即梦AI精细控图全攻略：吃透底模·提示词·参数，玩转边缘 / 姿态 / 景深 / 风格的全维度画面管控

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

想让 AI 出图从"开盲盒"变成"按图施工"，核心只有一句话：先建立"底模 + 提示词 + 参数"这套黄金三角的全局认知，再用即梦的"智能参考"把边缘、姿态、景深、风格逐项锁死。 我自己折腾即梦这套精细控图体系下来，最大的体感是——决定一张图成败的从来不是运气，而是你有没有把"内容"和"风格"这两层拆开来管：底模决定画风基因，提示词决定画面内容，参数（画面比例 + 参考强度）决定可控边界；而真正让构图、轮廓、姿态、虚化"听话"的，是智能参考里那几种参考方式。把这五件事的逻辑捋顺，新手也能稳定产出电商主图、3D 渲染、写实人像、创意海报这类专业级成片。

这篇我会从底层原理一路讲到边缘控制、姿态控制、景深控制、局部重绘、智能扩图、风格迁移，再到电商换装和创意海报的完整落地流程，每一节都配了操作拆解、对照表和流程图。想看完整拆解，往下翻。

一、先想明白：为什么你的 AI 出图总是"不受控"

我接触 AI 绘画工具这两年，被问得最多的一句话是："为什么同样一段描述，别人出来是大片，我出来是废片？"

答案其实很朴素。文生图这种玩法，本质上是把一段文字丢给模型，让它在一个巨大的可能性空间里"自由发挥"。你给的信息越模糊，模型自由发挥的空间就越大，出图的随机性也就越高。新手最容易踩的坑，就是把全部希望寄托在"写一段好提示词"上，却忽略了一个事实：决定画面长什么样的因素远不止文字这一项。

我自己的做法，是先把出图这件事拆成两个完全不同的维度来看——一是"画面里有什么"（内容），二是"画面长什么调性"（风格）。这两件事在传统认知里是混在一起的，但在精细控图的世界里必须分开管理。内容靠提示词和参考图来约束，风格靠底模和风格迁移来约束。一旦你能把这两层在脑子里分开，很多"出图玄学"立刻就变成了可以拆解、可以复现的工程问题。

这里值得多停一下，把"模型为什么会出废片"讲透，因为想明白这一层，后面所有的控图手段你都能秒懂。AI 出图的内部过程，简单说是从一团随机噪声出发，按照你给的文字一步步把噪声"去掉"，逐渐还原出一张图。这个还原过程里有大量的随机性：噪声的初始形态是随机的，模型在每一步选择"该往哪个方向画"时也带着概率。你给的约束信息越少，这些随机选择就越自由，于是同样一句话，今天给你一张构图、明天给你另一张构图，全凭运气。

所谓"精细控图"，做的事情就一件——往这个随机过程里塞进更多确定信息，把模型乱跑的空间一点点压小。文字是一种确定信息，参考图是更强的确定信息，参考强度则决定这股约束力有多大。等你建立起"控图 = 压缩不确定性"这个直觉，你会发现这篇文章后面讲的每一个功能，本质上都是在回答同一个问题：我还能再多给模型一点什么确定信息？

即梦 AI 是字节跳动旗下的一站式视觉创作平台（官网 jimeng.jianying.com），集文字绘图、文字生成视频、图片生成视频于一体，支持移动端和网页端双端使用，登录方式也很灵活，手机号、第三方账号授权都行。它最让我看重的一点，是把"可控生成"做得相当完整：智能画布支持在生成的图片基础上进行扩图、局部重绘、消除抠图和高清放大等二次创作，再叠加智能参考里的边缘、深度、姿态控制，基本覆盖了从概念到成品的全链路。它还内建了创意社区，里面有个"做同款"功能，能直接复用别人作品的提示词来生成相似风格——我自己学新风格的时候经常去社区扒思路，比闷头试错快得多。这篇攻略，我就用无忆研习社站长莫潇羽一贯的"先讲原理、再上手实操"的路子，把这套控图体系彻底讲透。

二、出图的黄金三角：底模 + 提示词 + 参数

如果只让我留一个认知给新手，那一定是这个公式：

[

\text{底模} + \text{提示词} + \text{参数} = \text{最终成图}

]

这三者缺一不可，且各管一摊。我见过太多人把全部注意力压在提示词上，反复打磨措辞，却始终对底模和参数视而不见——这就像一个厨师只盯着菜谱，却不管用的是什么灶、火开多大，菜自然炒不好。出一张好图，从来是这三件事协同的结果，任何一环掉链子，另外两环再用力也白搭。下面这张图能帮你建立直觉：

graph TD
    A[最终成图] --> B[底模 · 画风基因]
    A --> C[提示词 · 内容指令]
    A --> D[参数 · 可控边界]
    B --> B1[决定写实/卡通/国风/海报等整体气质]
    C --> C1[决定画面里有什么主体、场景、光影]
    D --> D1[画面比例]
    D --> D2[参考强度/精细度]

2.1 底模——AI 的"画风基因"

底模你可以理解成 AI 的"画画功底"或者"出身画派"。同一段提示词，换一个底模，出来的东西可能天差地别。我做过一个很直观的实验：把完全相同的一段描述，分别丢给写实向和设计向两个底模，一个给我的是皮肤纹理清晰、光影自然的真人质感，另一个给我的是色彩鲜艳、造型夸张的潮玩公仔感。文字一个字没改，气质完全两个世界——这就是底模在起作用。

所以选底模这一步，本质上是在为整张图"定调"。你想要的是杂志写真，还是 3D 手办，还是水墨国风，第一步就该在这里做决定，而不是指望后面用提示词硬掰。

我打个比方你就懂了：底模像是请来给你画图的"画师"。你请的是一位专攻写实油画的画师，跟你请的是一位专攻日系动漫的画师，哪怕给的是同一份需求文档，交付的作品风格也必然不同。提示词只是那份需求文档——它能规定画里有什么人、什么场景，却没法把一位写实画师强行掰成动漫画师。这就是为什么我反复强调"先选模型、再写词"：顺序反了，你会在提示词上耗费大量精力却始终拧巴。

2.2 提示词——给 AI 的精准指令

提示词是你给 AI 的"口头指令"。它不负责画风（那是底模的活儿），只负责告诉模型"画面里到底要有什么"。这一块我在后面第四节会专门展开，这里先记住它在三角里的定位：内容的来源。

2.3 参数——出图的"微调旋钮"

参数是即梦的"作画设置"，新手阶段你只需要重点抓两个：

第一个是画面比例，它决定输出图片的形状。横版 16:9 适合电脑壁纸、视频封面；竖版 9:16 是抖音、小红书这类移动端信息流的主力尺寸；1:1 则常用于电商组图和头像。

第二个是参考强度（有些场景里也叫精细度），这是精细控图的灵魂参数。在即梦图片生成里导入参考图之后，除了识别主体、人像写真、人像合影这几个模式之外，其它功能都带有"参考强度"这个调节项。数值越高，成图就越贴近参考图；数值越低，模型自由发挥的空间就越大。理解这个旋钮，你后面所有的控图操作都会顺很多。

关于参考强度，我再给你几个我自己摸出来的经验区间，省得你瞎试。要"严格照搬结构"（比如线稿转 3D、必须 100% 还原轮廓）时，往 80—100 拉；要"参考着发挥"（比如借姿态但允许人物长相、服装融合调整）时，放在 50—70；要"只取一点神韵、大部分让模型自由"时，压到 30 以下。没有标准答案，但记住这条规律——强度和"还原度"正相关，和"创意自由度"负相关，你就不会调错方向。我做商业稿讲究稳定复现，一般偏高；做创意探索图想要惊喜，一般偏低。

把三者放进一张表里对照，逻辑就清晰了：

三、读懂即梦的模型矩阵：什么场景配什么底模

选模型这件事，我建议你别背参数，而是记"场景对应关系"。把"我要做什么"和"该用哪个模型"绑在一起记，上手最快。下面这张选型表是我自己实测后整理的常用对照，供你直接抄作业。

这里我多说几句新版本的进步，因为它直接关系到你选不选得对。从公开评测看，新一代写实向模型在多人场景的人脸一致性上做得很顶，相比旧版本明显减少了人物混淆和脸部变形，和原图保持了极高的一致性，自带的美颜效果也更自然。这对做系列写真、电商模特图的人来说太关键了——以前最头疼的就是同一个人在不同图里"换脸"，现在这个老大难被按住了。

顺便破除一个新手常见的误区：版本号高不等于在所有场景都更好。很多人一上来就无脑选最新最高的版本，结果做中文海报时发现还不如专攻文字的版本。模型是有"专长"的，写实向的擅长人像质感，设计向的擅长造型创意，文字向的擅长中文排版。选型的正确姿势是"按任务匹配专长"，而不是"唯版本号论"。我自己电脑里随时备着这张选型表，开工前扫一眼，避免一上手就选错方向白费工夫。

中文能力是即梦另一个杀手锏。在 AI 漫画这类需要画面里出现中文的场景里，即梦能准确把握中文提示词的意思，漫画对话里显示的中文几乎没有乱码，连桌面上书本、图片里的文字都能写对，这一点在以往的文生图工具里非常难得。所以但凡你的需求里带"画面要出现中文字"，优先往中文强的版本上靠，准没错。

需要补充一个底层升级的背景：即梦背后的图像模型迭代很快，最新一代支持自适应与 4K 生成，可根据指令或参考图生成最佳比例图片，最高分辨率从 2K 扩展到 4K，推理速度相比上一代提升超过 10 倍。这意味着你今天能用上的清晰度和出图速度，跟一年前完全不是一个量级。

graph LR
    Q{我要出什么图?} --> R1[真人写真/电商人像] --> M1[写实向模型]
    Q --> R2[3D公仔/潮玩] --> M2[设计向 4.0]
    Q --> R3[国风/高清+中文] --> M3[国风版 3.1]
    Q --> R4[中文海报] --> M4[文字向 3.0]

四、提示词工程：从"一只猫"到惊艳大片

提示词写得好不好，差距能有多大？我给你做个直观对照。

低配写法：一只猫。出来的图，普普通通，背景随机，光线平淡，毫无记忆点。

高配写法：一只穿着宇航服的橘猫，站在月球表面，背后是蓝色地球，电影级光源，大景深，超高清，3D 渲染风格。出来的图，主体明确、场景宏大、光影到位，第一眼就抓人。

同样是一只猫，细节越丰富，AI 回馈给你的惊喜就越大。背后的逻辑前面讲过：你给的约束越多，模型乱跑的空间就越小。

这里要破除另一个误区：很多人以为"高级提示词"就是堆砌专业术语和华丽辞藻，其实不是。真正拉开差距的，是你有没有在脑子里先把这张图"看见"。你得先想清楚——这只猫是什么品种、什么神态？它站在月球的哪个位置、画面占比多大？光从哪个方向打过来？地球在背景的什么角度？当你能在脑子里清晰地"预演"出这张图，把这些预演如实地翻译成文字，提示词自然就具体、有效了。反过来，如果你自己心里都是一团模糊，写出来的词必然空泛，模型也只能跟着你一起模糊。所以提示词的功夫，一半在文字，一半在你下笔前的"画面想象力"。这一点是我带新手时反复强调的：先想清楚要什么，再去写，别一边写一边想。

那"约束"该怎么给得有条理？我习惯用一个万能结构来组织语言，新手照着填空就行：

[

\text{主体} + \text{场景/环境} + \text{风格/材质} + \text{光影/质感} + \text{画面比例/画幅}

]

拆开来逐项填，就是下面这张表：

把这五块串起来，你写出来的提示词就自带"结构感"，模型理解起来也更省力。实际写的时候不必每块都堆很长，关键是别漏维度——很多人出废片，不是词不够花哨，而是压根没交代场景和光影，模型只能靠猜。

一个进阶小技巧：即梦内部已经接入了智能提示词能力，在即梦里可以直接调用 DeepSeek 来辅助生成提示词，把抽象想法快速转成结构化描述。如果你实在憋不出词，可以先用一句大白话描述需求，让它帮你扩写成规范提示词，再按上面那张表自己微调，效率会高不少。我自己写商业稿的时候经常这么干：先口述意图，再人工把场景、光影、材质这些容易被忽略的维度补全。

再分享两个让提示词"更听话"的细节。第一，把最重要的元素往前放。模型对描述里靠前的词更敏感，你最在意的主体特征，别埋在一长串形容词的最后。第二，正向描述优于反向描述。与其写"不要模糊",不如直接写"超高清、锐利";模型对"要什么"的理解，往往比对"不要什么"更稳。

还有一个新手特别容易混的点：提示词不是越长越好，而是信息密度越高越好。我见过有人写两百字提示词，结果一半是"非常非常美丽极其震撼无比惊艳"这种空洞的堆砌，模型根本无从下手。把这些虚词砍掉，换成具体的、可被描绘的名词和形容词——"鎏金的发饰""被雨水打湿的青石板""逆光下的发丝"——这种能在脑子里成像的词，才是真正的有效信息。我自己的习惯是写完通读一遍，把所有"无法被画出来"的词全删掉。

下面给你一组我常用的"维度填空"模板，照着改关键词就能复用：

主体：[谁/什么]，[关键外貌或形态特征]
场景：[在哪里]，[环境细节]
风格：[艺术风格/材质质感]
光影：[光线方向]，[氛围]
画幅：[比例]，[清晰度，如超高清/4K]

把这个模板存进备忘录，下次出图直接套，比每次现想结构快太多了。

五、智能参考：精细控图的"总开关"

讲到这里，前面都是"文生图"的范畴——靠文字约束。但真正把控图带进"工程级"的，是即梦的智能参考。这是我认为新手必须最先吃透的一个功能。

它的核心思路是：除了用文字告诉 AI"画什么"，你还可以丢一张参考图进去，告诉 AI"按这张图的某个特征来画"。而"某个特征"具体是哪一项，由你选。这就是控图从"描述"升级到"约束"的关键一跃。

即梦把这种能力做成了多种参考方式可选。即梦智能画布通过文生图、图生图、局部重绘等功能，结合轮廓边缘、景深构图等控制参数，让用户能完成商业宣传图、LOGO 创意变形等复杂任务。换句话说，你导入一张参考图后，可以选择只参考它的边缘轮廓、只参考它的景深结构、只参考它的人物姿态，或者参考它的主体特征——每一种参考方式锁定的是画面的不同"层"。

配合前面讲过的参考强度滑块，你就拥有了双重控制：先选"参考哪一层"，再调"参考多狠"。我把这套关系画成一张图：

graph TD
    P[导入参考图] --> S{选择参考方式}
    S --> E[边缘/线稿 → 锁轮廓结构]
    S --> D[深度/景深 → 锁空间层次]
    S --> G[姿态 → 锁人物动作]
    S --> M[主体 → 锁人物/物体特征]
    E --> F[参考强度 0-100 微调贴合度]
    D --> F
    G --> F
    M --> F
    F --> O[精准成图]

理解了这张图，后面六节其实就是它的六个具体应用。所以我建议你回头多看两眼这张图——它是整篇攻略的"骨架"。

为什么参考图这么重要？因为光靠提示词，想要画面高度一致，要么靠精准提示词，要么靠参考图模式；面对复杂场景时纯文字往往力不从心，生成结果和预期会有较大出入。参考图相当于给了模型一根"标尺"，把它的自由发挥框在你想要的范围内。

我把这几种参考方式各自"锁的是哪一层"再细说一遍，这是新手最容易搞混的地方：

边缘/线稿参考锁的是"形状轮廓"。它只关心物体的边界线在哪，不关心颜色和材质。所以你能用一张线稿，让 AI 在保持造型完全不变的前提下，给你换上任意质感——这是它和其它参考方式最本质的区别。

深度/景深参考锁的是"空间层次"。它读取的是画面里"谁在前、谁在后、谁离镜头多远"这套纵深关系，生成时会还原这种前后层次和虚实关系，但物体具体长什么样可以变。

姿态参考锁的是"骨架动作"。它提取的是人物的关节位置和肢体走向，让生成的人物摆出同样的 pose，至于这个人长什么样、穿什么，由另一张人物图和提示词决定。

主体参考锁的是"是谁/是什么"。它保留人物或物体的形象特征，常用于让同一个角色或同一件商品出现在不同的场景里——电商换装、系列写真都靠它。

把这四层在脑子里分得清清楚楚，你就能精准地"点菜"：我要锁轮廓就用边缘，我要锁动作就用姿态，我要锁层次就用深度。这种"想锁哪层就锁哪层"的自由度，正是即梦控图体系最强的地方。

六、边缘轮廓控制：线稿秒变 3D 成品

第一个落地场景，是把一张线稿图变成 3D 渲染成品。这对设计师、手办爱好者、电商详情页制作来说太实用了——你先用简单的线条勾出造型，再让 AI 把它"渲染"成有质感的成品。

我的实操流程是这样的：

6.1 准备素材

先有一张干净的线稿图。线条越清晰、主体越明确，后面控图越稳。这一步可以用任意绘图软件画，也可以拿现成的线框图。

6.2 进即梦设置参考

打开即梦，选"图片生成"，挑一个设计向底模（比如 4.0），比例按成品需求选（线稿转 3D 我常用 3:4）。然后在导入区放进这张线稿图，打开边缘/轮廓参考这种参考方式。

6.3 拉满参考强度

这是关键：把参考强度调到接近最大（比如 100）。因为我们要的是"造型 100% 按线稿来，只换质感"，强度越高，轮廓还原越精准。

6.4 写转换提示词并生成

提示词里明确写出"把线稿图转换为 3D 渲染效果"，再补上材质、光影描述。点击生成后，挑一张最满意的，开高清模式保存即可。

flowchart LR
    A[画好线稿图] --> B[即梦/图片生成/选设计向底模]
    B --> C[导入线稿/开边缘参考]
    C --> D[参考强度拉到100]
    D --> E[写'线稿转3D'提示词]
    E --> F[生成→挑图→高清保存]

这一套打下来，造型完全锁死、质感焕然一新，比从零文生图可控太多。我第一次用这个流程把一张随手画的草图变成精致 3D 模型时，是真的有点被惊到。

边缘控制的价值，在很多专业流程里被严重低估。举两个我自己用得最顺手的场景。一个是产品设计的快速可视化：设计师手头有产品的线框草图，过去要交给建模师渲染好几天，现在用边缘参考几分钟就能看到带材质、带光影的成品效果图，方案讨论阶段的沟通效率直接拉满。另一个是风格统一的系列出图：你想做一组造型一致、只换材质的图（比如同一个图标分别做成金属、玻璃、毛绒质感），用同一张线稿配不同的材质提示词，就能批量产出造型严格统一的系列，这是纯文生图根本做不到的一致性。

它和姿态控制有个相通的底层逻辑——都是把画面的"结构信息"和"外观信息"解耦。边缘锁的是物体结构，姿态锁的是人体结构，锁住结构之后，外观（颜色、材质、风格）就成了你可以自由发挥的空间。想通这一层，你会发现即梦这套控图功能的设计是有统一哲学的，不是一堆零散功能的堆砌。

七、角色姿态控制：让人物按你的"指挥"摆 pose

文生图最难驯服的就是人物姿态——你写"叉腰",它给你抱胸；你写"回头",它给你正脸。姿态控制就是来解决这个的。

它的逻辑是同时给 AI 两样东西：一张人物图（决定"是谁"）和一张姿势草图/姿态参考图（决定"摆什么 pose"）。AI 会把人物的长相、服装套用到姿态参考的动作上。

我的流程：

第一步，准备好人物图。第二步，画一张姿势草图——简单的火柴人线条就够了，重点是把动作骨架交代清楚。第三步，打开即梦图片生成，选合适的底模（我常用 4.0）和比例，在导入区同时放进人物图和姿势草图。第四步，把参考强度调到一个中高值（比如 70 左右，给模型一点融合空间），点生成。

这里有个新手容易忽略的点：姿势草图不需要画得多精致，关节位置准确比线条好看重要得多。模型读的是骨架结构，不是你的画工。我自己一开始还纠结草图丑，后来发现完全没必要，潦草的火柴人照样能精准控姿态。

姿态控制在实战里能解决一大类痛点。比如你想做一组动作连贯的分镜，让同一个角色依次做"挥手—转身—奔跑"，纯文生图几乎不可能让动作精准；而用姿态参考，你只要准备三张对应动作的姿势草图，配同一张人物图，就能稳定产出动作可控的连续画面。再比如服装展示，想让模特摆出特定的展示姿态突出衣服版型，也是靠这个功能锁动作。

一个我常用的组合拳：先用姿态控制锁住动作，出图后如果某个局部（比如手指）有点崩，再用第九节要讲的局部重绘单独修一下那块。控图功能从来不是孤立用的，把它们串起来打组合拳，才是高手的玩法。

八、景深控制：模拟单反的虚化与层次

景深控制，说白了就是用 AI 模拟单反那种"主体清晰、背景虚化"的效果，让画面更有空间纵深感和高级感。

它的实现方式，是在导入参考图后，从参考方式里选景深/深度。这时即梦会基于参考图生成一张"深度图"——画面里离镜头近的、远的，被区分成不同层次。你保存这张深度结构，再写提示词生成，成图就会带上对应的虚实层次。

操作流程：

打开即梦图片生成，选一个高清向模型和合适比例，导入一张参考图。在弹出的参考界面里，从底部那排参考方式中选"景深"，右侧会出现一张深度图，点保存。接着写提示词——这里我特别提醒：要把人物外貌、整体构图视角，以及你想要的景深关系都描述清楚（比如"主体清晰、背景大幅虚化、浅景深"）。最后生成、挑图、高清保存。

景深这一项，是很多人成图"看起来不够专业"的隐形短板。把它单独拎出来控制，画面立刻上一个档次。

为什么景深这么影响"专业感"？因为人眼和单反镜头看世界，本来就是有虚实层次的——你盯着近处的人脸看，远处的背景自然就糊了。一张所有地方都同样清晰的图，反而显得"平、假、像贴图"。AI 默认出的图常常就是这种"全清晰"的扁平感，而你手动加上景深控制，等于给画面注入了真实镜头的呼吸感，主体一下子就从背景里"跳"出来了。

景深还藏着一个引导视线的妙用。虚化的本质是"告诉观众该看哪"——背景越虚，主体越被凸显。所以做产品图、人像海报时，我常常刻意把背景压得很虚，把观众的注意力死死钉在主体上；而做风光、做大场面时，则反过来要大景深，让前后都清晰，营造辽阔感。虚化不是为了好看而虚化，是为了控制观众的视线落点，这个意识有了，你用景深就不再是随手一调，而是带着目的在布局。

九、局部重绘与消除：哪里不满意改哪里

前面都是"出新图"，这一节讲"改老图"。一张图九成满意、就一个小地方碍眼，难道要重抽？当然不用——局部重绘和消除就是干这个的。

经典用法是"消除"。比如一张人像，脖子上的吊坠不想要了，我可以把它精准抹掉，再让 AI 把抹掉的区域自然补上背景。

操作流程拆给你看：

进入即梦的画布，把要修改的图片放进去。点开图片下方那排功能里的"更多"（通常是三个小点），在功能列表里选局部重绘/消除这类工具。然后在工具栏里选画笔，先把笔刷粗细调到合适大小——这一步很多人跳过，结果不是涂不全就是涂出界。调好后，回到图片上，把要去掉的部分仔细涂抹覆盖。涂完在输入框里写提示词（消除的话可以描述"用背景自然填充"），点生成。系统会给出几张候选，挑满意的，开高清模式下载。

flowchart LR
    A[图片进画布] --> B[更多/选局部重绘工具]
    B --> C[选画笔/调粗细]
    C --> D[涂抹要修改区域]
    D --> E[写提示词/生成]
    E --> F[挑候选→高清下载]

这个能力强到什么程度？官方在编辑场景上下了大功夫。新一代模型在图像编辑方面表现突出，只需文本提示就能精准执行添加、删除、修改、替换，并在保持画面完整性的同时完成背景替换、人物修饰等复杂任务，效果自然逼真。我现在很多原本要在专业修图软件里抠半天的活儿，直接在即梦里涂两笔就解决了。

局部重绘和消除，虽然入口在一起，但用法有微妙的差别，值得分清。消除是做减法——把不想要的东西抹掉，让 AI 用周围环境自然填补，比如去掉路人、去掉多余的饰