如何让 AI 出图从“抽卡”变成“精修”？AI Master 分享了自己的独家秘籍，核心就一句话：用 JSON 结构化提示词替代自然语言。
很多人遇到过这种情况，花半小时生成一张满意的图，然后想改个椅子颜色，结果整张图全崩了。原因很简单，你把主体、灯光、材质、构图全揉在一段话里，模型每次都得重新猜你哪句话对应哪个元素，猜错了就连带改掉你没让它动的东西。
JSON 提示词的好处是给每个元素分配一个独立字段。扶手椅是扶手椅，灯光是灯光，相机参数是相机参数。你要改颜色，模型精确知道动哪个槽位，其余保持像素级一致。
实操流程也不复杂。把参考图丢进 Gemini，让它把图片信息提取为结构化 JSON，4 秒出结果。每个物体都有独立条目，包含材质、颜色、位置，你直接编辑对应字段就行。AI Master 演示了只改“扶手椅颜色”从奶油色到酒红色，地毯没动、灯没变、视角完全一致。
这个方法能高效的前提是模型本身支持结构化理解。Gemini 原生架构能理解元素间的关系，JSON 等于在用它的母语跟它对话。但同样的方法放到 Midjourney 上反而更差，因为 MJ 本身是为氛围感和美学探索设计的，结构化反而限制了它的发挥。
AI Master 还分享了几个实用的使用场景。例如，风格迁移，从参考图中只提取“怎么拍的”而非“拍了什么”，包括布光方案、镜头型号、调色倾向，然后把这套摄影 JSON 应用到完全不同的主体上。写具体摄影器材、参数的名称很关键，比如“85mm”和“人像镜头”出来的结果差别很大，因为模型是在海量带标注照片上训练的，真实器材名能精确激活对应的视觉特征。
对于角色一致性，可以用一个叫“角色圣经”的锁定 JSON 块，写一次，逐字粘贴到不同场景提示词中，只改场景和灯光字段，角色身份不动。有个反直觉的细节，参考图控制在 6 张以内效果最好，超过 6 张，模型反而会收到冲突信号导致准确性下降。如果已经上传了参考图，文字描述就要尽量精简，只标注 Character A 就够了，两个信息源有时会互相打架。
同样的 JSON 方法用在 Veo 3.1 视频生成上也成立，结构相同只需加上物体运动、镜头变化、时长和音频相关的描述即可。有个容易踩的坑，如果配音生成出来没声音，检查角色是否被描述为幼童，Veo 3.1 有安全协议会在场景出现幼童时禁止音频生成，把年龄调到年轻成人就恢复了。
JSON 提示词的本质不是让 AI 更聪明，是让你和 AI 的沟通变得可靠，让生成结果更可控，让提示词可复用。从每次都要抽卡，变成一次只动一个变量的确定性系统。
