怎么写 Nano Banana 真的会照办的 prompt

大多数 prompt 指南是一串形容词。形容词恰恰是一条 prompt 里最不要紧的部分。

四个 Nano Banana 模型我们都放在同一个 API 后面跑，而一条 prompt 失败的方式一致到可以写下来。四十个词花在质量形容词上，两个词留给光线。一份 Pro 长度的构图 brief 打给了最便宜的那一档。一条编辑请求把整个场景重新描述了一遍，回来的是另一张画。这些都不是模型的问题。是写作的问题，而写作的问题有解。

媒介、主体、光、画框——按这个顺序

一条 prompt 是被整体读取的，但靠前的从句比靠后的干更多活。它们划定了句子其余部分必须待着的那个空间。开头写「一个美丽的女人」，模型就得猜它到底是在做一张照片、一幅油画，还是一个 3D 渲染，而它会照着您其余的词在统计上暗示的东西去猜。开头写「35mm 杂志摄影」，接下来的每一个决定就已经被约束在一种媒介里了。

所以顺序是：

1. 媒介。 树上最大的那个分叉。照片、等距渲染、扁平矢量插画、水粉画、微距产品照。挑一个，在前四个词里点名。
2. 主体。 不是类别——是那个具体的东西。「一个女人坐在咖啡馆桌边」是一张图库照。「一位五十多岁的女人，双手捧着一只白杯子」是一张画面。
3. 光。 方向、质地、颜色。这一句话对结果的推动超过其他任何一句，而几乎没有人写它。
4. 画框。 机位高度、距离、裁切、景深，以及空白留在哪里。

下面是同一个需求，先写坏，再写对。

一个美丽的女人在咖啡店里，细节极其丰富，8k，杰作，
artstation 热门，超写实，专业摄影，获奖作品，
锐利对焦，散景

35mm 杂志摄影。一位五十多岁的女人独自坐在一张大理石咖啡馆
桌边，双手捧着一只白杯子，目光望向画面左侧之外。冬日低角度阳光
从她身后的窗户进来，勾出发丝的轮廓，把窗外的街道打成一片白。
从邻桌以坐姿视线高度拍摄，半身，浅景深，背景衰减为柔和的灰。

变了什么：媒介挪到了最前面，主体拿到了一个具体动作，光拿到了方向和色温，相机拿到了位置。关于质量，一个字都没加。第二条 prompt 不是在含糊意义上更「详细」——它更有决断。

还有，别再写「细节极其丰富、8k、杰作」了。在这些模型上它什么都不做。那些 token 是 2022 年 Stable Diffusion prompt 文化留下的货，当年它们能把一个小得多的模型往训练数据里某一小块上推一推。Gemini 一代的模型对它们没有反应，而它们每一个都是您本可以拿去描述光从哪来的预算。

您不认领的空白，会被填满

这些模型不会把东西留空。如果您描述了一只马克杯，却对它周围什么都不说，画面里仍然会有一圈周围，而那会是马克杯照片通常会有的东西：一张木桌、一块亚麻餐巾、一小枝什么植物、一扇虚焦的窗，以及大约四成的概率，杯子上印着一个词。

这是我们听到最多的抱怨，而它不是质量问题。是没有人说过不要。

桌上一只陶瓷马克杯，产品照

一只未上釉的炻器马克杯的微距产品照，哑光燕麦色杯体，
手柄被拇指磨出痕迹，端端正正立在无缝的中灰色背景纸中央。
一只大柔光源来自左上方，一道柔和的阴影落向右下。
杯子上无文字，无 logo，无其他物体，无手，无道具，背景无细节。

那次重写的最后一句，干的活比前三句加起来还多。把排除项写成 prompt 结尾的一份朴素清单，语气和其余部分保持一致。「无文字，无 logo，无人物，无杂物」常常是整个文件里价值最高的一行——而对任何之后要压上真实排版的图像来说，它不是可选项。

对任何您打算做合成的东西，这一点尤其要紧。一张背景里凭空长出一枝迷迭香，就是一张您得去抠的背景。

照着您真正在调用的那一档来写

四个模型吃得下的 prompt 长度不同，而且它们想要的 prompt 形状也不同。上限的位置不在人们以为的地方：

Nano Banana 2 明明价格居中，上限却是当代三档里最低的。第一次看到这件事，每个人都意外。

不过上限并不是真正的约束。Lite 是个 lite 模型，长 prompt 在它上面以一种特定的方式失败：它会留住第一个从句和最后一个从句，然后悄悄丢掉中间。嵌套条件（「一个房间，里面有张桌子，桌上放着一只碗，碗里有三只梨，其中一只有磕伤」）回来时梨会完全不见。给 Lite 写扁平的句子。一个主体、一个场景、一个光源、一份排除清单。

一间现代开放式办公室在黄金时刻的等距 3D 渲染，
十四位各不相同的员工站在升降桌前，左侧一间玻璃墙会议室里有一块白板，
角落里摆着盆栽琴叶榕，后墙沿线是一个咖啡吧和一位咖啡师，
头顶是裸露的风管，抛光水泥地面映着窗户，
前数第三张桌上睡着一只猫

一间开放式办公室在黄金时刻的等距 3D 渲染。一排排升降桌，
左侧一间玻璃墙会议室，高窗把长长的暖光投在抛光水泥地面上。
低饱和配色，干净的几何结构。
无文字，无标识，无人物。

第一条 prompt 不是错的。它是对 Lite 而言错了。把它发给 Pro，十四位员工、风管和那只猫都会到齐。把它发给 Lite，您会拿到一间办公室、一扇窗，和一张 $0.0238 的账单。

反过来说，这条建议还有个有用的版本：如果您的 prompt 不到六十个词、里面只有一个主体，那 Pro 除了三十秒的等待和大约三倍的花费之外，什么都不会多给您。人们生成的大部分东西都是 Lite 的活儿。比起为一张占位背景把顶级档卖给您，我们宁愿把这话说出来。完整的「哪一档配哪种活儿」拆解，我们单独写在了四个 Nano Banana 的横向对比里。

Aspect ratio 是一条构图指令，不是一次裁切

在写句子之前先定形状，因为形状会改变这句话该说什么。一张 21:9 的横幅想要一条地平线和一个推离中心的主体。一张 9:16 的竖版故事想要一个垂直的堆叠和头顶留白。如果您照着方形写 prompt 却渲染成宽幅，您会拿到一个方形构图外加两边的留白，而它看起来就正是那样。

把构图在 prompt 里直接说出来。「地平线在下三分之一处，主体在右三分之一处，左上方留出大片空天用来放文案」是一条真实的指令，而这些模型照办得不错。

然后是那个会让人赔上一整批素材的坑。各档的默认 aspect ratio 并不相同。 在 Nano Banana、Nano Banana 2 和 Nano Banana Pro 上，我们的默认值是 9:16。在 Nano Banana 2 Lite 上是 1:1。所以一份从不钉死 aspect_ratio 的配置，会在三个模型上产出竖版、在第四个上产出方图，而如果您为了省钱换档，输出的形状会在您脚下悄悄变掉。

把它钉死。永远钉死，每一次调用都钉，哪怕默认值恰好就是您想要的：

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer $E2X_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/nano-banana-2-lite/text-to-image",
    "input": {
      "prompt": "平淡阴天光线下一道花岗岩山脊的宽幅风景照，地平线在下三分之一处，脊线从右侧切入，左上方是大片空白的淡色天空。无文字，无人物，无建筑。",
      "aspect_ratio": "21:9"
    }
  }'

还有一个该知道自己在用哪一档的理由：Lite 带着四种我们目录里别处都没有的 aspect ratio——1:4、4:1、1:8 和 8:1。它们是真的有用，也是真的没被用起来。一条全站页头长条或者一个高瘦的侧栏单元，按 8:1 渲染胜过生成一张 16:9 再裁掉它的 80%，无论是在构图上，还是在您为那些扔掉的像素付了多少钱上。

编辑是另一门手艺：写增量

这是最有经验的 prompt 写手退步最厉害的地方，因为文生图养成的本能就是去描述您想要的那张画。而在一次编辑调用里，那张画您已经有了。再描述一遍，等于跟它抢。

一条编辑 prompt 有两件事要做：点名什么在变，以及点名什么绝不能变。别的都不该待在里面。

一位五十多岁的女人在低角度冬日光线下坐在大理石咖啡馆桌边，
穿一件红色而不是蓝色的外套，同一张脸，同一个姿势，杂志摄影，
35mm，浅景深，暖调

把外套从藏青改成深砖红。织物的厚重感、领型和垂坠感保持
完全一致。画面里其余一切不变：同一张脸、同样的表情、同样的手、
同一只杯子、同样的窗光、同样的裁切。

第一个版本把媒介、镜头和色调都重新指定了一遍，而这每一次重新指定，都是模型可能去执行的一条新指令。脸会微妙地变掉，就是这么来的。第二个版本只碰一样东西，并且明确冻住了其余部分。

在搭编辑流水线之前，有两个机械层面的事实值得知道。参考图数量按档而异：legacy 模型接三张，Nano Banana 2 的 edit endpoint 接十四张，Nano Banana Pro 的也接十四张，但按角色分开——最多五张角色图管身份，六张物体图管产品还原，三张风格参考。正是那套角色分离，让 Pro 能在一次 request 里拼出一整张广告合成图，而这本身是一个完整的话题；我们在让一个角色在 Nano Banana 的多次生成里保持一致里讲了它。

图内文字，以及什么时候别费这个劲

图像里可读的文字是随 Gemini 3 这一代到来的。legacy 的 gemini-2.5-flash-image 做不到——单个词有时候能活下来，一整句从来不行。任何带真实排版的东西您想要 Nano Banana 2，而任何以排版本身为重点的东西您想要 Pro，它把带样式的和多语言的文字渲染得足够好，好到您可以递给它一张英文信息图，拿回一份底下图表原封不动的西班牙语版本。

当您真的要文字时，规则会收紧：

• 把那些词放进引号里，一字不差地照着该出现的样子写。
• 说清楚一共有几个词，以及它们落在画面的什么位置。
• 把字形描述成一种风格，而不是一个字体名。「高瘦的几何感 Art Deco 大写字母，字距宽松」有用。点名某个具体字体，大多没用。
• 用「画面里别处不得有任何其他文字」收尾，否则模型会加上一句您没要过的、看起来很合理的副标题。

一张里斯本的复古旅行海报，LISBOA 这个词用 art deco 字体

1930 年代复古旅行海报插画，扁平丝网印风格，带可见的套印错位。
一辆奶油色电车爬上一条陡峭的粉彩色街道，身后是分作三块平涂蓝色的
特茹河口。只有一行文字：单词 "LISBOA"，用高瘦的几何感 Art Deco
大写字母横跨画面下四分之一，米底深赭色，字距宽松。画面里
别处不得有任何其他文字。

现在说不受欢迎的那部分。大多数图内文字不该在图里。如果那些词以后需要改动、需要被翻译、需要被选中、需要被读屏软件读出来，或者需要在法务看过之后被修正，那就干净地生成画面，再在 HTML、Figma 或者您的模板引擎里排字。仅仅因为模型能做，就把一句标题烤进像素里，是一个您会在第一次文案修订时付出代价的决定。当排版真的是画面的一部分时才要求渲染文字——一张海报、一面手绘的店铺招牌、一幅静物里的书脊——其余时候跳过它。

对任何数据形状的东西，这一条更锋利。一个能渲染看起来合理的文字的模型，也会渲染看起来合理的数字和看起来合理的地名，这在海报上没问题，在图表或地图上则是灾难。我们在为什么 AI 图像生成器画不好地图里讲清楚了原因。

值得留着的模板

四副骨架，覆盖了人们真正会生成的大部分东西。填好方括号，删掉不适用的，留住那行排除项。

干净背景上的单一主体，供合成用：

[媒介：微距产品照 / 棚拍静物] 一件 [主体，带一处具体的材质细节]，
居中置于无缝的 [颜色] 背景纸上。
[光源与尺寸] 来自 [方向]，一道阴影落向 [方向]。
无文字，无 logo，无道具，无手，背景无细节。

带文案留白的杂志式场景：

[媒介]，[主体正在做一件具体的事]，[场景]。[光：方向、
质地、色温]。从 [机位高度与距离] 拍摄，
[裁切]，[景深]。[主体] 位于 [左/右] 三分之一处，[区域] 留出
空白的 [台面或天空] 用来放文案。无文字，无 logo。

只改一样东西的编辑：

把 [元素] 从 [当前状态] 改成 [目标状态]。保持 [该元素中必须
存活下来的那两三项属性] 完全一致。画面里其余一切不变：
同样的 [列出最容易出事的那几处]。

带单行文字的插画，Pro 档：

[插画风格与年代]，[技法细节]。[用两句话描述的场景]。
只有一行文字：单词 "[WORD]"，用 [字形描述]，
[颜色] 底上的 [颜色]，位置在 [哪里]。画面里
别处不得有任何其他文字。

当问题不出在 prompt 上

到了某个时候，prompt 是好的，出问题的是流水线：重试、seed、排队、在 URL 过期之前把输出存下来。那是另一门功夫，我们写在了如何大批量自动生成图像里。而如果您想补上的那道差距具体是摄影上的可信度，而不是指令遵循，那份检查清单在我们那篇最真实的 AI 图像生成器指南里。

每个模型都以机器可读的规格公布自己确切的参数清单——完整的 aspect ratio 集合、默认值、它拒绝什么——比如 Nano Banana 2 Lite 的规格文件。在您去重写一条换模型之后开始不听话的 prompt 之前，先读它。十次里有九次，prompt 本来是好的，是一个默认值在它脚下挪动了。text-to-image 分类里每一个模型背后都有一份规格文件，我们跑的其他一切背后也有。

常见问题

我该怎么组织一条 Nano Banana prompt？

媒介在先，然后是主体，然后是光，然后是取景，最后是一份排除清单。在开头几个词里点名媒介，会约束住随后的每一个决定，而明确描述光线对结果的作用，超过任何数量的质量形容词。用「什么不得出现」收尾——「无文字，无 logo，无道具」——因为这些模型会去填满未指定的空间，而不是把它留空。

「8k」「杰作」这类质量词在 Nano Banana 上有用吗？

没用。那些 token 来自更早的开放权重扩散模型，在那里它们能把输出引向训练数据的某个特定子集。Gemini 一代的模型对它们没有反应，而它们占掉的 prompt 预算，本可以更好地花在光的方向、机位或者排除项上。

一条 Nano Banana prompt 能有多长？

Nano Banana 2 Lite 最多接受 32,000 字符，Nano Banana 2 最多 20,000，Nano Banana Pro 最多 50,000。那些是硬上限，不是目标。尤其是 Lite，远在触到上限之前，长 prompt 上的表现就已经变差了，因为它倾向于留住开头和结尾的从句而丢掉中间。

为什么我换模型之后图的形状不对了？

因为默认 aspect ratio 按档而异。在我们的 API 上，Nano Banana、Nano Banana 2 和 Nano Banana Pro 默认 9:16，而 Nano Banana 2 Lite 默认 1:1。所以一个从不设置 aspect_ratio 的 request，在这些模型之间移动时形状就会变。请在每一次调用上显式设置它。

我该怎么给 Nano Banana 写编辑 prompt？

写增量，不是写场景。点名那一样在变的东西，点名它身上必须存活下来的属性，然后声明其余一切不变，并列出最容易出事的那几处——脸、姿势、光线、裁切。在编辑 prompt 里重新描述媒介、镜头或氛围，正是图像别处出现意外改动的原因。

哪个 Nano Banana 模型能在图里渲染可读的文字？

Nano Banana 2 和 Nano Banana Pro 可以，因为可读的图内文字是 Gemini 3 这一代的能力。当排版就是重点时，Nano Banana Pro 是可靠的选择，因为它还能处理带样式的和多语言的文字。legacy 的 gemini-2.5-flash-image 完全渲染不出可读文字。

我需要 Nano Banana Pro 来换取更好的指令遵循吗？

通常不需要。Pro 的优势在于撑住一份带好几层空间关系的长构图 brief，加上按角色分离的参考图和可靠的图内文字。如果您的 prompt 只是一个主体、不到六十个词，$0.0238 的 Nano Banana 2 Lite 会同样忠实地照办，而且回得更快。