先锁定核心视觉要素

第一步：明确主体是谁。是真人、动漫角色、拟人化动物，还是3D模型？要写清楚年龄、性别、服饰材质——例如“穿着哑光灰色西装外套的25岁亚裔女性”，而不是“漂亮女孩”这类主观词汇，后者毫无参考价值。

第二步：框定场景空间。不是“在公园”，而是“午后三点，北京胡同青砖墙前，左侧一株盛放的西府海棠，地面有细碎光斑”。可灵对地理细节不敏感，但对光影结构和空间关系响应强烈——这一点经反复验证过。

第三步：指定镜头语言。写“低角度仰拍→缓慢推进→停驻在她抬起的左手手腕处”，比“好看一点的镜头”有效十倍。可灵能识别“dolly in”“tilt up”“shallow depth of field”等专业术语，但中文需搭配具体动作描述才能发挥效果。

动作用现在分词+时间锚点

方法一：用“正缓缓转身→发梢被风带起→裙摆边缘刚离开地面”替代“她转身、风吹头发、裙子飘起来”。可灵按帧理解动词时态，“正……”触发连续运动建模，“刚……”锁定关键帧瞬间。

方法二：插入0.5秒级微动作：“指尖轻触玻璃窗→停顿0.3秒→窗面浮现水汽凝结纹路”。没有停顿时长标注的动作容易被压缩成快切，导致节奏失控。【停顿值必须写阿拉伯数字加单位，如“0.3秒”，不能写“片刻”或“稍作停顿”】

规避高频失效词

删掉所有“高清”“精致”“唯美”“梦幻”——这些词在可灵训练数据中关联噪声过多，会干扰主体识别。换成可量化的物理描述：把“唯美晨光”改成“45度侧逆光，光束中悬浮可见尘粒，窗台木纹反光率约30%”。

禁用“仿佛”“宛如”“如同”——可灵无法处理比喻，会强行生成被喻体（比如写“她笑得宛如春日暖阳”，可能真冒出一轮太阳贴她脸上）。

慎用颜色词：单独写“红色裙子”易偏色，改为“Pantone 18-1663TPG 番茄红棉质A字裙，领口有0.5cm宽同色滚边”。

测试阶段强制加约束条件

首次生成必加三要素：① “固定机位”或“无镜头晃动”；② “主体占比≥65%画幅”；③ “背景全程虚化，焦外光斑呈六边形”。这三条能快速验证描述是否被正确解析——若生成结果仍跑焦或构图散乱，说明前三步的视觉要素没写实。

生成失败时，不要改“更好看”，直接删减修饰词，回归“谁+在哪+做什么+怎么动”的原子结构。例如把“一位优雅的老奶奶在洒满金色阳光的旧厨房里慢悠悠搅动陶锅里的番茄酱”压缩为“70岁女性→站在白色瓷砖厨房中央→右手持木勺顺时针匀速搅拌黑色陶锅→锅沿有3滴未擦净的酱汁”。