在 MOGE AI 这类生成服务里，图像出图效果由提示词结构、采样参数、模型版本共同决定，而不是单纯由“提示词写得多漂亮”决定。排查时建议先固定模型和尺寸，再逐项调整提示词与参数，否则很难确认变化来自哪一步。

先确认影响范围：入口不同，判断方式就不同

同一个提示词在网页端和 API 端可能有不同表现。网页端通常会自动补充风格词、默认负面词，甚至会做提示词改写；API 端则更接近“传什么是什么”。因此排查 MOGE AI 出图效果前，先确认自己是在哪个入口调用，并查看该入口是否返回“最终完整提示词”。如果接口返回了实际使用的提示词，要拿它作为分析对象，而不是拿自己输入的那段文字直接判断。

提示词结构：把抽象感受变成画面要素

模型对“主题、环境、光线、视角、风格”的识别比对“形容词堆砌”更稳定。下面两个 demo 可以复制到同一入口做对比，如果入口暴露 seed，记得固定相同随机种子。若入口不暴露 seed，就要靠多跑几张来观察趋势，不能只凭单张图下结论。

基础版：
一只猫坐在窗台上，窗外有雨，氛围安静，柔和光线，高清

结构版：
主题：灰白短毛猫坐在木质窗台
环境：窗外阴雨，玻璃上有水珠，房间内较暗
光线：左侧窗光，柔和漫射
视角：平视，中景，主体占画面三分之一
风格：写实摄影风格，浅景深，胶片质感
质量：细节丰富，毛发和玻璃纹理清晰，锐利

基础版把“安静”和“柔和光线”直接写成形容词，模型可能理解为泛泛的氛围；结构版把同样的情绪转成“玻璃上有水珠”“房间内较暗”这类可检出的画面要素。对 MOGE AI 这类输出分辨率有限的模型，还要避免把过多元素塞进同一句话，主体数量通常控制在 1-2 个，否则画面会互相挤占。

采样参数：同样的提示词，不同参数会得到不同图

在 API 接入或支持参数控制的入口里，影响最明显的通常是 seed、steps、cfg_scale、negative_prompt。建议先固定 prompt，按下面骨架发起请求，逐字段对比。

{
  "prompt": "灰白短毛猫坐在木质窗台上，窗外阴雨，玻璃上有水珠，平视中景，写实摄影，浅景深",
  "negative_prompt": "模糊，变形的手，多余肢体，低对比度",
  "width": 768,
  "height": 512,
  "seed": 20260405,
  "steps": 30,
  "cfg_scale": 7.0
}

这段代码是通用接入骨架，不是 MOGE AI 的官方字段定义；具体字段名、数值范围需要按你当前使用的接口文档确认。调试时把 seed 固定，只改 steps 或 cfg_scale，才能定位是提示词还是采样参数引起的差异。steps 从低到高对比通常能看到细节变化，但不是越高越好；cfg_scale 过高的风险是颜色过饱和或出现伪影，需要结合当前模型表现收窄范围。

验证清单：让判断可以被复现

• 记录完整输入：prompt、negative_prompt、模型名称、尺寸、seed、steps、cfg_scale。
• 固定 seed：不同 seed 本身就会产生随机构图，不能用来对比提示词。
• 单变量修改：每次只改一个字段，保留上一次生成的图片编号或文件。
• 检查是否返回实际提示词：如果返回结果里包含重写后的 prompt，以重写后的内容为准。
• 确认默认值：很多入口有默认 negative_prompt/CFG，不传不等于不存在。

按这份清单跑三轮对比：第一轮测 prompt 结构变化，第二轮测 steps，第三轮测 cfg_scale。每轮保留图片和参数文件，之后再做比例、色彩、细节的逐项判断。MOGE AI 的模型迭代也可能改变同一提示词的效果，跨时间对比时要把模型版本一并记录。