GPT Image 2 穩定出圖提示詞工程：JSON 架構、變數、調試與迭代

穩定出圖不是靠「神奇提示詞」，而是靠可重複的結構。把任務、變數、版式、文字和質檢拆開，模型才不需要猜你的優先級。

把提示詞拆成五層架構

一段自然語言提示詞容易失控，因為產品、場景、版式、風格、文字和限制混在一起。更穩定的做法是固定五層：job 定義出圖任務；inputs 放可替換變數；layout 管構圖；style 管視覺語言；qa 管輸出標準。每次只替換變數，不重寫整段提示詞。

{
  "job": "create a product hero image for a landing page",
  "inputs": {
    "product_name": "{{product_name}}",
    "audience": "{{target_customer}}",
    "offer": "{{offer}}",
    "language": "{{language}}"
  },
  "layout": {
    "aspect_ratio": "{{aspect_ratio}}",
    "focal_point": "product centered, headline above",
    "negative_space": "clear right side for CTA and proof badge"
  },
  "style": {
    "lighting": "soft commercial studio light",
    "palette": "{{brand_palette}}",
    "finish": "premium, realistic, clean edges"
  },
  "text_rules": {
    "headline": "{{headline}}",
    "max_words": 6,
    "must_be_readable": true
  },
  "qa": [
    "product identity preserved",
    "headline readable at mobile size",
    "no fake logo or random text",
    "layout can be reused for the next campaign"
  ]
}

把高風險內容變成變數

產品名、促銷語、日期、語言、品牌色和尺寸最容易在長提示詞裡被誤改。把它們寫成變數後，你可以先審核變數表，再生成圖片。這比在一段 300 字提示詞裡找錯更可靠。

失敗調試矩陣

不要用「更好看一點」修圖。先判斷是哪一類失敗：產品漂移、版式漂移、文字失敗、風格過度、資訊擁擠。每種失敗對應不同修復方式。產品漂移要收緊 reference preservation；版式漂移要指定 focal point 和 negative space；文字失敗要縮短文案；風格過度要刪掉多餘形容詞；資訊擁擠要減少同屏任務。

建立迭代記錄，而不是憑感覺重試

Iteration log
V1 goal: [what the prompt tried to do]
Problem: [what failed visibly]
Change: [one prompt change only]
Keep: [what must not change from the best result]
Decision: [ship / revise / discard]

一次只改一個因素。你如果同時改角度、背景、文字和風格，就無法知道是哪個改動讓結果變好或變壞。穩定出圖的核心是可觀察的迭代，而不是一次塞更多要求。

你可以在 gpt-image2ai.net 把這套架構用於海報、商品圖、社媒圖和多語言活動素材。

Open gpt-image2ai.net

Try GPT Image 2 for Free Now →