AI 绘画入门精修手册：从万能提示词公式到艺术审美的系统升级

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

这是一篇写给纯小白看的 AI 绘画长教程。 全文围绕一条主线展开：先用「主体 + 场景 + 综述」这条万能三段式破冰，再补上风格、环境、主体、光影、质感这五个维度让画面饱满，最后借助大模型把简短想法扩写成完整的提示词。 工具上我选了字节跳动旗下的即梦 AI（官网 https://jimeng.jianying.com/），底层模型是 Seedream 系列——2025 年 9 月发布的 4.0 版本统一了文生图与图像编辑，单次最高支持 4K 输出、推理速度比 3.0 提升 10 倍以上，到 2026 年初又先后推出了 4.1、4.5 与 5.0 Lite。新手认真看完这一篇，足以独立完成第一张能拿得出手的作品。想看完整拆解，往下翻。 莫潇羽@无忆研习社，下面正文开始。

一、为什么是现在：AI 画图进入"普通人能玩"的时间窗

先把一件事说清楚：AI 绘画并不是一个新东西。2022 年那波 Stable Diffusion、Midjourney 火出圈的时候，技术门槛其实挺高，自己部署一套 SD 要折腾显卡、装环境、下模型、改配置；Midjourney 则要在 Discord 里输入复杂指令、还得习惯英文提示词。那个阶段，AI 绘画属于"少数人的玩具"。

真正的拐点发生在 2024—2025 年。国内一批中文 AI 绘画产品集中爆发：即梦 AI、文心一格、可灵、堆友、Liblib、奇域、星流……它们把"装环境""学英文""背命令"全部收进了云端，普通用户登录账号、点几下就能出图。我把这个阶段叫做"自来水时代"——你不用懂水管怎么走，拧开龙头就有水。

从模型能力的角度看，2025 年前后是国产模型反超的关键节点。字节跳动 Seed 团队的 Seedream 系列，从 2.0 的中英双语图像生成，到 3.0 的高分辨率与文字渲染，再到 4.0 的"文生图 + 图像编辑 + 多图组合"一体化，国产模型在中文语义理解、东方审美、文字版式三个维度都已经追到了海外第一梯队的水平，甚至在中文场景里有反超的趋势。这种节奏决定了一件事：对中文用户来说，今天入门 AI 绘画，留在国内主流平台就能玩得很尽兴。

为什么我反复强调"时间窗"？因为这扇窗不会一直敞着。再过两年，AI 绘画大概率会像短视频剪辑一样，从"少数人能玩"变成"人人都会"，到那时，会画 AI 图本身就不再是稀缺技能。真正能拉开差距的，是你对"如何描述画面"的能力——这种能力既包括艺术审美，也包括把审美翻译成提示词的语言能力。这恰恰是这篇博文想帮你建立的底层素养。

接下来的内容，我会带你从工具选型出发，把入门 AI 绘画需要的每一步拆开讲清楚。整篇文章的脉络是：选对工具 → 看懂界面 → 摸清模型 → 写好提示词 → 玩转融合 → 学会后期 → 提升审美 → 形成闭环。读完这一遍，你应该能独立产出一张"拿到朋友圈不丢人"的图。

二、工具选型这件事，到底该看什么

经常有读者来无忆研习社问我："莫潇羽，市面上这么多 AI 画图工具，我该用哪一款？" 这个问题没有"标准答案"，但有"判断标准"。我自己挑工具的时候，会顺着下面这条思路走。

选工具的四个维度

把 AI 绘画工具放在一个坐标系里看，大致有四个维度需要权衡。

第一个维度是语义理解。中文用户写"江南烟雨""国风工笔""敦煌飞天"，工具能不能听懂？海外模型在英文场景下基本无敌，但一旦切到中文，要么把"江南"画成欧式小镇，要么把"汉服"画成韩服。国产模型在这件事上有天然优势，因为训练数据里中文语料的比例本来就高。

第二个维度是工作流闭环。文生图能不能在同一个平台里直接做后期？要不要再跳去 PS、Figma、剪映拼接？工具链越长，新手越容易在某个环节卡住放弃。

第三个维度是学习曲线。打开第一眼是不是就知道按钮干嘛？术语解释是不是友好？犯错之后能不能找回上一步？这些细节决定了一个工具是"前两小时就能上手"还是"前两周都在摸索"。

第四个维度是成本结构。免费额度够不够新手练手？付费的性价比怎么样？有没有"按量付费"和"包月"两种灵活方案？

我为什么把即梦 AI 当作第一站

把这四把尺子套到即梦 AI 上，匹配度相当高。

即梦 AI 是字节跳动旗下的一站式 AI 创作平台，前身是 2024 年 3 月内测的 Dreamina，2024 年 5 月正式更名为「即梦」，官网地址是 https://jimeng.jianying.com/，手机端在各大应用商店都能搜到，登录方式直接绑定抖音账号或抖音绑定的手机号，几乎零门槛。

中文语义这块，即梦背后的 Seedream 系列模型从 2.0 时代就主打中英双语，到了 4.0 已经在多个公开评测里进入业界前列。 你写"撑着油纸伞走在青石板路上的水墨少女"，它能比较准确抓到"江南"的味道，而不是把场景渲染成威尼斯。

工作流这块，即梦把"文生图、图生图、智能画布、图生视频、对口型数字人、动作模仿、Agent 模式"塞进了同一个平台。我（莫潇羽）自己用下来的体感是：从灵感冒出来到成片导出，95% 的步骤都能在一个标签页里搞定，不用频繁跳来跳去。

学习曲线上，即梦的界面相当"不绕"。中央就是一个提示词输入框，下面排着模型、比例、清晰度几个核心参数——这是新手最容易上手的布局。我以前教家里长辈用，老人看两遍就能自己输入提示词、选比例、点生成。

成本这块，普通用户每天会获得当日的免费灵感值（积分），足够生成基础数量的图片。如果你只是周末出几张壁纸、社交媒体配图，免费额度其实够用。重度用户再考虑付费会员，按月或包年都有，丰俭由人。

即梦不是"唯一解"

我必须把这一点摆清楚：没有任何一款 AI 画图工具是"全能选手"。即梦在国风、东方写实、电商场景图、文字海报上很强，但碰到一些极致的西式奇幻、暗黑风、机械废土，海外模型有时候反而更对味。我自己的工作流是：即梦做主力，必要时切到其他模型补足风格。

不过对纯小白来说，"集邮十款工具"远不如"把一款用透"。你前面三个月就专心把即梦摸熟，等到提示词肌肉记忆建立起来之后，再去拓展其他工具会非常快。

三、即梦 AI 网页端与移动端的功能地图

打开 https://jimeng.jianying.com/ 登录之后，新手最常见的反应是："这一堆按钮都是干嘛的？" 这一节我把界面拆开来讲。

网页端的核心功能区

网页版的布局可以简单理解为"左边导航 + 中间主创作区 + 右边历史记录"。

左侧侧边栏从上到下排着这几个功能：

灵感   —— 创意社区广场，逛别人的作品 + 偷师提示词
生成   —— 你的历史记录，时间倒序排列
资产   —— 生成过的所有图片视频，统一归档
画布   —— 智能画布，多图层编辑器（网页端独有）
Agent  —— 自然语言对话式创作，新功能
灵感值 —— 当前积分余额

这里专门提一句：画布功能目前是网页版独有的入口，移动端 App 暂时没有，所以如果你的需求里涉及多图层、扩图、抠图、局部重绘，那基本默认要在电脑上操作。

中央的主创作区，最上方是模式切换：「图片生成 / 视频生成 / 数字人 / 动作模仿」。新手前期 90% 的时间都泡在「图片生成」里，其他三项等熟悉之后再玩。

中间是一个大文本框，把你的提示词敲进去就行。文本框下方依次是几个参数：

参数确认之后，点生成按钮，几秒到十几秒就能出 4 张图。

移动端 App 的差异

手机端 App 在功能布局上跟网页版有几处不一样的地方。

第一是底部 Tab 结构：首页（创作）、社区（灵感）、消息、我的，更像一个手机原生应用的形态。

第二是右下角的"灵感向导"：这是手机端独有的辅助写提示词功能，进入文生图界面后，右下角会看到一颗小星星图标，点开后输入简短关键词，就能自动扩写成完整的提示词。这个功能在第六章会专门讲。

第三是没有画布入口：再说一次，多图层、扩图、抠图、局部重绘这些操作都需要电脑端完成。

第四是支持拍照即用：手机端的相机入口允许你直接拍照上传当参考图，做"老照片复活""真人 IP 形象"这类玩法的时候会很方便。

几个新手最容易走错的入口

第一个坑，"灵感"和"生成"经常搞混。"灵感"是别人的作品广场，"生成"才是你自己的历史记录。新手有时候在灵感里找不到自己昨天的作品，就是走错了入口。

第二个坑，"画布"和"图片生成"是两条独立的路径。文生图属于"图片生成"模块，是从空白开始；画布是后期编辑，需要先有图（生成或上传）才能进去操作。这个流程理顺了，你就不会在"为什么扩图选项找不到"这类问题上耗时间。

第三个坑，模型切换在每次生成前都可以单独选。很多人以为模型是"账号级"设置，其实它是"任务级"——你每次跑图都可以选不同模型对比效果，这恰恰是后面我会讲到的"双开比对"的前提。

四、模型版本选哪个：3.1、4.0、4.1、4.5 各有所长

即梦 AI 同时挂着好几个版本的模型，新手最大的疑问就是"我该选哪个？" 这一节先把每个版本的脾性讲清楚，再给一份选型表。

Seedream 系列的演进脉络

按时间顺序梳理一下：

• Seedream 2.0：中英双语图像生成基础版本，文字渲染开始具备实用性。
• Seedream 3.0：2025 年 4 月落地即梦与豆包，原生支持高分辨率，文本排版、视觉美感、推理速度全面升级。
• Seedream 3.1：在 3.0 基础上针对国风、动漫、人像审美做了进一步调优。
• Seedream 4.0：2025 年 9 月 9 日正式发布，把"文生图 + 图像编辑 + 多图组合"统一进同一个 DiT 架构，原生支持最高 4K 输出、推理速度比 3.0 提升 10 倍以上，单次最多支持 10 张参考图输入、最多输出 15 张相关联的图像。
• Seedream 4.1（Design）：在 4.0 基础上对平面设计能力做了强化，海报编辑、影视分镜场景表现更突出。
• Seedream 4.5：在人像、场景、美观度维度有显著改善，画面美感与推理能力进一步提升。
• Seedream 5.0 Lite：2026 年初推出的轻量版本，引入实时检索能力，让模型能根据时效性内容生成图（比如根据当天天气生成城市海报）。

模型迭代节奏非常快，几乎每个季度都会有新版本。这对使用者意味着两件事：第一，你今天学的提示词技巧三个月后可能需要微调；第二，遇到"新版本上线"的时候不要立刻抛弃旧版本，因为有些版本对特定风格的支持反而更好。

我的选型表

下面这份表是我（莫潇羽@无忆研习社）反复测试后的经验，新手可以直接拿去用。

双开比对：少走半年弯路的小习惯

同一句提示词在 3.1 和 4.0 上的成片可能差异很大。3.1 偏二次元手绘感，4.0 偏写实甚至 3D 卡通建模感。新手最容易犯的错是"选错模型怪自己提示词写得不好"，反复改提示词依然没改善。

我的做法是：每写一段提示词，先用 3.1 跑一次，再用 4.0 跑一次，对比看哪个更接近预期。这种"双开比对"的习惯一旦建立，你会很快摸到每个模型的脾气，下次新题材直接就知道用哪个版本。

类似的对比逻辑也适用于 4.0 与 4.5 之间的微调，4.5 的人像更"耐看"，4.0 的细节更"硬"，做古风全身像的时候 4.5 经常给出更舒服的氛围。

五、提示词的五个维度：把画面要素拆开来描述

工具讲完，进入这门课的真正干货：到底怎么写，AI 才听得懂。

我把提示词的核心要素压缩成五个维度——风格、环境、主体、光影、质感。这五个维度不是必须全写齐才能跑图，但你越能把这五个维度都写全，AI 的可控性就越高。下面一一拆开讲。

风格（Style）

风格决定画面整体的"视觉语系"，也就是这张画看上去像什么类型的作品。它会全局影响后面所有元素的渲染方式，所以风格词通常放在提示词的开头或末尾的显眼位置。

常见的风格词有这些类别：

• 写实类：写实摄影、商业人像、电影质感、纪实摄影、胶片、宝丽来。
• 动漫类：日系动漫、新海诚、宫崎骏、京阿尼、吉卜力、二次元、赛璐璐、漫画风。
• 绘画类：油画、水彩、水墨、工笔、写意、版画、素描、彩铅、丙烯、波普艺术。
• 3D 类：皮克斯风、迪士尼 3D、卡通渲染、Octane 渲染、C4D 质感。
• 国风类：宋代工笔、敦煌壁画、青绿山水、唐风、明制汉服、国风奇幻、古风摄影。
• 科幻类：赛博朋克、蒸汽朋克、太空歌剧、机械废土、未来都市。
• 其他：像素画、剪纸、毛毡、粘土动画、刺绣、玻璃艺术。

一句话写不下太多风格词，新手前期挑一个主风格 + 一个次风格组合就够了，比如"日系动漫风格，参考新海诚的色彩"。

环境与背景（Environment）

主体所处的空间、时间、天气。环境词不仅决定背景画什么，还会反过来影响主体身上的光线方向、阴影投射、色彩基调——这一点新手往往忽略。

环境可以从这几个维度铺：

• 自然环境：森林、雪山、湖泊、海岛、沙漠、草原。
• 城市环境：摩天大楼、雨夜街道、地铁站、咖啡馆、复古书店。
• 室内环境：阁楼、图书馆、阳光房、艺术展厅、儿童房。
• 特殊环境：古代宫殿、未来科技都市、童话森林、太空站、深海。
• 时间维度：清晨、黄金时刻、正午、傍晚、夜晚、深夜、午夜。
• 天气维度：晴朗、阴天、雨天、雪天、雾天、雷暴、风沙。

环境越具体，画面就越"有戏"。"森林里"远不如"被晨雾笼罩的针叶林边缘，地面铺满金色落叶，远处有一束阳光刺破树冠"。

主体（Subject）

主体是画面里最醒目、最想被观众看到的那个东西。可以是人物、动物、植物、物品、文字、抽象图形。

主体的描述应该尽可能具体——不是"一个女生"，而是"一位身着白色棉麻长裙、马尾辫、手持竹编篮的清秀少女"。具体程度直接决定 AI 的可控性。

主体描述的展开顺序，我建议按"是什么 → 长什么样 → 在做什么"三步走：

1. 先说主体类别（女孩 / 男人 / 猫 / 机甲 / 物件）。
2. 再补外观特征（年龄、发型、穿着、配饰、姿态、表情、手里拿着什么）。
3. 最后加情境（"站在宇宙飞船舱口""坐在油菜花田中央微笑"）。

光影与氛围（Mood & Lighting）

这是从摄影美学借来的维度，也是新手最容易忽略、但最能拉开图片质感差距的部分。

常见的光影氛围词：

光线方向：正面光、侧光、逆光、顶光、伦勃朗光、轮廓光、剪影
光源类型：自然光、阳光、月光、烛光、霓虹光、火光、丁达尔光、体积光
光线特质：柔光、漫射光、硬光、高光、低光、电影级布光、阴影对比强烈
情绪氛围：温馨、梦幻、宁静、肃杀、孤独、史诗感、紧张、神秘、忧郁、治愈

光影词的威力远超你想象。同一个主体（少女在森林里），加上"金色夕阳暖光，温馨梦幻"就是治愈系；换成"月光冷光，沉静肃杀"立刻变成悬疑日漫。AI 会根据这两个词同步调整色温、对比度、阴影方向，相当于给你画了一张完全不同情绪的图。

清晰度与质感（Detail & Texture）

这是收尾的"修饰词"，告诉模型这张图要多精细。常见的有：

• 画质词：超清、4K、8K 分辨率、电影级渲染、HDR、专业摄影、获奖作品。
• 细节词：细节丰富、皮肤纹理细腻、毛发清晰可见、丝绸质感、金属反光。
• 景深词：浅景深、虚化背景、清晰前景、慢门、长曝光、运动模糊。

质感词放在提示词的末尾就行，AI 会把它当成"全局质量参数"。

五维全齐的最小示例

把这五个维度串起来看一个最简单的例子：

插画风（风格）+ 夜市灯光下的梦幻背景（环境）+ 猫耳少女（主体）
+ 柔和暖光（光影）+ 超清（质感）

合并成一句话：

插画风，夜市灯光下的梦幻背景，猫耳少女，柔和暖光，超清

把这句话扔进即梦 AI，选 9:16 比例、3.1 模型，几秒后就能拿到一张像样的国风二次元少女。

莫潇羽的小贴士：写不出五大要素全齐的提示词没关系，先从两个开始（"风格 + 主体"），跑出来看看；不满意再加第三个、第四个。这是一个迭代过程，不是一次性写到位的考试。

六、万能三段式：主体 + 场景 + 综述

五维拆解听上去多，写起来还是会卡壳。我把它进一步压缩成一条更顺口的公式：

万能提示词 = 主体 + 场景 + 综述

主体描述"画面里有什么"，场景描述"它在哪儿、什么时候"，综述把剩下的风格、光影、镜头、画质统一塞进去。这条公式的好处是结构稳定、顺序清晰、AI 解析最不容易跑偏。

主体怎么写

主体的展开分三步：

第一步，先把"它是什么"说清楚：一位戴博士帽的教授、一只蹲在窗台的橘猫、一台复古打字机。这一步如果含糊，整张图就会偏离。

第二步，补充外观特征：年龄、性别、发型、穿着、姿态、表情、配饰、手里拿着什么、身体朝向。比如"一位穿白色实验室外套、戴金丝眼镜的年轻女科学家，正侧身低头看试管"。

第三步，加情境信息："站在宇宙飞船舱口的宇航员""坐在油菜花田中央微笑的少女"。情境词同时也起到承接主体和场景的作用。

场景怎么写

场景描述的关键是"具体到能闻到味道"。同样写森林：

• 普通写法："森林里"
• 进阶写法："被晨雾笼罩的针叶林边缘，地面铺满金色落叶，远处有一束阳光刺破树冠，雾气在光柱里缓慢流动"

后者的"故事感"完全不同——AI 在这种描述下生成的画面，会自然地把雾气、落叶、阳光的物理关系画准。

综述怎么写

综述把剩下三大要素装进去：

• 艺术风格：水彩、油画、新海诚、皮克斯、赛博朋克、敦煌、宋代工笔。
• 光线氛围：自然光、逆光、丁达尔效应、暖光、冷色调、忧郁、宁静、史诗感。
• 镜头语言：特写、近景、中景、远景、全身、广角、微距、俯视、仰视、电影构图。
• 画面质感：8K、超清、专业摄影、电影级、细节丰富、获奖作品。

完整实战示例

我们来看一个比较成熟的提示词：

别墅的旋转楼梯上，一位女人黑色长发披散着，
佩戴精致发饰、耳环和项链，身着白色高定礼服，
姿态优雅自然，全身远景，动漫风格，漫画风，8K

拆解一下：

• 主体：一位女人，黑色长发披散，戴发饰、耳环、项链，白色高定礼服。
• 场景：别墅的旋转楼梯上。
• 综述：全身远景（镜头语言）+ 动漫风格、漫画风（艺术风格）+ 8K（画质）。

这句话扔进即梦 3.1 跑一次、再扔进 4.0 跑一次，你会清楚地看到：3.1 偏二次元手绘感，4.0 偏 3D 渲染感，画面里楼梯的反光、礼服的褶皱细节、人物的面部光影都不一样。

词汇量不够怎么办

新手最容易卡的问题是：主体能想到，但场景和综述写不出来，词汇量不够。

解决这个问题有两个特别顺手的"扩写器"。

第一个，即梦 App 自带的「灵感向导」。打开手机端，进入文生图界面，右下角有一颗小星星。点开后，输入一个主体加上简短描述，比如"侠客女性，侧面，山林中，动漫风格，远景"，灵感向导就会自动帮你扩写成几十字的完整提示词，复制下来直接用。

第二个，借大模型当扩写助手。这是我（莫潇羽）个人更常用的方式，因为大模型扩写得更细、更可控。流程通常是：把一句很粗的描述扔进豆包、DeepSeek、Kimi 这类对话模型，让它按"主体 + 场景 + 综述"的格式扩成一段 100—200 字的详细提示词，再把扩好的内容复制到即梦里出图。

这个工作流的精髓在于：你保留了创作意图（决定画什么），AI 提供了词汇库（决定怎么写）。效率比纯手写翻好几倍。第六章会专门讲一套更进阶的扩写框架。

七、BRTR 框架：把大模型变成专属提示词秘书

豆包、DeepSeek 这些通用对话模型本身没有"画图"的能力，但它们有一项极强的能力——把短描述扩写成长描述。这正是我们需要的。

要让这个扩写过程稳定、可控、贴合即梦的喂养偏好，最好的办法是用一套结构化模板。我自己常用的是 BRTR 框架。

BRTR 是什么

BRTR 是四个英文单词的首字母：

• B（Background）背景：你正在做什么、面临什么问题、上下文是什么。
• R（Role）角色：让 AI 扮演什么样的专家。
• T（Task）任务：具体让它做什么，要明确、可执行。
• R（Requirement）要求：输出格式、字数、语气、必须包含 / 不包含的元素。

这个框架不是我（莫潇羽）首创的，它属于"角色扮演 + 结构化指令"流派的简化版，业内用得很广。但放到 AI 绘画提示词扩写这个场景里，效果特别明显。

一个可以直接复用的模板

下面这段提示词不是发给即梦 AI 的，而是发给豆包、DeepSeek、Kimi 这类文本对话模型的。把它整段复制到对话框，再加上你自己的"基础描述"（比如"国风动漫少女"），文本模型就会按照模板的要求输出一段非常详细的即梦提示词。

【背景】
我正在创作一幅用于自媒体内容封面的 AI 绘画作品，
画面需要具备视觉吸引力和情绪感染力，
整体风格希望构图协调、色彩自然、光影柔和。

【角色】
你是一位资深的 AI 绘画提示词专家，
熟悉视觉叙事、艺术风格、构图表达,
擅长将一句简单描述扩写成具备光影氛围、
艺术细节和情绪张力的完整绘画提示词。

【任务】
根据我提供的基础描述,
补充并生成一段完整的 AI 绘画提示词。
提示词需要包含:主体、环境、氛围、光影、风格、画质,
使画面构图完整、风格统一、质感清晰。

【要求】
1. 采用「主体 + 场景 + 综述」的公式输出。
2. 输出一段不少于 80 字的中文描述,细节丰富,层次分明。
3. 语气可带情感与诗意,但必须逻辑清晰,构图合理。
4. 避免生硬罗列关键词,写成自然语言。
5. 末尾备注推荐的模型版本和画面比例。

【我的描述】
（在这里写你的简短想法）

实测对比

为了说明这套框架的效果，我自己做过一组对比测试：

方案 A：直接写"国风动漫少女"扔进即梦 3.1，得到的图是一个比较普通的二次元少女，背景空旷，缺乏细节。

方案 B：把"国风动漫少女"用 BRTR 模板让豆包扩写，得到大约 150 字的描述：

一位身着浅碧色齐胸襦裙的国风少女站在江南回廊中，长发盘成双环髻，斜插一支白玉簪，手中轻执团扇半遮面，神情温婉。回廊外是一池盛放的荷花，远处有青砖白墙的小院与雕花栏杆，几缕晨雾缠在屋檐边缘。整体水墨工笔风格，柔和漫射光从侧上方洒下，色调偏淡青与米白，画面具诗意宁静的东方美学，特写半身镜头，8K 超清，建议模型 3.1，比例 9:16。

再扔进即梦 3.1，画面的丰富度和故事感明显高出一个量级——少女的服饰纹样、回廊的雕花、远处的荷塘、晨雾的层次全部都在。

这就是我反复说"工具会用 + 框架到位 = 战斗力翻倍"的原因——新手最大的瓶颈不是 AI 不够强，而是描述能力不够强。BRTR 把这个瓶颈拆解掉了。

进阶玩法：建立你自己的"风格库"

BRTR 模板里的【背景】和【要求】两部分，可以根据你的创作方向定制。

举个例子，如果你长期在做"国风奇幻"题材，可以把【背景】改写成：

我正在创作一个国风奇幻题材的连续系列，画面要求保持人物气质统一、色彩偏冷青调、光影偏冷月光，整体氛围带有仙气与孤寂感。

这样每次让模型扩写，输出的提示词都会自动倾向这套审美。等你跑了 30—50 张图之后，你就会形成一个属于自己的"提示词风格指纹"。

八、图像融合的三种打法：4.0 专属玩法

掌握了文生图，下一个让人兴奋的玩法是图像融合。所谓图像融合，就是把两张甚至三张图里的元素，自然地合成进同一张新图。

常见的需求场景：

• 把 A 图人物的脸换到 B 图的身体上（换脸）。
• 把 A 图人物和 B 图人物放进同一个新场景（合影）。
• 把 A 图人物放进 B 图的环境里（融人入景）。
• 给 A 图的女生换上 B 图的衣服（换装）。

为什么必须用 4.0

图像融合必须用即梦图片 4.0 模型——3.0 和 3.1 不具备多图理解和组合编辑的能力，只有 4.0 才能同时读懂多张参考图并执行复合指令。

这背后的技术原因是 Seedream 4.0 把"文生图、图像编辑、多图组合"统一进了同一个 DiT 架构，单次最多支持 10 张图作为输入，单次最多输出 15 张相关联的图片。这种"多图理解 + 复合编辑"是 4.0 相对前代最大的飞跃。

三条常用的融合句式

我把日常用得最多的融合指令整理成三条公式：

这里的"图 1""图 2"是按你上传的顺序来的，先传的是图 1，后传的是图 2。顺序在多图融合里非常关键，写错了 AI 就会把你想保留的元素给替换掉。

实战一：换脸

准备两张参考图：图 1 是一张写实风格的女性正面照，图 2 是一张古风女将军的全身照。目标是保留图 2 的服装、动作、背景，但脸换成图 1。

操作步骤：

1. 在即梦 AI 主页点击输入框旁边的"+"号，先上传图 1，再上传图 2。
2. 模型必须切到「图片 4.0」。
3. 输入提示词：参考图 1 中人物的面部，把图 1 的脸替换到图 2 上，其他保持不变。
4. 选择 9:16 比例，点击生成。

成片出来你会发现，图 2 那位女将军的脸已经变成图 1 的脸，但盔甲、姿态、背景战场都是图 2 的。这种"局部精确替换、其他保留"的能力，是 4.0 的核心优势。

实战二：双人合影

模板：两个人物并排合影，背景是【自定义场景】。

举个例子：图 1 写实风格的女性、图 2 古风女将军，提示词写"两个人物并排合影，背景是五星级酒店宴会厅"。即梦 4.0 会综合两人的特征生成一张全新的合影，构图、光影、镜头都会被重新组织——不是简单的拼贴，而是真的"画"出了她们站在一起的样子。

如果你想换背景，把"五星级酒店宴会厅"换成"江南园林""火星基地""敦煌沙漠"都可以。

实战三：融人入景

如果图 2 里本来有人物，但你只想保留它的环境，把图 1 的人物放进去呢？提示词这样写：把图 1 的人物合理替换到图 2 的人物位置，环境保持不变。

效果会非常自然：人物的衣服会自动适配图 2 的滤镜和光线，色温、阴影、对比度都会跟环境融合，看起来就像图 1 的人物本来就在图 2 那个地方拍的照片一样。

实战四：三图合成

即梦 4.0 还能处理三张图。提示词："把图 1、图 2、图 3 的人物一起合影，背景是江南园林。"

需要提醒一句：三图合成的"抽卡率"会比双图明显升高——同一段提示词，跑出来四张图里可能只有一两张是合理的，剩下的可能出现脸部错位、身份混淆等问题。这是当前模型的能力上限，碰到不理想的就重新生成，挑出能用的那张就行。

莫潇羽的融合心得

• 顺序是命脉：哪张是图 1、哪张是图 2，自己心里要清楚，提示词里指代要明确。
• 保留指令要写死：想保留什么就明确写"保持不变""维持原样"，不写容易被改掉。
• 风格冲突慎用：图 1 是写实人像、图 2 是水彩插画，融合出来的画面风格容易割裂，先把两张图调成相近风格再融合更稳。
• 模型必须 4.0：再强调一次，3.1 和 3.0 都不行。

九、智能画布：AI 版的多图层编辑器

文生图解决的是"从 0 到 1"，智能画布解决的是"从 1 到 90"。即梦智能画布是网页版独有的功能，集成了多图层、扩图、局部重绘、抠图、消除、添加文字等编辑工具，相当于一个轻量化的 AI 版图像编辑器。

进入方式：在网页版左侧侧边栏点「画布」，新建一张空画布即可。

画布的结构

打开画布后，顶部工具栏从左到右大致有这些功能：

画布尺寸（1:1 / 16:9 / 9:16 / 4:3 等）
移动 / 选择工具
添加文字
画笔（手绘标记 / 局部涂抹）
撤销 / 重做 / 清除
导出

左侧菜单提供"上传图片"和"文生图"两种素材来源——你可以上传一张参考图直接编辑，也可以在画布里直接调起文生图模型新建一张图。

多图层的逻辑

画布的核心概念是"图层"。每生成或上传一张图，它就是一个独立图层，可以单独移动、缩放、编辑、删除，互不影响。这套逻辑跟 Photoshop 高度相似。

我自己常用的一个实战流程是这样的：

flowchart LR
    A[文生图: 主体狐狸] --> B[图层 1]
    C[文生图: 小刺猬] --> D[图层 2]
    D --> E[抠图扣出刺猬]
    E --> F[拖到图层 1 合适位置]
    G[添加文字: 狐狸与刺猬的故事] --> H[文字图层]
    B --> I[最终合成图]
    F --> I
    H --> I

三个图层叠在一起，就是一张带文字的多元素海报。

扩图：把 1:1 变成 16:9

扩图是新手最爱用的功能。当你生成的图比例不合适，或者元素太少觉得空，可以让 AI 把画面"扩展"出去，多出来的区域由模型自动补全，能保持原图的风格、光影、环境一致。

操作流程：

1. 选中要扩的那张图。
2. 点顶部"扩图"。
3. 出现一个比原图更大的边框，拖动边框确定扩图范围。
4. 下方有一个"重新绘制内容"输入框，可以选择留空（基于原图自然延伸），也可以填指令（比如"添加更多树林和薄雾，风格一致，柔光效果"）。
5. 点确认，AI 会一次性生成 4 个版本，挑你喜欢的那张。

我自己的经验：纯空白扩图容易出现"重复"问题（左右各扩一段森林，两边长得太像），加上简短的引导词（比如"右侧增加一条小路""左侧增加远山"）能显著提升扩图的丰富度。这是新手扩图最容易踩的坑之一。

局部重绘：哪里不对改哪里

局部重绘是另一个高频使用的功能。它就像一支"涂改笔"，你不满意的地方涂上颜色，写一段描述要变成什么样，AI 只重画涂抹的区域，其他不动。

操作流程：

1. 选中要改的图，点"局部重绘"。
2. 用画笔涂抹要改的区域（比如人物的眼睛、嘴巴、手部）。
3. 在下方输入