处理复杂提示词时，Stableboost 的核心问题是单次解析能力有限，而不是模型不能理解多个概念。判断标准不是提示词写了多少字，而是输出图片是否完整保留了你要求的主体、环境和风格。如果发现输出经常缺元素、物件混淆，就应该优先考虑拆分提示词和调整权重，而不是继续往一段提示词里堆叠修饰词。生成模式的选择要放在最后一步，用同一提示词和固定种子做对比测试，才能得出可复用的结论。
复杂提示词下，Stableboost 容易截断或均摊注意力。适用场景：提示词超过两行、包含多个主体或叠加多种风格。操作动作：先将提示词按主体、环境、风格拆分，再用括号权重突出核心对象，最后切换生成模式并固定种子对比。验证方式：逐张检查输出图片是否保留拆分后的关键元素。风险边界：不同版本模型对权重符号的解析可能不一致，需要结合当前环境确认。
识别提示词超出单次处理上限的表现
当 Stableboost 无法完整解析一段长提示词时，最明显的表现是生成图片缺少你明确写过的元素。例如提示词写了“一位穿红色雨衣的女孩站在霓虹灯下的街角，手里拿着一只白猫，背景有黄色出租车”，结果输出的图片里没有白猫，或者出租车变成了蓝色。另一个典型现象是物品混淆：多个物体在画面中互相融合，比如“机械手臂”与“木质桌椅”出现在同一区域，生成结果变成了机械纹理的木头。这些现象说明提示词中的某些词被截断，或者多个概念争夺了相同的注意力，导致模型只保留了权重最高的部分。
要从日志确认提示词是否被截断，可以在 Stableboost 的生成记录中查看实际发送给模型的 prompt 文本。同一段提示词手动复制到输入框时是完整的，但生成记录里显示的 prompt 可能只到某个逗号或空格处，后面内容丢失。如果发现这种情况，说明当前模式的输入长度限制已经触及，继续在该模式下扩充文字没有意义。日志中没有明确报错时，也可以对比不同模式下的输出差异：如果常规模式下缺元素，而优化模式下只多出部分元素，同样说明单次处理上限影响了生成质量。
将复杂提示词拆分为多个正向关键词组
拆分提示词的目的是降低单次解析压力，而不是减少内容。建议按照“主体、环境、风格”三个维度分组，每组控制在 6 到 8 个实义词以内。这样可以避免模型在大量形容词中丢失核心名词。
未拆分示例：photo of a girl in red raincoat standing at the street corner at night, neon lights, holding a white cat, yellow taxi in background, cinematic lighting, rainy cyberpunk style, wide angle shot
拆分模板：
主体部分：a girl in red raincoat, holding a white cat
环境部分：street corner at night, neon lights, yellow taxi in background
风格部分：cinematic lighting, rainy cyberpunk style, wide angle shot
组合方式：
a girl in red raincoat, holding a white cat, street corner at night, neon lights, yellow taxi in background, cinematic lighting, rainy cyberpunk style, wide angle shot分组后使用逗号分隔还是 AND 连接，效果不同。逗号分隔会让 Stableboost 将这些词组视为同一场景中的并列元素，模型会自行在画面中分配位置；AND 连接则显式要求所有概念同时存在，在概念容易冲突时更直接，但会占用更多解析长度。建议多数情况下使用逗号，只有在确认某两个元素经常互相覆盖时，才用 AND 强制绑定。每组之间用逗号即可，不要为每个词单独加 AND。
使用权重符号调整重点对象
拆分后如果仍然出现主次不分，比如环境风格过于强烈，盖过了主体人物，就需要给核心元素增加权重。Stableboost 中通用的写法是在括号内用冒号标注重度，例如 (主体:1.2)。权重值高于 1 表示加强，低于 1 表示减弱。建议从 1.1 或 1.2 开始调整，不要直接使用 1.5 以上的高权重，容易导致该元素过度清晰而周围内容扭曲。
调整前：a woman in a red dress, dark forest, fog, dragon flying above, extreme details
调整后：(a woman in a red dress:1.2), (dark forest:0.9), fog, (dragon flying above:1.1), extreme details注意，不同采样器和生成模式对权重符号的响应速度不同，同样的 (主体:1.2) 在常规模式下可能表现为细节增多，在优化模式下可能表现为构图重心偏移。因此，权重设置要配合模式对比进行微调，不能固定套用一组数值。如果某个主体完全没有出现在画面上，先把权重提到 1.3 再测试，而不是反复修改提示词措辞。
切换不同生成模式并固定种子对比
Stableboost 提供多种生成模式，常规和优化只是常见选项。不同模式在采样步数、CFG 强度以及提示词解析策略上会有差异，但具体行为需要结合当前版本确认。模式选择不解决所有问题，它的作用是在同一段提示词下找到最符合预期输出的解析方式。为了公平对比，必须使用完全相同的提示词和种子值，否则无法判断差异来自模式还是随机性。
对比测试流程：
1. 在常规模式下输入拆分后的完整提示词，固定一个种子值（例如 12345），生成第一张图。
2. 保持提示词和种子不变，切换到优化模式，生成第二张图。
3. 分别检查两张图是否完整包含主体、环境和风格预设元素。
4. 再用另一个种子值重复上述过程，避免单一种子偶然性影响判断。
5. 记录每种模式在两次生成中的元素丢失情况和图像质量，选择更稳定的一种。测试记录表可以按以下格式整理，便于后续复用：
| 测试日期 | 提示词版本 | 种子 | 模式 | 主体是否出现 | 环境是否完整 | 整体观感 | 备注 |
|---|---|---|---|---|---|---|---|
| 项目A | v1 | 12345 | 常规 | 是 | 缺少出租车 | 偏真实 | 补充环境词权重 |
| 项目A | v1 | 12345 | 优化 | 是 | 完整 | 偏鲜艳 | 可作为候选 |
| 项目A | v1 | 67890 | 优化 | 是 | 缺少白猫 | 偏鲜艳 | 提高动物权重 |比较结果后，把更稳定的模式作为该提示词组合的默认模式。提示词改动后，需要重新做一次对比测试，不能沿用旧结论。
结合负面提示词排除干扰元素
复杂提示词引入的噪声往往来自概念之间的语义重叠。例如提示词中同时出现“street corner”和“crosswalk”，输出画面可能把两者混在一起。此时可以在负面提示词中明确排除易混淆的物件，帮助模型缩小选择范围。负面提示词的作用不是提高画质，而是减少不需要的物品出现。
示例1：提示词包含 wooden table 和 metal robot 时，负面提示词写入 metal table, wooden robot，防止材质互相渗透。
示例2：提示词包含 cat 和 dog 时，负面提示词写入 dog, puppy，降低狗的出现概率。负面提示词中的词组同样遵循权重规则，但一般不需要加大权重，因为排除项本身就会获得较强响应。若某个干扰项仍然出现，可以在该词前加粗权重，例如 (metal table:1.2)，并重新测试。注意负面提示词不要与正向提示词直接冲突，比如正向写“一只猫”，负面又写“猫”，会导致模型无法理解主体，输出空白或随机物体。根据输出结果动态调整负面提示词，比一次性写入大量词更有效。