1.1 提示词到底是什么：从输入到输出的链路

提示词不是命令，是条件

很多人第一次用生成模型，会把它当成搜索引擎或软件命令：输入指令，期待唯一正确的输出。实际上生成模型做的是「在给定条件下，从海量可能里采样一个结果」。提示词提供的是条件，不是指令；条件越明确，可能结果的范围越窄，命中你想要那一类的概率越高。

这就是为什么「画一只猫」会得到千差万别的猫，而「一只橘色短毛猫，坐在窗台上，午后侧光，85mm 人像镜头，浅景深，写实摄影」会把结果收拢到一个很小的范围。

• 条件越具体，输出分布越窄，稳定性越高
• 条件之间会互相抢权重，堆太多形容词反而互相稀释
• 提示词决定的是概率分布，不是保证某个确定结果

三段链路：编码 → 生成 → 解码

以文生图为例，一次生成大致经过三步：文本编码器把你的话变成模型能理解的向量；生成模型在潜空间里从一个随机噪声出发，按这个向量反复去噪；最后由解码器把潜空间结果还原成像素。文生视频多了一个时间维度，要同时保证每一帧合理、帧与帧之间连贯，所以难度和限制都明显更多。

文生文没有图像解码这一步，但同样受「上下文条件 + 采样随机性」影响，所以温度（temperature）一调，同一段提示词的文风就会变。

• 随机噪声的起点由 seed（种子）决定，固定 seed 才能公平对比
• 采样步数 / 引导强度决定「多听提示词的话」
• 视频比图片多了时间一致性约束，最容易出形变和闪烁

可控的与不可控的

可控：描述的具体程度、结构是否完整、参数、参考图、种子、负面词。不可控：模型本身的审美偏好、训练数据里没见过的概念、以及同一批结果里的随机波动。把精力放在可控项上，用「小步改动 + 多跑几版」消化不可控项，是这本书贯穿始终的方法。