"AI 이미지 프롬프트 작성법 2026 — 8요소 공식과 도구별 차이"

-

Subject·Scene·Camera·Lighting·Style — 한 번 익히면 모든 도구에 통하는 구조

핵심 요약

  • 대상 독자: 도구 비교편을 보고 도구를 정한 사람. 프롬프트가 매번 같은 스타일로 빠지거나 의도와 다르게 나오는 사람.
  • 얻을 것: 1) 8요소 프롬프트 공식 (모든 도구 공통) 2) 도구별 차이 — Midjourney 파라미터·Nano Banana 자연어·GPT Image 대화형 3) Before/After 실전 예제 4) 흔한 실수 7가지 5) 음수 프롬프트와 가중치.
  • 핵심 직관: 프롬프트는 단어 나열이 아니라 카메라 감독 지시문. "예쁘게"가 아니라 "어떤 렌즈로, 어떤 빛으로, 어떤 구도로".

1. 모든 도구에 통하는 8요소 공식

2026년 Black Forest Labs, Anthropic, Midjourney 공식 가이드를 종합하면 거의 같은 순서를 권한다.

[Subject] + [Scene/Environment] + [Composition/Shot] + [Camera/Lens]
+ [Lighting] + [Style/Medium] + [Color/Mood] + [Quality/Negatives]

1.1 각 요소 정의

# 요소 예시 표현
1 Subject (대상) "30대 한국인 여성", "검은 고양이", "산악 지역의 등대"
2 Scene (배경/환경) "비 내리는 도쿄 골목", "햇살이 비치는 카페 창가"
3 Composition (구도/샷) "close-up", "wide-angle", "rule of thirds", "over-the-shoulder"
4 Camera/Lens (카메라/렌즈) "35mm film", "85mm portrait lens", "shallow depth of field"
5 Lighting (조명) "golden hour", "rim light", "softbox front", "neon back light"
6 Style/Medium (스타일/매체) "photorealistic", "watercolor", "oil painting", "studio Ghibli style"
7 Color/Mood (색감/분위기) "muted pastel palette", "high contrast", "moody, melancholic"
8 Quality/Negatives (품질/제외) "8K, sharp focus" / "no text, no watermark"

1.2 순서가 중요하다

확산 모델(diffusion model)은 프롬프트 앞쪽 단어에 더 큰 가중치를 둔다 (2026 가이드). 가장 중요한 주체와 행동을 첫 10~15 단어 안에 넣어라.

1.3 8요소 적용 예

"A 30-something Korean woman in a beige trench coat [Subject] walking through a rainy Seoul alley at night [Scene] medium shot, slight low angle [Composition] shot on 50mm prime, shallow depth of field [Camera] soft neon backlight from shop signs [Lighting] photorealistic, cinematic still [Style] muted teal and amber palette, melancholic [Mood] 8K, sharp focus, no watermark [Quality]"

Nano Banana 2, Midjourney, GPT Image 1.5 모두 이 형태로 좋은 결과가 나온다.

2. 도구별 차이 — 같은 의도, 다른 표현

2.1 Nano Banana 2 (자연어 친화)

자연어 문장을 그대로 넣어도 잘 인식한다. 텍스트 렌더링도 정확하므로 "on-screen text" 같은 지시 가능.

"A book cover for 'AI for Beginners' — minimalist white background, serif title in black, geometric illustration of a circuit board with leaves growing out of it, soft gradient orange-to-yellow accent, clean modern editorial design"

2.2 Midjourney v7 (파라미터 정밀 제어)

파라미터로 스타일 강도·다양성·일관성을 제어한다 (공식 파라미터).

파라미터 효과 추천 값
--s (stylize) 미적 스타일 강도 100 (기본), 50 (프롬프트 충실), 750 (강한 스타일)
--c (chaos) 4장 결과 다양성 0~50 보통, 50~100 실험적
--ar (aspect ratio) 가로세로 비율 16:9, 2:3, 1:1
--seed 시드 고정 같은 베이스 패턴으로 변형 비교
--sref 참조 이미지 스타일 다른 이미지 URL → 그 스타일 따름
--oref 참조 인물 일관성 캐릭터 일관 유지

예:

A medieval castle on a cliff, sunrise, cinematic, fog --ar 16:9 --s 250 --c 30

V7 신규: 개인화 프로필이 활성화되면 --p 플래그로 본인 미적 취향을 적용. Draft Mode(--draft)는 10배 빠르게 시안 생성.

2.3 GPT Image 1.5 (대화형 편집)

처음 생성보다 이후 대화로 수정이 강점. 프롬프트는 첫 생성에 8요소 공식, 그 다음은 일상 대화체로 지시.

1차: "A young man holding an espresso cup, café window seat, morning light, photorealistic, 50mm lens, shallow depth of field" 2차: "Same image, but change the cup to a glass of orange juice" 3차: "Now add a dog sleeping under the table"

각 단계가 누적된다. 이전 이미지를 그대로 참조하므로 일관성이 가장 높다.

3. Before/After — 실전 다듬기

Before (모호)

"예쁜 풍경 사진"

After 1 (구체화)

"A photorealistic landscape of a quiet mountain lake at golden hour, mirror-like water reflection, autumn maple trees at the shore, mist rising from the surface, wide-angle composition, shot on 24mm lens, warm orange and teal palette, sharp focus, 8K"

After 2 (Midjourney 파라미터 추가)

A photorealistic landscape of a quiet mountain lake at golden hour, mirror-like water reflection, autumn maple trees at the shore, mist rising from the surface, wide-angle composition, shot on 24mm lens, warm orange and teal palette, sharp focus --ar 21:9 --s 200 --c 20

After 3 (GPT Image 대화형)

1차 생성 후: "Same scene but at twilight with a faint full moon over the mountains"

같은 의도, 결과 품질은 5~10배 차이.

4. 흔한 실수 7가지

실수 결과 고치는 법
1. 형용사 남발 ("amazing, beautiful, stunning") 모델이 무시 구체적 묘사로 대체 ("misty rim light, gold-tipped autumn leaves")
2. 부정형 ("not blurry") 무시되거나 반대 효과 긍정형 ("sharp focus, fine detail")
3. 너무 많은 요소 한 번에 일부만 반영 핵심 3~5개로 줄이고 나머지는 후속 편집
4. 같은 단어 반복 효과 없음 ((강조)) 또는 word::2 가중치 사용
5. 8K, ultra-realistic 만 적기 효과 작음 실제 디테일 묘사 ("pores visible on skin, fabric texture")
6. 인물 묘사에 부분 디테일 누락 손가락·눈 깨짐 "natural hands, anatomically correct, sharp eyes"
7. 시드(seed) 고정 안 함 비교 불가 Midjourney --seed 또는 GPT Image 재생성 후 한 장 고정

5. 가중치와 음수 프롬프트

5.1 가중치 (Midjourney)

:: 뒤에 숫자로 단어 비중 조절.

red sports car::3, urban street::1, neon signs::0.5

→ 빨간 스포츠카가 3배 비중. 도시 거리는 기본, 네온은 약하게.

5.2 음수 프롬프트 (Stable Diffusion 계열, Midjourney --no)

--no text, watermark, signature, blur, low quality

Midjourney는 부정형 단어를 자체 인식하지 않으므로 --no 파라미터 필수. Nano Banana 2와 GPT Image는 음수 프롬프트가 약하므로 차라리 긍정형으로.

5.3 참조 이미지 (Reference Image)

도구 방법
Nano Banana 2 이미지 첨부 + 자연어로 "this style"
Midjourney --sref [URL] 스타일 참조, --oref [URL] 인물 참조
GPT Image 이미지 첨부 후 "in this style" 지시

6. 시작 템플릿 — 복사해서 쓰는 5가지

인물 사진

[Person description] in [Location], [shot type] shot, [Lighting], 
shot on [Lens] with shallow depth of field, photorealistic, 
[Mood] mood, 8K, sharp focus, natural hands and eyes

풍경

A photorealistic landscape of [Subject] at [Time of day], 
[weather/atmosphere], [composition type] composition, 
shot on [Lens], [color palette] palette, sharp focus, 8K

일러스트 / 콘셉트 아트

[Subject] in [Setting], [art style — e.g., Studio Ghibli / Moebius / 
watercolor], [color palette], [lighting], detailed line art, 
[mood], --ar 16:9 --s 400

제품 목업

[Product] on [Surface], studio lighting with softbox front, 
[background — clean white / wooden table], 50mm macro lens, 
shallow depth of field, photorealistic, commercial photography

책 표지 / 포스터

A book cover design for "[Title]" — [layout description], 
[typography — serif/sans, color], [illustration concept], 
[color palette], minimalist editorial design, --ar 2:3

개발자 팁

  1. 프롬프트 템플릿 시스템화: Python f-string 또는 LangChain PromptTemplate로 {subject}, {lighting} 변수화. 100장 일괄 생성에 효과적.
  2. 자동 품질 평가: GPT-5 Vision 또는 Claude Vision으로 "프롬프트 충실도" 점수화. 임계값 미만은 자동 재생성.
  3. 시드 + 프롬프트 페어 저장: 좋은 결과는 (seed, prompt, model_version)을 DB에 저장. 재현 가능.
  4. Nano Banana 2 멀티이미지: API에서 한 호출로 n=4 변형 받기 → 자동 베스트 선택 워크플로.
  5. Midjourney --sref / --oref 자동화: 무공식 봇 사용 시 권장하지 않음. 자체 컨트롤 가능한 OpenAI/Gemini 우선.
  6. 저작권 안전 필터: 실존 인물·브랜드명 검출 후 차단하는 사전 필터를 프롬프트 입력 단계에서.

참고

이 글은 AI 입문 시리즈의 5-2/11 편입니다. 다음 편: AI 음성/영상 — Suno, Runway, Sora 비교.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »