一句话定义：提示词权重（Prompt Weighting）是一种在提示词里用括号加数字的写法，比如 (赛博朋克:1.3)，人为放大或缩小某个词对生成结果的影响。
它是怎么起作用的
模型读提示词时，并不是把每个词一视同仁，而是通过注意力机制（attention）给每个词分配"注意力预算"。你可以把提示词想象成一场多人会议：有些人在大声发言，有些人在小声嘀咕，最后会议纪要里留下什么，取决于谁的声量大。提示词权重就是给参会者装了一个音量旋钮——默认音量是 1.0，写成 1.3 就是把嗓门调大，写成 0.6 就是让他小点声。
常见的写法大致分三类：
| 写法 | 含义 | 典型场景 |
|---|---|---|
(词:1.3) | 强化，数值越大越强 | 突出主体、风格、材质 |
(词:0.6) | 弱化但仍保留 | 降低某个元素的占比 |
[词] / 词-- | 减弱 | 部分界面里的简写 |
数值不是越大越好。1.0 附近微调效果最稳；调到 1.5 以上，往往会出现色彩过饱和、构图扭曲、语义跑偏——相当于有人拿着喇叭喊，别人完全插不上话。
和相邻概念的区别
和"提示词顺序"不同：多数模型对靠前的词本来就更敏感，这是隐式的；权重是显式的数值干预，更精确、更可控。
和"用自然语言强调"不同：写"这是非常重要的、一定要有的红色裙子"，是在用句子求模型重视；权重直接改的是数字，没有解释成本，但也没有语义理解，模型只把它当强度对待。
和"负向提示词"不同：负向提示（negative prompt）是把某个概念往外推，权重是把某个概念往中间拉。二者常配合使用，一个管"要什么"，一个管"不要什么"。
对实际工作的意义
做图像生成的人，最常用它解决两类问题：一是元素打架，比如画面里同时有"猫"和"狗"，结果狗总是消失，就把 (猫:0.8)、(狗:1.3) 调开；二是风格控制，想保留写实底子但带一点油画感，就用 (油画风格:0.4) 轻推一下。
需要提醒的是：不是所有模型和接口都支持这套语法。对话类大模型通常不认括号权重，你写 (重点:2.0) 它可能当成普通文本照抄给你；权重主要在扩散模型（diffusion model）类和部分结构化提示接口中生效，且不同工具的符号、上限、是否支持分层嵌套都不一样。用之前最好看一眼你所用工具的官方文档，以官方页面为准。
对普通职场人来说，这条规则值得记住的一点是：提示词不是越堆越多越好，而是要排出优先级。哪怕你在用的工具不支持数值权重，把最重要的信息放在最前面、写得最具体，本质上也是在手动分配注意力预算。