OpenMontage 中的 FLUX 提示词核心原则：从零写出高质量文生图提示词的完整指南-北京尧图网络

OpenMontage 中的 FLUX 提示词核心原则从零写出高质量文生图提示词的完整指南【免费下载链接】OpenMontageWorlds first open-source, agentic video production system. 12 production pipelines, 100 tools, 700 agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontage导读本文档基于 OpenMontage 仓库内置的 flux-best-practices 技能中最重要的规则文件 core-principles.md系统讲解适用于全部 BFL FLUX 模型的通用提示词原则。在 OpenMontage 的智能视频生产管线中FLUX 被封装为flux_image与image_gen等图像生成工具本文的每一条原则都可以直接应用于这些工具的实际调用。读完本文你将掌握 FLUX 提示词的 8 条核心原则正向描述、结构公式、具体性、自然语言、光照、词序、长度控制与迭代优化并理解负向提示词不可用的替代策略以及这些原则在仓库源码中的落地方式。背景FLUX 技能体系与核心原则的定位OpenMontage 将 Black Forest Labs 的 FLUX 最佳实践整理为一个结构化技能skill入口文件 SKILL.md 将其定位为为任何 BFL FLUX 模型生成提示词时保证图像质量与提示词解析准确性的技能。整个技能按影响等级划分为多个规则文件其中core-principles被 _sections.md 标记为CRITICAL关键级Universal prompting principles that apply to all FLUX models. Master these before diving into specific techniques.适用于所有 FLUX 模型的通用提示词原则掌握它们之后再深入具体技巧。也就是说core-principles.md 是进入 FLUX.2 / FLUX.1 文生图、图生图、JSON 结构化提示词、十六进制取色、排版文字、多参考图编辑等全部进阶技巧之前必须先掌握的地基。它不针对某个具体模型而是适用于全部 FLUX 模型。在 OpenMontage 中这套原则被多个图像生成工具直接引用flux_image工具的agent_skills字段声明了[flux-best-practices, bfl-api]见 flux_image.pyimage_gen图像生成选择器同样声明[flux-best-practices, bfl-api]见 image_gen.py此外 atlas_image.py 与 comfyui_image.py 也引用了该技能。这意味着在 OpenMontage 中运行任何 FLUX 相关的图像生成任务时Agent 都会优先加载本文将要讲解的这些核心原则。原则一只用正向描述Positive Descriptions Only这是 FLUX 提示词体系中最根本、也最容易被习惯其他模型如 Stable Diffusion的用户踩坑的一条FLUX 不支持负向提示词negative prompt。必须始终描述你想要的而不是你不想要的。错误写法a portrait of a woman, no glasses, no hat, no makeup正确写法a portrait of a woman with natural skin, clear face, bare head, visible eyes两种写法看似表达同一意图但 FLUX 的文本编码器只接收正向描述。若提示词中出现 no glasses 这类否定短语模型往往会把 glasses 本身当作关键 token 处理反而更容易生成眼镜甚至导致注意力偏移到并不存在的元素上。关于这一点同目录下的 negative-prompt-alternatives.md 给出了更深入的原因解释与替换策略Negative prompts can actually make models focus MORE on unwanted elements.负向提示词实际上会让模型把更多注意力放到你不想要的那些元素上。三步替换法识别你不想要什么自问那里应该是什么描述这个正向替代物。常见替换对照表节选不想要的Instead of改为使用Useno peopleempty, deserted, solitary, abandonedno makeupnatural skin, bare face, fresh-facedno glassesvisible eyes, unobstructed gaze, clear eye contactno textclean surfaces, unmarked, text-freeno blursharp focus, crisp details, tack-sharpnot moderntraditional, classical, vintage, historicalno bright colorsneutral tones, earth tones, soft pastelsno distractionsclean composition, focused framing, minimal elements复杂改写示例原始负向堆叠提示词Portrait of a woman, no glasses, no makeup, no wrinkles, no blemishes, no bright colors, no distracting background, no harsh lighting正向改写Portrait of a youthful woman with clear natural skin and visible bright eyes, fresh-faced with a healthy glow, wearing muted earth tones against a soft blurred neutral background, gentle diffused lighting creating soft shadows原则二提示词结构公式Prompt Structure Formula为了获得稳定一致的结果FLUX 提示词应当遵循固定的结构公式[Subject] [Action/Pose] [Style/Medium] [Context/Setting] [Lighting] [Technical Details]即主体动作/姿态风格/媒介场景/环境光照技术细节。结构化示例A young woman with flowing auburn hair (subject) dancing gracefully in mid-leap (action) in the style of classical oil painting (style) in a moonlit garden with roses (context) soft diffused moonlight with subtle rim lighting (lighting) medium shot, shallow depth of field (technical)在 t2i-prompting.md 中这个公式被进一步扩展为 8 项框架适合更复杂的创作[Main Subject] - who/what is the focus主体是谁/什么 [Attributes] - characteristics, details, clothing属性特征、细节、衣着 [Action/Pose] - what theyre doing动作/姿态 [Environment] - where, setting, background环境地点、场景、背景 [Style/Medium] - artistic approach风格/媒介 [Lighting] - light source, quality, mood光照光源、质感、情绪 [Composition] - framing, camera angle构图取景、机位 [Technical] - camera, lens, film stock技术相机、镜头、胶片在 OpenMontage 的 flux_image.py 中prompt是输入参数中唯一必填字段required: [prompt]其余参数宽高、模型、种子、推理步数、guidance均有默认值。也就是说提示词质量直接决定了工具输出质量结构公式就是保证提示词质量的第一道工序。原则三具体性至关重要Specificity Matters越具体的提示词生成结果越好——这是各条原则中最容易立竿见影的一条。模糊提示词效果差a cat sitting具体提示词效果好A fluffy orange tabby cat with bright green eyes sitting regally on a vintage velvet armchair, afternoon sunlight streaming through lace curtains, warm golden hour lighting, shallow depth of field, shot on medium format film两行提示词的差距不仅仅在于字数前者没有给模型提供任何视觉锚点结果完全依赖模型随机采样后者则锁定了品种、毛色、眼睛颜色、坐姿姿态、家具类型与材质、光线来源与质感、景深效果、拍摄介质等十几个决定画面成色的细节变量。原则四自然语言优于关键词堆砌Natural Language Works Best把提示词写成描述性散文prose而不是用逗号分隔的关键词列表。关键词式效果较差woman, portrait, beautiful, blonde, studio, professional, 8k, detailed散文式效果更好A professional studio portrait of a beautiful blonde woman in her thirties, captured with soft studio lighting that accentuates her features, rendered in stunning detail with natural skin texture and subtle catchlights in her eyes原因在于 FLUX 的文本编码基于自然语言训练散文式的连贯句式能让模型理解词与词之间的修饰关系which feature is being lit by which light而关键词列表只是并列的孤立 token修饰关系全部丢失。t2i-prompting.md 还给出了一组典型的叙事式参考人物肖像、动物、物体/产品、风景、建筑等五类主体的描述方式均以完整句子呈现例如动物示例A majestic snow leopard with piercing blue-grey eyes, thick spotted fur dusted with snowflakes, powerful muscular build, alert posture on a rocky outcrop原则五光照是最关键的单点因素Lighting is Critical始终写明光照——它对图像质量的影响在所有因素中最大。核心原则文档把光照分为四类每类给出关键词与效果对照自然光照Natural LightingGolden hour黄金时刻— warm, soft, directional温暖、柔和、有方向性Overcast阴天— soft, diffused, even柔和、漫射、均匀Harsh midday正午强光— high contrast, strong shadows高对比、硬阴影Dappled forest light林间斑驳光— specular, organic patterns镜面高光、有机图案影棚光照Studio LightingSoftbox柔光箱— even, professional均匀、专业Rim light轮廓光— edge definition, separation勾勒边缘、主体分离Butterfly lighting蝴蝶光— beauty, glamour美妆、魅力Rembrandt lighting伦勃朗光— dramatic, classic portraits戏剧性、经典肖像氛围光照Atmospheric LightingVolumetric fog体积雾— depth, mystery纵深、神秘God rays丁达尔光柱— dramatic, spiritual戏剧性、神圣感Neon glow霓虹辉光— urban, cyberpunk都市、赛博朋克Candlelight烛光— warm, intimate温暖、亲密情绪化光照Mood-Based LightingDramatic shadows戏剧性阴影— tension, noir紧张感、黑色电影High key高调光— bright, airy, clean明亮、通透、干净Low key低调光— moody, mysterious阴郁、神秘Chiaroscuro明暗对照— strong contrast, painterly强烈对比、绘画感t2i-prompting.md 进一步补充了人像布光的具体角度描述例如Rembrandt lighting45 度主光在脸颊形成三角阴影、Butterfly lighting头顶主光在鼻下形成阴影、Split lighting90 度侧光、半脸在阴影中、Loop lighting微偏角度形成小鼻影。原则六词序影响优先级Word Order MattersFLUX 会优先处理提示词中靠前出现的元素。因此把最重要的元素放到句子开头是提升结果符合度的高杠杆技巧。效果较差的写法A forest background with soft lighting where a knight in shining armor stands背景、光照被放到了主语位置模型会先分配注意力给森林主题人物反而变成附属信息。效果更好的写法A knight in shining armor stands in a forest, soft dappled lighting filtering through the canopy主体 knight 第一时间进入编码器视野背景与光照退居修饰位置。这一原则在 flux2-models.md 中针对 FLUX.2 [klein] 模型被特别强调Front-load your subject (word order critical)因为 klein 不做提示词放大no prompt upsampling提示词怎么写模型就怎么理解。原则七控制提示词长度Medium Prompt LengthFLUX 的最佳提示词长度通常为30–80 个单词模型理论上可处理至多 512 token。过短缺乏方向输出千篇一律的通用结果过长重点涣散模型难以聚焦最佳区间信息量足够引导生成又不至于让模型困惑。对追求速度的 FLUX.2 [klein]官方建议将提示词控制在 40–70 词的中等详细度而对追求细节的 FLUX.2 [max]则可以承载更长的技术性描述相机、镜头、胶片模拟等。可以理解为长度本身不是目标让每句话都为画面提供可落地的视觉信息才是目标。原则八迭代式优化Iterative Refinement好的提示词不是一次写成的而是迭代出来的从核心主体与动作开始添加风格与媒介明确光照与氛围补充技术细节根据生成结果反向修正。关键纪律是每次只修改一个要素这样才能准确归因是什么改动带来了什么效果。这一点与flux_image工具的Determinism.SEEDED基于种子的确定性设计天然配合——在 flux_image.py 中seed参数会被原样透传给 fal.ai APIpayload[seed] inputs[seed]且idempotency_key_fields [prompt, width, height, seed, model]。也就是说固定 seed 后逐项修改提示词就能在受控条件下做严格的 A/B 对比实验这正是迭代优化的工程化前提。仓库落地在 OpenMontage 中实际调用 FLUX理解以上 8 条原则后可以在 OpenMontage 中通过 flux_image.py经 fal.ai API实际执行。该工具的输入模式input_schema关键参数如下参数类型默认值说明promptstring必填唯一必填参数按本文 8 条原则编写negative_promptstring该工具保留了字段透传但按 FLUX 官方最佳实践应留空改用正向描述width/heightinteger1024 / 1024输出分辨率modelenumflux-pro/v1.1可选flux-pro/v1.1、flux/dev、flux-proseedinteger—固定种子以实现可复现实验num_inference_stepsinteger—推理步数guidance_scalenumber—引导强度output_pathstring—图像输出路径使用前提需要设置FAL_KEY或FAL_AI_API_KEY环境变量工具通过os.environ.get(FAL_KEY)读取未配置时get_status()返回UNAVAILABLE执行时直接报错并提示安装说明。底层实现调用https://fal.run/fal-ai/{model}同步等待响应后下载图像文件写入output_path。对于多提供商的统一入口可以使用 image_gen.py 中的图像生成选择器其中provider参数取flux时会路由到_generate_flux内部实现该实现默认请求fal-ai/flux/dev端点。模型选型核心原则之上的下一步核心原则是通用于所有 FLUX 模型的底座选型则决定原则用在哪个模型上。core-principles.md指向了 model-selection-guide.md 与 flux2-models.md两者的速查结论一致需求优先级推荐模型速度FLUX.2 [klein]质量FLUX.2 [max]平衡FLUX.2 [pro]文字排版FLUX.2 [flex]图像编辑FLUX.2 [klein]/[pro]/[max]通过参考图本地/免费FLUX.2 [dev]局部重绘FLUX.1 Fill注意一个重要的模型差异FLUX.2 全部模型原生支持通过参考图做图生图编辑已无需使用旧版 FLUX.1 Kontext。在具体提示词风格上flux2-models.md 的建议与核心原则一脉相承——[klein] 用叙事散文式、强调光照[max] 用技术参数描述性散文组合相机机身、镜头焦距、光圈、胶片型号[pro] 用均衡详细度[flex] 必须用引号包裹精确文字并写明字体、层级与位置。结语core-principles.md 的 8 条核心原则——只用正向描述、按结构公式组织、追求具体、使用自然语言、强调光照、前置重要词、控制 30–80 词长度、迭代式优化——构成了 OpenMontage 中一切 FLUX 图像生成任务从flux_image到image_gen再到各管线内的视觉素材生产的提示词地基。它们独立于具体模型版本向下兼容 FLUX.1 家族向上覆盖 FLUX.2 全部变体。掌握这些原则后再深入本技能的其他规则文件t2i-prompting.md 文生图、negative-prompt-alternatives.md 负向替代、hex-color-prompting.md 精确取色、typography-text.md 文字渲染、multi-reference-editing.md 多参考图编辑即可在 OpenMontage 中把 FLUX 的图像能力稳定地接入自动化视频生产流程。【免费下载链接】OpenMontageWorlds first open-source, agentic video production system. 12 production pipelines, 100 tools, 700 agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontage创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

OpenMontage 中的 FLUX 提示词核心原则：从零写出高质量文生图提示词的完整指南

相关推荐

Memgraph：实时图数据库的革命性选择

3 处改动完成 Qwen-Agent 本地部署：LM Studio 接入后断网也能跑代码解释器

JAX 闭包常量（Closed-over Constants）处理机制深度解析：从 Jaxpr 追踪到 HLO 常量提升（Hoisting）的完整设计

更多资讯

基于YOLO11的无人机视角行人车辆检测与界面项目

Arduino ESP32 从零搭建：5 步完成核心包安装、串口识别与首次上传

OpenCore Legacy Patcher 实操指南：给老 Mac 装新版 macOS 的 6 步路径

老 Mac 免费装新 macOS：OpenCore Legacy Patcher 五站实操手册

Linera EVM 桥部署实操指南：基于 Docker 镜像在真实网络完成 EVM↔Linera Bridge 全流程部署

电视盒子播放器选型：TVBoxOSC能在老盒子上放出4K片源吗

今日更新

CopilotKit Vue Demo 与 React Demo 的 Parity 实现指南：路由、运行时端点与交互语义的全框架对齐

Harbor RBAC 实战：db_auth 模式下非管理员用户管理项目成员的完整验证与权限模型解析

STM32平衡车纯平衡程序从拆包到参数整定的完整调试指南

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？