告别咒语堆砌：Nano Banana 提示词范式重构
在图像生成与多模态模型领域，许多创作者仍习惯于从 Stable Diffusion 或早期的 Midjourney 沿袭下来的「词云堆砌法」——把各种分辨率修饰词、艺术家风格与质量词用逗号生硬拼凑。然而，Google 官方针对 Nano Banana 提示词官方指南 给出了截然不同的标准：模型拥有极强的自然语言语义解析能力，想要获得高可控、高一致性的生成效果，必须全面转向类似电影导演案的叙事化提示词工程。
本文将拆解 Google Cloud 官方总结的 Nano Banana 2 与 Nano Banana Pro 提示词核心逻辑，解析「五维公式」实操细节，并展示如何通过正向描述、精准镜头词汇以及图文融合逻辑，为后续对接 Veo 视频模型与 Lyria 音频模型打下严谨的关键帧基础。
核心对比：传统关键词堆砌 vs 导演式叙事公式
提示词的本质是与大语言模型后端的视觉编码器进行意图同步。下表直观呈现了两种模式在提示词结构、模型解析负载与输出一致性上的真实差异：
| 评估维度 | 传统关键词堆叠模式（Tag-based） | Nano Banana 导演式叙事（Director-style） |
|---|---|---|
| 结构逻辑 | 碎片化词汇逗号拼接，如 masterpiece, best quality, 1girl, street |
完整语义长句，严格遵循「主体+动作+场景+构图+风格」结构 |
| 语义理解 | 容易发生实体属性交叉污染（例如把背景颜色误涂到主体衣物上） | 语法主谓宾清晰，明确区分前景主体属性与背景环境边界 |
| 排他描述 | 常用否定词 no cars, without trees，往往反向诱发错误元素 |
纯粹正向具象化表达，使用 empty street, barren land 明确空置状态 |
| 文字与排版 | 画面字母严重变形、乱码，文字与环境光影脱节 | 支持双引号包裹渲染字符，并可直接指定排版字体与字号层级 |
| 多模态扩展 | 静态帧难以复用，难以形成连续剧本 | 可无缝作为关键帧注入 Veo 生成一致性运镜视频 |
文生图黄金法则：五维叙事公式实操拆解
纯文本生成单张静帧时，Nano Banana 的官方底层框架可固化为：Subject（主体）→ Action（动作/状态）→ Context（场景/光影）→ Composition（镜头构图）→ Style（艺术风格与材质）。每一个要素都应采用自然的句式展开：
- Subject（主体）：清晰指定主角形象、材质、衣着与特征，避免泛指。例如将「a barista」细化为「a middle-aged female barista wearing a canvas apron with rolled-up sleeves」。
- Action（动作）：赋予主体动态交互，例如「carefully pouring steamed milk into an artisanal ceramic mug to form a delicate leaf pattern」。
- Context（环境与光影）：交代空间景深与环境光源，例如「inside a dimly lit Nordic cafe, morning sunlight streaming through condensation on the tall glass window」。
- Composition（镜头构图）：使用真实电影摄制术语，例如
cinematic wide shot、low angle looking up、shallow depth of field、50mm lens f/1.8，而非生造虚词。 - Style（风格与色彩）：标明渲染引擎、胶片批次或美学派别，例如「kodachrome color grading, realistic textures, soft film grain, natural shadows」。
资深技术博主实测避坑：绝对不要在提示词中使用否定句（Negative Prompts）。若你不希望街道上有车，写入
no cars时，注意力机制依旧会高亮cars概念从而大概率凭空画出一辆轿车。正确的写法是描述状态本身——使用an empty asphalt road或a completely deserted suburban street。
图生图与精准编辑：参考图关系与文字渲染
在多模态工作流中，Nano Banana Pro 具备优秀的图生图参考解析与画面文字硬排版能力。针对参考图再生成与画面局部重绘，官方提出了明确的契约约束：
- 带参考图生成：必须遵循「参考图关系说明 + 新场景/新动作」的句式。例如明确标注「保留参考图 1 中角色的面部结构与金色短发，将其置于暴风雨中的霓虹赛博朋克屋顶，摆出戒备姿态」。
- 定向编辑逻辑：编辑时切勿含糊其辞，明确划定「改什么、留什么」。提示词范式为：「保持背景与环境光线不变，仅将模特身上的长袖衬衫修改为深蓝色复古工装夹克」。
- 高精度文字渲染：需要将文字清晰印在招牌、衣物或包装上时，必须将文字用英文半角双引号转义包裹，并追加字体定位描述。例如提示词应写为：
the words "BREW & BEAN" cleanly printed in bold sans-serif font across the wooden storefront sign。
生态延伸：串联 Veo 与 Lyria 的多模态工作流
Nano Banana 并不是一座孤岛。在 Google Cloud Vertex AI 生态中，通过导演式提示词生成的图片具备高度规范的场景构图与光影信息，可以直接作为首尾关键帧输入给 Veo 视频生成模型。由于构图字段中预先锁定了 dolly zoom、panning shot 或 FPV drone flight，Veo 在插帧与运镜补全时能够完全继承你的物理空间逻辑。同时，结合 Lyria 依据场景情感与节奏生成匹配的自适应配乐，一套从静态叙事卡片到沉浸式视听成片的工业化链路便水到渠成。
