Hello，大家好，欢迎来到本期 WebUI 学习频道。这节课我们一起来学习 WebUI 中提示词（Prompt）的语法规范与使用技巧。

首先我们来聊聊书写规范：不论是正向提示词还是负向提示词，都必须使用英文及英文标点符号，否则系统可能无法正确识别。例如输入 one girl, garden, yellow dress（一个女孩、花园、黄色裙子），配合生成快捷键 Ctrl+Enter，我们可以得到一张穿着黄色裙子在花园中漫步的女孩图像。

如果改用中文输入“一个女孩，花园，黄色的裙子”，结果会怎样呢？可以看到，虽然图像中确实出现了女孩，但“黄色的裙子”和“花园”并未准确呈现——这说明中文提示词会导致语义丢失或识别偏差。

接下来我们讲解提示词的权重（Weight）。所谓权重，可以理解为该提示词在整体生成过程中的比重或重要性。权重越高，模型对该词的关注度就越高。例如，当提示词 A 的权重为 1.2，而提示词 B 的权重为 0.9 时，A 对画面的影响将明显大于 B。

我们通过以下方式控制权重：

• 中括号 []：表示 0.9 倍权重，降低提示词重要性；
• 小括号 ()：表示 1.1 倍权重，提升提示词重要性；
• 大括号 {}：表示 1.05 倍权重，用于微调。

多重括号可叠加计算：两个中括号 [[]] 相当于 0.9 × 0.9 = 0.81 倍权重；两个小括号 (()) 相当于 1.1 × 1.1 = 1.21 倍权重；大括号同理。

此外，WebUI 提供快捷键辅助调整权重：将光标定位到某个提示词（如 garden），按 Ctrl + 上箭头 可逐步增加其权重，按 Ctrl + 下箭头 则逐步降低。但需注意，权重不宜过高，否则易导致图像过拟合、失真或变形。

关于短句与长句：有人会问，为什么提示词常以单词/词组形式罗列，而非自然语言长句？事实上，两种方式均可使用，但目前实践表明，分词式提示词更利于精准控制生成效果，也更便于单独调整各部分权重。若使用长句，则难以对其中某一成分快速加权，需手动添加括号等符号，操作效率较低。当前 AIGC 领域也在持续探索如何让自然语言提示达到与分词提示相当的效果。

提示词总长度同样关键：并非越多越好。研究表明，正向提示词控制在 75 个 token 以内 效果最佳；超过该数量，模型识别准确性下降，整体表现反而减弱。负向提示词同样适用此原则，建议也不超过 75 个 token。

“起手式”是指常用的质量强化前缀，例如 masterpiece、4k、best quality 等。这些词汇源于模型训练时所使用的高质量样本，在提示词开头加入它们，有助于提升输出图像的精细度与质感。负向提示词则用于排除不希望出现的内容，例如 blurry（模糊）、text（文字）、low quality（低质量）等，能有效规避相应缺陷。

提示词顺序会影响生成结果。越靠前的提示词，默认权重略高。推荐按如下逻辑组织提示词：

1. 画质与风格类词汇，如 masterpiece, high quality, detailed；
2. 主体描述，如 one girl, blue dress；
3. 环境、场景、光照与构图，如 garden, soft lighting, shallow depth of field；
4. 可选的 LoRA 或其他模型扩展标识（如有需要）。

提示词污染是指多个提示词之间语义相互干扰的现象。例如颜色词（如 red）可能影响邻近物体的色调。为避免此类问题，可在相关提示词间插入 break 进行隔离。

提示词融合则是将两个概念结合生成新形象的方法。例如输入 one girl, cat，通常生成“女孩与猫”的独立元素；若改为 one girl, end, cat（注意 end 必须全大写），则可能生成“猫娘”类融合形象。类似效果也可通过下划线（cat_girl）或竖线分隔的括号结构实现，如 {cat|girl}，其原理是交替绘制前后关键词，最终融合成新形态。

最后是时间段控制：可通过时间轴权重分配指定不同阶段生成内容。例如希望前 30% 步骤绘制森林、后 70% 绘制女孩，可写作：
{forest:one girl:0.3}。
若将 0.3 改为 0.7，则变为前 70% 绘制森林、后 30% 绘制女孩。