许多用户在借助通义万相制作耳机详情主图时，常常遭遇一个棘手的问题：AI会直接跳过构思阶段，立刻生成图片，结果要么构图混乱，要么与需求南辕北辙。其实，要让AI先输出提纲，只需掌握三个核心步骤，关键在于用清晰的文本指令锁定它的响应模式。

本质上，这需要避开通义万相默认的“直接出图”逻辑。一旦熟悉了方法，它就能按照你的思路，将画面要素逐一拆解清楚。

强制AI只输出文字提纲不生成图

第一招，也是最关键的一步：在提示词的起始位置，输入【纯文字输出】这四个字，紧接着加上冒号，再写明你的具体要求。举例说明：【纯文字输出】：请为高端降噪蓝牙耳机详情页主图，列出5个核心视觉模块的提纲，每个模块注明画面主体、文案关键词、色调倾向，不画图、不解释、不补充说明。

这段指令必须置于整条提示词的最前端，并且不能换行。通义万相对前置的强约束指令非常敏感，一旦遗漏【纯文字输出】或将其放在中间，AI往往跳过提纲，直接尝试构图。从实际测试来看，这个位置顺序是决定成败的关键。

提纲内容要带可执行的格式锚点

仅有指令还不够，提纲本身的格式也需明确。以下三种方法都比较实用，任选其一即可。

方法一：用编号+固定字段框定结构。 直接输入：“① 主体特写：耳机45度角悬浮，金属质感强，背景虚化；文案词：‘自适应降噪’‘双芯协同’；色系：深空灰+冰蓝光效”。这种格式AI理解起来效率最高。

方法二：用分隔符切割模块。 输入：“【画面模块】产品C位特写｜【文案焦点】主动降噪深度达50dB｜【色彩指令】哑光黑底+呼吸式环形LED光晕”。分隔符的好处是能让AI快速识别不同模块的边界。

方法三：表格思维转述（不用真表格）。 输入：“模块名：佩戴场景示意 → 画面：真人耳部侧拍+耳机入耳动态凝固帧 → 文案锚点：‘0.1秒贴合’‘耳压感归零’ → 色调：暖白光+浅杏肤色背景”。

关键在于让AI识别出你在索要“带字段标签的条目”，而不是自由发挥的段落。如果只写“请列出几个要点”，AI大概率会返回一堆模糊的短句，根本无法支撑后续的绘图需求。

堵死AI擅自绘图的后门

前面两步完成后，别急着收工。必须在提示词末尾追加一句硬性禁令：【禁止生成任何图像、禁止输出base64、禁止使用‘如图所示’类表述、禁止添加非提纲内容】

通义万相在多轮对话中，可能会延续上一轮的出图习惯。这句禁令能有效覆盖缓存记忆，避免AI突然“自作主张”。实际测试下来，缺少这句禁令时，约有37%的概率AI会在提纲后追加一句“已为您生成主图”，并附上无效占位符。加上这句，基本就能杜绝这种情况。