提示词是有规律可循的。
提示工程是人工智能领域中，特别是在自然语言处理和大型语言模型的上下文中一个相对较新的概念，它涉及设计和优化输入提示以引导 AI 模型生成特定类型的输出或执行特定的任务。提示工程的关键点包括精确性、创造性、迭代和上下文理解。提示词通常指直接输入到 AI 模型中的问题、请求或指示，是提示工程的一部分。
在 Stable Diffusion 中，Embedding 相当于提示词打包的功能，能把很多提示词汇总到一个文件里，负向提示词在某些情况下会有大量且固定不变的文本量，此时可使用打包好的负向提示词 Embedding，达到一词顶一百词的效果。
从应用者角度看，提示词应客观对待，它可能只是一个中间阶段。对于企业，追求稳定性和确定性，提示词可能并非可靠工具。提示词技巧具有阶段性和时效性，普通人不必花费过多时间，因为其变化很快。对于大部分人，追求所谓技巧可能意义不大。是否使用提示词框架，应视具体情况而定。
1.精确性：通过精确的提示，可以提高AI模型输出的相关性和准确性。2.创造性：提示工程需要创造性地思考如何构建问题或请求，以激发AI模型的特定能力。3.迭代：通常需要多次尝试和调整提示，以获得最佳结果。4.上下文理解：提示需要包含足够的上下文信息，以便AI模型能够理解并执行所需的任务。[heading3]提示词（Prompts）：[content]提示词通常指的是直接输入到AI模型中的问题、请求或指示，它们是提示工程的一部分。提示词可以非常简单，如“给我总结这篇文章的主要观点”，或者更复杂，如设计一个包含多个步骤和条件的复杂任务。[heading3]与提示工程的区别：[content]提示词是实际输入到AI系统中的具体文本，用以引导模型的输出。提示工程则是一个更广泛的概念，它不仅包括创建提示词，还涉及理解模型的行为、优化提示以获得更好的性能、以及创造性地探索模型的潜在应用。提示工程的目标是最大化AI模型的效用和性能，而提示词是实现这一目标的手段之一。在实际应用中，提示工程可能包括对AI模型的深入分析、用户研究、以及对特定任务的定制化提示设计。内容由AI大模型生成，请仔细甄别。
在Stable Diffusion中，Embedding相当于是一个提示词打包的功能，它能够把很多的提示词汇总到一个文件里。这时候，我们只需要调用这一个embedding文件，就相当于输入了很多的提示词，非常的方便。那什么时候会用到文本量很大且固定不变的提示词呢？很多小伙伴可能猜到了，那就是我们的负向提示词。这是我们最常见的负向起手式，可以排除掉一些低质量、坏手、姿态错误等等情况。我见过有人最夸张的是在负向提示词中使用词汇达几百个，密密麻麻的十几行，然后弹幕中有人就问他:你是在辟邪么……如果不想把提示词搞得这么复杂，我们就可以使用一些打包好的负向提示词Embedding，就可以达到一词顶一百词的效果。
从应用者的角度来看，我们客观对待新东西就显得尤为重要。为我所用固然很好，不能也不用太过于在意。提示词应该是一个中间阶段。企业中对于稳定性和确定性的追求，并不是一个玩具可以轻易搞定的。提示词技巧都有阶段性和时效性，对于普通人来说，不用花费时间在它身上。因为，它很快就变了。往往对于吃螃蟹的人来说，这是非常炫酷的，但是实际上通常它只解决了一类需求，而一个长长的提示词还有问题大部分人所谓技巧的追求和三体中的火鸡科学家没有太大区别。要不要使用提示词框架，和我们平常能用Excel解决的事，没有必要单独编程写个系统出来。写出来不难，升级维护是大问题。