大家好，我是 Prompt Lab 的开发者。
像很多独立开发者一样，我的日常就是在“找词”、“开发”和“推广”之间反复横跳。直到最近，随着 Nano Banana (Google Gemini) 的爆火，我开始意识到 AI 图片生成领域的巨大机会。
文本 vs. 图片：一次“惨痛”的跨界
在此之前，我做过不少模型接入的工作。自认为对 Prompt（提示词）还算有深入了解——我看过各种结构化提示词教程（比如 BROKE 框架、LangGPT），在文本生成领域也算游刃有余。
但当我信心满满地跨入AI 绘画领域时，现实给了我一记重拳。
我在 X (Twitter) 上看到很多大神生成的图片，惊艳无比。很多网友也非常慷慨，直接分享了他们的 Prompt。我满心欢喜地复制、粘贴、运行——结果生成的图，总觉得“差点意思”。
理想 (The Goal)
我想画出这种精致的蚀刻版画风格。
现实 (The Reality)
但我的结果要么构图崩坏，要么质感不对。
困惑 (The Confusion)
为什么给了同样的咒语，却变不出同样的魔法？
为什么给了同样的“咒语”，我却变不出同样的“魔法”？
“收藏癖”不是解药
起初，我的产品直觉告诉我：“也许我需要看得更多。”
我最初的想法是做一个**“提示词库”**——把那些公开的、优秀的 Prompt 全部收集起来。我想，熟能生巧，看得多了自然就会了。
但当我开始调研时，发现市面上已经有很多类似的“提示词大全”站了。
更重要的是，我在使用这些库时感到了深深的挫败感： 面对成千上万条 Prompt，我依然不知道怎么选。而且，当我拿到一条关于“猫”的优质 Prompt 时，我其实想画一只“狗”。但我不知道该改哪里——删掉这个词会不会破坏风格？改了那个词会不会影响光影？
简单的“收藏”，解决不了“定制”的需求。
那个让我觉醒的 --sref 时刻
转折点发生在一个很小的细节上。
有一次，我在 X 上看到一张风格极佳的图片，Prompt 里包含了一个神秘参数：--sref 3694285212。
我不假思索地把这串代码扔进了我当时正在测试的 Gemini (Nano Banana) 模型里。结果可想而知——模型完全忽略了它，甚至生成了一堆乱码。
那一刻我突然意识到：AI 绘画不是通用的。
--sref是 Midjourney 的方言。(masterpiece:1.2)是 Stable Diffusion 的语法。- 自然语言是 DALL-E 3 的偏好。
其中的门道太多了。不是所有的 Prompt 都能“拿来即用”。
我的解决方案：解构，而非堆砌
这个经历改变了我的产品思路。
我意识到，用户需要的不是一个装满 Prompt 的“仓库”，而是一把能拆解 Prompt 的“手术刀”。
如果要复刻一张图的精髓，我们需要做的是：
- 反推 (Reverse Engineer): 先把成图还原回提示词。
- 解构 (Deconstruct): 搞清楚哪些是主体（Subject），哪些是风格（Style），哪些是硬参数（Parameters）。
- 重构 (Re-engineer): 保留风格和比例，只替换主体。
只有这样，我们才能真正掌控 AI，而不是在那“抽卡”。
Prompt Lab v1.0：迈出的一小步
于是，就有了你们现在看到的 Prompt Lab。
它目前的核心逻辑非常简单：
- Image to Prompt: 帮你“看穿”一张图的参数和风格。
- Prompt Optimizer: 帮你把简单的想法“翻译”成不同模型听得懂的语言（MJ, Flux, SD）。
现在的版本还是一个 MVP（最小可行性产品），可能还有很多不尽如人意的地方。但我相信，从“盲目复制”到“理解结构”，这是正确的一步。
我也依然是一个正在探索的独立开发者。如果你在使用过程中有任何建议，或者发现了 Bug，欢迎随时告诉我。
让我们一起在 AI 艺术的迷雾中，找到那条清晰的路。
