MOGE AI 的图像提示词不是一段无规律英文，而是可以拆成几个互相独立又互相配合的部分。从内容属性、语法结构、生成目标三个维度看，能分清提示词中哪些词负责画面，哪些词负责质感，哪些词负责风格。下面按实用优先级展开，方便你直接拿一套提示词做对照修改。

MOGE AI 的图像提示词按内容属性分为主体、环境、风格、光照、色彩、构图、镜头、画质八类；按语法结构分为描述词、权重词、负面词和参数四类；按生成目标分为写实照片、插画、3D渲染、概念设计等。分类不是死规则，而是帮助你定位生成结果偏差的对照表。

先按内容属性拆：画面里有什么

内容属性是提示词的主干，决定画面里实际出现什么、以什么状态出现。这八类最常用：

• 主体：画面的核心对象，例如“一只戴草帽的橘猫”。主体越具体，生成结果越容易贴近预期。
• 环境：主体所在场景，例如“海边废墟”“雨夜便利店门前”。环境直接决定背景信息。
• 风格：整体美术调性，例如“美式卡通”“浮世绘”“电影感”。风格词不宜堆太多，否则会互相干扰。
• 光照：光的方向、颜色、强度，例如“黄金时刻”“霓虹灯”“顶光”。光照是氛围的关键。
• 色彩：主色调或配色倾向，例如“pastel tones”“高饱和度”。色彩词常与光照词合并使用。
• 构图：画面布局和镜头关系，例如“对称构图”“特写”“低角度仰拍”。
• 镜头：可指摄影镜头特性，如“35mm”“鱼眼”“景深虚化”。
• 画质：清晰度和后期质感，例如“8k”“锐化”“细腻皮肤”。画质词常常是无效高频词，但可以引导渲染细节。

再按语法结构分：怎么组织这些词

MOGE AI 这类图像模型通常支持用逗号分隔描述词，也会对部分权重标记敏感。语法结构分类建议这样理解：

1. 描述词：直接写入上述内容属性的英文单词或短语，是提示词的主体。
2. 权重标记：常见格式为 (word:1.2) 或 (word)，用来调整某个词的影响强度。不同版本工具支持的语法不一致，需要先小图测试确认。
3. 负面词：在单独区域或以 `--no` 前缀排除不想要的元素，例如 `--no` blurry, ugly。MOGE AI 是否支持负面词，需要直接在输入框验证。
4. 参数：画幅比例、种子值、采样步数等，通常不写在提示词输入框，而是放在生成参数区。

一个常见的提示词demo可以这样组织：

a girl sitting in a cafe, rainy window, cyberpunk style, neon lights, golden hour, close-up, shallow depth of field, high detail `--ar` 3:4

这里“描述词”被逗号铺开，最后用 `--ar` 3:4 控制画幅。如果你发现生成图里出现多余元素，优先考虑加负面词；如果主体不明确，把主体词提前并加强度。

按生成目标分：你最终要什么产物

同一组内容词，换成不同风格词就会变成完全不同用途。按生成目标分类能帮你在做素材时少走弯路：

• 写实照片：风格词用“photorealistic, shot on 85mm, natural lighting”；避免加入“illustration, painting”等美术词。
• 插画/漫画：可用“digital art, comic style, cel shading”或具体画师风格。
• 3D 渲染：用“3D render, octane, subsurface scattering, clay render”等词。
• 概念设计/场景稿：更看重构图和氛围，用“concept art, cinematic, wide shot”铺底。

这种分类适合在真实工作流里用。你只需要先确定“最终要照片还是插画”，再回到内容属性选对应风格词。

验证提示词分类是否有效

分类是否有效，不能靠猜。建议按下面步骤走：

1. 固定变量：准备一个简单主体词，例如“a red apple on wooden table”，分别单独加“风格”“光照”“构图”词，每次只改一类。
2. 观察变化：记录哪一词对结果影响最大，哪些无效。图像模型对词的敏感度可能和预期不同。
3. 删除重复词：把含义相近的“高画质”“清晰”“细节丰富”合并成一个，避免模型平均分配注意力。
4. 保留稳定片段：如果某段提示词稳定重现你想要的风格，把这部分当作基础模板，只替换主体和环境词。

这个验证过程本身能帮你判断 MOGE AI 当前版本对权重、负面词和风格词的支持程度。不同版本可能在语法上略有差异，以生成结果为准。