导语
你大概有过这种体验：同样一句提示词，今天生成的图惊艳到想截图保存，明天再点一次，手指画成了六根。文字也一样——这一版文案通顺自然，重生成一版就开始胡言乱语。
我们把这种现象叫抽卡。生成式 AI 本质上就是台抽卡机：你投进一段提示词，它还你一个带运气成分的结果。出货了皆大欢喜，没出货……那就再来一发。
前两篇我们聊了多模态生成的概念和工具。这一篇想回答一个更现实的问题：工具都到手了，怎么让 AI 稳定地产出你满意的图文？
答案不是“找到一条万能提示词一次成型”——那是幻想。答案是承认抽卡的存在，然后把抽卡这件事做得更聪明。
一、把生成看成抽卡，问题一下就清楚了
一旦你接受“生成 = 抽卡”，模糊的焦虑就变成了三个能动手解决的问题：
- 怎么让 每一抽更可能出货 ？
- 怎么 判断这一抽到底出没出货 ？
- 没出货怎么办 ？
这三个问题分别对应三件事：把需求讲清楚（结构化提示词）、定义什么叫达标（Eval）、不达标就修复（迭代）。它们连起来，就是一条闭环：
结构化提示词 → 生成（抽卡）→ Eval 判定 → 达标留下／不达标修复重来 → ……
其实大多数人天天在跑这条环：写提示词、看结果、不满意就改了重画。只不过是凭感觉在跑。这篇想说的，就是怎么把这条凭感觉的环，升级成有标准、可复现、还不累人的工作流。
下面挨个拆。
二、提高出货率：把“我想要什么”讲成结构
为什么“画一只猫”出货率低？因为你把九成的决定权交给了运气。模型得替你猜：什么品种、什么姿势、什么背景、什么画风、要不要文字……每一项它都随机发挥，凑齐你心里那张图的概率自然低。
结构化提示词，本质是把你脑子里默认的要求显性地写出来，少给运气发挥的空间。一个朴素但好用的结构：
- 主体 ：橘猫，幼猫，圆脸
- 场景/动作 ：趴在窗台打盹，窗外下着雨
- 风格 ：扁平插画，暖色调
- 约束 ：画面里不要出现文字
- 输出 ：横版，左侧留白给标题
提示词能抠到多细？去年模型能力还没现在这么强，我做绘本时为了让同一个角色每页都连贯，提示词抠得极细——细到连衣袖的长度都要写明。现在模型聪明多了，未必需要这么钻，但道理没变：你越想要稳定，就越得把“默认在你脑子里”的东西，一条条搬到提示词里。
当然，上面这个结构只是个最朴素的示范，谈不上多好——真正讲究的提示词还有大量门道：负向提示词、权重控制、参考图、风格锚定……而且每个生图工具的脾气还不一样。但别被具体写法绕进去，这一节要你带走的不是这几个字段，而是那个内核：把你脑子里默认的要求拆开、一条条显性地写出来。结构对了，再谈精进。
同样是抽卡，模糊提示词像十连里硬赌一个 SSR；结构化提示词是先把保底拉满，再去抽。出货率到不了 100%，但肉眼可见地高。
一句话：结构化提示词不保证出货，但它决定了你出货率的下限。
三、判断出没出货：把“满意”拆成能打分的维度（这就是 Eval）
出货率提上来了，下一个问题来了：怎么算出货？
“我觉得还行”是不够的。凭感觉判断有三个毛病：今天和明天的标准会飘、没法分给别人做、更没法交给机器。要想稳定、要想规模化，你得先把“满意”这件主观的事，拆成几条客观、能逐项检查的维度。
这就是 Eval（内容质量评估）。但要先破除一个误会：Eval 没有一张放之四海皆准的通用清单。评什么，是从你的目标倒推出来的。
有个通用骨架，大多数生成都逃不过这几条：
- 文本 ：有没有跑题、是不是一本正经地胡说（事实错误/幻觉）、语气风格对不对、啰不啰嗦重不重复。
- 图片 ：图和文对不对得上、画面有没有崩（畸形手、多肢体）、内容得不得体。
但真正决定成败的，往往是你场景特有的那几条。举个例子：我做中文学习卡片时，会多一条铁律——超纲：句子里不能冒出学生还没学过的字词。这条对写小说、写文案毫无意义，但对教学是生死线。所以别背别人的清单，问自己一句“我这个场景，什么样算不合格”，把答案逐条写下来，那就是你的 Eval。
更进一步，这些维度大多可以让 AI 帮你打分——丢给多模态模型一张图、一句话，问它“这俩对得上吗，1 到 5 分”。但这有个常被忽略的坑：裁判本身也会抽卡。同一张图，它一会儿打 5 分一会儿打 3 分，评估就成了第二个随机源。让裁判稳下来的几个常识动作：把随机性调到最低、强制它按固定格式给结论、出错就自动重试。
四、没出货怎么办？“重抽”是最轻的修复
没出货，大多数人的第一反应是再抽一发。这没错，重抽是最省事的一招——但它也是最轻的一招：如果问题出在提示词本身，你抽一百次，崩的地方还是崩。
真实的修复不止“重抽”一种，关键是对症下药——而开哪种药，正是 Eval 告诉你的“问题出在哪”：
三种方式 · 对症下药
- 原样重抽：画面整体没毛病，纯粹这一抽手气差——换个种子再来一发。
- 改这张的提示词再抽：Eval 指出图文对不上、或数量画错了——针对性补一句约束，再抽。最常用、也最有效。
- 局部重绘：九成画面都好，只有脸或手崩了——只圈出那一块重绘，保住其余，比整张重来划算。
你看，Eval 的价值远不止“过 / 不过”这个开关。一个只会吐 pass/fail 的评估没多大用；能告诉你“是图文不一致，还是手崩了”的评估，才能驱动你选对修复动作。先诊断，再下药，比闷头重抽高效得多。
把这几种手段接起来，就是完整的图文闭环：结构化提示词抽卡 → Eval 诊断 → 按问题选择重抽 / 改词 / 局部重绘 → 再评一次。它把生成从“祈祷一次成型”，变成了一个 允许失败、且让失败廉价可控 的过程。
让闭环不累人的关键是：人在环，但人只看灰色地带。明显达标和明显报废的交给 Eval 筛掉，人只裁决“也许行也许不行”的那些。
那再往前一步呢？上面“改这张的提示词”是针对单张、人工在做的。理想态是把它系统化：让 Eval 从成百上千次结果里自动总结出共性问题，回流去改进模板提示词，让整体出货率越滚越高。说实话这一步很难，我目前也还是人工在做——但哪怕只做到“诊断 + 对症修复”这一层，你已经甩开“凭感觉抽卡”一大截了。
五、当标准固定下来，规模化是水到渠成
走到这你会发现一件有意思的事：一旦“什么叫达标”被拆成了清清楚楚的维度，量就不再是问题。
因为抽卡可以批量抽、Eval 可以批量打分、不达标的可以批量重来——人只在最后看一眼那份“哪些过了、哪些得返工”的清单。我自己就是这样把几百张中文学习卡片的图文做下来的：靠的不是手快，而是标准固定后，重复劳动可以交出去。
但请记住，规模化只是结果，不是门槛。这套“抽卡—诊断—修复”的思路，你哪怕只做 5 张图也立刻能用。它和量无关，只和你愿不愿意把“满意”想清楚有关。
写在最后
回到最初那个问题：怎么让 AI 稳定产出你满意的图文？
- 承认它是抽卡，别赌一次成型；
- 用 结构化提示词 ，提高每一抽的出货率；
- 用 Eval ，把“满意”拆成能判断的维度；
- 接成 闭环 ，对症修复，人只看灰色地带。
从概念、工具到这一篇的实践，多模态生成真正拉开差距的，从来不是谁的提示词更玄、谁的工具更新，而是谁先把“质量”当成一件能被定义、被测量、被迭代的事。
抽到好卡靠运气，稳定出货靠工作流。