LiblibAI人像提示词：避免模板感的高效技巧

换言之，要让LiblibAI输出真正有辨识度的人像，核心策略是：用物理锚点替代抽象词汇，用精确参数替代模糊感受。

剔除所有缺乏视觉锚点的“安全词”

“高级感”“氛围感”“精致”“治愈系”“轻奢风”——这类词汇必须全部移除。它们在LiblibAI的文本编码器中缺少对应token，模型只能回溯训练集中与这些词共现频率最高的画面组合。结果就是白色背景、居中主体、45°柔光的标准三件套，百试不爽却也百试不新。

举例说明，不要写“一位气质优雅的年轻女性”，试试这个：穿灰蓝针织衫的女性，左耳垂有颗0.8毫米深褐色痣，发尾第三缕微翘，正低头看手机屏幕反光里的自己。痣的尺寸、发尾的序号、反光内容——每一项都是镜头可验证的物理存在。关键在于：抽象形容词是AI的安全区，而精确的物理描述，才是它必须重新计算的盲区。

用物理关系替代静态描述

方法一：让物体互相“咬住”位置。不写“女子站在窗边”，改为女子右肩胛骨贴住窗框内侧木纹接缝，左手小指悬停在窗台青苔边缘3毫米上方，青苔孢子正随气流缓慢上升。接缝坐标、悬停距离、孢子运动状态——这些细节迫使模型计算人体姿态与环境材质的实时交互逻辑，而非直接调用“人+窗”的现成组合。

方法二：绑定不可复制的时间切片。加入午后2:17阳光穿过百叶窗，在她锁骨凹陷处投下三条平行光带，中间那条正覆盖一粒刚落下的蒲公英绒毛。2:17是精确时间戳，绒毛未飘散是瞬时态，两者叠加直接封死AI复用静物光影模板的路径。

锁定单一真实风格源并禁用混搭

只选一个真实存在的摄影师或出版物作为唯一锚点。例如：参照Steve McCurry 1984年阿富汗纪实胶片原片，或《Vogue》1998年12月刊Richard Avedon人像布光逻辑。然后在提示词开头直接写(Steve McCurry Kodak Ektachrome:1.3)，权重拉高到1.3，确保它主导渲染逻辑。

同时，用负向提示词封堵其他风格：(digital art), (anime), (3D render), (oil painting), (watercolor)。将“胶片+数码+油画”同时塞进提示词，UNet解码器会在风格通道之间反复震荡，最终出图要么模糊，要么结构崩坏。这一步绝对不能省略。

植入三处不可批量复制的身体记忆点

第一，给角色起真实名字并标注年龄，格式为林薇：28.7。名字自带人格权重，模型会规避标准化的娃娃脸。第二，绑定微小生理特征，比如右耳垂有道2023年夏被自行车链条刮伤的浅色细痕。第三，插入动态体征，比如说话时喉结上下移动幅度约1.2厘米，左侧颈肌轻微抽动。

这三处必须全部出现，缺一不可。单个记忆点容易被覆盖，三点联动才能形成稳定的人体识别锚点，让AI真正“记住”一个人，而不是生成一张脸。

控制光源方向与衰减逻辑

明确主光源角度：北窗漫射光，入射角32°，在鼻梁右侧投下投影，投影长度不超过人中下缘。然后指定光衰路径：光线经浅灰亚麻窗帘二次散射后，在颧骨高光区形成直径约8毫米的软边光斑。最后加入环境污染源：墙面暖白乳胶漆反射光轻微抬升肤色色温，但左耳后方阴影区仍保留原始冷调。

只写“柔和均匀光照”，AI会直接启用全局均质渲染，面部细节必然失真。只有带方向、尺寸、衰减路径的光，才能激活真实的光学建模逻辑。这背后不是玄学，而是模型自身对物理参数的敏感度——如果你不精确地定义它，它就会用最偷懒的方式替你定义。