2026-10-09 · 26 min read

第十节:约束条件与精确控制(Constraints & Precision Control)

完整迁移第 10 节原文,学习 P0/P1/P2 优先级、负面约束、编辑范围、冲突处理和单变量实验。

按照你的意思来 我们进入到第10节 第十节建议进入:约束条件与精确控制(Constraints & Precision Control)。 我们将专门研究 P0/P1/P2 约束、负面提示词、修改范围控制、提示词冲突处理、单变量实验和结果验收,把前九节的所有知识整合为一套可执行、可复用、可批量化的 GPT 生图提示词工程体系。

第十节:约束条件与精确控制(Constraints & Precision Control)

GPT 生图从 0 到 1 · 第 10 课 · 约束优先级、负面提示词、局部控制与质量验收

前九节,我们学习了如何控制图片中的比例、构图、风格、镜头、光影、材质、参考图与文字排版。

现在进入整个系列中非常重要的一节:如何将“我希望 AI 这样生成”,升级成“我知道如何约束、检查和修正 AI 的生成结果”。

假设我们遇到三个真实工作场景:

  • 场景 A: 上司要求更换海报背景,但原来的 Logo、二维码和所有文字都必须保持不变。
  • 场景 B: 需要为 100 款新能源汽车制作统一风格的商品图片,只有车型与参考图片不同。
  • 场景 C: 用车辆照片与轮毂产品图制作安装效果图,不能改变轮毂辐条结构,也不能改动车身。

这些任务的共同难点是:不仅要知道生成什么,更需要知道什么不允许改变。

本节将建立一套适合实际商业工作的精确控制体系。

10.1 首先理解:什么是约束条件?

约束条件(Constraints)是对生成任务设定的要求、限制与验收边界。

在提示词工程中,可以把要求分成五种。

约束类型英文作用
正向约束Positive明确必须生成什么
负向约束Negative明确不能出现什么
保持约束Preservation指定必须保留的内容
范围约束Scope限制允许修改的区域
验收约束Validation明确什么结果算合格

例如:

普通提示词:

把这辆车的轮毂换成另一款,其他不变。

结构化提示词:

使用图片 A 作为车辆基础,仅替换四个车轮的轮毂金属部分。新轮毂以图片 B 为唯一产品结构参考。必须保持车辆造型、轮胎、车身颜色、背景与摄影角度不变。验收时检查辐条数量、镂空形状、中心盖和透视是否正确。

第二种写法更清晰,但也必须明确:文字约束能够降低歧义,并不等于生成模型一定会严格执行。

10.2 第一部分:P0 / P1 / P2 约束优先级

当一张图片包含很多要求时,首先需要确定它们之间的优先级。

我们采用三个层级:

P0

必须满足 · Critical

违反就不能交付。

例如:车型正确、产品结构真实、价格正确、Logo 不变、二维码可扫描。

P1

优先满足 · Important

直接影响画面质量和设计规范,通常需要修正后才能通过品牌验收。

例如:画面比例、产品占比、主体位置、排版层级、统一品牌配色。

P2

可优化 · Flexible

在不影响 P0、P1 的前提下,允许艺术性调整。

例如:背景渐变程度、局部高光、接触阴影、细小装饰。

一个关键规则:高优先级要求不能被低优先级美化覆盖

例如,用户指定的轮毂是五辐结构,而 AI 为了让画面更好看,将它生成了多辐结构。

即使画面很高级,这张图也属于 P0 失败。

同样,对于价格、产品型号和品牌文字,只要出现错误,就不应该因为“整体设计好看”而通过验收。

P0/P1/P2 是我们建立的任务管理规范,不是 GPT Image 模型官方的强制优先级参数。

10.3 第二部分:负面提示词(Negative Prompts)

负面提示词的作用,是告诉模型不希望出现哪些内容或视觉特征。

但我们需要区分两类:

第一类:禁止出现的内容。

例如:

画面中只能出现一台汽车,不出现行人、其他车辆、复杂装饰或水印。

第二类:禁止发生的修改。

例如:

不改变原车灯组、前脸、车轮位置、车身颜色以及背景。

这两类约束的用途不同。

负面约束的正确组织方式

较弱的写法

不要错误,不要变形,不要 AI 味,不要乱七八糟。

更明确的写法

画面只能出现一台车辆。

车身完整入镜,禁止裁切车头和车尾。

不添加其他车辆或人物。

不改变参考图中的灯组、轮毂和车身轮廓。

不出现多余文字、水印与虚假的品牌标识。

负面提示词的三个原则

  1. 具体化:说明实际禁止的内容,而不是只写“不要不好看”。
  2. 相关性:只约束当前任务可能遇到的错误,不要无限堆砌无关词语。
  3. 正负配合:在禁止错误的同时,明确告诉模型正确的目标是什么。

例如,与其只写“不要塑料皮肤”,不如写:

保留真实肤色变化与适量细微皮肤纹理,避免过度磨皮和蜡像般的高光。

对于 GPT Image 这类通过自然语言接收指令的图像模型,负面约束可以直接写在提示词中;不应假定它一定具有其他图像生成系统中的独立负面提示词参数。

10.4 第三部分:修改范围控制(Editing Scope)

这一部分直接对应我们在第八节学习过的局部编辑。

修改范围控制的核心是把画面分成两部分:

  • Editable Region:允许编辑区域
  • Protected Region:受保护区域

例如,一张新能源汽车电商主图:

修改范围划分示意

保护区域 A · 品牌栏

LANHUI 蓝辉轻改

可编辑区域 · 车辆主视觉

保护区域 B · 卖点栏

原车开模|无损安装|安全防夹

蓝色区域为固定排版,绿色区域为动态产品主视觉。这是区域划分示意,不是实际的图像遮罩。

如果需要更换中间的车辆,那么顶部 Logo 和底部卖点就不应该参与生成式重绘。

两种修改方式

实现方式特点适合任务
提示词约束通过自然语言要求只修改某处允许一定视觉误差的创意编辑
遮罩及图层控制通过实际区域隔离限制编辑范围需要精确保护文字、Logo、产品结构

对于正式商品图,尤其是批量制作,建议在工程层面拆分主视觉和文字图层。

10.5 第四部分:提示词冲突处理(Prompt Conflict Resolution)

提示词越长,不一定越精确。

如果包含互相矛盾的要求,模型可能出现不可预测的取舍。

例如:

使用 85mm 长焦镜头,近距离拍摄广角夸张透视,同时完整展示人物和非常宽阔的周围环境。

这里混合了不同的镜头效果,没有说明哪个优先。

六种常见提示词冲突

冲突类型错误示例解决方法
构图冲突面部特写,同时完整展示全身选择一种景别,或拆成两张图
光影冲突正午烈日,同时没有任何硬阴影改为阴天或添加柔光条件
风格冲突完全写实,同时保持纯二维赛璐璐效果明确主风格与允许的次风格
结构冲突原车完全不变,同时将 SUV 改成轿车明确具体允许变化的结构
文字冲突只允许 2 行标题,但指定一整段长文案缩减文案或增加文字空间
参考图冲突图片 A、B 都是唯一车型依据指定一个主参考,另一个只负责特定信息

建立提示词冲突处理流程

收集所有生成要求

识别目标、限制与参考素材

检查是否存在相互矛盾的条件

无冲突

进入生成

存在冲突

按优先级解决或拆分任务

生成最终无明显冲突的 Prompt

具体案例:轮毂替换任务

上司说:

把原车轮毂替换成我提供的轮毂,车身和角度不变,产品结构必须一模一样,但最终画面要更有科技感。

这里可能存在“科技感美化”与“产品结构不变”的冲突。

解决方法:

  • P0:车辆结构、轮毂产品结构不变。
  • P1:安装位置、镜头透视与真实照片协调。
  • P2:通过背景色、环境光和辅助装饰增强科技感。

如果 P2 与 P0 冲突,就牺牲 P2,而不是改变真实产品。

10.6 第五部分:单变量实验(One Variable at a Time)

这是整套生图学习方法中非常值得长期使用的原则。

每次实验只主动修改一个主要控制变量,尽量固定其他条件。

举例:我们想研究不同光线对少女肖像的影响。

单变量实验设计

主体同一位少女固定
构图3:4 居中半身固定
镜头85mm 平视固定
服装米白色长裙固定
背景同一片草原固定
光照柔光 / 硬光变量

Pin on 빠른 저장

实验 A · 柔光

阴影柔和、过渡平缓

杭州张龙医生和汪云峰哪个做鼻子好?从技术/审美风格/案例对比,隆鼻-8682整形网

实验 B · 硬光

阴影边缘清晰、明暗反差明显

这两张是视觉参考示意,尚不能视为严格的同一人物单变量实验。实际测试应使用完全相同的输入参考图,并记录生成条件。

实验中最容易忽略的问题:随机性

即使两段提示词只相差一个词,生成模型也可能改变人物表情、背景细节和构图。

因此,要尽量统一:

  • 模型版本及生成参数。
  • 输入图片与参考顺序。
  • 基础提示词。
  • 输出比例与质量设置。
  • 可用时固定随机种子。
  • 每个条件重复生成若干次进行比较。

需要强调:不是所有 GPT Image 使用方式都支持设置随机种子;即便可以设置,也不代表跨模型版本得到完全相同的图片。

此外,控制变量实验与生产编辑的目标不完全相同。教学实验追求区分因素,生产编辑追求交付正确的图片。

10.7 第六部分:生成结果验收(Image Quality Validation)

有了约束条件后,还需要建立明确的验收机制。

对于商业图片,我建议采用硬性门槛 + 视觉质量评分的双层检查机制。

第一层:P0 硬性门槛

任何一个关键项目失败,都不得直接交付。

例如:

  • 车辆型号错误。
  • 产品结构与实物不符。
  • 中文价格、型号、品牌名称错误。
  • Logo 被重新绘制变形。
  • 二维码无法识别。
  • 产品数量或指定结构错误。

第二层:P1 / P2 视觉评分

可以采用以下示例权重,辅助判断是否需要优化。

视觉质量评分

80/ 100

建议继续优化

构图与主体占比

4 / 5 · 权重 25%

光影与材质

4 / 5 · 权重 20%

排版与可读性

4 / 5 · 权重 25%

品牌风格一致性

4 / 5 · 权重 20%

整体视觉完成度

4 / 5 · 权重 10%

发现至少一项 P0 硬性错误

判定:需要进一步优化

85 分是教学用的示例门槛,并不是行业统一标准。仍需进行独立的事实和产品检查。

需要注意:这套评分是我们为商业设计建立的内部评价示例,不代表自动质量检测已经完成。

10.8 第七部分:构建可复用的约束模板(Constraint Template)

为了将前九节知识整合,我们需要设计一套所有图片生成任务都可以调用的约束模块。

GPT Image · Precision Control Template V1.0

01. 任务目标(Objective)

本次需要生成或修改:

[填写图片目标]

预期用途:

[电商主图 / 博客图片 / 海报 / 社交媒体]

02. 参考素材(References)

图片 A:[主要主体参考]

图片 B:[产品或场景参考]

图片 C:[品牌或风格参考]

必须明确每张参考图的职责,不允许错误混用。

03. P0 · 必须满足的约束

  • [不可改变的主体特征]
  • [不可改变的产品结构]
  • [准确的文字与品牌信息]
  • [其他必须满足的业务条件]

任何 P0 条件失败,都不能直接交付。

04. P1 · 重要设计约束

  • 图片比例:[比例]
  • 构图方式:[构图]
  • 主体位置:[位置]
  • 视觉风格:[风格]
  • 镜头语言:[镜头]
  • 光影色彩:[光影]
  • 品牌规范:[要求]

05. P2 · 可优化内容

  • 背景细节
  • 光线与阴影的微小变化
  • 装饰元素
  • 非关键的视觉细节

以上内容允许调整,但不能违反 P0 和 P1。

06. 负面约束(Negative Constraints)

明确禁止:

  • [禁止出现的元素]
  • [禁止修改的内容]
  • [不合理的视觉效果]
  • [不允许添加的文字或装饰]

07. 修改范围(Editing Scope)

允许修改:

[具体区域或对象]

必须保护:

[具体区域或对象]

08. 冲突处理(Conflict Resolution)

当要求冲突时:

  1. 优先满足 P0。
  2. 保证 P1 设计规范。
  3. 在不影响前两者的情况下调整 P2。
  4. 无法兼容的 P0 要求必须先澄清,不能自行决定放弃哪一项。

09. 输出规格(Output)

图片比例:[比例]

分辨率:[实际支持的尺寸]

输出用途:[平台]

10. 验收标准(Validation)

逐项检查 P0、P1 和 P2。

发现错误时明确记录失败项。

如果生成式编辑无法满足精确保护要求,采用原图、遮罩、图层合成等确定性处理方式。

这一模板可以作为你以后所有生图任务的基础约束模块,再根据实际任务追加具体要求。

10.9 第八部分:100 张图片批量生成时如何应用约束?

回到前面提过的工作场景:

上司要求制作 100 张新能源汽车电动踏板商品主图。

我们已经知道应该拆分常量与变量,现在进一步加入约束和验收规则。

配置类型字段示例
Constant画幅1:1
Constant背景白灰色摄影棚
ConstantLogo原始 LANHUI 品牌素材
Constant版式顶部标题、中间车辆、底部卖点
Variable车型问界 M9、理想 L9 等
Variable车辆图片每款车型对应的参考图
Variable产品 SKU经过适配确认的踏板型号
Variable产品图片SKU 对应的原始产品图
ConstraintP0车型、产品、品牌与文案正确
ConstraintP1统一比例、构图与视觉风格
Validation验收结果PASS / FAIL / REVIEW

推荐的批量生产架构

Master Prompt + Constraint Template

母版提示词与约束规范

100 条行级数据

车型、图片、SKU、标题

输入预检查

数据完整、产品适配、参考素材有效

批量生成车辆主视觉

逐行装配提示词与参考图片

固定模板排版合成

叠加原始 Logo、准确中文、卖点

PASS

保存并交付

FAIL / REVIEW

修复、重试或人工审核

批量失败处理

100 张图片不应该只分成“成功”和“失败”两种状态。

建议增加:

  • PENDING:等待生成。
  • GENERATING:正在生成。
  • REVIEW:需要人工审核。
  • PASSED:验收通过。
  • FAILED:明确不合格。
  • RETRYING:正在重试。

其中,车型与配件适配真实性、Logo 和文字准确性应当有明确的数据核对过程,而不能仅依赖模型对图片的主观评价。

10.10 实战:交互式约束提示词生成器

选择实际任务,再填写本次修改内容,就可以生成包含 P0/P1/P2 的标准提示词。

任务类型

更换车辆背景

商品主图批量生产

动漫角色动作变换

海报局部修改

本次具体修改目标

画幅比例

1:13:416:9

完整控制提示词

# 精确控制生图提示词 【任务】商品主图批量生产 把当前商品图中的车型替换为问界 M9,使用对应的实拍车辆参考图和已确认的电动踏板产品图。 【P0 必须满足】 车型必须与对应参考图匹配,踏板必须匹配已核验的产品 SKU,Logo 和文字使用原始素材。 【P1 重要要求】 全批次统一画幅比例、品牌色、构图和产品展示区域。 【P2 可调整】 局部背景渐变、非关键的反射与阴影。 【负面约束】 禁止改变产品结构,不添加不存在的产品细节或虚假卖点。 【画幅】1:1 【修改边界】 只修改任务中明确授权的内容,未授权区域尽量保持原样。对于必须逐像素不变的元素,优先进行原图合成。 【冲突处理】 P0 高于 P1,P1 高于 P2。发现无法同时满足的 P0 条件时先标记冲突,不擅自放弃要求。 【验收】 检查 P0 是否全部通过,再检查构图、风格、材质和画幅。任何 P0 错误均不得直接交付。

10.11 本节博客教学配图规划

这一节特别适合制作错误与正确对比图,让读者直观看到约束控制的作用。

编号教学配图重点
10-01P0 / P1 / P2 优先级信息图认识约束等级
10-02宽泛负面提示词 vs 具体约束减少歧义
10-03修改区域与保护区域局部编辑范围
10-04提示词冲突与修正案例冲突解决
10-05柔光 vs 硬光单变量实验科学对比
10-06轮毂结构错误 vs 正确P0 验收
10-07生成失败与修复流程质量控制
10-08100 张图片批量生成架构企业级生产

建议将第 10-06 张作为重要案例:使用一张真实轮毂参考图,对比“结构被 AI 改动的错误结果”和“结构保持正确的合格结果”。

这里一定要明确标注哪一张是故意制造的错误示例,避免将不真实的产品图误用到商品宣传中。

10.12 第十节知识总结

通过这一节,我们已经从单纯描述图片,升级到了任务级的提示词工程。

核心公式:

精确生图控制 = 目标描述 + 优先级约束 + 修改范围 + 冲突检测 + 质量验收 + 失败修复。

更进一步,前十节的知识已经可以整合为一条完整链路:

从 0 到 1 的完整生图流程

图片目标 → 比例 → 构图 → 风格 → 镜头 → 光影 → 材质 → 参考图 → 文字排版 → 精确约束 → 生成 → 验收 → 迭代

最重要的认知是:Prompt 负责表达意图,工作流负责执行控制,验收机制负责确认结果。

即使编写了很长的提示词,也不能取代真实产品数据、原始品牌素材、确定性编辑和必要的人工复核。

下一节:第十一节——商业生图工作流(Production Workflow)

建议我们将前十节的知识真正连接起来,建立一套从需求接收、素材管理、提示词生成、图像制作、批量排版、质量检测到最终交付的完整流程。

尤其可以重点研究 100 张商品主图自动化生成系统,将 Prompt 模板、图片参考、CSV 或飞书多维表、Python / Agent 与品牌排版模板真正结合,形成可以在企业环境中持续复用的视觉生产系统

搜索全站

输入关键词,查找项目与实践记录。