MOSS-Image-SFT提示词增强实战教程：一句话扩写成高质量生图提示词，10分钟出片

MOSS-Image-SFT提示词增强实战教程：一句话扩写成高质量生图提示词，10分钟出片

【免费下载链接】MOSS-Image-SFT项目地址: https://ai.gitcode.com/OpenMOSS/MOSS-Image-SFT

用一句话画一张带中文文字的海报，结果十次有八次"翻车"？MOSS-Image-SFT 配套的提示词增强 Skill 可以帮你把"冰箱上贴张便签"这种粗糙想法，自动扩写成带场景、光线、文字细节的完整描述，或生成可精确控位的 Layout 提示词。本教程面向新手，从装环境到出图一步到位。

痛点与价值：为什么"一句话提示词"总画不准？

用 AI 画图时，你大概遇到过这些糟心场景：

1. 细节全靠模型脑补：提示词只写主体，背景、光线、构图全由模型自由发挥，出图风格飘忽，返工率极高。
2. 画面里的文字摆不准：想让中文便签贴在冰箱门上，结果文字要么跑位、要么糊成一团，怎么改提示词都不听。
3. 逐字手动写长描述太慢：一条合格的生图提示词往往要写场景、主体、光照、文字内容、排版，新手从零组织文案非常耗时。

MOSS-Image-SFT 的提示词增强（Prompt Enhancer）Skill 就是来解决这三件事的：它扮演"提示词扩写助手"，接收你的一句话想法，输出两种结果之一——

环境准备：安装 MOSS-Image-SFT 与提示增强 Skill 的完整步骤

1. 准备运行环境：Python 3.10+、支持 CUDA 的 NVIDIA GPU，并装好适配 CUDA 环境的 PyTorch 2.9+。
2. 安装推理依赖：执行行内命令pip install "diffusers>=0.38" "transformers>=5.3" "accelerate>=1.10" "safetensors>=0.6" "Pillow>=10"。
3. 获取模型文件：本仓库就是 MOSS-Image-SFT 的完整模型目录，结构由 model_index.json 描述，包含 transformer/（扩散主干）、text_encoder/（文本编码）、tokenizer/（分词器）、vae/（VAE）与 scheduler/（调度器）。
4. 安装提示增强 Skill：Skill 文件位于 MOSS-Image 主代码仓库的skills/moss-image-prompt-enhancer/目录（含定义扩写规则的SKILL.md和坐标编译脚本），把它整个文件夹放进你 Agent 的 skills 目录即可；它面向具备本地文件与 Python 工具的 GPT-6 系列 Agent。
5. 加载推理管线：用 diffusers 加载模型并指定自定义管线：

pipe = DiffusionPipeline.from_pretrained( "./MOSS-Image-SFT", # 本地模型目录，或换成官方模型仓库名 custom_pipeline="pipeline_moss_image", trust_remote_code=True, )

加载成功后pipe对象即为 MOSS-Image-SFT 推理管线，管线实现见根目录 pipeline_moss_image.py。

上手流程：从一句话想法到成图的 4 个动作

Step 1：唤起 Skill 并给足三样输入

在 Agent 中调用$moss-image-prompt-enhancer，提供：你的画面想法（一句话）、期望输出类型（详细描述 Caption 或空间布局 Layout）、目标画布尺寸（可选）。验证点：Agent 正常响应，并确认了输出类型。

Step 2：拿到扩写后的完整描述

Agent 会把"冰箱上的便签"扩写成含场景、主体、光照、文字内容与排版的详细描述。验证点：描述里明确写出了要渲染的文字原文，而不是"一些中文"这种模糊表述。

Step 3：不满意就追问迭代

直接让 Agent 调整语气、增删元素、改变构图，直到满意。整个过程只是本地文本转换，不会调用图像生成服务，放心反复试写。

Step 4：贴进正向提示词，出图验收

把编译后的文本粘贴到 MOSS-Image 的**正向提示词（positive prompt）**位置，按后文推荐参数生图。README 里的示例就是这种风格：

A wide view of a refrigerator beside a kitchen counter with a fruit bowl. A small sticky note on the refrigerator door is handwritten in Chinese: "记得买牛奶和鸡蛋！牛奶两盒，鸡蛋一打。顺便带一袋面包。"

验证点：出图中便签上应出现完整的中文手写文字，画面还原度远高于"冰箱上贴着便签"这种一句话提示词。

进阶控制：Layout 模式让文字和物体"听话就位"

适用场景：海报、信息图、需要精确控位的画面

Layout 模式允许你用 JSON 直接指定"文字写在哪里、物体放哪里"，适合文字渲染和版面控制类任务。

1. Agent 先在目标画布上以像素坐标草拟各元素的位置；
2. 内置脚本把坐标草稿编译成紧凑 JSON，坐标统一为整数居中坐标（对应bbox_coord_space: "abs_centralized"，格式为bbox_format: "yxyx"）；
3. 布局结构包含summary.caption（场景描述）与items（元素列表），用json.dumps(layout, ensure_ascii=False)序列化后，整个 JSON 字符串就是提示词本身，直接贴进正向提示词即可。

⚠️出图尺寸必须与 Layout 的画布尺寸完全一致：例如画布是 1024×1024，就按 1024×1024 出图，尺寸不匹配会导致坐标错位、元素整体跑偏。

适用场景：小改小调，不想重写整条提示词

Layout 结构天然支持受控编辑：想改一个字，只需修改 JSON 里对应items的文本或框坐标，其余内容原封不动，无需重写整个提示词。改版面、换文案类需求优先用它。

参数速查：MOSS-Image-SFT 推荐采样参数一览表

以下默认值来源于仓库 README.md 与 scheduler/scheduler_config.json：

注意：Python API 的图像宽高必须是 16 的正整数倍，否则无法出图。

踩坑问答：文字位置不对、细节太糙怎么办？

Q1：Layout 出图，元素位置整体不对，怎么办？先确认两件事：出图尺寸与 Layout 画布尺寸完全一致；粘贴的是编译后的 JSON，而不是像素坐标草稿。这两点是坐标错位最常见的原因，排除后问题基本都能解决。

Q2：画面细节还是太糙、文字不清，怎么调？换用详细描述（Caption）模式：扩写后的提示词把文字原文和排版都写进去了，模型才有依据去渲染。另外文字渲染类任务请优先选 MOSS-Image-SFT 而非 Base 版——SFT 在文字分组与版面组织上明显更整齐。

Q3：SFT 版和 Base 版到底选哪个？做文字、版面类任务选 SFT；普通无文字画面两者差别不大。SFT 与 Base 使用同一架构和推理管线，切换模型即可，参数无需另调。

Q4：我的 Agent 不支持本地文件工具，还能用这个 Skill 吗？可以。Skill 的扩写规则完整写在SKILL.md里，没有文件工具的 Agent 也可以照着规则手动完成扩写，只是少了自动编译脚本这一步。

Q5：反复试写会不会产生生图费用？不会。提示增强过程只做本地文本转换，全程不触发生图服务，扩写到满意再出图即可。

收尾：把要点记牢

• 提示增强 Skill 把一句话扩写成详细描述或Layout 提示词，全程本地文本处理，不触发生图服务，可放心迭代。
• 结果直接贴进正向提示词；用 Layout 时出图尺寸必须与画布尺寸一致，且粘贴的是编译后的 JSON。
• 保持guidance_scale=3.0、50 步 Flow-matching Euler 的默认采样参数，即可获得文字清晰、排版整齐的成图效果。

模型权重与随附推理代码遵循Apache License 2.0（见 LICENSE），可放心用于项目。

【免费下载链接】MOSS-Image-SFT项目地址: https://ai.gitcode.com/OpenMOSS/MOSS-Image-SFT