企业官网建设流程全解析

如果你最近在逛 AI 绘画相关的社区，大概率会看到同一个话题反复出现：GPT-Image-2.5，到底能不能干活了。我花了两周时间，把它从文生图、参考图修改、多图联动到 SVG 代码输出都压测了一遍，结论很明确：这一版不只是画得更漂亮，而是真的更“听话”了。它对提示词的理解方式、复杂动作的拆解、以及长指令下的稳定性，跟前代都不是一个档次。

这篇文章我会围绕一个最近特别出圈的测试题来展开——鹈鹕骑自行车。这个题目看起来像段子，实际上是检验图像模型“元素绑定能力”的硬核压测。后面再把提示词怎么写、实操步骤、踩过的坑、以及怎么沉淀自己的提示词资产，全部摊开讲。

适合看这篇文章的人大概有三类。第一类是刚入门、还在用两三个形容词憋图的新手，你会知道提示词该按什么结构组织；第二类是已经在用 Midjourney 或 Stable Diffusion、想试试 GPT-Image-2.5 的老玩家，这里有不少对比和避坑点；第三类是做内容、做设计、做产品测试的人，文末的方法论可以直接搬运到自己的流程里。

1. 为什么是 GPT-Image-2.5，为什么大家都拿鹈鹕骑车试它

先说结论：拿“鹈鹕骑自行车”来测试图像模型，不是闲得慌，而是这个题目把图像生成里最难的几个点全占齐了。

1.1 鹈鹕骑自行车：一个被低估的压测题

普通模型看到“A pelican riding a bicycle”这种提示词，最容易犯的错有三种：第一种是把鹈鹕的翅膀画成人类手臂，直接搭在车把上；第二种是让鹈鹕站在自行车座椅上，翅膀却长在车轮旁边；第三种是自行车本身变形，轮子不圆、踏板消失、车架和鸟的身体糊成一团。

为什么这么难？因为“骑自行车”在模型眼里不是一个名词，而是一组关系：身体坐在座椅上、双脚踩到踏板、翅膀需要承担转向和平衡、重心得落在车架中间。旧模型经常把“骑”理解成“站在附近”或者“和一坨铁制品发生接触”，所以翻车率极高。

GPT-Image-2.5 在这个测试上明显稳了很多。我实测生成的画面里，鹈鹕的翅膀会老老实实地压住车把，身体前倾，脚掌搭在踏板上，自行车的辐条和链条也基本是合理的。这个进步说明模型开始真正理解“主体与工具之间的动作关系”，而不仅仅是把两个高频概念拼在一起。

1.2 这一版到底“能干活”在哪里

我理解“能干活”有三个具体表现。

一是长提示词不容易塌。以前你写一段 200 字的长指令，模型经常只吸收了前半段，后半段的构图、光源、文字要求全被丢掉。GPT-Image-2.5 对长文本的跟随能力更好，语义密度高的时候依然能稳定输出。

二是元素绑定更牢固。所谓绑定，就是“谁的翅膀、放在哪里、和什么接触”要分得清清楚楚。鹈鹕测试就是绑定能力的试金石。它不止适用于动物和自行车，也适用于产品图里“杯子在桌面上”、人物三视图里“同一件衣服”、分镜脚本里“同一人物连续动作”这些实际需求。

三是输出形态更多样。除了常规 PNG 图，它还能输出 SVG 代码、连续分镜、甚至带库表结构的原型图建议。这不是“画得好看”，而是“能直接拿去用”。对内容团队来说，离“生产力工具”又近了一步。

用一句话概括：旧模型更像关键词检索器，你给它什么词它就拼什么；新模型更像一个指令解析器，会把一句话拆成对象、动作、环境、镜头、风格，然后按逻辑执行。

2. 提示词结构：从“描述画面”到“下达指令”

很多人的提示词还停留在“好看，大气，高清”这种形容词轰炸阶段。GPT-Image-2.5 能处理这类玄学描述，但能力发挥不出来。真正的提示词应该是一份“视觉导演工作单”，每一句话都在约束一个具体变量。

2.1 一组能直接抄的“鹈鹕骑车”提示词

先给你一组我实测过效果不错的中英文提示词，可以直接复制去试。

中文：一只褐色的鹈鹕正骑着一辆红色复古自行车，行驶在公园的林荫小道上。鹈鹕的翅膀搭在车把上，身体稍微前倾，大嘴朝前张开；自行车后座绑着一小束野花。阳光从树叶缝隙洒下，地面有斑驳光影；背景里有几个虚化的慢跑者。35mm 镜头，浅景深，摄影写实风格，高细节。

English: A brown pelican is riding a vintage red bicycle along a shaded park path. Its wings grip the handlebars, body leaning forward slightly, beak pointing ahead; a small bunch of wildflowers is tied to the rear rack. Sunlight filters through trees, casting mottled shadows on the ground; a few blurred joggers in the background. 35mm lens, shallow depth of field, photorealistic, highly detailed.

注意几个关键处理。第一句“翅膀搭在车把上”特别重要，你不定义翅膀干什么，模型就会自由发挥，最常见的翻车是把翅膀画成手臂。第二句“身体稍微前倾”是在帮模型理解重心，骑自行车不是直立坐在椅子上。第三句“后座绑着一小束野花”是给画面加了一个合理的叙事锚点，模型更容易把“车”和“鸟”放进同一个场景逻辑里。

2.2 好提示词的四个图层：主体、关系、氛围、成片

我习惯把提示词分成四个图层，每个图层解决一类问题。

写提示词时不要按“好看”“可爱”这种感受词去堆，而是问自己：主体是谁？它和周围物体是什么关系？光线从哪里来？镜头离多远？这四个问题回答清楚，提示词质量立刻上一个台阶。

还有一个容易被忽略的点：不要在同一句里放互相矛盾的形容词。比如“可爱的卡通鹈鹕”和“写实摄影风格”，模型会不知道往哪边走，最后两头不靠。非要兼顾，就改成“整体摄影感，但鸟的表情有一点卡通化的温和”，把矛盾降级成“局部特征”。

2.3 提示词工程与系统提示词、Skill Agent 的边界

最近圈子里常把“提示词工程”和“系统提示词”混着聊，还有人问它跟 Skill Agent 有什么区别。我自己的理解是这样的。

提示词工程说的是“怎么把任务说清楚”，包括结构、上下文、示例、输出格式约束。系统提示词是给模型设定的常驻规则，相当于工作流程里的“人设与红线”，比如“你是一名资深 UI 设计师，回答必须给可编辑源文件建议”。用户提示词则是每次对话的具体需求，比如“帮我生成一张鹈鹕骑车的图，竖版海报”。

Skill Agent 更像一个可复用的工具包，它把“系统提示词 + 固定步骤 + 输入参数 + 输出模板”打包在一起。对于图像生成领域，你可以把一个固定风格提示词、负面约束、参考图建议打包成“产品图 Skill”，以后每次调用都走同一套流程，而不是现场手写。

这里顺带提一句最近很热门的“提示词泄漏”话题。当提示词开始成为生产力资产之后，泄漏就不再是小事。尤其是系统提示词，它代表了你的工作流和判断标准，在公开渠道分享时要想清楚哪些是方法论、哪些是独门配方。具体的安全意识我放在后面第 4 章细说。

3. 实操过程：我用 5 类任务把它逼到墙角

光看参数和宣传没有意义，我把 GPT-Image-2.5 放进真实工作流里跑了五类任务。下面是我总结出来的完整实操流程。

3.1 通用工作流：先定交付物，再拆控制点

在写任何提示词之前，先回答一个问题：这张图最终用在哪？是电商详情页、社媒海报、分镜脚本，还是网页里的 SVG 插画？交付物不同，提示词的结构重点完全不同。

我的标准流程是五步。

1. 明确交付物类型，确定是单图、三视图、分镜还是代码文件。
2. 把整个画面拆成 4 到 6 个控制点，每个控制点用一句话说清。
3. 按四个图层写出初版提示词。
4. 生成第一版后，先不要在“重新生成”里反复抽卡，而是直接追加修改指令。
5. 每次生成的失败结果都记录到表格里，作为下一轮提示词的负向约束。

第 4 步特别重要。GPT-Image-2.5 支持对话式修改，你完全可以在原图基础上说“把背景改成傍晚”“让鹈鹕的翅膀再往下压一点”。这比回到空白画布重新写提示词快得多，而且能保留大部分已经满意的细节。

3.2 任务 A：写实摄影风鹈鹕骑车

第一类任务就是最经典的“鹈鹕骑自行车”。用上面那组提示词跑下来，画面基本稳定。但我也遇到一个典型问题：鹈鹕的喉囊被画得过于夸张，像一个巨大的红色气球。

修正方法不是在提示词里加“喉囊小一点”，而是加一句“喉囊自然垂落，保持鸟类的比例”。这背后的逻辑是：模型对“鹈鹕”这个词有一个固有印象，大喉囊是它的标签，你要做的是用“比例”这个词去压制特征，而不是直接否认它。

如果翅膀和车把之间出现穿帮，比如翅膀把整个车把包住了，我会改成“翅膀前缘轻轻压在车把上”。注意“压”和“包”是两种完全不同的接触动词，模型对动词的响应非常敏感。

3.3 任务 B：SVG 动画代码输出

这是让我觉得“它真的更能干活”的关键场景。之前想做一个网页插画动图，要手动写 SVG，特别繁琐。GPT-Image-2.5 可以直接输出 SVG 动画代码。

我用的提示词是这样的。

直接输出一段可运行的 SVG 动画代码：一只扁平化风格的鹈鹕骑着自行车，自行车轮子持续转动，鹈鹕身体随路面轻微上下起伏，背景是一条浅黄色小路和两棵绿树。颜色不要超过五种，线条简洁。不要解释，直接给代码。

输出的 SVG 有基本的轮子旋转和位置浮动动画，导入浏览器就能跑。这类任务以前属于“前端开发”的活，现在一个提示词就能出初稿，对原型验证和内容生产帮助很大。

踩过的坑是：第一次生成的 SVG 偶尔会有标签嵌套错误，画面不显示。我的排查方式是追加一句“检查 SVG 标签闭合，并确保 animateTransform 的写法正确”。模型会自己修正代码。这也提示我们：当输出物从图片变成代码时，提示词里要增加“代码可运行”这类约束，而不是只描述画面。

3.4 任务 C：产品图、三视图、分镜脚本等高频场景

除了鹈鹕这种压测题，实际工作里更常用的是三类：产品图、人物三视图、分镜脚本。我做了一个小实验矩阵，给你参考。

产品图的常见问题是杯子和桌面阴影脱节，我会直接加一句“杯底在桌面上投射柔和阴影”，模型通常能快速修正。三视图的关键是“同一角色”这个绑定词，最好再列两三个固定特征，比如发型、外套颜色、配饰，让模型有明确的锚点可以抓。

分镜脚本方面，GPT-Image-2.5 不只是画单张，它能把多格内容组织成有逻辑关系的连续画面。虽然人物一致性还不能做到像素级，但对前期创意沟通已经完全够用。

4. 常见问题与排查：实测中踩过的坑

用了两周，我整理了一份问题速查表，基本都是实操中会撞上的。

4.1 失败案例速查表

最重要的一点是：先修改关系，而不是堆形容词。你发现画面不对，不要加“更真实、更好看”，要加“翅膀在哪里、脚在哪里、光从哪里来”。关系对了，画质问题自然消失。

4.2 四条排查心法

第一，一次只改一个变量。想同时修背景、动作、画风，等于让模型重新抽卡，问题永远定位不到。第二，对话式修改优于重新生成。“把自行车换车蓝色”比“重新生成一张蓝色自行车图”更稳定。第三，越靠前的约束越优先。重要信息往前放，次要的风格词往后放。第四，复杂场景拆成两步画。先画主体，再通过局部修改加入道具，效果比一步到位稳定得多。

这四条听起来简单，但能救回大部分翻车现场。我自己翻车最多的时候，就是急着加形容词，而不是冷静改关系。

4.3 提示词资产安全：泄漏比不会写更麻烦

提示词不只是一句话，它背后是完整的判断逻辑。

我在测试中还专门看过一个现象：同一个系统提示词，配合不同用户提示词，行为模式会出现明显差异。换句话说，系统提示词一旦泄漏，别人就能复刻你的整个工作流。最近“Cursor 提示词泄露”这个词条很热，本质上是同类问题。

我的建议是像管理代码一样管理提示词。系统提示词和用户提示词分开存，作为独立版本维护；对外分享时只讲方法论，不贴全量系统提示词；内部团队使用时，用“变量替换”的方式复用成果，比如把产品名、风格关键词抽出来，而不是整段复制。

5. 把提示词变成可复用的个人资产

很多人写完一次提示词就丢了，下次又从头憋。这是最浪费的做法。提示词应该被当成资产沉淀下来。

5.1 提示词仓库的字段设计

我维护提示词仓库的时候，会给每条记录留这些字段。

这比收藏一堆别人写的“万能提示词”有用得多。因为只有你自己迭代过的提示词，才清楚哪个词真正起到了作用。

5.2 用大模型反向优化提示词

还有一个省力的技巧：让 GPT 自己帮你优化提示词。每次生图之前，先把需求发给模型做一轮“提示词改写”。

我的固定指令是：你是一位电影摄影师兼视觉导演，请把下面这段需求改写成适合 GPT-Image 使用的提示词，要求分成主体、关系、环境、成片四部分，每部分不超过两句，并指出哪些词可能造成歧义。

这个动作几乎不需要额外成本，却能显著降低返工率。特别是当你面对“我想画一个很有日本夏日感的画面”这种模糊需求时，模型会自己帮你补充出“午后斜阳、蝉鸣、风扇、波子汽水、浅色木地板”这些具体元素。从模糊到具体，这一步就是提示词工程的本质。

6. 最后分享几条压测心得

测试 GPT-Image-2.5 这轮，我最深的感觉是：图像生成已经从一个“抽卡游戏”变成了“做导演”的过程。抽卡时代，你只能拼命重复生成碰运气；导演时代，你需要先想清楚主角是谁、动作是什么、镜头放在哪、光线从哪来，剩下的交给模型执行。

我个人现在写提示词的顺序已经固定了：先写关系，再写环境，最后写画质。关系是骨架，环境是皮肤，画质只是滤镜。骨架不清，后面几步都是白搭。

最后再分享一个小技巧。如果你遇到一个怎么也画不好的动作，试着换一个更具体的动词。之前我想画“鹈鹕在路边休息”，模型总是让它站得像一只鸡。改成“鹈鹕把身体压低，脚掌贴地，翅膀收在体侧，站在自行车旁边”，画面立刻合理了。动词就是提示词里的引擎，换一个词，可能就换了一台发动机。

GPT-Image-2.5 还有很多边界可以摸，但这轮压测已经足够让我把它放进正式工作流了。希望这篇文章能帮你少走几步弯路，把提示词从“玄学”变成“工程”。