这次我们来看一个专门为景观设计领域优化的AI绘图提示词集合项目。如果你在做景观分析图、总平面图、概念草图时，觉得AI生成的图总是不对味，风格不统一，或者效率太低，那么这个项目可能就是你需要的。它不是一个新模型，而是一套经过精心调试的Stable Diffusion提示词（Prompt）和参数组合，打包成了可一键导入的预设。核心目标很直接：让你输入简单的描述，就能稳定输出专业、风格统一的景观分析图纸，极大提升设计表达和方案推敲的效率。

项目最值得关注的点在于其“针对性”和“可复用性”。它跳过了通用大模型需要反复“咒语”调试的阶段，直接提供了六种最常用的景观分析图类型模板，比如现状分析、交通流线、景观结构、植被规划等。你只需要替换掉模板中的场地名称、设计元素等关键信息，就能批量生成风格一致的分析图，这对于需要快速出多张分析图的设计流程来说，效率提升是质的飞跃。硬件门槛完全取决于你本地部署的Stable Diffusion环境（如WebUI或ComfyUI），项目本身只是文本预设，不占用额外显存。

本文将带你完成从获取提示词、配置本地AI绘图环境，到实际应用生成六种分析图的全过程。我们会重点验证这套提示词在不同模型下的效果差异，如何根据你的设计内容进行微调，以及如何利用其进行“批量同款”出图。无论你是景观专业的学生、设计师，还是对AI辅助设计感兴趣的爱好者，都能通过本文快速上手，将这套工具集成到你的工作流中。

1. 核心能力速览

2. 适用场景与使用边界

这套提示词预设主要服务于景观、城市设计和建筑领域的视觉表达环节。

它非常适合以下场景：

1. 设计前期分析：快速将场地调研的抽象数据（如人流、功能、生态）转化为直观的图解。
2. 方案多轮比选：为同一场地的不同设计概念，批量生成统一风格的分析图，便于对比。
3. 设计文本/展板制作：急需一套风格专业、统一的图面来充实文本内容，提升整体质量。
4. 学习与教学：学生可以快速掌握专业分析图的表达范式，教师可用于案例演示。

需要注意的使用边界：

1. 非设计工具：它不替代 GIS、CAD、SketchUp、Rhino 等专业设计软件，不进行空间计算与建模。其核心是“表达”而非“设计”。
2. 依赖基础模型：生成效果受你选用的 Stable Diffusion 大模型影响极大。推荐使用建筑、景观、平面艺术风格的融合模型或 LoRA，效果更佳。
3. 需二次调整：生成的图像在具体元素位置、比例尺、图例细节上可能不精确，需要导入 PS、AI 等软件进行标注、修正和美化。
4. 版权与合规：生成的图像用于学习、内部讨论及方案演示通常无碍。若用于商业项目公开发布或参赛，请务必确认其符合相关竞赛、出版物的版权规定，并对AI生成部分进行显著说明或深度加工，以避免争议。

3. 环境准备与前置条件

要使用这套提示词，你需要一个已经能正常运行的 Stable Diffusion 环境。以下是通用的环境检查清单：

1. 操作系统：Windows 10/11， macOS（需M系列芯片或Intel+AMD显卡）， Linux。Windows 用户最多，兼容性最好。
2. Python：版本 3.10.x 是大多数 Stable Diffusion 发行版的推荐版本。确保已安装并添加到系统环境变量。
3. Git：用于克隆一些部署工具或管理器。
4. 显卡驱动与CUDA：
   • NVIDIA显卡：确保已安装最新版显卡驱动。如需使用 GPU 加速，需安装对应版本的 CUDA Toolkit（如 11.8 或 12.1），具体版本需查看你使用的 SD 部署工具的要求。
   • AMD显卡：可通过 DirectML 或 ROCm 支持，配置相对复杂。
   • Apple Silicon Mac：依赖 PyTorch 的 MPS 后端。
   • 仅CPU：可以运行但速度极慢，仅适合测试。
5. 部署工具（二选一或均备）：
   • Stable Diffusion WebUI (A1111)：最流行的图形界面，插件生态丰富，导入提示词预设非常方便。推荐新手使用。
   • ComfyUI：节点式工作流，灵活性极高，执行效率高，适合进阶用户和批量任务。
6. 基础模型：你需要至少下载一个 Stable Diffusion 检查点模型（.ckpt 或 .safetensors）。对于景观分析图，推荐尝试一些融合了建筑、测绘、设计手绘风格的模型，例如：
   • dreamshaper、realisticVision等通用高质量模型。
   • 专门针对建筑、景观的模型，如architectural-design、landscape-design等（需在模型社区如 Civitai 搜索）。
7. 磁盘空间：基础模型通常 2-7GB，加上部署工具和依赖，建议预留 15-20GB 空间。

4. 获取与部署提示词预设

本项目“六组景观分析图提示词”通常以文本文件（如.json或.txt）或直接以表格形式分享。假设我们已获得如下格式的提示词内容（此处为示例，实际内容可能更丰富）：

示例提示词结构（现状分析图）：

正向提示词 (Positive Prompt): masterpiece, best quality, landscape architecture site analysis diagram, aerial view, flat design style, minimalistic, color-coded, showing existing buildings (in gray), green spaces (in green), water bodies (in blue), roads (in black), clear legend, white background, clean lines, professional cartography 负向提示词 (Negative Prompt): worst quality, low quality, normal quality, blurry, messy, cluttered, photorealistic, 3d render, sketch, hand drawn, text, watermark, signature 参数建议 (Parameters): Steps: 30, Sampler: DPM++ 2M Karras, CFG scale: 7, Size: 1024x768

部署到 Stable Diffusion WebUI (A1111)：

1. 启动你的 WebUI。
2. 进入Settings->Prompts选项卡。
3. 找到Style templates for dropdown或Prompts from file or textbox相关设置。
4. 将上述提示词（正向、负向）分别保存为文本文件，例如现状分析_positive.txt和现状分析_negative.txt。
5. 更常见的做法是，直接在 WebUI 的生成界面，手动输入一次完整的提示词和参数，然后点击提示词框下方的Save style按钮，为其命名保存（如“现状分析图”）。这样，下次就可以在样式下拉菜单中直接选择。
6. 对六组提示词重复此操作，建立六个快速样式。

部署到 ComfyUI：

1. 启动你的 ComfyUI。
2. 在节点编辑界面，找到CLIP Text Encode (Prompt)节点。
3. 双击节点或在其属性中，可以直接输入或粘贴长文本提示词。
4. 为了复用，你可以将配置好的工作流（包含提示词节点、模型节点、参数设置等）保存为.json文件。每次需要时，加载这个工作流即可。
5. 另一种高效方法是使用Custom Scripts或Workflow Templates功能，将提示词保存为模板。

5. 功能测试与效果验证

我们将以“现状分析图”和“交通流线分析图”为例，演示完整的测试流程。请确保你的 SD WebUI 或 ComfyUI 已正常启动，并加载了一个合适的模型。

5.1 测试一：现状分析图生成

测试目的：验证提示词能否生成一张清晰、美观、要素齐全的场地现状平面分析图。

操作步骤（以WebUI为例）：

1. 选择模型：在左上角选择你准备好的基础模型（例如dreamshaperXL）。
2. 加载样式：在提示词输入框下方，点击样式选择下拉菜单，点选你之前保存的“现状分析图”样式。这会自动填充正向和负向提示词。
3. 微调提示词：在自动填充的正向提示词末尾，加入你的具体场地描述。例如：... , site of [ Riverside Park ], located next to a [ winding river ], with a [ dense forest ] to the north and [ residential area ] to the south.
4. 设置参数：
   • 采样步数 (Steps)：按建议设为 30。
   • 采样器 (Sampler)：选择DPM++ 2M Karras。
   • CFG Scale：设为 7。
   • 分辨率 (Width/Height)：设为1024x768（分析图常用横向比例）。
   • 生成批次：先设为 1，用于测试。
5. 点击生成：观察控制台日志和显存占用情况。

预期结果与判断：

• 成功：生成一张具有平面图解风格的图片。图片应有明确的图底关系（白色背景），用不同色块区分建筑（灰）、绿地（绿）、水系（蓝）、道路（黑），整体看起来像专业的分析图而非照片或写实渲染。
• 需优化：如果图片过于写实、杂乱、或有无关元素（如人物、汽车），需加强负向提示词（如增加photorealistic, messy, people, cars）。如果色彩不明确，可在正向提示词中强调high contrast color coding。
• 失败：如果生成完全无关的内容（如人脸、动物），可能是基础模型不匹配或 CFG 值过低，尝试更换更偏向设计风格的模型，或提高 CFG Scale 到 9-10。

5.2 测试二：交通流线分析图生成

测试目的：验证提示词能否生成表达人流、车流动态和节点关系的分析图。

操作步骤：

1. 在 WebUI 中，切换到“交通流线分析图”样式。
2. 微调正向提示词，加入具体元素：... , showing main pedestrian flow (with dotted red lines), bicycle paths (with solid green lines), vehicle circulation (with thick black arrows), and major activity nodes (highlighted with yellow circles).
3. 参数可尝试调整分辨率至768x1024（纵向），以适应流线图的表达习惯。
4. 点击生成。

预期结果与判断：

• 成功：生成一张包含不同线型（虚线、实线、箭头）和节点符号（圆圈）的示意图。流线应清晰可辨，图面有动感。
• 需优化：如果线条混乱、箭头不明确，可在提示词中增加clear hierarchy of lines, elegant arrows, minimalistic flow lines。可以尝试使用ControlNet的Lineart或Scribble预处理器，配合一张简单的流线草图，来更好地控制构图。
• 进阶测试：尝试使用“批量处理”功能，用同一套提示词和参数，仅替换场地描述部分，生成多个场地的交通分析图，检查风格一致性是否保持。

5.3 其他四组分析图测试

按照相同逻辑，对剩余四组提示词（景观结构、功能分区、视线分析、植被规划）进行测试。重点关注：

• 景观结构：是否生成“生态廊道”、“核心斑块”、“景观轴线”等抽象空间结构的图示。
• 功能分区：色块划分是否明确，图例感是否强。
• 视线分析：是否出现视廊、视线通廊、景观视点等元素的符号化表达。
• 植被规划：是否区分出乔木、灌木、草地、花卉区域，并以不同的植物图例表现。

6. 批量生成“同款”分析图

这是本套提示词的核心价值所在——一键生成风格统一的多张图。这里提供两种批量化的思路：

方法一：WebUI 内置批处理

1. 在 WebUI 的Prompts标签页，可以创建一个提示词列表文件。
2. 例如，创建一个batch_prompts.txt，每行包含一个变体：

   (masterpiece, best quality, landscape architecture site analysis diagram...), site of [Park A], located in downtown. (masterpiece, best quality, landscape architecture site analysis diagram...), site of [Park B], located by the mountain. ...

   注意：实际需写完整提示词，或利用样式功能。更高效的方式是使用X/Y/Z Plot脚本进行参数扫描。
3. 设置好固定参数（步数、采样器、分辨率等），使用Txt2Img页面的Script下拉菜单中的Prompts from file or textbox来读取这个文件进行批量生成。

方法二：ComfyUI 工作流批处理ComfyUI 在批处理上更强大。

1. 构建一个标准的工作流，包含Load Image、CLIP Text Encode、KSampler、Save Image等节点。
2. 将CLIP Text Encode节点中的具体场地描述部分，替换为一个输入文本变量。
3. 使用ComfyUI-Custom-Scripts中的批量处理功能，或者直接通过 API 调用。
4. 准备一个 CSV 文件，列出所有需要生成的场地名称和对应的简单描述。
5. 通过 Python 脚本循环读取 CSV 每一行，替换工作流中的文本变量，并执行工作流，将输出图片按场地名称保存。

方法三：通过 API 接口调用如果追求完全自动化，可以启用 WebUI 的--api启动参数，然后通过 Python 脚本调用。

import requests import json import os # WebUI API 地址 url = "http://127.0.0.1:7860/sdapi/v1/txt2img" # 基础提示词模板 base_prompt = "masterpiece, best quality, landscape architecture site analysis diagram, flat design style, minimalistic, color-coded, white background, {site_description}" # 不同场地的描述 site_descriptions = [ "site of Central Park, showing large lawn, lakes, and surrounding streets.", "site of Urban Plaza, with hardscape, seating areas, and pedestrian pathways.", "site of Waterfront Park, featuring a pier, wetland area, and coastal walkway." ] # 固定参数 payload_template = { "prompt": "", "negative_prompt": "worst quality, low quality, blurry, messy, photorealistic", "steps": 30, "cfg_scale": 7, "width": 1024, "height": 768, "sampler_name": "DPM++ 2M Karras", } # 循环生成 output_dir = "./batch_output" os.makedirs(output_dir, exist_ok=True) for i, desc in enumerate(site_descriptions): payload = payload_template.copy() payload["prompt"] = base_prompt.format(site_description=desc) response = requests.post(url, json=payload) if response.status_code == 200: result = response.json() image_data = result['images'][0] # 假设单批次单张图 # 保存图片 import base64 from io import BytesIO from PIL import Image image = Image.open(BytesIO(base64.b64decode(image_data.split(",",1)[0]))) image.save(os.path.join(output_dir, f"site_analysis_{i+1}.png")) print(f"Generated image for: {desc}") else: print(f"Failed for: {desc}, Status: {response.status_code}")

7. 资源占用与性能观察

使用这类提示词生成图片，性能消耗主要取决于你选择的基础模型和生成参数。

1. 显存占用观察：

   • 在 WebUI 中生成时，观察控制台日志，通常会显示GPU Memory Usage: xxxx/xxxx MiB。
   • 对于 SD 1.5 模型，生成一张 1024x768 的图片，显存占用通常在 3GB - 5GB。
   • 对于 SDXL 模型，同等分辨率下显存占用可能达到 6GB - 8GB 或更高。
   • 降低显存技巧：启用--medvram或--lowvram参数启动 WebUI；在设置中开启xformers；降低分辨率（如 768x512）；减少批处理大小。

2. 生成速度：

   • 生成速度受显卡型号、步数、分辨率影响。一张 30 步的 1024x768 图片，在 RTX 4060 上可能需 5-10 秒，在 CPU 上可能需要数分钟。
   • ComfyUI 通常比 WebUI 在连续生成时效率更高，因为节点工作流优化了内存管理。

3. 提示词影响：提示词本身（长度、复杂度）对性能影响微乎其微，主要影响的是图像内容的指向性。

8. 常见问题与排查方法

9. 最佳实践与使用建议

1. 建立你的提示词库：不要局限于这六组。将测试中效果好的提示词变体（例如，针对“滨水空间分析”、“夜景照明分析”的）也保存为样式，积累成你自己的专业提示词库。
2. 与 ControlNet 结合：这是提升可控性的关键。准备简单的场地底图（线稿、色块图），使用 ControlNet 的lineart,scribble,canny,depth等预处理器，可以让生成的图片在构图上更符合你的设计草图。
3. 分层输出与后期处理：将 AI 生成的图视为高质量的“底图”。将其导入 Adobe Illustrator 或 Photoshop，添加专业的标注、图例、箭头、文字说明，使其成为真正可交付的分析图。
4. 参数标准化：为你的项目设定一套标准参数（模型、VAE、采样器、步数、基础分辨率），并记录在案。这能确保同一项目下所有分析图的“基因”一致。
5. 版权与伦理考量：
   • 内部使用：用于方案推敲、内部汇报、课程作业，大胆使用。
   • 公开与商用：如果公开作品，考虑声明“AI辅助生成”。对于关键图纸，建议以 AI 出图为基底，进行超过 50% 的人工重绘和优化，以体现原创性。
   • 素材安全：避免在提示词中嵌入受版权保护的特定设计师风格名称或项目名称。

10. 总结与下一步

这套“六组景观分析图提示词”的价值，在于它提供了一个高质量的起点，将 AI 绘画从“漫无目的的尝试”拉向了“有目的的产出”。它最值得尝试的点在于其“开箱即用”和“风格锚定”能力，能立刻为设计表达环节提效。

你最先应该验证的是“现状分析图”和“交通流线图”这两类最通用的图纸，看看在你本地环境下，能否稳定产出符合预期的图解风格。最容易踩的坑是“模型不匹配”——如果用的模型是二次元风格，再好的提示词也难产出专业分析图。因此，寻找一个合适的基底模型是成功的第一步。

接下来，你可以探索：

1. 细化与扩展：基于这六组模板，衍生出更细分的提示词，如“雨洪管理分析图”、“生物多样性分析图”等。
2. 工作流集成：将生成步骤与你的设计软件（如 Rhino+Grasshopper, GIS）结合，实现从数据到分析图的半自动化流程。
3. 模型微调：如果你有大量自己绘制的优秀分析图，可以考虑训练一个 LoRA 模型，让 AI 彻底学会你的专属表达风格。

工具的意义在于释放创造力，而非替代思考。这套提示词帮你解决了“怎么画”的基础问题，让你能更专注于“画什么”和“为什么这么画”的设计本质。建议收藏本文，在下次需要快速出图时，直接按步骤调用你的提示词库。