LocalBanana 发布相机语言指南：揭秘 AI 提示词中缺失的 11.1% 光学参数
在 AI 图像生成领域，用户往往陷入一个误区：描述想要的“效果”，却遗漏了产生该效果的“设置”。LocalBanana 近日发布了一篇深度技术文章《Camera Language in AI Prompts》，基于其庞大的提示词语料库（Corpus），对 9,599 条公开发布的提示词进行了量化分析，揭示了当前 AI 提示词工程中的核心痛点与优化路径。
核心发现："11.1% 问题"与参数缺失
LocalBanana 的统计数据显示，在大量提示词中，14.5% 提到了“景深（Depth of Field）”，但仅有 11.1% 能准确指定光圈值（Aperture），而 6.2% 的提示词甚至从未提及任何光圈参数。
更令人担忧的是，在那些明确要求“浅景深”的用户中，77.6% 并未指定具体的光圈值。这意味着模型在生成时只能根据上下文猜测，往往只能得到一种“温和、通用的柔焦”，而非用户预期的强烈虚化效果。
高频术语分布分析
| 术语类别 | 具体术语 | 出现频率 | 属性 | 建议替代 | 出现频率 |
|---|---|---|---|---|---|
| 效果描述 | 景深 (Depth of Field) | 14.5% | 效果 | 光圈值 (f/1.8) | 2.0% |
| 浅景深 (Shallow DOF) | 11.1% | 效果 | 85mm | 4.9% | |
| 近景 (Close-up) | 9.3% | 构图 | 焦距 | 4.9% | |
| 焦外成像 (Bokeh) | 5.4% | 效果 | 光圈值 | 2.0% | |
| 具体参数 | 85mm | 4.9% | 设置 | 焦距 | 4.9% |
| 35mm | 3.5% | 设置 | 焦距 | 3.5% | |
| 50mm | 2.4% | 设置 | 焦距 | 2.4% | |
| f/1.8 | 2.0% | 设置 | 光圈 | 2.0% |
技术原理：AI 并非模拟物理光学
LocalBanana 强调了一个关键的技术认知：AI 模型并不运行物理光学计算。当你输入 85mm 或 f/1.8 时，模型并非在模拟镜头的物理成像过程，而是在训练数据中检索与该术语强相关的视觉特征（Visual Signature）。
f/1.8：关联数百万张具有特定“梦幻模糊”质感的图像。Dreamy blur：几乎可以关联任何图像，缺乏特异性。
因此，具体的数值参数（Specific Numbers）远比形容词（Adjectives）有效。使用 85mm, f/1.8 能更可靠地筛选出具有特定视觉风格的图像。
实战优化：从“描述效果”到“定义参数”
为什么“浅景深”提示词常失败？
浅景深是三种物理条件的产物：大光圈、长焦距、主体与背景的距离。如果只要求“浅景深”而不指定参数，模型必须猜测，结果通常是平庸的柔焦。
❌ 低效提示词：
portrait of a woman, shallow depth of field, cinematic, bokeh, professional photography
✅ 高效提示词：
portrait of a woman, 85mm, f/1.8, eye level, waist-up; sharp on the near eye, background 6m behind her fully dissolved into round highlights
后者通过指定焦距、光圈、焦点位置及背景距离，将模糊的形容词转化为模型可执行的指令。
焦距选择策略
LocalBanana 分析了不同焦距在语料库中的分布，揭示了其背后的应用场景逻辑：
- 85mm (4.9%)：人像摄影的首选。能压缩面部特征，减少广角镜头带来的“鼻子放大”畸变，背景虚化强烈。
- 50mm (2.4%)：中性视角，最接近人眼观察现实世界的感觉。
- 35mm (3.5%)：包含更多环境信息，适合叙事性场景。
- 24mm (0.75%)：广角，适合戏剧性环境或建筑摄影。
注意：虽然
wide-angle一词出现频率（2.4%）高于具体数值24mm(0.75%)，但在需要特定透视拉伸时，直接指定24mm更可靠。
结语
LocalBanana 的这份指南为开发者与创作者提供了一套标准化的“相机语言”参考。通过从模糊的效果描述转向精确的光学参数指定，用户可以显著提升 AI 生成图像的质感与可控性。正如官方所言，“具体的数字比形容词更能告诉模型你想要什么样的视觉签名。”
