我们经常可能会刷到一张图，看到了第一眼觉得惊艳后转个头就忘记了，

问题不一定出在构图、光影或者审美上。

更常见的原因是：画面里该有的都有了，主体、场景、风格一样不缺，但是整体之间却没有关联，画面缺少了故事感。

构图负责安排信息怎么被看见，故事负责让这些信息元素产生关系。

这两层拆清楚了，这篇就接着往下走：

怎么把它们，同时写进一条提示词里？

在上一篇还留了个尾巴：我们习惯把孤独、不舍、命运感这种词，直接丢给模型让它去理解。

这篇就来解决这个翻译问题：怎么把心里那点感觉，翻译成模型真能画出来的东西。

动手之前，先讲清楚一个很多人会弄混的点。

你构思一张图片的思考顺序，和真正把想法写进提示词的时候，顺序可以完全不一样。

构思的时候，顺着我们个人的的直觉来就行。

真正往提示词里写的时候，我会把顺序重新排一次，因为要先把画面最容易坏掉的地方给锁住（个人见解）。

想的时候顺着直觉，写的时候顺着风险

构思一张图，我一般先让画面在脑子里演一遍。

大概是什么场景？什么风格？谁在里面？发生了什么？人物怎么站？最后有哪些东西必须守住？

这个顺序其实没有必要固定。

你可能先想到雨天和旧房间，也可能先想到一个人回头的动作。这些都是人的思考发散性导致的

但真正写成提示词时，我一般会重新安排按照下面的顺序写：

• 先写硬约束：人数、位置、身份绑定、核心动作。
• 再写事件与可见证据：动作、道具、痕迹、视线和关系。
• 接着写构图任务：主体放哪里，什么必须看清，光线和留白服务什么。
• 最后补风格与氛围：摄影风格、色彩、质感和整体气氛。

这么写的顺序的原因是，模型和人一样，也有“近因效应”和“注意力衰减”——写在后面的内容被执行的概率会下降

所以要把一些硬约束放在前面：

人数、左右、谁拿什么、谁看哪里一旦错了，后面的光影和风格再漂亮，整张图也不成立。

所以一句话总结就是：

想的时候顺着人的直觉，写的时候顺着画面最容易坏掉的地方。

真正写的时候，按照下面四步就行了

先把硬关系钉死

先写人数、位置、身份和核心动作。

这部分的词要写的短，快，不要长篇大论。

比如：

双人。
左边是一名年轻女机械师，穿蓝色工作服，半跪着，右手递出一把银色扳手。
右边是一名年长男司机，穿棕色外套，站着，左手伸过来接扳手。

“双人”是在锁人数。

“左边、右边”是在锁位置。

服装跟在身份后面，是为了避免人物属性串到一起。

“右手递、左手接”则把动作方向说清楚。

情绪别靠说，要翻译成模型能够理解的视觉语言

不要只写孤独、悲伤、不舍、命运感、诗意。

这些东西每个人的经历不同，文化不同，那么理解出来的东西也就不同，模型也是有一个偏向性的

所以写之前先问自己：如果不允许解释人物内心，我还能让镜头拍到什么？

可以从这几个方向找：

• 动作：身体已经转向门口，头却还在回望……
• 道具：手里捏着一张单程火车票。
• 痕迹：墙上留下取走照片后的浅色印记。
• 关系：两个人都看着中间的扳手，而不是看镜头。

前者在讲感觉，后者在交代现场。

别只写“高级构图”，给它一个具体任务

“高级构图”“电影构图”“画面有故事感”，这些词说了等于没说。

要告诉构图具体服务什么（人和环境之间的关系）：

• 人物放在右侧，左侧空房间作为她回望的对象。
• 中景，必须同时看清人物动作、车票和纸箱。
• 光线主要照亮侧脸和车票，其他位置压暗。
• 车票、纸箱和墙面印记要可见，但不能比人物面部更抢。

这时留白、景别和光线就不再只是为了好看，而是在安排读者的阅读顺序。

最后再补风格和氛围

前面三步清楚之后，再加胶片感、纪实摄影、复古私宅、清晨侧光。

风格词当然有用，但它更像调味。

人物关系没写清楚时，“电影感、故事感、胶片感”叠得再多，也只会让一张关系错误的图变得更精致。

下面来用例子来讲清楚怎么写

例子一：离开旧房间

我把我想要组织这个画面的时候的思考过程写出来给你们看：

风格和主题：复古私宅室内，安静旧感，胶片质感。
主体和情绪：短发女孩准备离开住了很久的房间，有点舍不得，但已经决定走。
人物和动作：身体转向门口，手里拿着单程票，扶着纸箱，头还在回望。
约束：一个人，墙上有照片印记，地上只有纸箱和折叠椅，窗外下雨。

如果画面中只写主体与构图时，Prompt 是这样：

一名年轻短发女性站在房间里，看向镜头。
横构图，人物位于画面右侧三分线附近，左侧留出大面积负空间。
中景，浅景深，侧光从窗户进来，照亮面部。
复古室内，胶片感，干净构图，自然光影。

这张图出来的效果其实很好，因为人好看，但是呢? 他缺少了之前一直讲的叙事感。

人物位置、留白、光线、质感都有了。可左侧留白只是一块好看的空墙，它没有承担信息。

把同一个想法重新按执行顺序排列，完整 Prompt 是这样：

一名年轻短发女性，独自站在已经搬空的房间里。
她右手拿着一张单程火车票，左手扶着最后一个封好的纸箱。
身体已经转向门口，但头还在回望房间。
墙上有取下照片后留下的浅色长方形印记，地上只剩一把折叠椅。
窗外正在下雨。

横构图，人物位于画面右侧，左侧留出大面积空房间作为负空间。
中景，能看到她的上半身、手中的票和纸箱。
光线从左侧窗户进来，主要照亮她的侧脸和车票，房间其他地方偏暗。
车票、纸箱和墙面印记清晰可见，但不能比人物面部更抢眼。

复古私宅室内，轻微胶片感，自然真实的光影，安静克制的氛围。

老规矩，这两张图不是严格控制了人物造型和所有参数的模型评测，证明不了普遍规律。

他只负责演示一件事：车票、纸箱、墙面印记和回望动作出现之后，画面才从“一个人站在房间里”，变成“一个人准备离开”。

整个画面就有了一种叙事感

人物放右边，是为了让左边那间快被搬空的房子成为她回望的对象。

窗边的光也不只负责电影感，它把脸和车票提出来，让我们先看到决定，再看到舍不得。

例子二：修车铺双人

第二组也一样，先按人的思考顺序想：

风格和主题：写实纪实感，清晨路边小修车铺，有生活气息。
主体和情绪：年轻女机械师正在把扳手递给年长男司机，两人都很专注。
人物和动作：女机械师半跪在左边，男司机站在右边，两个人都看着扳手。
约束：就两个人，黄色工具箱在中间偏下，银色扳手只有一把。

只写人物与构图时：

两个人站在修车铺里，看向镜头。
横构图，中景，人物分别位于画面左右两侧，中间形成稳定三角关系。
清晨侧光，背景简洁，写实风格，轻微胶片感。

人物、修车铺、清晨侧光都有了，要求的每一个元素也都在，但它更像一张员工合影。

完整版本是这样：

双人。
左边是一名年轻女机械师，穿蓝色工作服，半跪着，右手正把一把银色扳手递出去。
右边是一名年长男司机，穿棕色外套，站着，左手伸过来接扳手。
两个人都看着中间的扳手，不看镜头。
黄色工具箱放在两人之间偏下方的地面上。
银色扳手只有一把，正位于两只手之间。

横构图，中景，摄影机大致和两人胸口同高。
女机械师位于画面左侧，男司机位于右侧。
两人的脸和黄色工具箱形成稳定的三角关系。
背景卷帘门半开，保持简洁，不抢主体。

写实纪实风格，自然清晨侧光，真实生活感，轻微胶片质感。

这一组同样不是严格控制变量的模型评测，人物设定并不完全相同。

它想说明的还是同一件事：第一张告诉你“这里有两个人”，第二张让你看见“一件事情正在发生”。

一把正在被递过去的扳手，把动作、视线和人物关系串了起来。

这时三角构图才不只是平衡。它负责让视线从两张脸落到工具箱，再回到两只手之间的扳手。

完整版，不是把提示词写成小说

看到这里，有人可能会觉得：这不就是把提示词写成一段故事吗？

其实不是。

很多人正好踩坑踩在这里。

她即将离开住了十年的房间，心中既有解脱又有不舍。
雨声敲打着窗户，仿佛也在为她的离开而难过，过往的回忆不断涌上心头。

发现了问题没有，上面这段话人能读懂，是因为我们会自动脑补纸箱、旧照片和迟迟没有迈出去的脚。

但模型呢？它也有可能出来一张你想要的效果，但是那个时候靠的就是它的随机性了。

正确方向是：

她右手捏着一张单程火车票，左手扶着最后一个纸箱。
身体已经转向门口，头却还在回望。
墙上有取下照片后的浅色印记，地上只剩一把折叠椅。

前者在替人物解释内心。

后者只写眼睛能看到的现场，却让读者自己读出了不舍。

所以完整版的核心不是写得更文学，而是：

先把故事想清楚，再强迫自己只写镜头能拍到的部分。

它更像导演在写分镜说明，或者摄影师在交代现场，而不是作家在写小说。

最容易翻车的是这几件事

道具越多，故事不一定越完整。

一个事件先留一件核心道具，再加一两个环境痕迹。东西全塞进去，没有理清楚空间关系顺序，模型不懂，读者也不知道哪个重要。

两个人都看镜头，关系很容易断。

看对方、看共同物、故意避开对方，表达的是三种不同关系。视线要有目标。有兴趣的兄弟可以去研究一下图片的眼部视线热动力学，也蛮有意思的。

只写动作，不写动作停在哪一刻。

“递扳手”可能已经递完，也可能生成两把。写清“扳手位于两只手之间，正在递交”，画面才明确。

构图和证据互相打架。

你要求全身大远景，又希望看清一张小车票；要求浅景深，又希望远处墙面痕迹清晰。所以要先决定最关键的证据，再选景别。

同样的方法，也能继续变成视频分镜

一条能直接执行的叙事 Prompt，其实已经很接近一个单镜头的拍摄说明了。

里面有谁在场、在做什么、关键道具是什么、镜头站在哪，这一镜必须让观众看见什么。

我去翻了 Walt Disney Animation 关于故事部门的公开介绍，里面说故事艺术家不只考虑情节、角色和世界，还要同时想情绪、表情、时间、调度和取景。

美国电影摄影师协会聊剧本拆解时也提到：先找到人物目标和场景节拍，再让景别、机位、镜头运动和光线去响应这些变化。

所以“女孩要离开旧房间”这件事，不需要一上来就写十个镜头。

先拆成三个就够了：

• 远景交代处境：空房间、门口、一个纸箱。
• 中景交代决定：身体朝门外，头回望，手里有票。
• 特写交代证据：车票、手和纸箱。

三张图不是把同一个画面放大三次。

每一镜都换了信息任务。

这就是分镜最基础、也最容易被忽略的地方：景别不是装饰，切镜也不是为了显得像电影。每次变化，都应该多给观众一点新信息。

最后，两份可以直接抄的模板给你

静态图可以这样写：

硬关系：几个人，谁在什么位置，身份与核心动作是什么。
可见证据：核心道具、动作停在哪一刻、人物看哪里、现场留下什么痕迹。
构图任务：景别、机位、第一视觉中心、哪些信息必须清楚或弱化。
风格氛围：摄影风格、光线、色彩和质感，只留必要的几项。

迁移成视频分镜，再给每一镜补两个问题：

这一镜新增什么信息？
它结束时，下一镜为什么必须出现？

如果第二镜只是换个角度重复第一镜，它就不一定需要存在。

如果一条 Prompt 同时塞了远景、中景和特写要完成的任务，也应该拆开。

上一篇开头那个问题，到这里可以回答了。

为什么有些 AI 图片第一眼好看，第二眼就忘？

因为它只把视觉元素摆对了，没有让元素之间发生关系。

真正的叙事 Prompt，也不是把文字写得像小说。

它更像导演在交代现场：谁在这里，事情停在哪一秒，什么东西必须被看见，镜头应该把我们的眼睛放在哪里。

当你开始这样想，得到的不只是一张更有故事的图片。

你也在练习另一种能力：把一段模糊的感受，拆成可以被拍、可以被生成、也可以被剪到一起的视觉动作。

这一步，就是从“会写生图提示词”，走到“会做画面”。