前置知识点（建议先学）
学习状态：
一句话定义
提示词迭代的正确姿势是受控变量实验：固定种子与采样参数建立基线，每轮只改一个变量（一个词、一档权重或一个参数），用「变量 → 输出变化」的因果读法逼近目标画面。
为什么重要
生成系统的最大陷阱是「多重变量同时动」：改了提示词又换采样器，图变好了但不知道为什么，下次复现不出来。这套方法把出图从抽卡变成实验科学，是 kp-017~kp-019 所有知识的「使用说明书」；同时它产出的「参数—效果」对应关系可迁移，越用越快。
前置知识
kp-017（模板）、kp-018（负向机制）、kp-019（权重语法）；kp-009 的「确定性采样 + 固定种子 = 可复现」性质。
核心概念
- 基线（baseline）：固定种子、采样器、步数、CFG 的一组初始设置，全部迭代以它为参照。
- 单变量原则：每轮只动一处，其余全部冻结。
- 变量层级：词项（换词）→ 权重（0.1 步进）→ 结构（段落增删）→ 参数（CFG/步数）→ 采样链（换采样器/调度）——扰动半径从小到大。
- 变量隔离记录：把每轮的「改动 + 结果观察」写成可检索的实验记录。
- 批量探针（grid/batch）：同提示词跑多种子批量，区分「提示词问题」与「种子运气」。
原理与机制
迭代之所以有效，依赖两个机制性质。其一：确定性可复现——DDIM/Euler 等确定性采样器下，固定种子 + 全同参数 = 逐像素同图（kp-009），这使「只改提示词、其余不变」的对比严格成立。其二：变量的作用半径不同——换风格词改变纹理统计（半径大）、换名词改变主体（半径中）、0.1 档权重改变重心（半径小），按半径从小到大排列的调试路径能以最少轮数收敛。标准流程六步：
- 建基线：套用 kp-017 模板写出初版，固定种子 s₀，出一张参照图。
- 种子粗筛：同提示词换 4~8 个种子，确认「方向性缺陷」（所有种子共有）还是「个体缺陷」（个别种子）——只有前者值得改提示词，后者换种子即可。
- 词项迭代：对方向性缺陷定位到模板的某一段，每次替换/增删一个词。
- 权重微调：有效但不强的词按 0.1 步进加权；过强的（喧宾夺主）降权。
- 参数收尾：提示词定型后再调 CFG（±1 档）与步数，此时改动效果才可归因。
- 记录归档：以「改动 diff + 结果要点」存档，形成个人语料库。
排错对照表（症状 → 首查变量）：
| 症状 | 首查 | 次查 |
|---|---|---|
| 提示词元素缺失 | 该词权重 / 语义冲突 | CFG 过低、token 截断 |
| 画面过饱和烧穿 | CFG 过高、高权重堆叠 | 负向单过长 |
| 肢体/手部崩坏 | 负向定向词（kp-018） | 步数不足、参考 kp-025 |
| 风格不符 | 风格媒介词杠杆（kp-017） | 模型底模本身（kp-023） |
公式与推导
本节不适用——本知识点是实验方法论，其可靠性由 kp-009 的确定性采样性质保证。
图示
① 基线（种子 s₀ 冻结）→② 多种子粗筛→③ 单词迭代→④ 权重 0.1 步进→⑤ CFG/步数收尾→⑥ 归档可复现配方
直观类比
像调鸡尾酒：基线是标准配方，每轮只动一个成分（换酒、加 5ml、变冰量），否则调出好喝的也说不出是哪个改动立了功。种子粗筛则是「同一配方摇三杯确认不是摇壶问题」。
实例或案例
一次真实迭代记录（节选，SDXL 系）：基线 cinematic photo, a chef plating dessert, warm kitchen 出图厨师无围裙；第 3 轮加 white apron 无效（词项层失败）；第 4 轮改 (white apron:1.3) 生效——记录归因：该概念在模型分布中存在但权重弱，权重层解决。全程基线种子未动，两次对比严格可复现。
常见误区
- 误区一：每轮多改几处省时间。多变量叠加后结果不可归因，看似省轮数实则返工更多——一轮多改只在「明确只想看整体风格」时可接受。
- 误区二：把种子问题当提示词问题。单种子下的局部缺陷换种子即解，改提示词是对症错药。
- 误区三：调好的配方跨模型直接用。配方绑定「模型 + 采样链」，换基座（kp-023）后权重与画质词需重校。
自测题
- 为什么迭代前必须固定种子？
答案要点：确定性采样下固定种子保证除被改变量外一切不变，使对比实验的因果归因成立。
- 六步流程中，为什么 CFG 调整放在提示词定型之后？
答案要点：CFG 放大提示词作用，提示词未定型时调 CFG 会把「词的问题」误判为「强度问题」。
- 所有种子都缺某元素 vs 个别种子缺，分别怎么处理？
答案要点：共有缺陷改提示词（词项/权重）；个别缺陷换种子即可。
与其他知识点的关系
kp-019 的权重是第 4 步的工具；kp-025 的失败模式是排错表的出处；kp-027 的一致性需求把「固定种子」从调试技巧升级为交付要求。
延伸阅读
Liu & Chilton（CHI 2022）对「逐轮改写 vs 整体重写」两种用户策略的对比实验结论，为单变量迭代提供了实证支持。