12.2.1 图像生成路线图：提示词、控制、审核

图像生成不是写一句提示词就结束，而是一套工作流：明确意图，记录提示词和参数，选择控制方式，对候选图做比较和审核。

先看流程图

先养成一个习惯：记录你要什么、用了哪种模式、哪些 seed 或参数影响结果，以及导出前必须审核什么。

建一个提示词记录

import json

brief = {
    "topic": "RAG basics",
    "audience": "beginners",
    "style": "clean editorial cover",
}
prompt = f"{brief['style']} for {brief['topic']}, friendly visual metaphor for {brief['audience']}, clear layout"
record = {
    "mode": "text-to-image",
    "prompt": prompt,
    "negative_prompt": "blurry, watermark, unreadable text",
    "seed": 42,
    "review": ["legibility", "copyright", "brand safety"],
}

print(json.dumps(record, indent=2))

预期输出：

{
  "mode": "text-to-image",
  "prompt": "clean editorial cover for RAG basics, friendly visual metaphor for beginners, clear layout",
  "negative_prompt": "blurry, watermark, unreadable text",
  "seed": 42,
  "review": [
    "legibility",
    "copyright",
    "brand safety"
  ]
}

如果提示词记录无法复现，后面就很难稳定改图。

按这个顺序学

步骤	阅读内容	练习产物
1	扩散直觉	解释加噪、去噪、seed、采样
2	Stable Diffusion 组件	画出 text encoder、U-Net、VAE、latent space
3	应用与控制	对比 text-to-image、image-to-image、inpainting、ControlNet、LoRA

通过标准

你能写出提示词记录，解释为什么选择某种生成模式，保存 3 个候选图备注，并在导出前标记至少 1 个审核风险，就算通过本章。

检查思路与讲解

1. 合格答案要说清涉及哪些模态、输入输出契约是什么，以及文字、图像、音频或视频证据如何对齐。
2. 证据应包含真实媒体产物或 trace，并附上质量、安全和失败案例说明。
3. 自检时要能判断任务需要的是生成、理解、检索、工具编排还是人工复核，而不是把所有多模态问题都当成同一种 demo。

留下的证据

学完这一页，至少保留这张证据卡：

提示词记录

提示词、负面要求、参考、seed/model，以及版本号

候选输出

生成或模拟的结果及选择原因

技术备注

扩散步、潜变量、cross-attention、LoRA 或应用模式

失败检查

提示漂移、风格不匹配、产物、版权、肖像或复核失败

期望产出

选定图片/版本记录加被拒候选说明