Stable Diffusion提示词权重与语法

可视化演示

动态演示Stable Diffusi的核心机制，通过入门/进阶/实战/优化四种模式展示关键概念与交互流程。

权重基础概念

林师傅炒菜时，每一勺调料都有讲究。他说：“盐是百味之首，但放多放少全凭这——'话语权'。”在Stable Diffusion的世界里，权重（Weight）就是每个关键词对画面最终效果说话的权力大小。权重高的词，画师会老老实实照着画；权重低的词，画师可能只是顺手带过。

在SD中，每个词都自带一个“嗓门大小”的默认值，这个默认值就是1.0。权重为1时，AI对每个词一视同仁；当你调整权重，就是在给这个词加麦克风或戴消音器。

在WebUI的实际操作中，你不需要手算这个公式——它是模型底层的注意力分配机制。你只需要记住：权重调节范围在0.4到1.5之间效果最自然，超过这个范围画面容易失真。就像林师傅说的：“再好的盐，放多了也会齁着客人。”

权重语法符号

林师傅的菜单上有三种“加重号”：画个圈表示“多放”、画个框表示“少放”、写个数字表示“精确到克”。SD的权重语法同理，用不同的符号包裹关键词，就能微调它的“话语权”。

最常用的是小括号：(word) 表示把权重乘以1.1。如果想要更强的效果，可以叠加括号：((word)) 就是1.1的平方，约等于1.21。反之，方括号 [word] 表示削弱，权重乘以0.9。还有花括号 {word}，权重乘以1.05，是更温和的增强。

最精确的方式是数字权重法：(word:1.4) 直接指定权重为1.4。这就像林师傅不跟你绕弯子，直接写“加盐3克”。

林师傅的“重量级菜单”建议：优先使用数字权重，因为1.1的固定倍率经常不够灵活。比如你想把权重调到1.3，用 (word:1.3) 一步到位，比套三层括号更清晰，也更好排查问题。

关键词顺序

有一次林师傅做红烧肉，徒弟把“冰糖”写在“五花肉”前面，结果出锅成了一盘拔丝肉——糖抢了戏。SD出图也是这个道理：提示词越靠前，权重越高。整个提示词序列中，前面的词分配到的注意力更多。

为什么会有这个效果？因为SD的文本编码器（CLIP）在处理文本时，注意力会随位置衰减。靠前的词会被更充分地编码，靠后的词容易被“忽略”。所以写提示词，要把画面的“主角”放在前面，“配角”放中间，“环境点缀”放最后。

实操口诀是“主谓宾，定状补”：主体靠前、动作次之、场景与风格靠后。如果你想让某个元素更突出，把它往前提，比单纯加权重更自然，因为位置调整不会破坏画面的整体和谐度。

AND/OR语法

林师傅的菜单上偶尔会出现“牛蛙and鱼头”这种组合菜，或者“宫保or鱼香”这种口味二选一。SD的提示词同样支持逻辑组合语法，让创作者能灵活控制元素的融合与切换。

AND语法用 AND 连接两个概念，让AI同时生成两者。比如 cat AND dog，AI会画一只“猫狗合体”的奇妙生物——类似双拼盘，两种食材都保留。而OR语法是二选一，AI在生成时随机选其中一个来画，适合做风格或概念的快速切换测试。

关键区别是：逗号是“排队并列”，AI按顺序逐一画出每个元素；AND是“融合合一”，AI把两个元素融合进同一画面主体。比如 女孩, 猫 画的是“一个女孩和一只猫”（两个独立主体），而 女孩 AND 猫 画的是“猫娘”——一个融合后的主体。

建议初学者优先精通逗号并列，熟练掌握后再尝试AND。因为AND容易产生“缝合怪”，特别是在两个不相关主体之间（比如“汽车AND香蕉”），出图结果会比较难以预测。OR则适合画风探索阶段快速试错。

负面提示词

林师傅的菜单底部，永远有一行小字：“忌口：香菜、芹菜、肥肉。”这不是主料，却能决定客人是否满意。SD的负面提示词（Negative Prompt）就是这行“忌口清单”，告诉AI“千万不要画这些东西”。

负面提示词写法非常简单：直接输入你不想要的内容，用逗号分隔。比如 模糊, 畸形, 水印, 低质量。SD的原理是Classifier-Free Guidance（CFG），在生成时同时参考正向词的评分（打分越高越好）和负向词的评分（打分越低越好），两端拉扯之下，最终画面会远离负面词描述的方向。

负面提示词是提升出图质量的“捷径”。一张图好不好看，正向词决定上限，负面词决定下限。新手最快提升画质的办法，就是先学会写一组标准负面词，把常见的畸形、模糊、崩坏问题全部拉黑，画面马上干净一个量级。

画面控制配方

林师傅教会徒弟最值钱的东西，不是单道菜，而是“配菜的公式”：前菜清脆、主菜浓郁、汤头鲜甜、饭后清口。SD提示词也有组合配方，不同模块各司其职，组合起来才能出好图。

一个完整的正向提示词，通常包含四个模块：构图词（如 “masterpiece, best quality“）、主体词（描述画什么）、环境与风格词（如 ”cinematic lighting, oil painting“）、细节修饰词（如 ”intricate details, 8k”）。顺序上，风格质量词放最前，然后是主体、环境、细节。

一套常用的基础配方是：(masterpiece:1.2), (best quality:1.2), 你的主体词, 环境描述词, style tags, (intricate details:1.1)。负面词固定写 lowres, bad anatomy, bad hands, extra fingers, blurry, watermark。按照这个“四菜一汤”的框架填内容，你也能配出林师傅那样的“镇店之宝”。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""SD提示词权重解析器：解析括号、数字权重与逻辑语法"""import re  class PromptParser:    """把提示词字符串解析成带权重的词条列表"""     def __init__(self, prompt):        self.raw = prompt        self.tokens = []     def parse(self):        tokens = []        pattern = r"\(([^:()]+):([\d.]+)\)"  # 匹配 (word:1.3)        for match in re.finditer(pattern, self.raw):            word, weight = match.group(1), float(match.group(2))            tokens.append({"word": word, "weight": weight, "method": "数字权重"})        pattern2 = r"\(\(([^()]+)\)\)"  # 匹配 ((word))        for match in re.finditer(pattern2, self.raw):            word = match.group(1)            tokens.append({"word": word, "weight": 1.21, "method": "双层括号"})        pattern3 = r"\(([^()]+)\)"  # 匹配 (word)        for match in re.finditer(pattern3, self.raw):            word = match.group(1)            tokens.append({"word": word, "weight": 1.1, "method": "单层括号"})        pattern4 = r"\[([^\[\]]+)\]"  # 匹配 [word]        for match in re.finditer(pattern4, self.raw):            word = match.group(1)            tokens.append({"word": word, "weight": 0.9, "method": "方括号"})        cleaned = re.sub(r"[()\[\]:\d.]", "", self.raw)        parts = [p.strip() for p in cleaned.split(",")]        for part in parts:            if part:                tokens.append({"word": part, "weight": 1.0, "method": "默认"})        self.tokens = tokens        return tokens     def sorted_tokens(self):        """按权重降序返回词条"""        return sorted(self.tokens, key=lambda t: t["weight"], reverse=True)     def summary(self):        """输出权重概览"""        lines = []        for token in self.sorted_tokens():            lines.append(f"  {token['word']:<20s} 权重={token['weight']:<5.2f} ({token['method']})")        return "\n".join(lines)  if __name__ == "__main__":    demo_prompt = "(masterpiece:1.2), (best quality:1.2), (red dress:1.4), sunset glow, [clouds], ((golden field))"    parser = PromptParser(demo_prompt)    parser.parse()    print("提示词解析结果按权重排序：")    print(parser.summary())

1. pattern = r"\(([^:()]+):([\d.]+)\)"用正则匹配 (word:数字) 形式的精确权重语法，第一个捕获组是词，第二个是权重数字
2. tokens.append({"word": word, "weight": weight, "method": "数字权重"})把解析出的词根按字典存入列表，记录权重来源方式便于排查
3. pattern3 = r"\(([^()]+)\)"匹配普通圆括号 (word)，权重固定为1.1
4. pattern4 = r"\[([^\[\]]+)\]"匹配方括号 [word]，权重固定为0.9
5. re.sub(r"[()\[\]:\d.]", "", self.raw)清洗掉所有语法符号，剩下的就是无修饰的默认词，权重1.0
6. parser.parse()` 后调用 `sorted_tokens()按权重降序排列，一眼看出谁是“主角”谁是“龙套”

常见误区

面试题