用AI生成图片时，很多人遇到过这样的情况：正向提示词写得非常细致，画面的主体也确实生成出来了，但成品图总带着各种瑕疵——人物多出一只手指、背景里莫名其妙出现文字水印、画面边缘出现模糊的噪点，或者构图塞得满满当当毫无呼吸感。这些问题大多数可以通过负向提示词来解决。负向提示词的作用机制与正向提示词正好相反，它不是告诉模型要画什么，而是告诉模型绝对不要画什么，是控制画面纯净度和视觉质量的关键手段。
负向提示词的工作原理：它到底在排除什么
要理解负向提示词，得先从扩散模型的生成过程说起。Stable Diffusion这类模型的工作方式是在潜空间中对一张随机噪声图逐步去噪，每一步都会参考提示词的语义引导。当使用无分类器引导技术时，模型会分别计算正向条件和无条件预测两个方向，最终结果由两者的差值加权得到。负向提示词的本质，就是把这个差值中的负方向从默认的空集替换成你指定的内容，从而在每一步去噪时主动远离这些语义特征。
这意味着负向提示词并不是简单的过滤机制，而是实实在在地参与了生成计算。写上blurry，模型在每一步都会主动远离模糊的潜空间方向；写上extra fingers，模型就会抑制多余手指的特征出现。也正因为如此，负向提示词写得太长或太杂，反而会稀释引导强度，导致画面细节整体变得平淡。实践中建议负向提示词控制在合理长度，针对当前画面最需要排除的问题精准投放。
另外一个常见误区是把负向提示词当成万能排除器。比如有人会写not beautiful这种带否定词的表达，这是无效的，因为CLIP文本编码器对否定语义的理解非常有限，模型看到的只是beautiful这个词本身，反而可能把美丽特征往画面外推。正确做法是直接列出你不想要的元素名，而不是用自然语言的否定句式。
针对视觉污染的常用负向提示词分类整理
所谓视觉污染，指的是那些破坏画面观感的多余元素，大致可以分成几类，每一类都有对应的排除关键词。下面这套分类体系经过大量出图实践验证，可以直接套用。
第一类是画质污染，包括低分辨率、噪点、压缩痕迹、过曝欠曝等。常用关键词有low quality、worst quality、jpeg artifacts、blurry、out of focus、overexposed、underexposed。这类词几乎是每次出图的标配，尤其是jpeg artifacts，对消除画面中类似JPG压缩产生的块状伪影效果明显。
第二类是人体结构污染，这是人物图的重灾区。常用组合包括bad hands、bad anatomy、extra fingers、missing fingers、extra limbs、fused fingers、malformed limbs、long neck。手部是AI绘画的老大难问题，把手部相关的负向词放在靠前位置，权重影响会更明显。
第三类是文字与水印污染，包括watermark、text、signature、username、logo、error。训练数据里带有大量水印的图片会让模型倾向于在角落生成半透明标记，这类词能显著减少水印出现概率。
第四类是构图污染，比如cropped（主体被裁切）、out of frame（元素超出画面）、duplicate（重复元素）、tiling（平铺感）、cluttered（画面杂乱）。一份通用的基础负向提示词模板如下：
low quality, worst quality, jpeg artifacts, blurry, watermark, text, signature, logo, username, bad hands, bad anatomy, extra fingers, missing fingers, extra limbs, malformed limbs, long neck, cropped, out of frame, duplicate, cluttered, oversaturated, overexposed, underexposed
用负向提示词优化构图美学的进阶技巧
负向提示词不只是排除瑕疵的工具，配合正向提示词和参数调整，还能主动塑造构图。想要画面有留白感和呼吸感，可以在正向提示词里加入minimalist composition、negative space，同时在负向提示词里写cluttered background、busy background、detailed background，一推一拉之下背景会明显简洁。想要人物特写不被裁切，除了正向写full body shot之外，负向加上cropped head、cut off能减少头部出框的情况。
色彩美学同样可以调控。如果觉得画面颜色太艳俗，负向提示词加入oversaturated、garish colors、neon colors，再配合正向的muted color palette、soft lighting，整体色调会立刻沉静下来。需要注意的是，负向词的生效强度与CFG值直接相关。CFG设置为7到10时负向引导效果比较明显；CFG低于4时，无论负向提示词写得多好，影响都会很弱；而CFG拉到15以上，则容易出现色彩过饱和和细节崩坏，得不偿失。
对于希望精细化控制的场景，可以使用括号语法为负向词加权。在Stable Diffusion的WebUI中，(watermark:1.3)表示将水印的排除权重提升到1.3倍，适合某个污染物特别顽固的情况。反过来，如果某个负向词把不该压制的特征也压掉了，比如写了dark导致整个画面偏亮失去氛围感，可以把权重降到(dark:0.7)来缓和影响。
不同工具中负向提示词的使用差异
Stable Diffusion的各类前端（WebUI、ComfyUI）都提供独立的负向提示词输入框，支持完整语法，权重控制也最灵活，是练习负向提示词的最佳环境。ComfyUI中通过负向提示词节点连接到KSampler的negative输入端即可，写法与WebUI完全一致。
Midjourney没有专门的负向提示词栏，需要用--no参数实现类似效果，例如a mountain landscape --no text, watermark, people。这种方式的控制粒度比Stable Diffusion粗一些，但排除大类污染物的效果不错。值得注意的是Midjourney对--no的使用强度要克制，一次排除太多元素会让画面内容变得空洞。
此外还有一个进阶思路是使用Embedding（文本反演模型）。社区有大量现成的负面Embedding，比如EasyNegative、bad-hands 等，只需在负向提示词里填一个触发词，效果相当于几百个手工负面词的打包组合，占用token少且针对特定模型的污染特征训练过，往往比手写长串关键词更高效。将通用Embedding与自己针对当前画面手写的少量负向词结合，是目前兼顾效率与精度的主流做法。
总结一下，负向提示词是AI绘画质量控制中投入产出比最高的手段之一。掌握分类排除的思路，配合CFG参数与权重语法调整，再辅以成熟的负面Embedding，绝大多数视觉污染问题都能在不重绘的情况下得到解决。建议把常用的负向提示词模板保存下来，每次出图时根据画面主题增删几项，逐步形成适合自己风格的关键词库。