“所有万能提示词都是智商税”——这句话虽然有些极端但它确实戳中了一个普遍问题在 AI 生图里尤其是建筑类生成任务中很多人花大量时间收集华丽提示词、套用各种 JSON 结构最后发现换一个模型、换一个平台效果立刻打回原形。原因并不复杂提示词只是生成模型的输入条件它不能决定模型训练时见过什么、理解什么更不能替代空间控制。在建筑 AI 生图中真正影响结果上限的是对模型训练原理的理解、对构图和条件的控制以及一套稳定可复现的工作流。这篇内容会从模型训练原理出发拆解建筑 AI 生图中提示词的实际作用也会说明为什么 JSON 格式本身不能保证质量。最后给出一套适合日常建筑出图的落地方案包括环境选择、提示词结构、批量生成和问题排查。1. 先拆清楚提示词在 AI 生图里到底算什么1.1 提示词是条件不是命令很多人把提示词理解成“给模型的命令”以为写得越清楚模型就越会照着执行。这个理解不完全对。当前的扩散模型Diffusion Model在生成图像时确实会参考文本条件。它的工作方式是把“文本”转换成一种高维向量然后引导图像去噪过程。问题是模型不是真的听懂了这句话而是把这句话映射到它曾经在训练集里见过的图像分布上。如果某个概念在训练数据里很少出现或者只以一种固定姿态出现那么不管你的形容词多华丽它都很难生成你想要的角度、材质和光影。在建筑生图中像“极简主义白色体块”“清水混凝土”“傍晚暖光”“玻璃幕墙反射天空”这类词汇模型通常比较熟悉因为公开训练集里建筑图片多配套文本也相对丰富。但如果你写的是“带有东南亚殖民风格连续拱廊的商业建筑同时要求结构理性主义框架外露”模型可能听明白一半丢掉另一半。因为这种组合在训练数据里太少模型只能从相近的概念里“凑”出一张图。所以提示词质量确实重要但它的作用边界由训练数据决定。这不是提示词本身能突破的。1.2 为什么“万能模板”经常失效“万能模板”的核心假设是存在一套辞藻组合能适配所有模型、所有平台、所有建筑类型。这个假设基本不成立原因有三点。第一不同底模对同一个词响应不同。同样写“现代建筑”有的模型更倾向生成玻璃幕墙高楼有的模型更倾向生成白色体块。因为不同底模的训练数据、标签清洗方式、训练步数都不一样。第二同一个词在不同平台上的权重不一致。有些平台会默认给提示词做加权有些平台会把长句截断有些平台还会对部分词汇做隐式改写。这会导致你在 A 平台跑通的提示词原封不动复制到 B 平台效果完全不同。第三建筑效果图的好坏不只取决于风格词。构图、透视、比例、结构合理性、功能布局这些主要由模型潜在空间和外部控制条件决定。提示词能影响氛围和材质但很难精确控制“这条立面线在这里收分”“这个雨棚只出挑一米二”这类设计信息。因此与其到处求“万能模板”不如建立一份“当前模型对哪些词敏感”的测试记录。换模型后先用同一句话跑一组测试图比直接套别人的模板可靠得多。2. 建筑 AI 生图里比辞藻更重要的四件事2.1 输入内容结构主体、材质、光影、视角、氛围如果你想让提示词真正起作用第一步不是堆形容词而是安排信息顺序。建筑生图的文本描述可以按下面这个顺序写建筑类型和主体现代办公楼、高层住宅、博物馆、图书馆、旧改立面关键材质清水混凝土、玻璃幕墙、木格栅、穿孔铝板、陶土板视角和镜头人视点、鸟瞰、仰视、45度透视、正立面光线和时间晴天、阴天、黄昏、夜景、室内漫反射氛围和用途竞赛效果图、初步体量研究、街景融合、室内方案。这个顺序本身就是一种“结构化提示词”。它不一定需要 JSON但它比罗列二十个形容词更有效因为它更接近模型训练时常见的文本描述方式——先说什么建筑再说什么材质再说什么环境。举个例子简化写法可以是a modern library with red brick facade and glass curtain wall, human perspective, front view, cloudy afternoon, urban street context, architectural photography, clean composition你会发现这句话没有特别夸张的辞藻但生成结果通常比较稳定。因为它把“建筑类型、材质、视角、光线、场景”这些关键信息都覆盖到了。2.2 底模和微调模型决定了视觉风格上限同一个提示词在不同底模上出图效果差异极大很多时候差异比改提示词还大。原因是底模决定了模型整体风格倾向微调模型则把某个特定风格强化到更明显的程度。在 Stable Diffusion 生态里常见底模对建筑有一定理解但往往偏“通用生成”。如果你需要高标准的建筑外立面建议单独测试几个建筑类微调模型比如偏写实、偏效果图、偏拼贴分析的模型。用自己的测试图固定条件后再决定哪一套作为工作基线。这里不用迷信“某个模型最强”。同一个模型可能在高层办公楼上表现很好但在旧改项目或室内空间上不太稳定。最好的方式是做一个模型对比表把相同提示词、相同种子下不同模型的出图结果放在一起按建筑类型打分。这个记录比到处收藏 100 条提示词有用得多。2.3 ControlNet 和空间控制比形容词更可靠建筑 AI 生图里最常遇到的问题不是“不够好看”而是“不像我设计的那个方案”。模型生成的是“一个看起来合理的建筑”但不是“你要的那个建筑”。这时候加再多提示词也救不回来。真正的解法是空间控制。比如用 ControlNet 的线稿模式控制建筑轮廓用深度图控制主要体块关系用语义分割图控制场地功能分布用边缘检测控制立面的线条走向。这些控制条件能从结构上把生成结果限制在你的方案边界内比文本中的“曲线立面”“转角设计”要直接得多。实操上我建议先用一张草图、体块模型或线稿图控制整体构图再通过提示词描述材质、光线、氛围。这样生成出来的图既有设计依据又有 AI 提供的材质与光影细节。如果完全不做控制只靠长提示词你得到的往往是“好看的随机方案”。2.4 种子、步数、CFG 等参数决定可控性和稳定性很多“翻车”并不是提示词写错了而是参数没有控制住。步数太少画面还没从噪声中恢复完整结构步数太多可能过度锐化产生不必要的纹理CFG 太高图像会变得饱和、僵化阴影浓重CFG 太低提示词对结果的影响会被削弱画面容易发散种子固定后同一提示词可以复现相近构图这是工作流可控性的基础。对建筑生图我建议先固定一组基线参数不要频繁改动。比如先固定步数 25 到 30CFG 在 5 到 8 之间采样器选择某个 DPM 系列然后只改动提示词或控制图这样你能更清楚地看到每个变量的影响。如果你同时调整五个参数又换模型又换种子最后出图不好你根本不知道是哪个环节出了问题。3. JSON 格式和规范化提示词到底该不该学3.1 为什么某些平台喜欢 JSON 格式不少在线生图平台和 API 支持 JSON 格式原因是工程化方便。一个请求里可以同时携带 prompt、negative_prompt、sampler、steps、seed、width、height、batch_size 等字段服务端解析起来也很标准。比如一个简化请求可能是这样{ prompt: a modern museum with white concrete facade, human perspective, sunlight, negative_prompt: blurry, low quality, distorted perspective, sampler: DPM 2M Karras, steps: 25, cfg_scale: 7, width: 768, height: 512, seed: 12345, batch_size: 1 }从开发角度说这种方式是合理的。它把参数和提示词分离方便程序调用、批量生成、版本记录。但要注意平台能解析 JSON不等于模型“理解” JSON。模型训练时看到的文本样本绝大多数是自然语言不是 JSON。你写{building: museum}模型不一定比直接写a museum生成得更好。某些情况下额外的大括号和引号反而会稀释关键词权重让模型更困惑。3.2 结构化提示词的正确用法结构化提示词的关键不是序列化成 JSON而是“信息分类清楚”。你可以在普通文本里按固定顺序排列信息也可以在不同字段里拆分信息但它本质上是一种信息组织方式。对建筑生图我建议把提示词拆成几组用逗号分段每组只承担一个职责。比如architecture type: a modern art museum with curved white concrete facade, material texture: exposed concrete, perforated metal panels, glass curtain wall, viewpoint: human perspective, slightly low angle, front-left view, lighting and atmosphere: warm afternoon sunlight, soft shadows, clear sky, render style: architectural visualization, realistic, high detail这个写法的好处是模型更容易识别出“建筑类型、材质、视角、光线、风格”这几个维度的信息而不是被一串形容词淹没。如果你在开发一个自动生成建筑效果图的系统用 JSON 字段来管理这些维度也完全可以。但字段结构要服务于业务逻辑而不是为了形式。3.3 别把 JSON 当成生成质量的保证我看到过很多教程把某个提示词封装成 JSON声称只要照抄就能保证生成效果。这个说法是不可靠的。原因很简单JSON 是传输和调用格式不是图像质量的开关。即使字段完全标准如果模型训练数据里缺少你需要的建筑语义输出仍然可能偏掉。另一个问题是不同平台对 JSON 字段的解析规则不同。有些字段在 A 平台有效在 B 平台可能被忽略甚至报错。尤其是 sampler、steps 这类参数不同平台默认值不同最后结果自然不同。所以正确的做法是先看平台官方文档确定支持的字段和参数范围再写一个最小 JSON 示例跑通一条请求确认输出符合预期后再逐步增加字段和批量任务。不要在不知情的情况下套用别人的完整 JSON。4. 从模型训练原理理解建筑生图效果差异4.1 训练数据、标签与概念绑定扩散模型的训练过程本质上是把“图像”和“文本描述”绑定在一起。模型看到一张图同时看到一段描述文字然后学习从文本预测图像特征。它学到的不是一个固定的“建筑”概念而是“建筑”这个文本标签对应的像素分布。如果训练数据里建筑图片大多是西方现代主义风格那么你输入“建筑”时模型更容易生成现代主义风格这不是因为它故意偏好而是统计分布决定的。反过来如果你希望模型稳定生成中国传统木结构建筑而训练数据里这类高质量图文对很少那么只靠提示词很难补足这个概念。这也是为什么越来越多建筑团队会选择微调模型或者在 LoRA 上做专项训练。目的是把特定风格的图像数据输入模型强化模型对某些标签的响应。4.2 微调为什么能改变风格微调fine-tuning是用一批特定风格的图像继续训练模型调整部分权重让模型对某些标签产生更强的响应。举个例子如果你用几百张“建筑分析图”继续训练那么当你输入 “analysis diagram” 或 “massing diagram” 时输出的图像会明显更接近这类图而不是普通建筑摄影。这个原理对提示词有什么影响它意味着当你反复用某个词生成都不满意时与其绞尽脑汁增加修饰词不如换一个对口的微调模型甚至自己准备训练数据做微调。这是从源头解决问题比在文本层面硬试更可靠。当然微调需要数据准备、标注、训练环境成本比写提示词高很多。但如果你长期做某一类建筑表现这项投入是值得的。4.3 采样器与步数影响的是“去噪路径”生成图像不是一步到位的。简单理解模型从一个随机噪声图开始经过多步“去噪”逐渐把细节还原成图像。采样器sampler决定的是去噪路径步数决定的是走多少步。不同采样器在相同步数下的差异可能很明显。有的采样器在 20 步时已经清晰有的采样器需要更多步数才能稳定。如果步数太少画面可能糊、结构不完整如果步数太多可能进入“过拟合”区域产生生硬的纹理和不必要的细节。对建筑生图我一般建议先固定步数在 20 到 30 之间再对比几个常用采样器。比如 DPM 2M Karras 通常比较稳定Euler 计算快但细节可能不够。这里是经验参考实际效果受底模影响最好用同一种子做对比。4.4 硬件和显存影响的是“能跑到什么程度”模型训练原理里还有一环直接影响落地显存和内存。同样是生成一张 768x512 的图不同模型显存占用不同。低显存环境能跑不代表能跑大分辨率也不代表能跑大量批量。如果显存只有 4GB建议先降低分辨率关闭多余的后处理插件单批数量设为 1否则很容易出现“CUDA out of memory”一类的报错。如果你的机器配置接近这个水平可以重点关注显存、内存和运行时间。不要把“别人的样例图很好”直接等价于“我这台机器也能顺畅跑”。5. 一套适合建筑 AI 生图的落地方案5.1 环境与模型准备本地跑建筑生图常见选择是 Stable Diffusion WebUI 或 ComfyUI。WebUI 上手容易插件和模型管理方便ComfyUI 更适合流程化、节点化控制但学习曲线更陡。硬件方面NVIDIA 显卡更常见显存 8GB 可以跑常见模型。如果显存更小就把分辨率降到 512并控制批量数量。没有独立显卡也可以用云算力或线上 API但要注意文件上传、任务队列和等待时间。这里给的是通用判断。实际版本和安装方式建议以对应项目文档为准不要盲从某个版本的教程。5.2 精简且有效的提示词写法写建筑提示词我建议控制在两到三行按信息优先级排序。a modern art museum with white concrete curved facade, human perspective, sunny afternoon, landscape plaza, architectural photography, sharp details, clean composition负向提示词可以写常见问题blurry, low quality, distorted perspective, extra building, wrong scale。注意不要把所有负面词都堆进去太多反而可能影响整体质量。一个判断标准如果一句话里超过五个核心名词模型可能很难照顾到每个词。你可以在同一种子下去掉一个词看输出变化是否明显从而判断哪些词在起作用。5.3 单张测试到批量生成的流程我的建议是先把第一次测试拆成三步启动、单条任务、批量任务。第一步固定模型、种子、采样器跑一张“最能代表你日常任务”的测试图。先确认基础输出正常。第二步修改提示词中的核心名词观察变化。第三步如果希望控制构图再加入 ControlNet用线稿图或深度图控制结构。能跑通之后再开批量。批量时特别注意输出命名和保存目录避免文件覆盖。如果是 API 调用先单条请求再写循环循环里加入失败重试和日志。不要一上来就开最大并发很容易把队列和显存打满。5.4 排查出图效果不对时先查哪里我自己遇到出图效果偏离预期时排查顺序如下先看日志是否报错有没有显存不足、路径错误、模型加载失败再固定 seed对比不同提示词的结果判断问题出在词还是模型然后检查参数steps、CFG、分辨率是否超出硬件能力接着检查 ControlNet 输入线稿是否清晰、深度图是否正确、控制权重是否合适最后确认底模和微调模型是否适合当前建筑类型。很多“提示词不好使”的问题最后查出来是模型或控制图的问题不是文本问题。所以先不要急着改提示词先检查输入条件和资源占用。6. 避坑与边界6.1 不要追求万能模板要建立自己的测试基线万能模板的问题不是“不好”而是“不可迁移”。同一个模板在当前底模、当前平台、当前建筑类型下有效换一个场景就可能失效。如果只依赖别人的模板你会很容易陷入“为什么同一条提示词别人出效果图我出垃圾”的困惑。建立自己的测试基线更可靠。固定一组提示词更换不同底模生成对比图固定底模调整某些关键词记录结果变化。一段时间后你就能形成一套属于自己的调参依据而不是到处搜模板。注意不要一上来就开最大并发先用一条样例确认输入、输出和日志都正常。6.2 常见误区提示词很长、参数很高效果反而差提示词过长会导致模型注意力被稀释关键名词得不到足够权重。参数设得过高比如 CFG 拉到 15 以上容易出饱和、过锐、看起来像塑料质感的图。更合理的做法是精简关键词把控制权放到外部条件上而不是希望文本能覆盖所有细节。另一个常见误区是一看到别人用某个采样器、某个步数就直接照搬。不同模型的最优参数区域不同建议先在自己的环境里用同一种子做一组小批量对比。6.3 合理预期AI 生图只是工作流的一环建筑 AI 生图在目前阶段更适合用于前期方案探索、体量研究、立面比选或者作为投标效果图的辅助输入。它很难直接替代对结构、规范、功能、成本的设计控制。更合理的工作方式是设计师做核心判断AI 负责快速生成多种视觉可能性再由人筛选、调整、深化。大量时间不应该花在寻找万能提示词上而应该花在建立清晰的输入条件、稳定的参数体系、可复现的流程上。回到开头那个问题比提示词辞藻和 JSON 格式重要 100 倍的到底是什么我的答案是对模型工作方式的理解对输入条件和空间控制的掌握对参数和工作流的稳定管理。这些听起来不如“万能提示词”刺激但真正决定你能不能把 AI 生图用在真实建筑项目里的恰恰是这些东西。如果你现在刚开始接触建筑 AI 生图我的建议很简单先跑通单张再处理批量先固定一组参数再逐步试探先控制构图再调风格。踏踏实实记录几次测试比收藏一百个模板都有用。