跨模型提示词工程：Nano Banana、GPT-4o、GPT-5 的差异与实战

简介这是一套面向人工智能绘画创作者与提示词研究者的图像生成模型提示词案例合集聚焦于Nano Banana、GPT-5、GPT-4o等热门模型的用法。内容涵盖人物肖像、国风插画、菜谱可视化、角色自拍、场景概念图、技术蓝图、分格漫画、旅游地图、黄历插画等多种风格案例连续编号从仿真照片到创意脑洞均有涉及。资源共726个文件以527张jpeg示例图、184张png图片和若干md提示词文档为主辅以少量网页及脚本类辅助文件压缩包整体大小约261.11MB目前已有71人学习下载。整个资源包按案例组织目录结构清晰便于对照效果与提示词原文既能快速检索灵感也可学习如何用文字描述画面细节、光线、镜头与风格适合希望在人工智能绘画中提升出图质量和效率的爱好者收藏使用无论用于日常配图还是专业设计参考都能提供直接可用的灵感来源案例覆盖不同难度与风格新手可直接套用进阶者可拆解思路。1. 一个提示词写到底的时代过去了Nano Banana、GPT-4o、GPT-5 各说各话Nano Banana社区给 Google Gemini 2.5 Flash Image 起的外号官方示例里那根香蕉让人过目难忘和 GPT-4o、GPT-5 的 Image Prompts 放一起对比时大部分人第一反应是“反正都是输入文字出图能有多大差别”。真实情况是同一句提示词这三个模型画出来的构图、质感、文字渲染效果可能完全对不上同一个需求换一个模型就得重新调两三轮。原因不在于哪个模型“更聪明”而在于它们理解提示词的机制、擅长拆解的任务类型、对上下文的利用方式从一开始就分道扬镳。这篇文章从提示词工程的角度把三个模型的脾气摸一遍先讲清楚它们各自理解什么、忽略什么再给出一套可以跨模型复用的六要素模板最后落到具体翻车案例和排查方法。适合正在做电商素材、短剧分镜、产品配图以及想从 GPT 系列迁移到 Nano Banana 或反向迁移的从业者——不是让你选边站而是让你在任意模型上都能尽快写出能用的提示词。2. 三个模型对提示词的理解差异为什么同一句话出图完全不同写提示词前先搞清楚一件事你输入的是一段文本模型脑子里发生的不是“翻译成图画”而是“把文本编码成特征向量再交给图像生成头去采样”。这段编码器无论是 Gemini 的多模态主干还是 GPT 系列的多模态主干决定了它对哪些词敏感、对哪些词直接忽略。这不是玄学是提示词工程里最值得先花时间摸清的地基。先看 Nano Banana 这边。Gemini 2.5 Flash Image 本身是从多模态模型蒸馏出来的图像生成版本它的文本编码通道和视觉编码通道共用同一个主干所以它对“整段话的整体语义”特别敏感。你给它一段连贯描述它会像做阅读理解一样抓出主体、动作、环境然后一次性组织到画面里。这个特性带来的直接后果提示词写得越像自然语言段落Nano Banana 的理解越稳定写成关键词堆叠的清单反而容易丢失主语或者把次要属性安到错误的主体上。GPT-4o 的 Image 生成走的是另一条路。GPT-4o 首先是对话模型图像生成只是它多模态输出能力的一部分。这意味着它对“指令性语言”更敏感——“把背景里的桌子换成木质的”这种祈使句它理解得远比“一个有着木质桌子的房间”更好。因为对话模型的训练语料里指令、修正、追加说明是最常见的输入形态。实际用下来GPT-4o 做局部编辑远好过做无中生有的长文创作这个差异会在后面实战部分展开。GPT-5 又把两者往前推了一步。GPT-5 的图像生成和推理过程共享上下文能把你多轮对话里提出的约束积累起来。第一轮说“画一个咖啡店”第二轮说“窗外下雨”第三轮说“杯口冒热气”它能把三轮信息合成到一张图里而不是像 GPT-4o 那样只关注最新一轮的内容。所以给 GPT-5 写提示词最合理的姿势是增量式写作但凡是能拆成多轮约束的场景就不要一次性把所有细节硬塞进一个长句。2.1 Nano Banana 的文本渲染与自然语言对齐Nano Banana 最出圈的能力是“文字渲染”在图上把一段文字写得清楚、不串行、不错字。这背后是它对字形glyph的建模能力比前几代模型强出一大截。社区里沉淀下来的 Nano Banana 提示词模板几乎都会包含一句显式的文本内容描述例如 “a neon sign reading COFFEE in bold sans-serif”。关键词是 reading、saying、displaying 这类引出文本的动词而且一定要用引号把文字内容包住。用 Nano Banana 时我一般会把任何需要落到图上的文字单独拎出来写不要藏在一堆视觉效果词里。你把它混进“发光的霓虹灯牌工业风深色金属质感”这种描述里模型大概率会把文字当成一种纹理来渲染结果就是花体字、缺笔画或者整段乱码。另一个隐蔽问题是字形和画面风格的权重分配想让文字大而清晰就减少周围装饰词的占比甚至单独写一句 “the text occupies the center of the composition”想让文字不喧宾夺主就把文字放在画面边缘并降低字号描述。自然语言对齐还有一处和扩散模型明显不同Nano Banana 对否定词的处理明显更可靠。你写 “no text on the poster”它大概率真的不加字同样的话交给 GPT-4o偶尔还是会多出几个没来由的字母。所以给 Nano Banana 写提示词可以把“不要什么”直接写进句子不需要像给老式扩散模型那样绕弯子、用少见的词来间接抑制某个元素。2.2 GPT-4o 的“编辑优先”提示词逻辑GPT-4o 的图像能力在 2025 年 3 月全面升级后最实用的场景是“改图”。上传一张产品图说“把模特换成穿红色连衣裙”它能保留原来的姿态、构图和光线只换服装本身。这种能力的底层逻辑是对话模型天然擅长指代消解——你说“这个”“那里”“左边的东西”它能结合图像上下文定位到具体区域。所以给 GPT-4o 写编辑提示词通用结构是引用哪里→ 动作改什么→ 程度怎么改。比如 “the cup on the left side of the table, make it smaller and change its color to matte black”这比直接写 “change the cup” 要稳得多。引用部分越具体模型动刀的位置就越准引用里带一个参照物也没关系比如 “the cup next to the laptop”模型能依赖参照物收敛编辑范围。但 GPT-4o 的创作端有个明显的天花板一次性让它从零构建太复杂的场景很容易在细节上崩坏比如多人物透视错乱、前景和后景元素粘连。与其让它凭空画不如把它当“精修工具”用——先用 Nano Banana 或者素材库出一张底图再扔给 GPT-4o 做局部修改。这种分工在生产环境里非常常见也是把三个模型放在同一条工作流里最省事的用法。2.3 GPT-5 的多轮上下文与提示词增量写法GPT-5 和前两者的关键区别在于“图像生成模型”这个定位变了它不是一个孤立的图像接口而是和推理、代码、文本生成共享同一套上下文窗口。这带来一套实用的提示词策略——你不需要在第一轮把所有细节塞满而是把提示词按约束类型拆成多轮。第一轮建立场景第二轮追加光线和视角第三轮补充画质和风格。每轮提交的信息量变小但跨轮累积的信息量变大。这种写法还有一个额外收益如果模型在某一轮误解了某个词你可以在下一轮直接纠正。比如第一轮生成后发现构图偏了第二轮写 “shift the composition so the subject is on the right third”模型能听懂并在后续输出里调整而不必从头再来。对短剧分镜、连载插画这类需要保持角色一致性的场景用 GPT-5 的增量式提示词比重新写完整段再跑一遍要轻松得多。需要注意一个边界GPT-5 的跨轮记忆也有窗口极限批量出图时如果连续生成几十张早期约束可能被后续内容挤出去。稳妥做法是每三到五轮重新确认一次关键特征或者把核心约束固定写进新一轮的提示词开头让它在长上下文里保持存在感。3. 搭一套可复现的六要素提示词模板从自然语言到结构化写图像提示词最怕的不是写得不好而是写完自己都看不懂。隔三天回头看忘了当初为什么加某个形容词换一个模型测试结果面目全非。所以我的习惯是把提示词结构化做成一套可复用的六要素模板主体 → 动作 → 场景 → 光线 → 镜头 → 风格这个顺序不是拍脑袋定的它考虑了提示词不同位置对生成结果的影响权重。越靠前的词模型的注意力越高因此主体放最前面能有效减少“把大象画成石头”这类主体丢失问题光线和镜头放中间负责整体氛围的定调风格词放最后用来统一材质和色彩。以 Nano Banana 为例一段最常见的提示词是A golden retriever running through a snow-covered park, snowflakes swirling, soft morning light, shot on 85mm lens, shallow depth of field, photorealistic, cinematic color grading这段文本直接投给 GPT-4o 也能出图但各模型对它的权重分配完全不同。Nano Banana 会把 “soft morning light” 理解成整张图的平均色温和柔和度GPT-4o 可能把 “shot on 85mm lens” 当成构图指令让主体占据更大画幅GPT-5 则倾向于把前景、背景拆开逐层渲染。差异意味着模板的价值不在于“一句话走天下”而在于给你一张检查清单缺了哪个要素先补哪个主体丢了就调主体段风格不对就换风格词。这样一来调提示词就变成了可控的排查流程而不是反复掷骰子。3.1 六要素模板在不同模型上的映射每个模型对六要素的响应方式不同需要逐项适配。Nano Banana 这侧六要素可以写成流畅的散文式长句动词和介词越多语义越稳。一句 “a steaming cup of pour-over coffee placed on a wooden table by the window” 远比 “steam, cup, wood table” 要稳得多。文字渲染需求则要单独一行说明用 reading 引号包住文字内容否则很容易被当成普通视觉纹理处理。GPT-4o 这侧六要素里“光线”和“镜头”两项最容易被忽略因为它会从常识库自动补全环境光但对摄影词汇并不总是买账。比如 “shallow depth of field” 可能被理解成“模糊一点”也可能完全被忽略。常见做法是换成量化描述“strong background blur, subject in sharp focus”。画幅比不要写进提示词在接口参数里设置更可靠写了 “wide aspect ratio”它未必听反而可能干扰构图。GPT-4o 还有一个特性值得注意它倾向把“动作”放在画面叙事中心所以在动作要素里加上意图比如 “walking toward the camera, looking slightly down”构图会更自然。GPT-5 这侧六要素可以拆成多轮提交每一轮拎出一到两个要素。第一轮只给主体和场景第二轮说光线和镜头第三轮补风格和画质。这样做的目的是让推理能力在中间轮次介入逐步收窄生成空间避免一轮塞太满导致输出发散。如果一次给的要素太多GPT-5 也会表现出类似 GPT-4o 的“只抓最新信息”的倾向那多轮优势就浪费了。3.2 用 JSON 写提示词稳定性和可维护性验证在团队协作或批量出图场景里用自然语言段落直接写提示词维护成本很高。一个常见做法是把它转成 JSON用字段把六要素分开再通过脚本拼成最终的自然语言提示词交给模型。这样做有三个实际好处单字段可替换多个提示词之间能直接对比差异还能配合参数记录形成回归样本集。prompt_schema { subject: a white porcelain teapot, action: steaming gently, scene: on a dark walnut table beside a window, lighting: muted overcast daylight, camera: medium shot, 50mm, soft focus, style: minimalist product photography, warm tones } # 按固定顺序拼装避免每次手写时漏要素 final_prompt ( f{prompt_schema[subject]} {prompt_schema[action]}, f{prompt_schema[scene]}, {prompt_schema[lighting]}, f{prompt_schema[camera]}, {prompt_schema[style]} )拼出来的结果是 “A white porcelain teapot steaming gently, on a dark walnut table beside a window, muted overcast daylight, medium shot, 50mm, soft focus, minimalist product photography, warm tones”。这段英文提示词在 Nano BananaAI Studio 网页端或 Gemini API和 GPT 系列接口里都能直接用区别在于参数的传法不同Nano Banana 侧重 image size 和采样相关配置GPT-4o 的接口则要设置图像尺寸和生成数量具体参数名以你实际使用的 SDK 版本为准。用 JSON 管理提示词还有一层价值就是可以只改一个字段而不碰其他内容。比如 Nano Banana 上测出来场景词权重太低你只需要替换 scene 字段的值然后重新拼装不需要整段重写。这个改法在批量测试不同风格时特别省时间配合一个简单的循环脚本就能一次性跑出同一主体在不同光线、不同镜头参数下的多张对比图。脚本本身不复杂但前提是提示词必须先结构化否则循环里改词都无从下手。3.3 三个必调参数CFG、采样步数、画幅比例不管用哪个模型提示词写完之后最终出图都绕不开三个参数。第一个是 CFGClassifier-Free Guidance无分类器引导它控制生成结果在多大程度上贴近提示词。Nano Banana 这类扩散模型在内部会做引导但 API 不一定直接开放这个旋钮不过在提示词层面等价的操作是同一个要素如果出现多次就相当于拉高了该要素的引导权重。所以不要在同一句话里用三个不同形容词修饰同一个物体那会让模型不知道该强化哪一个特征。第二个参数是采样步数。Nano Banana 内部针对图像质量做过优化默认步数在多数场景下够用GPT-4o 和 GPT-5 的图像生成方式不是纯扩散步数概念不完全对应。这个参数在提示词层面的含义应当理解成“模型有多少信息可以依据”——你只给一句极短的提示词再多的步数也补不出细节。反过来提示词信息量足够丰富时模型内部的采样步数才能被充分利用。跨模型对比时不要试图把出图质量的差异归结到某一个参数上先确认两边输入的提示词信息量是对等的。第三个参数是画幅比例。它对构图的影响极大16:9 下模型会自动安排横向延展的布局3:4 下会主动在垂直方向组织元素。批量出图时最稳妥的做法是先在外层接口把输出宽高比固定同时在提示词里写一句 “vertical composition, subject centered”两边对齐。只靠接口裁切而提示词不写构图经常会歪只写提示词而不设置接口参数比例又可能不生效。这两个动作要一起做。4. 实战三种模型同一主题的 Prompt 对比与改写把前两章的思路落到具体实例里。我选一个最贴近日常需求的场景电商主图。假设要为一款手冲咖啡壶做产品图要求画面干净、有高端质感、壶身上有一行清晰的品牌文字。下面分别用三个模型写提示词并标注每一步的调节思路以及常见的失败形态。4.1 Nano Banana 实战一镜到底式主图提示词Nano Banana 的强项是长文本渲染这放在产品图里有一个很实用的玩法直接把卖点文字画在壶身上省掉后期加字的步骤。常见写法是这样的A hand-pour coffee kettle made of matte black steel, placed on a walnut tray, the word SLOW BREW written in elegant white sans-serif on the side of the kettle, soft studio lighting from upper left, warm gray background, minimalist composition, short depth of field, 4k product photography, no other text on the image这段提示词里藏着两个关键设置。第一“the word ... written on the side of the kettle” 把文字渲染的范围锁死在壶身侧面模型不会误以为整张图都要写字。第二最后的 “no other text on the image” 是给 Nano Banana 的否定约束它能真正执行“不要其他文字”这条指令。第一版跑出来如果发现 “SLOW BREW” 拼错或者位置太靠下不用动其他词把 “on the side” 改成 “on the front center of the kettle” 再跑一次就行。Nano Banana 在真实生产里还有一个高频用法是把已拍好的产品图直接作为输入让它“参考原图重新打光”。这种情况下提示词里必须增加 “keep the original product shape and label design” 这样的约束否则它会按自己的理解自由发挥把产品的外观细节改掉。这是 Nano Banana 在电商场景里最常见的调用坑——你只想要它重新布光它却顺手给你换了个壶嘴。4.2 GPT-4o 实战局部修改提示词的精修流程商品摄影里经常遇到小瑕疵比如模特的手挡住了壶柄。用 GPT-4o 修这个问题比重新拍摄快得多。上传原图提示词这样写the right hand of the model is blocking the kettle handle; remove the hand, keep the kettle and the table scene unchanged, keep the original lighting direction on the left side and the shadow on the right这种提示词的套路可以拆成三段。第一段描述现状并给出动作“remove the hand”第二段锁定必须保持的内容“keep the kettle and the table scene unchanged”第三段把光和影的属性具体化而不是笼统地说 “keep the lighting”。GPT-4o 对抽象光影词的理解有限但“light from the left, shadow on the right”这种方向性描述它执行得很好。有一个细节要注意keep 部分不能写太长。如果你列出“保持壶不变、保持桌面不变、保持背景不变、保持模特衣服不变”GPT-4o 会把整个画面都当成“要保留的东西”反而削弱了 remove 指令的执行力度。常见做法是只保留最关键的一个元素其余交给模型根据原图自行推断。光线和阴影这类属性本身就蕴含在原图里不需要重复列出。4.3 GPT-5 实战多轮提示词迭代的分镜落地GPT-5 适合做分镜类生成。假设你有一段短剧分镜描述用一轮塞完效果一般拆成三轮给画面稳定性会好很多。下面是三轮提示词的示例第一轮A young woman in a yellow raincoat standing at a bus stop at night, neon reflection on the wet asphalt, cinematic composition 第二轮facing right, looking at an approaching bus, headlights creating a long shadow behind her, keep the raincoat color exactly as it is 第三轮make it look like a film still, slight film grain, muted teal and orange color palette, no text overlayGPT-5 能理解“保持雨衣颜色”是跨轮约束不会在第三轮把 teal 和 orange 的调色覆盖到雨衣上。这在 GPT-4o 里经常做不到因为后一轮的指令会和前一轮叠加把早期特征冲掉。所以如果你有一批存量 GPT-4o 提示词要迁移到 GPT-5不需要从零重写只需要把原来的一轮长提示词按主体、场景、画质拆开分轮提交即可。批量做短剧分镜时画幅比例的设置很重要。短剧通常需要 9:16 竖版在接口配置里把宽高比直接透传给输出层提示词里只写 “vertical composition” 不写具体数值这样拆轮时不会因为比例约束重复提交而干扰构图。另外分镜场景下角色一致性是个大问题建议每轮都在提示词开头重申一次关键外观特征比如 “the woman in the yellow raincoat”把一致性锚点放在最前面。5. 提示词翻车避坑五个常见问题的现象、原因与解法图像提示词看着不复杂真正批量跑起来翻车的情况比想象的多得多。这一章按“现象→原因→解决”的格式列出我在实际项目里遇到并排查过的五个典型问题每一条都可以直接对应你的生产流程。5.1 中文提示词渲染成英文标签现象提示词里写“招牌上写着深夜食堂”Nano Banana 确实把文字画出来了但画出来的是拼音或者错乱的英文标签。原因Nano Banana 的字形建模主要覆盖拉丁字母和少数常用汉字变体中文长文本的字形组合空间太大模型在自回归生成字形时很难命中正确笔画结构。解决最稳的做法是把中文文字转成英文写进提示词比如 “a sign reading Midnight Diner”。如果必须保留中文就改为让模型画一个空白招牌并在提示词里写 “the sign is blank, no text”文字留到后期用其他工具或者再次编辑生成时叠上去。不要在中文提示词里直接要求渲染中文长句这是投入产出比最低的一条路。5.2 跨模型提示词风格走样现象同一句 “cinematic lighting, warm tones” 在 GPT-4o 和 Nano Banana 上出来的风格完全不同一个偏暗调悬疑一个偏温暖日系。原因每个模型内部的视觉编码空间不同“cinematic” 在不同模型里映射到的特征区域不一样。这不是 bug是模型各自训练数据分布差异的体现。解决跨模型复用时不要整段保留只保留六要素里的主体、动作、场景风格字段替换为该模型擅长的词。Nano Banana 更适合干净、质感强的摄影风格GPT-4o 更适合有一定叙事感、但不需要复杂镜头语言的内容GPT-5 对电影氛围描写的贴合度最高。把风格字段单独拆出来管理是跨模型迁移成本最低的做法。5.3 多主体提示词丢细节现象提示词写了“一男一女分别站在画面左右两侧各自拿着一杯咖啡”出图经常只剩一个人或者两个人都在但咖啡杯没了。原因扩散模型在图像 token 层面分配注意力时长尾参与者会被主角吸收。Nano Banana 对多主体的处理在同行里算靠前但并列动作在特征合成时还是容易退化。解决把并列主体拆成两个短句每个主体单独描述并补充位置信息“A man standing on the left holding a paper cup of coffee, A woman standing on the right holding a glass of water, both talking and laughing”。如果仍然丢就在迭代中只保留两个主体里最关键的那一个的细节另一个交给后处理补齐。5.4 文字渲染乱码与字形错误现象让 GPT-4o 渲染一段自定义短语比如 “SPACE LAB”出来的字母有一个叠在另一个上或者整个单词扭曲变形。原因一方面是对长词的字符粒度建模不够另一方面是提示词把文字混在了大量视觉词里。当 “industrial design” 和 “metallic texture” 和文字描述出现在同一段时文字特征会被材质特征覆盖。解决把文字单独隔离成一行并加上字体外观约束“Display the text SPACE LAB in bold white letters across the front of the module, do not apply texture or distortion to the letters”。如果还是乱码最快的临时办法是缩短文字长度、大写字母换成小写或者把字号描述改大。把文字内容放进引号里是所有图像模型都更愿意遵守的边界。5.5 编辑类提示词超出预期范围现象用 GPT-4o 把“桌上的杯子换成蓝色”执行后发现桌面上也多了一层蓝色调。原因编辑提示词里的属性会溢出到相邻语义区域。对话模型做图像生成时不是按像素块定位而是按语义 token 生成说 “the blue cup”蓝色分量可能在全局 token 里扩散出去。解决把主体边界写得更像分区指令。原图是白色杯子不要写 “make the cup blue”应该写 “change the color of the cup region from white to blue, keep the table background unchanged”。在生产环境里更保险的做法是先用外部工具圈出编辑区再把区域信息作为输入传给模型让编辑范围在输入层就被锁死。6. 把提示词模板变成资产回归测试与版本管理到这一步提示词的写法、模型差异、参数设置和常见坑都已经过了一遍。最后分享一个我真正觉得值得长期投入的技巧把提示词当代码管理。具体做法是给每个模型建一个 prompt 目录用 Git 按日期管理版本每次修改字段都要在同一组随机种子下跑三张对比图并把结果截图放进对应目录。听起来繁琐实际用下来挽回的返工时间远超投入。图像生成的风格波动本来就大没有版本对照的话你根本分不清某次效果变化是模型更新造成的还是提示词改出来的。另一个相关的习惯是保留“黄金提示词样本集”。每个模型上选出二十个左右覆盖不同场景、跑通过的提示词存成一个固定文件标注模型、日期、写入时的参数配置。模型一升级、接口一更新先用这套样本集跑一遍就能立刻看出是提示词写法需要调整还是模型本身的风格偏移了。没有基线样本你连排查的起点都找不到。我自己也因为没有做版本管理吃过亏临时改了一个形容词导致整个产品系列的主图风格全部不一致最后只能靠记忆一条一条回滚那之后才开始建版本库。所以如果你准备在图像生成上投入长期精力建议从第一张测试图开始就建立这个习惯所有提示词统一复制到一个 Markdown 文件里记录模型、日期、seed、参数值让每一次输出都能精确回放。这种做法不挑工具Git、Excel 甚至飞书表格都行关键是坚持。希望这个思路能帮到你。本文还有配套的精品资源点击获取