La guía de prompts para imágenes con IA

La mayoría de la gente llega con hábitos de prompt aprendidos en SDXL: una cadena de sustantivos separados por comas, un preámbulo de tokens de calidad, unos cuantos pesos entre paréntesis y un prompt negativo tan largo como el positivo. Esos hábitos eran correctos para aquellos modelos y aquí son contraproducentes. Esta es la versión corta de lo que sí funciona; y como Shannon escribe el prompt de generación por ti y te lo enseña antes de renderizar nada, es igualmente una guía para leer y corregir lo que Shannon propone.

01Por qué la prosa gana a las etiquetas: el modelo lee como un modelo de lenguaje

Los modelos de difusión más antiguos para los que se escribieron casi todos los consejos de prompting usaban un codificador de texto que se comportaba, en la práctica, como una bolsa de conceptos: la gramática apenas importaba y la estrategia ganadora era amontonar sustantivos relevantes y sesgarlos con pesos. La sopa de etiquetas era la forma correcta de prompt para aquel codificador.

El modelo de imagen de Shannon no funciona así. Lee un prompt igual que un modelo de lenguaje lee texto, así que la sintaxis transporta significado. «Sujetando un paraguas contra el hombro» es una relación entre una persona, un objeto y una parte del cuerpo; «paraguas, hombro» son dos cosas que resulta que están presentes. Las preposiciones colocan cosas. Los verbos crean poses. Las cláusulas adhieren el detalle al sustantivo correcto en lugar de dejarlo flotar por toda la imagen.

Aquí tienes la misma imagen pedida de las dos maneras.

woman, 30s, tokyo, rain, night, crosswalk, neon signs, umbrella,
wet asphalt, reflections, masterpiece, best quality, 8k, ultra
detailed, (bokeh:1.3), cinematic lighting, photorealistic

A woman in her early thirties waits at a rain-soaked Tokyo
crosswalk at night, holding a clear vinyl umbrella against her
shoulder and glancing down the street. Neon storefront signs
bleed red and cyan into the wet asphalt at her feet. Shot on
Kodak Portra 400, 85mm f/1.4, shallow depth of field, the
traffic signal behind her thrown out of focus.

Fíjate en lo que la versión de etiquetas no puede expresar. Nunca dice que el paraguas está sujeto, así que puede acabar tirado en el suelo. Nunca dice que el neón se refleja en el asfalto, solo que ambos existen, así que obtienes letreros y una calle mojada sin ninguna relación óptica entre ellos. Nunca dice hacia dónde mira la mujer, así que su pose es cara o cruz. «Cinematic lighting» es una etiqueta de ambiente, no una fuente de luz. Y los últimos cinco tokens son ruido, leídos como palabras inglesas sobre fotografía en lugar de como mandos de control.

La versión en prosa no es más larga por ser florida. Es más larga porque responde preguntas que la versión de etiquetas dejaba abiertas. En eso consiste todo el truco.

02¿Cuánto debe medir un prompt de imagen?

Apunta a entre 30 y 80 palabras. No pases mucho de 100. Es la palanca de calidad más fácil que tienes a mano, y los dos extremos del rango importan.

Por debajo de unas 30 palabras, la composición, la luz y el encuadre quedan sin especificar, así que el modelo elige lo estadísticamente más corriente. «Una mujer en una cafetería» es un prompt válido que produce una imagen olvidable, porque delegaste todas las decisiones interesantes.

Por encima de unas 100 palabras aparece un fallo distinto: las cláusulas tardías compiten con las tempranas por las mismas regiones de la imagen y, en lugar de acumular detalle, obtienes dilución. La tercera descripción de iluminación deshace la primera, y el sujeto que estableciste en las primeras ocho palabras recibe menos atención relativa con cada frase que añades. Los prompts largos se leen como exhaustivos. No se renderizan como exhaustivos.

La disciplina: escribe el prompt que quieras y luego recórtalo hasta dejar las frases que cambiarían la imagen si las quitaras.

03La disciplina del orden: lo más importante, primero

Como el modelo lee secuencialmente, la posición es énfasis: lo que viene primero ancla la imagen y lo que viene al final la ajusta. Pon las cosas en el orden en que el modelo las necesita:

1. Sujeto — de quién o de qué es esta imagen, en concreto.
2. Acción o pose — qué está haciendo, cómo está colocado.
3. Estilo o ambiente — fotografía, óleo, ilustración técnica, y el registro en el que está.
4. Escenario e iluminación — dónde ocurre y qué luz cae sobre ello.
5. Técnica — encuadre, objetivo, profundidad de campo, detalles de color.

La herida autoinfligida más común es empezar por la cláusula técnica. Abrir con «Plano general cinematográfico, destello de objetivo anamórfico, gradación teal y naranja, de un hombre leyendo el periódico» le dice al modelo que el look es el sujeto y que el hombre es un detalle. Obtienes un encuadre precioso y vacío con una figura pequeña e indistinta dentro.

Cinematic wide shot, anamorphic lens flare, teal and orange
color grade, shallow depth of field, golden hour, of a man
reading a newspaper on a park bench.

A man in his sixties in a gray wool overcoat sits on a park
bench reading a folded broadsheet newspaper, one ankle crossed
over his knee. Late golden-hour sun rakes across him from the
left through bare plane trees. Photographed wide on a 35mm
anamorphic lens, shallow depth of field, warm highlights and
cool shadows.

Todos los elementos de la primera versión sobreviven en la segunda; no se descartó nada. Simplemente, ahora el modelo sabe de qué es la imagen antes de que se le diga cómo fotografiarla, y solo ese reordenamiento mueve al sujeto de accesorio a central.

04Sé concreto con el sujeto

«Una persona» no es un sujeto, es un hueco en blanco, y el modelo rellena los huecos con el promedio de todo lo que ha visto, que es exactamente de donde sale ese aspecto pulido, sin edad y sin carácter. La concreción cuesta cinco palabras y compra un ser humano concreto:

Fíjate en el patrón: edad o época, un rasgo estructural, una imperfección distintiva. Ese tercer elemento es lo que hace que un resultado parezca fotografiado en lugar de generado. Un diente astillado, un dobladillo gastado, un rótulo repintado: las pequeñas asimetrías son la señal antiplástico más potente disponible, y casi no cuestan nada de tu presupuesto de palabras.

05Fotorrealismo: escribe la petición como una fotografía

El fotorrealismo es el registro por defecto salvo que pidas arte, ilustración o anime. Pero la palabra «fotorrealista» hace poco trabajo. Lo que produce una fotografía es describir el acto de fotografiar: una cámara real, un objetivo real y una película o fuente de luz reales.

La razón es sencilla. Toda imagen etiquetada como «Kodak Portra 400» se hizo con un proceso concreto, con una estructura de grano, una caída de altas luces y una interpretación de la piel concretas, y nombrar la película recluta todo eso. «8k ultra detailed» solo apareció en el spam de bancos de imágenes, así que recluta spam de bancos de imágenes. Unas cuantas recetas fiables, cada una con una imagen claramente distinta del mismo sujeto:

Ajusta el anclaje a la receta — la textura de piel a nivel de poro no significa nada en un gran angular de 24mm donde la cara mide ochenta píxeles de alto — y luego añádelo. El detalle de anclaje es la evidencia de textura de que un objetivo registró esto de verdad. Poros visibles y vello facial fino. La trama de una camisa de lino. Motas de polvo en un haz de luz. Un rozón en una bota de cuero. Pelos sueltos contra un fondo brillante. Con dos o tres basta, y son la diferencia entre el renderizado de una persona y la fotografía de una persona.

06Escenas por capas: primer plano, plano medio, fondo

Cuando una escena tiene profundidad, describe los tres planos por separado y en orden. Es la técnica más eficaz para imágenes que deben parecer lugares y no telones de fondo, y casi nadie la usa. Sin ella obtienes planitud: todo lo que menciona el prompt aterriza más o menos a la misma distancia, compitiendo por la misma banda central del encuadre. Nombrar planos le da al modelo un presupuesto de profundidad que gastar.

In the foreground, a cracked concrete ledge with a half-empty
paper coffee cup and a scattering of cigarette ash, slightly out
of focus. In the midground, a bicycle courier in a yellow rain
jacket wheels her bike across a wet plaza, caught mid-stride. In
the background, a glass office tower dissolves into low fog.
Shot on a 50mm lens at f/2.8, flat overcast light.

Dos matices. Pon en primer plano algo que esté deliberadamente desenfocado: las fotografías reales de escenas profundas casi siempre tienen uno, y su ausencia es un delator habitual. Y di qué plano ocupa el sujeto: si la mensajera es el motivo de la imagen, le corresponde el plano medio; si no, la torre y el vaso de café se pelearán con ella por el encuadre.

07Colores exactos: códigos hexadecimales, adheridos a objetos

Para trabajo de marca, continuidad de vestuario o cualquier caso en el que «rojo» no sea suficientemente específico, escribe el código hexadecimal como color #RRGGBB y adjúntalo a un objeto nombrado:

...wearing a heavy wool peacoat, color #8B0000, over a cream
turtleneck, against a studio backdrop, color #1E3A5F.

...#8B0000, #1E3A5F, dark red and navy color palette, moody...

Tres reglas prácticas. Usa hexadecimal para los dos o tres colores que de verdad importan y palabras corrientes para el resto: un prompt con seis códigos hexadecimales gasta casi todo su presupuesto en muestras de pintura. Liga el código a un objeto con bordes, nunca a «la iluminación» o «el ambiente». Y recuerda que especifica el color del objeto, no el valor final del píxel: un abrigo #8B0000 a contraluz de hora dorada se renderiza más cálido que la muestra, exactamente como pasaría en la vida real.

08Elegir la relación de aspecto

Hay cinco relaciones disponibles y la correcta suele venir implícita en el sujeto, pero una petición explícita tuya siempre gana: pide un fondo de pantalla y obtendrás tall independientemente de lo que sugiera el contenido.

Equivocarse aquí hace más daño de lo que parece. Una figura de pie de cuerpo entero en un encuadre wide no te da una figura pequeña en un encuadre grande: normalmente te da una figura recortada, porque el modelo llena el ancho y la cabeza o los pies se salen del encuadre. Ajusta el encuadre al eje dominante del sujeto y la mayoría de las quejas sobre composición desaparecen.

Dos comportamientos que conviene recordar: la edición conserva automáticamente la relación de aspecto de la imagen de origen, así que no puedes reencuadrar editando, mientras que la combinación te deja elegir un lienzo nuevo, a menudo la forma más limpia de cambiar la forma de algo que ya tienes.

09Malos hábitos: qué dejar de hacer

Tokens de calidad: «masterpiece, best quality, 8k, ultra detailed»

Eran asideros descubiertos por la comunidad para una distribución de entrenamiento antigua concreta, donde ciertas frases de los pies de foto correlacionaban con ciertas fuentes de imagen. No se transfieren. Aquí se leen como palabras inglesas corrientes, no aportan nada y se comen parte de un presupuesto de palabras que ya se te ha dicho que es ajustado. El sustituto es decir qué detalle quieres: no «ultra detailed» sino «trama visible en la tela del abrigo y barba incipiente fina a lo largo de la mandíbula», la misma intención, expresada como algo que el modelo puede renderizar.

Sintaxis de pesos: (word:1.3), [word], {{word}}

No se interpreta. Los paréntesis, corchetes, dos puntos y números aterrizan como texto literal y, en todo caso, hacen más difícil de leer la cláusula que los rodea. Si quieres más énfasis en algo, usa las dos palancas que sí funcionan: muévelo antes en el prompt y dale más palabras. «Un pañuelo de seda carmesí, con los flecos levantados por el viento» pesa más que «(red scarf:1.4)» según cualquier medida que importe.

Indicaciones contradictorias

Mezclar instrucciones incompatibles no las combina; produce un promedio inestable que normalmente no satisface a ninguna. Los infractores frecuentes:

• Medio — «fotorrealista» más «acuarela»; «óleo» más «rodado con un 85mm». Elige uno y comprométete.
• Encuadre — «plano general de situación» más «primerísimo plano de sus ojos»; «cuerpo entero» más «poros faciales detallados».
• Iluminación — «sol duro de mediodía» más «suave resplandor de hora dorada»; «clave baja, sombras profundas» más «luminoso y aireado».
• Época — «estética de cine de los setenta» más «minimalismo moderno» más «cyberpunk».
• Apilar estilos — cuatro artistas o cuatro géneros a la vez. Dos referencias emparentadas pueden funcionar; cuatro se cancelan en algo genérico.
• Dispersión — «puerta de madera rústica, curtida, antigua, envejecida» es una sola idea escrita cuatro veces, y cada repetición diluye el resto del prompt.

10No hay prompt negativo en texto a imagen

Este es el mal hábito que más pilla a los usuarios experimentados, porque en los stacks antiguos el prompt negativo era la mitad del oficio.

Para la generación la regla es absoluta y algo contraintuitiva: escribir «sin texto, sin marca de agua, sin dedos de más» en el prompt hace esas cosas más probables, no menos. El modelo lee «sin texto» como una frase que contiene el concepto texto; la negación es una señal débil y el sustantivo es una señal fuerte. En la práctica has pedido texto. Enuncia siempre la forma positiva en su lugar:

En la edición y la combinación el prompt negativo existe y deberías usarlo, pero para artefactos, no para contenido. Buen material: marca de agua, texto superpuesto, extremidades duplicadas, manos deformadas, halos de sobreenfoque, bloques de JPEG, líneas de costura en el borde de un montaje. Mal material: cualquier cosa sobre de qué es la imagen, que corresponde a la instrucción.

11Leer el prompt que Shannon escribe por ti

Aquí está lo que hace esta guía inmediatamente utilizable en lugar de teórica. No tienes que escribir tú el prompt de generación. Lo pides en lenguaje llano, en cualquier idioma; Shannon reconoce que se está pidiendo una imagen, compone el prompt de generación en inglés y te lo enseña en una tarjeta de confirmación antes de renderizar nada. No se genera nada ni se cobra nada hasta que confirmas.

Así que la habilidad más rentable no es escribir prompts desde cero, es leer el de la tarjeta. Repasa esta lista:

1. ¿Es concreto el sujeto? Si la tarjeta dice «una persona» o «una mujer», has encontrado la mayor mejora disponible. Dale una edad, una complexión, un rasgo.
2. ¿Va el sujeto primero? Si el prompt abre con un estilo o una cámara, pide que empiece por el sujeto.
3. ¿Está en el rango? Por debajo de 30 palabras, pide más concreción en luz y escenario. Por encima de 100, pide que se recorte.
4. ¿Hay una fuente de luz? No una palabra de ambiente, sino una luz de verdad: ventana, farola, flash, cielo cubierto, softbox.
5. ¿Hay conflictos? Busca dos medios, dos encuadres o dos condiciones de iluminación en el mismo prompt.
6. ¿Se ha colado alguna negación? Si la tarjeta contiene «sin», «no» o «evitar», es un prompt de texto a imagen pidiendo aquello que nombra.
7. ¿La relación es la correcta para el sujeto? Figura de cuerpo entero en wide es el desajuste clásico.

Las correcciones son conversacionales: «ponla de treinta y pocos con una cicatriz que le cruza una ceja, ródalo en Portra con un 85mm y usa portrait» es una instrucción perfectamente válida. Recibes una tarjeta nueva y confirmas esa. No hay penalización por iterar, porque todavía no se ha renderizado nada.

Y Shannon no genera sin que se lo pidan. Un saludo, una pregunta o una foto que adjuntes para comentarla no disparan un renderizado. Pedirle a Shannon que mire una imagen — describirla, leerla, analizarla — es trabajo de visión corriente, no generación, y no cuesta nada extra.

12Cómo cambia el oficio en la edición y la combinación

Las reglas de arriba están escritas para la generación. Dos modos vecinos cambian la forma del prompt.

Editar una imagen

Un prompt de edición es una instrucción, no una descripción: enuncia qué cambia y qué se queda. Nombrar las partes que no cambian es la mayor palanca de calidad del producto: «Cambia el fondo por una calle nocturna de ciudad bajo la lluvia con reflejos de neón, deja a la mujer exactamente como está» aguanta donde la misma petición sin esa cláusula le redibuja la cara en silencio. Sé específico con el ancla: mantén idénticos la cara, la pose, el pelo y la ropa. Se usa exactamente una imagen de origen, y la salida conserva su relación de aspecto.

Combinar dos o más imágenes

Siempre que los elementos vengan de más de una imagen — transferencia de vestuario, un objeto a una escena, dos personas en un mismo encuadre, producto sobre persona, el estilo de una imagen con el sujeto de otra — el prompt debe nombrar el papel de cada imagen, en orden: «La mujer de la primera imagen llevando el jersey de punto rojo de la segunda imagen, de pie en el mismo parque». La primera imagen es el sujeto o la escena principal; las imágenes posteriores aportan las partes que se traen. No conviertas una petición de varias imágenes en una sola fuente más una descripción de texto: combinar las imágenes reales es lo que preserva el aspecto auténtico de esas cosas.

13Prompting sin censura: di lo que quieres decir

No hay filtro de contenido en la ruta de generación ni capa de rechazo en el modelo que escribe el prompt. Ese es el sentido entero del producto: los generadores filtrados rechazan de forma rutinaria trabajo legítimo — desnudo artístico, ilustración médica y forense, imágenes de investigación de seguridad, violencia en ficción, sátira política, trabajo de marca y de imagen personal encargado por el titular de los derechos. La mitad del oficio del prompting en plataformas filtradas es ingeniería de eufemismos, y el eufemismo es enemigo de una imagen precisa.

Así que hay una cosa más que comprobar en la tarjeta: que describa el sujeto real con palabras llanas y no con el vocabulario matizado que la gente aprende de las herramientas filtradas. Una ilustración forense de una herida debería decir qué es la herida. El lenguaje con rodeos produce una imagen peor en todas partes, porque el modelo renderiza lo que dicen las palabras.

Capacidad y criterio son cosas distintas. Shannon Lab LLC opera esto bajo una Política de Uso Responsable publicada: la generación sin filtros es una herramienta profesional, y el consentimiento, los derechos y la ley siguen aplicándose a lo que hagas.

14Dónde encaja la API

Una precisión para quien llegue desde una búsqueda sobre la API: la generación, la edición y la combinación de imágenes viven en la app de chat de Shannon, no en la API /v1. La API sirve texto y visión — puede leer, describir y analizar las imágenes que le envíes en los tres dialectos (/v1/chat/completions, /v1/messages, /v1/responses, todos con streaming) — pero no las crea. Si estás construyendo un pipeline que necesita entender imágenes, la documentación de la API es el sitio por donde empezar. Si quieres hacer imágenes, eso es la app de chat, y todo lo de esta guía se aplica allí. Las imágenes se renderizan en nuestro propio clúster de GPU.

15Preguntas frecuentes

Lecturas relacionadas: Generación de imágenes con IA sin censura · Edición de imágenes con IA sin censura · Política de Uso Responsable · Documentación de la API · Toda la investigación de Shannon. Las pautas de aquí provienen de nuestras propias pruebas con el modelo de imagen de Shannon; los consejos escritos para stacks de difusión anteriores por lo general no se transfieren.