出现随机不可控。
另一种是扩图（outpaint）：如果底图的比例不够宽，你可以向左右扩展画布，工具会根据现有画面的边缘信息补全新增区域的内容。
接下来你可能需要先用局部重绘处理右下角的物体，再对整体色调做一次调整让它偏暖。如果底图本身偏窄，扩图可以帮你补全到 16:9 的横版比例。每一步修改之后都值得保存一个版本——局部重绘的结果不一定一次满意，你可能需要调整遮罩范围或补充描述再试一次，但这比重新生成整张图的代价小得多。
需要注意的是，局部修改并非无限制。遮罩范围太大，修改后的区域与原图衔接可能不自然；连续多次修改同一区域，画面质量可能逐步下降。如果你发现底图需要大面积修改才能达到要求，说明应该回到上一步重新选一张更合适的候选，而不是在一张方向偏离的图上反复修补。
完成AI生成图片外，还有交付工作
经过局部修改，画面本身已经可以接受了——构图合理、色调温暖、主体清晰、没有明显错误。但这张图距离"可以发给运营"还差最后一段路，而这段路AI帮不了你。
活动标题、时间、地点和报名方式需要用真实字体排版到画面上。很多AI生成的文字几乎不可用：它不理解中文笔画结构，即使偶尔生成了看似正确的字，放大后往往存在变形和错误。正确做法是在你熟悉的设计或排版工具中将AI生成的画面作为背景图层导入，然后用真实字体手动排版所有文字信息。
排版时还需要处理几件事：
确认品牌相关元素（社区logo、配色规范）是否正确使用；
检查导出分辨率是否满足投放渠道要求；如果渠道同时需要不同尺寸（比如公众号封面和朋友圈配图），可能需要分别导出裁切版本。图片的alt文字也值得在这一步写好——它帮助视障读者和搜索引擎理解图片内容，一句描述画面主体和用途的话就够了，不需要把提示词复制过去。
如果你所在的平台要求对AI生成合成内容进行标识，导出前应按相关规则添加。中国现行规则对生成合成内容的标识有明确要求，不同平台的执行细节可能不同，发布前应查阅具体渠道的最新说明。
如何让下一张图不用从零开始？
招募图发出去了。现在回头看这次经历，从第一张"好看但不能用"到最终交付，你实际上走过了一条完整的路径：
明确用途和规格 → 写提示词生成候选 → 筛选底图 → 局部修改 → 人工排版 → 导出交付。
这条路径不是只能用一次。
把这次用过的材料整理成一个文件夹：
图片任务单
最终使用的提示词
参考素材及其来源说明
候选图和选中理由
每次局部修改的版本
最终交付文件和排版源文件。
下次社区有新活动需要类似的招募图时，你不需要从"年轻人参加周末读书会"重新开始——打开上次的任务单，修改活动信息和视觉方向，以上次的提示词为起点微调，甚至可以复用同一张底图的扩图版本换一种色调。
如果你使用支持节点工作流的工具（比如 ComfyUI），整个生成过程——从模型选择、提示输入、采样参数到解码和保存——可以被显式地记录为一张可视化流程图。下次加载这个工作流，修改提示词节点的内容，其他环节自动沿用上次的设置。即使你不用节点工具，养成"保存提示 + 参数 + 版本"的习惯也能达到类似效果，只是手动记录多一些。
工作流的核心不是工具形态，而是一个意识：每一次可以交付的图片都不只是一次生成的结果，而是一系列决策（需求、提示、筛选、修改、排版）的组合。把决策记录下来，你就拥有了可以复用和改进的流程，而不是每次都在碰运气。
更深入地学习
这篇文章带你走完了一张图从想法到交付的基本流程。沿着这条路继续往下，你会遇到一些当前方法还不能很好解决的问题。
文字和精确信息。 AI生成模型目前对文字的控制仍然有限，尤其是中文。如果你的图片需要在画面内展示准确的文字、数字或图表，最可靠的做法仍然是人工排版叠加，而不是期望AI直接生成正确文字。
角色和品牌一致性。 如果你需要同一个虚拟角色在多张图片中保持一致的外貌和服装，或者需要产品图片严格匹配品牌视觉规范，单靠文字提示词很难做到。参考图、风格参考和一致性控制技术可以帮助缓解这个问题，但目前没有哪种方案能保证每次生成完全一致。这是入门之后值得深入学习的方向。
版权和使用边界。 AI生成的图片能否用于商业场景、是否需要标识为AI生成、上传的参考素材是否涉及他人权利——这些问题没有一句话的通用答案，需要根据具体场景、适用法规和平台规则逐一判断。如果你的图片用于公开发布或商业用途，建议在使用前专门了解相关规则。
如果你想系统了解提示词的编写方法，可以阅读《一文学会Prompt编写技巧》和《场景、上下文与Prompt之间的关系》。关于AI如何理解和生成图像背后的技术基础，《计算机视觉》和《生成式模型》提供了更深入的解释。
当你从静态图片走向动态内容时，AI视频生成入门会讲清镜头、运动和剪辑的工作流。后续AI图片栏目还会有局部重绘与扩图、参考图与一致性控制、商品图片工作流等专题文章。
扩展阅读
（资料核验日期：2026-07-23）
OpenAI Image generation guide — 图像生成与编辑能力说明，包括文本生成、已有图片编辑、参考图和多轮迭代。
Google Gemini API image generation — 文本生图、图文输入编辑和多轮图片修改能力说明，含素材权利提醒。
Adobe Firefly 文本生图 — 画幅、内容类型、构图参考、风格参考和光线等控制项说明。
ComfyUI 文生图工作流教程 — 节点工作流把模型、提示、采样、解码和保存连接成可复查流程。
ComfyUI 局部重绘教程 — 遮罩与局部重绘在保留大部分原图时修改指定区域的方法。
ComfyUI 扩图教程 — 向原画面边界外补全内容的操作说明。
人工智能生成合成内容标识办法 — 中国现行生成合成内容显式与隐式标识规则。