一段太短的 prompt，等于让模型把所有事都猜一遍。一段太长的 prompt，会把唯一重要的那句话埋掉。中间地带——六到七句话，分别交代视角、场景、情绪——才是生成结果不再像背景音乐、开始有分量的地方。
先把视角钉住
在乐器、速度之前，先说清楚谁在唱，唱给谁。「凌晨三点的新手父母，对着熟睡的婴儿说话」给了歌词生成器一个可以站进去的姿态；「温暖的原声 indie」给了它一种质感，但没给它方向。一旦姿态立住了，质感会跟上来。
然后给一个场景
一个具体的画面——厨房台面、火车窗外、走廊、酒店停车场——能把一种笼统的情绪拉成一种具体的情绪。你不需要解释这个场景，把它递过去就行。模型会用你想不到的方式把角落填满，正是这部分让结果显得像「被找到的」而不是「被订做的」。
把制作向的细节留到最后
风格、速度、配器应该放在 prompt 末尾，等模型已经知道这首歌讲的是什么之后再说。如果你以「120 BPM、失真 bass、女声」开头，歌词层就没东西可以生长。先讲场景和姿态，再讲制作向的细节，这些细节会去打磨已经存在的东西，而不是替换掉它。
一个起手模板
一个 [谁]，在 [哪里]，正在想着 [什么]。副歌的转折出现在他们意识到 [反转] 的那一刻。情绪是 [两个形容词]。制作：[风格]，[速度]，[一个制作细节]。
这不是一个一字不差照抄的公式——这是一份清单，列出了模型开始干活前必须出现在 prompt 里的五个决策。漏掉任何一个，结果都会带着一种「未定型」的感觉，这种感觉是再多的重新生成都修不掉的。