從文字生成圖像到對話生成圖像

提示詞工程的陷阱

2024年，AI圖像生成就像老虎機。

你拉動拉桿——寫一個提示詞，點擊生成——然後祈禱中大獎。大多數時候，你得到的是檸檬。所以你再拉一次。又一次。再一次。每次生成都要花錢。每次失敗都要花時間。

認識一下David。他在一家SaaS新創公司擔任行銷總監。2024年10月，他需要一張登陸頁面的主圖："一位開發者在站立式辦公桌前工作，現代辦公室，自然光線，專注的表情，極簡美學。"

他的工作流程：

生成1："開發者看起來太無聊了。我們能讓他看起來更投入嗎？" 生成2："表情好多了，但光線太強了。" 生成3："光線不錯，但桌子的顏色錯了。" 生成4："桌子顏色改對了，但姿勢很彆扭。" 生成5："姿勢好多了，但背景太分散注意力了。" 生成6-15：各種嘗試修復各種問題。

總成本：$8.50。總時間：47分鐘。結果："還行吧。就用這張了。"

這就是傳統AI圖像生成的隱藏成本。不是API調用費用。是迭代。被一千次微調折磨至死。

最糟糕的是？每次生成都相互獨立。當David處理生成3時，模型不會"記住"他在生成2中喜歡的什麼。每天都是土撥鼠日，一次又一次。

---

傳統解決方案（以及為什麼它們行不通）

方案1：更長、更詳細的提示詞

每個人給的建議："寫更好的提示詞。"

於是David學會了提示詞工程：

• "8k，超高細節，專業攝影"
• "Unsplash風格，佳能R5拍攝，50mm鏡頭"
• "下午2點窗戶透進來的柔和漫射光，ISO 100，f/2.8"
• "極簡斯堪地那維亞辦公室內飾搭配Eames椅"

他的提示詞長到200多個字。結果？稍微好一點。但現在每個提示詞要寫10分鐘。當客戶說"其實，試試坐式辦公桌而不是站立式"時，他重寫了整篇文章。

工作量增加10倍。結果改善20%。

方案2：圖生圖

大多數工具新增了img2img功能。上傳你那張差不多對的圖，描述修改，生成變體。

更好，但很笨拙：

1. 下載圖像
2. 上傳到img2img界面
3. 撰寫新提示詞描述修改
4. 調整強度滑塊（0.5？0.7？0.9？）
5. 生成3-4個變體
6. 看起來都不對
7. 再調強度
8. 重複

而且img2img有個致命缺陷：它是破壞性的。每次處理都會降低質量。細節模糊。出現偽影。到第5代，圖像看起來像影印件的影印件。

方案3：分層編輯+局部重繪

Photoshop風格的工作流。選取你想修改的區域。描述修改。生成。

強大，但：

• 需要技術技能（遮罩、圖層、混合）
• 耗時（每次編輯遮罩5分鐘）
• 風格不一致（新元素不總是匹配舊的）

複雜的編輯David需要設計師幫忙。AI的"民主化"感覺不太民主。

---

Nano Banana 2：對話模型

2026年1月。Nano Banana 2改變了遊戲規則。

不是用更好的提示詞。不是用更好的圖生圖。而是用對話。

David的新工作流，同樣的登陸頁面圖像：

第1轉：

David："生成一個開發者在辦公桌前工作，現代辦公室"
Nano Banana 2：[生成圖像]

第2轉：

David："讓他站著而不是坐著，加第二個顯示器"
Nano Banana 2：[更新圖像，同一個人，現在站著，雙顯示器]

第3轉：

David："光線感覺太人工了。改成自然窗戶光，傍晚時分"
Nano Banana 2：[更新圖像，溫暖的金色時刻光線]

第4轉：

David："光線完美。角落能不能加盆植物？一棵高大的琴葉榕"
Nano Banana 2：[新增植物，保持光線和構圖]

第5轉：

David："植物太顯眼了。做小一點移到桌子後面"
Nano Banana 2：[調整植物大小和位置]

總成本：$0.45（5轉）。總時間：6分鐘。結果："這正是我想要的。"

差異是典範級的轉變。David不是在撰寫提示詞。他在對話。模型記得背景。每一轉都建立在上一轉之上。沒有品質下降。沒有重新開始。

---

對話生圖如何運作

技術架構

傳統擴散模型：

[提示詞A] → [生成] → [圖像A]
[提示詞B] → [生成] → [圖像B]（與A無關）

Nano Banana 2多模態對話：

[提示詞A] → [生成] → [圖像A + 背景]
                                     ↓
[提示詞B + 圖像A + 背景] → [生成] → [圖像B]
                                     ↓
[提示詞C + 圖像B + 背景] → [生成] → [圖像C]

關鍵：持久多模態背景。Nano Banana 2保持對以下內容的持續理解：

• 視覺狀態（當前圖像）
• 對話歷史（要求/修改過什麼）
• 用戶意圖（想實現什麼）

它不是從頭重新生成。它是帶著理解的編輯。

什麼讓它"原生"

其他工具把對話拼湊到現有模型上：

• GPT-4V描述圖像→DALL-E生成新的
• 多次API調用，多個模型，每次交接都丟失背景

Nano Banana 2是原生多模態。一個模型。一個背景窗口。真正的理解。

結果：

• 連貫性：修改有視覺意義，不是隨機突變
• 記憶："把植物變小"記得是哪棵植物，在哪裡
• 意圖保持："保持光線但換桌子"保留重要的部分

對話深度

你能進行多少轉？Google文檔建議有效背景支持10-20轉往來。實踐中：

專業提示：對於複雜場景，用5-7轉完成基礎工作，然後保存參考圖，開啟新對話進行微調。

---

你可以立即行動

你的第一次對話

所需時間：10分鐘。成本：約$0.30。

步驟1：打開Google AI Studio。選擇Gemini 3.1 Flash Image。

步驟2：從簡單開始：

"一個咖啡杯在木桌上，晨光"

生成。

步驟3：做個修改：

"把杯子改成藍色陶瓷的"

生成。同樣的桌子。同樣的光線。不同的杯子。

步驟4：新增元素：

"杯子旁邊加個筆記本和筆"

生成。藍色杯子，筆記本，筆。連貫的構圖。

步驟5：調整構圖：

"把筆記本移到左邊並打開"

生成。佈局調整。其他一切保留。

步驟6：改變氛圍：

"改成傍晚，暖色燈光而不是早晨"

生成。同樣的物品。新的光線。連貫的陰影。

你剛剛進行了6轉對話。總時間：4分鐘。試試用傳統圖生圖做這個。

---

有效的對話模式

模式1：雕塑方法

從寬開始。收窄細化。

T1："一條城市街道場景"
T2："改成東京雨夜"
T3："加日文霓虹燈牌"
T4："前景加個打傘的人"
T5："把傘改成紅色"
T6："濕路面加倒影"
T7："倒影應該顯示霓虹燈牌"

像雕塑：粗形→中細節→精細節。

模式2：A/B測試方法

探索變體而不喪失已有成果。

T1："一個現代客廳，極簡風格"
[好的基礎]

T2："把沙發改成藍色"
[看選項A]

T3："其實回到原版把沙發改成綠色"
[選項B——等等，它記得"原版"嗎？]

限制：Nano Banana 2沒有傳統意義上的"復原"。它記得對話，但不能隨意恢復到之前的狀態。

變通方案：在關鍵里程碑保存參考圖。如果T3出錯，用T1的圖像作為參考開啟新對話。

模式3：修正循環

像和設計師工作一樣的自然來回。

T1："一個人在山區登山"
[圖像生成]

T2："這個人應該穿登山靴而不是運動鞋"
[修復]

T3："好多了，但靴子看起來太新了。做舊一點，帶點泥"
[修復]

T4："靴子很棒。現在背包看起來太小了。改成大型登山包"
[修復]

T5："完美。最後一件事——加根登山杖"
[完成]

每次修正都被理解在背景中。不用重新解釋。不用重新開始。

模式4：場景演進

漸進式構建複雜場景。

T1："一間空教室"
T2："加6張桌子圍成一圈"
T3："前面放張講台桌配筆記本"
T4："白板上有數學公式"
T5："下午陽光透過窗戶照進來"
T6："地板上新增窗戶框架的陰影"

傳統方法：寫200字提示詞描述所有這些。指望模型正確解析。

對話方法：實時構建，驗證每個元素，按需調整。

---

什麼有效（什麼無效）

流暢的對話

空間調整：

• "把車移到左邊"
• "讓建築更高"
• "增加兩人之間的空間"

屬性變化：

• "顏色改成藍色"
• "改成夜晚而不是白天"
• "加霧/薄霧"

新增/刪除元素：

• "天空加隻鳥"
• "去掉衬衫上的logo"
• "手裡放杯咖啡"

風格轉換（合理範圍內）：

• "讓它看起來像水彩畫"
• "應用復古膠片效果"
• "讓它更寫實"

困難的對話

極端透視變化：

• "把場景旋轉90度"
• "俯視角度"
• "特寫臉部"

這些用參考圖重新生成效果更好。

同時新增多個複雜元素：

• "加人群、光線改成日落、讓它下雨、再加霓虹燈牌"

分成步驟：

• "加人群"→驗證→"光線改成日落"→驗證→等等。

撤銷之前的修改：

• "其實，回到3轉前的樣子"

Nano Banana 2不維護歷史樹。在里程碑保存參考圖。

矛盾的指令：

• "讓它更亮但也更暗"
• "加更多人但保持極簡"

模型會盡力，但矛盾的方向產生混亂的結果。

---

生產工作流

登陸頁面主圖

傳統：

• 寫50個提示詞變體
• 生成100張圖
• 篩選到10個選項
• 客戶選1個
• 再迭代5次
• 時間：3-4小時

對話方法：

• 從概念開始
• 進行10轉對話細化
• 客戶實時觀看/建議
• 鎖定最終版本
• 時間：20-30分鐘

社交媒體行銷活動

需要20個同一場景的變體做A/B測試？

第1-5轉：通過對話完成基礎場景 第6轉："把這個存成版本A" 第7轉："回到版本A，但把標題文字顏色改成紅色"→版本B

其實，因為沒有"保存狀態"，更好的方法：

• 完成基礎場景（5轉）
• 保存參考圖
• 開啟3個新對話，以該參考圖為起點：
  • 對話B："標題顏色改成紅色"
  • 對話C："背景改成城市景觀"
  • 對話D："加段客戶評價"

故事板迭代

電影導演需要迭代場景構圖：

T1："過肩鏡頭，人物看牆上的畫，戲劇性單頂光"
T2："加百葉窗窗戶的陰影"
T3："桌上放杯威士忌"
T4："杯子應該有冰塊，半滿"
T5："杯子旁邊加把槍"
T6："讓槍反射窗戶光線"
T7："人物應該看著槍而不是鏡頭"
T8："窗外加雨"

導演看著構圖演進。實時做決策。不用"我會認出來"的生成彩票。

---

對話的經濟學

成本對比

場景：通過10次迭代優化行銷圖片。

節省的不只是錢。時間和腦力更重要。

隱藏成本：決策疲勞

傳統AI圖像生成：

• 生成20個選項
• 比較20個選項
• 選1個
• 懷疑選擇
• 再生成20個
• 從不滿意

對話方法：

• 漸進式構建
• 驗證每個決策
• 有機地達到滿意
• 知道為什麼最終圖像有效

---

限制

沒有真正的復原

一旦走上某條路，不能任意分支返回。變通方案：在關鍵決策點保存參考圖。

背景窗口限制

大約20轉後，模型可能開始忘記早期對話細節。複雜項目用參考圖分成多個對話。

單圖像聚焦

每次對話維護一個活躍圖像。不能同時處理多個構圖。變通方案：多個瀏覽器標籤/對話。

語言細微差別

"讓它更動感"vs"讓它更有活力"——細微的提示差異仍然重要。模型理解自然語言很好，但不完美。

---

更大的圖景

對話生圖不只是一個功能。它是一個典範轉變。

傳統AI圖像工具把用戶當成機器操作員：寫精確指令，獲取輸出，重複。

Nano Banana 2把用戶當成協作者：討論，迭代，一起細化。

這反映了人類設計師的實際工作方式：

• "給我看些東西"
• "嗯，暖一點"
• "對，像那樣，但更大"
• "完美，只要加……"

最好的創意工具不只是執行命令。它們參與對話。

---

系列導航

這是Nano Banana 2大師班系列的第2篇。

• 上一篇：E01：從LoRA到零訓練：角色一致性革命
• 下一篇：E03：從提示猜測到空間邏輯
• 系列總覽：大師班索引

---

對話革命來了。別再拉杠桿了。開始對話吧。