简介：面向AI绘画爱好者和设计师的提示词合集，聚焦Nano Banana、GPT-5、GPT-4o等模型的图像生成场景，通过500多个真实案例展示不同风格与题材的prompt写法，覆盖电影风格肖像、国风水墨、科技蓝图、动漫风格等多元需求。案例编号自464至508，涵盖照片级人像、历史时间轴、数学题图解、品牌海报等丰富主题。压缩包共726个文件、约261MB，其中500余张jpeg/png图片为案例效果图，3个md文档、2个html页面便于阅读和检索，还有少量css/js文件用于本地展示。已有71人学习，适合希望提升AI绘画提示词技巧、快速获取灵感或复现同款作品的用户。资料将案例编号化、分类呈现，从热门电影感写真到传统文化插画均配有完整提示词和生成示例，可直接对照参考，尤其适合作为风格探索与提示词工程的学习样本。

1. Nano Banana 提示词是什么：一句 nanobanana 为什么能让 GPT-4o 整张图换气质

在 GPT-4o 的对话框里输入“画一只伸懒腰的橘猫”，和同一句话最前面加上nano banana，出图经常像两个模型画的。前者更接近 AI 默认的“高清插画感”，后者则是低饱和、带柔和胶片颗粒、光比收敛的写实摄影味道。Nano Banana（也写作 nanobanana）并不是官方接口参数，而是社区在大量对比后沉淀出来的一套 Image Prompts 写法：用一组固定的风格锚词，把模型的审美分布强制拉向某个方向。对没跑过图的人这像玄学，对天天跑图的人来说，这是一套可以复用的配方。

下面要把这套配方拆成真正能用的生产力：提示词怎么分层、哪些参数真实生效、从 GPT-4o 迁到 GPT-5（也有人直接简写成 GPT5）时哪些写法必须改，以及照搬模板最容易翻车的 5 个场景。适合正在做批量视觉内容、想稳定出图的设计师和提示词工程师；既能照着复制，也能拿里面的方法重新搭一套自己的风格模板。

2. 把 Nano Banana 提示词拆成五层：从模板到参数的实战落地

网上流传的 nanobanana 提示词版本一大把，但把长度和措辞去掉后，核心都是五层结构：风格锚点、主体与场景、光线、材质影调、构图与限制。至于图像尺寸、出图张数、随机种子这类参数，更合适放在调用侧而不是写进提示词里。

有一个现象需要先说清楚：同一套词，有人出图“好看但不像”，原因是把风格词和内容词混在了同一个并列层里。比如nano banana, a teapot, film grain, centered这种写法，模型看不出哪部分是风格、哪部分是主体，只能按位置和词频猜权重。分层的目的就是为了让模型少猜。

2.1 先看一个可运行的五层模板

下面是一段可以直接贴进 GPT-4o 对话框的模板，行与行之间职责不同。复制之后重点看分层，不要逐字照抄。

# 不写 --ar 3:2 这类 Midjourney 参数，GPT-4o 不认 nano banana, cinematic film still, 35mm photography, a hand-thrown ceramic teapot on a wooden desk, soft window light from the left, color temperature 4200K, gentle vignette, film grain 200, matte finish, no plastic highlights, no HDR, no watermark, object centered, simple composition, f/4, shallow depth of field

第一行是风格锚点。nano banana负责把采样分布往胶片、写实的方向拉，cinematic film still和35mm photography负责约束画面更像电影截图而不是插画。这个做法的逻辑是：GPT-4o 生成图像时会根据整句提示词去匹配训练时见过的图片簇，nano banana作为高频风格标签，能把整体审美带偏；如果只写“茶壶”，模型会优先找它最熟悉的电商白底图那一类分布。

第二行是主体与场景。主语只留一个，不要写“茶壶和马克杯”，因为并列名词在 GPT-4o 里经常被拆成两个主体各占一半画面。第三、四行是光线和影调。color temperature 4200K并不会被精确理解成色温数值，而是一种偏暖色温的方向暗示；film grain 200同理，只是颗粒感的程度提示。

第五行是负向限制。no HDR避免过曝的塑料感高光，no watermark避免模型顺手在角落生成一行无法识别的水印。第六行是构图硬约束，其中f/4是伪参数：GPT-4o 并不理解它是光圈值，只把它当成“背景虚化”的同义词，所以必须搭配shallow depth of field，否则模型偶尔会把f/4当成画面里的文字画进背景。这是社区里反复确认过的坑，照搬时留意。

2.2 在 GPT-4o 里真正生效的 Image Prompts 参数

提示词和参数有个常见的张力：对话框里键入--ar、--q、.5这类 Midjourney 参数，对 GPT-4o 几乎无效，还会白白占用上下文。真正能控制出图结果的那些点，要单独配置到服务调用端。

最容易忽略的是seed。当你想判断“是不是提示词本身有问题”时，固定 seed 重跑一次才有可比性；如果不固定 seed，每次出图都是一次独立采样，你根本分不清是坏词导致的，还是纯随机导致的。这里再补充一个容易踩的细节：GPT-4o 并没有真正固定的“色温参数”，提示词里如果同时出现相互冲突的光线描述，比如morning light和midnight，模型不会报错，而是随机挑一种来生成。批量跑图前，最好先扫一遍有没有这类冲突词。

2.3 风格锚点和负向词的比例需要控制

很多人喜欢往 Nano Banana 模板里堆词，把grain, noise, dust, scratches, high detail, detailed texture全放进去，结果纹理反而裂开。一个比较实用的比例是：风格锚点词 2 到 4 个，光线词不超过 3 个，负向词不超过 3 个，其余位置留给主体描述。看一个缩到最小的示例：

nano banana, 35mm film still, indoor morning light, a ceramic teapot on a wooden desk, centered, matte finish, no over-sharpening

这段相比完整模板，把风格词的密度提高，出图会更偏向“平均的胶片感”。反过来，如果发现出图很有味道但主体跑偏，不要急着加主体词，先检查风格锚词是不是把主体词的位置挤掉了。nano banana在新模型上一旦权重过高，画面主体甚至直接变成香蕉，这就是迁移到 GPT-5 时要重点处理的问题。

3. 从 GPT-4o 迁到 GPT-5：Image Prompts 的写法要改哪几处

标题里常写的 GPT-5(GPT5) 是同一个模型代际，很多人也直接称呼 GPT-5。模型每换代一次，提示词里“魔法前缀”的效力就会衰减一层。GPT-4o 时代nano banana可以直接压住整张图的风格；到了 GPT-5 的图像管线，训练数据和输入重写策略都在变化，继续把前缀当免死金牌就是赌博。并不是说新模型不支持这套风格，而是它更倾向于理解描述性结构，而不是标签堆叠。

3.1 短标签在 GPT-5 上为什么容易失效

GPT-4o 对短标签格外敏感，nano banana是高频标签，能直接唤起一个视觉分布。问题在于，新一代模型倾向于把提示词拆分成“主体、环境、风格、限制”几个槽位；当你只写nano banana, living room, a sofa, golden hour，模型当成并列关系处理，风格锚点未必比sofa更强。要得到一致结果，就得把暗号翻译成定义：

# GPT-4o 时代的短写法 nano banana, living room, a sofa, golden hour, film grain # GPT-5 时代的写法 Interior photography of a living room with a linen sofa; photography style: natural light at golden hour, colors slightly desaturated, soft film grain like Fuji 400, gentle contrast, no over-sharpening, do not change the sofa's fabric texture

第一版全部是并列名词，模型需要靠概率猜谁重要；第二版用分句把“室内摄影”“风格定义”“限制条件”切成三层，风格信息不再和主体信息互相撕扯。从 GPT-4o 迁到 GPT-5 的 Image Prompts，本质上是从贴标签转向写说明书。风格锚词仍旧有效，但它需要有个明确的名分，而不是放在主语位置。

3.2 迁移时必须检查的 7 个改动点

这里是一批 Nano Banana 模板迁移时固定要检查的清单，按优先级排列：

第 4 点很多人会忽略：上一代模型里#在绘图指令里承担“写出标题文字”的功能，如果#golden hour混进 Image Prompts，画面角落多出一行发光字体不是模型抽风，而是 # 被正确执行成了文字绘制指令。迁移到 GPT-5 时这种写法要彻底清理，#相关语法不再属于图像提示词的标准用法。

3.3 迁移实例：保持同一主角连续出三张图

批量应用场景里，最忌讳的是同一主角连续生成三张图，结果三张图三个人。下面这段是一个典型的迁移案例，从 GPT-4o 的单图提示升级成同一主角的三图提示：

# 迁移前，GPT-4o 单图 nano banana, fashion model, yellow raincoat, rainy night city street # 迁移后，GPT-5 三图连续应用 Subject: a fashion model wearing a yellow raincoat, photographed from behind. Environment: empty city street at rainy night, wet asphalt with reflections. Camera: 50mm lens, eye level 160cm, no dutch angle. Common constraints for all three frames: - do not change the raincoat color - neon signs in background should be blurred - model pose changes in each frame, coat stays the same

Subject:段是共享主体描述，三张图共用，模型每次生成时都会把这段作为最高优先级；Common constraints是共享约束段，专门控制色彩和背景这类容易被忽略的变量。逐帧变化只放在最后一行，比如“pose changes”。这样拆开后，连续生成时主体身份的漂移会大幅下降。配合后面要讲的批量脚本，把这段模板放到不同的会话里跑，就能明显看出固化首段的价值。

4. 避坑：Nano Banana 提示词照搬失效的 5 个现场

提示词最气人的是，同一条模板别人能用，你抄过来就翻车。下面五个现场来自跑图和帮同事排查时的常见情况，按“现象→原因→解决”写，方便直接对照。

4.1 把颗粒和细节叠多了，皮肤变鳄鱼皮

现象：提示词里同时出现film grain、high detail、sharp skin texture，人脸或陶瓷表面出现鳞片状纹理，脸颊泛着油腻的高频噪点。

原因：film grain和sharp skin texture共同指向“增加高频细节”，两个高频任务在模型内部互相叠加，等于把噪声和纹理一起放大。high detail这种全局词此时不是增强画质，而是把已经溢出的高频再推一层。

解决：把纹理描述收敛为一个词并加程度限制，我一般写soft genuine grain, do not enlarge pores。批量出图时，把纹理相关词固定成模板变量，不给每张图的单独提示词重复添加，避免累积。

4.2 全中文翻译后风格失效

现象：把整段 nanobanana 提示词翻译成中文，比如“纳米香蕉、电影感胶片、柔和阴影”，出图变成一种带柠檬黄的廉价滤镜感，和英文版完全不像。

原因：nano banana是在英文语料里和特定图片分布绑定出来的高频标签，中文环境里“香蕉”的词义先于风格锚点被激活，模型容易把它解读成水果画面；cinematic film still这类镜头词也没有中文对等的精确语义。

解决：保留英文风格锚点，内容描述可以写中文，但nano banana、film still、35mm这三个词不动。更稳妥的做法是整条模板的提示词主体用英文，因为图像模型在英文下的物体名识别更直接；没有强烈必要就不要整段中文化。

4.3 同样的提示词，连续两次结果根本不像

现象：同一句话两次生成，人物五官、光线角度都变了，看起来像两个批次，一开始容易怀疑是不是平台偷偷改了 prompt。

原因：图像生成每次请求都会重新采样初始噪声。除非显式固定seed（或复用上一张图做编辑），否则即使提示词完全相同，每次输出也都是独立采样。

解决：接口调用里固定 seed，并把 seed 作为 prompt 的配套元数据一起保存。对话场景里把首张图作为后续编辑的底板，用“修改这张图”而不是重新生成；连续出系列图时，这是最像后悔药的做法。固定 seed 并不保证 100% 相同，但能让对比在一个可控范围内进行。

4.4 在 GPT-5 模型上，nano banana 前缀直接生成一堆香蕉

现象：切到新版本图像模型后，只要提示词开头写nano banana，画面里就会出现真实香蕉，哪怕后面写的主体是“猫”或“茶壶”，香蕉仍会以某种形式混入，偶尔还成为整张图的焦点。

原因：新模型把nano banana当成实际名词，字面权重压过了风格权重；前缀从“风格锚点”变成了“主体词”。这是标签式提示词迁移时最常见的翻车现场，老模型把它当风格词，新模型更偏向字面理解。

解决：把前缀降级为描述性段落，放到style anchor:之后，明确告诉模型这是风格标签而不是画面元素。例如写成style anchor: low saturation, soft film grain, cinematic still — subject: a tabby cat。在 GPT-5 的 Image Prompts 里，nano banana不再适合放在句首当主语。

4.5 负向词写满 5 条之后，画面出现诡异的“半成品感”

现象：末尾加上no blur, no shadow, no reflection, no watermark, no text之后，画面边缘变灰，主体阴影消失，物体像贴图一样浮在背景上。

原因：负向词过多时，模型不是在做减法，而是把否定词当成独立语义来采样，结果是shadow真的被压掉，空间感也跟着消失。否定词和正向词在采样空间里互相抢权重，堆得越多，画面越容易往中间态坍缩。

解决：负向词控制在 2 到 3 个高频项，no watermark, no text, no over-sharpening是比较安全的组合。其余约束尽量转成正向描述：要阴影就写soft natural shadows，不要写no harsh shadows。这条规则在 GPT-4o 和 GPT-5 上同样适用，新模型表现更明显。

5. 再进一步：用一套小脚本给 Image Prompts 做批量校验

改提示词最忌讳单张看效果：今天调了一个词，出了一张好图就下结论，第二天批量跑 50 张，发现前 20 张全崩。批量校验的意义不是替代双眼，而是让效果可对比、可回滚。

5.1 最小批量校验脚本的写法

下面这套不算成品，而是一个可复制的最小框架。图像生成接口各家差异很大，先用一个抽象的发送函数占位，重点看批量用例的组织方式。

# prompt_check.py —— Image Prompts 批量校验的最小框架 import json import time def send_image_request(prompt: str, size: str = "1024x1024", seed: int = 20240601, n: int = 2) -> list[str]: """把 prompt 发送给图像生成服务，返回图片文件名列表。 具体实现依赖你用的平台，这里只给出约定。""" return ["out_a.png", "out_b.png"] def run_suite(cases: list[dict]) -> dict: report = [] for case in cases: t0 = time.time() files = send_image_request( case["prompt"], seed=case.get("seed", 20240601), n=case.get("n", 2) ) report.append({ "name": case["name"], "prompt": case["prompt"][:80], "files": files, "cost_sec": round(time.time() - t0, 2), }) return report if __name__ == "__main__": test_cases = [ { "name": "baseline-v1", "prompt": "nano banana, a teapot on a wooden desk, centered", "seed": 11, }, { "name": "negative-removed", "prompt": "a teapot on a wooden desk, soft matte finish", "seed": 11, }, ] print(json.dumps(run_suite(test_cases), ensure_ascii=False, indent=2))

有三个细节值得解释。第一是每个用例强制带seed，否则两次对比的随机基础不同，没法归因。第二是n=2，同一个 seed 出两张，便于发现低频翻车；两张都正常，说明这次改词的方向大概率安全。第三是cost_sec，图像生成按张算成本和时间，批量用例从 4 个到 20 个不等，留一个耗时字段就能估算批量跑一轮的预算。

prompt截断到 80 字符是方便在报告里快速定位用例；完整 prompt 应单独存进 JSON 文件，不要在终端里刷屏。脚本跑完后，真正要做的是人工验收。

5.2 人工验收与提示词版本管理

批量脚本只保证“能跑”，最终还得人看。我一般按四个维度给每张图打分，每项 1 到 5 分，低于 3 分直接判负。

四项都过关后，把这版 prompt 存成带版本号的模板文件，比如nano-banana-teapot-v2.1.md，并在文件头注释：改了哪些词、当时的 seed、哪几张图是代表作。我自己的习惯是每次只改一个变量，从不一次改两个词，回滚时才能精确知道是哪一处改动破坏了风格。这个“一次只改一个变量”的做法，比堆词试错和反复重新生成都高效。

做提示词做到后面会发现，值钱的不是某一条咒语，而是手里有一套能验证、能回滚、能迁移的词料库。Nano Banana 提示词只是一个起点，把结构和排障方法拿走，你可以给任何风格建同样的一套配方。希望帮到你。

本文还有配套的精品资源，点击获取