A guía de prompts de imaxe con IA

A maioría da xente chega con hábitos de prompt aprendidos en SDXL: unha cadea de substantivos separados por comas, un preámbulo de tokens de calidade, uns cantos pesos entre parénteses e un prompt negativo tan longo como o positivo. Eses hábitos eran correctos para aqueles modelos e aquí son contraproducentes. Esta é a versión curta do que funciona de verdade — e como Shannon escribe o prompt de xeración por ti e amósacho antes de renderizar nada, é igualmente unha guía para ler e corrixir o que Shannon propón.

01Por que a prosa supera as etiquetas: o modelo le como un modelo de linguaxe

Os modelos de difusión máis antigos para os que se escribiron a maioría dos consellos de prompts usaban un codificador de texto que se comportaba, na práctica, como unha bolsa de conceptos: a gramática apenas importaba, e a estratexia gañadora era amontoar substantivos relevantes e nesgalos con pesos. A sopa de etiquetas era a forma correcta de prompt para ese codificador.

O Modelo de Imaxe de Shannon non funciona así. Le un prompt como un modelo de linguaxe le texto, así que a sintaxe leva significado. "Sostendo un paraugas contra o seu ombreiro" é unha relación entre unha persoa, un obxecto e unha parte do corpo; "paraugas, ombreiro" son dúas cousas que casualmente están presentes. As preposicións sitúan as cousas. Os verbos crean poses. As cláusulas vinculan o detalle ao substantivo correcto en lugar de deixalo flotar por toda a imaxe.

Aquí está a mesma imaxe pedida das dúas formas.

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.

Fíxate no que a versión de etiquetas non pode expresar. Nunca di que o paraugas está suxeito, así que pode acabar tirado no chan. Nunca di que o neon se reflicte no asfalto, só que ambos existen, así que obtés letreiros e unha rúa mollada sen relación óptica entre eles. Nunca di onde mira a muller, así que a súa pose é unha moeda ao aire. "Cinematic lighting" é unha etiqueta de ambiente, non unha fonte de luz. E os últimos cinco tokens son ruído, lidos como palabras inglesas sobre fotografía en lugar de como comandos de control.

A versión en prosa non é máis longa por ser floreada. É máis longa porque responde preguntas que a versión de etiquetas deixaba abertas. Ese é todo o truco.

02Que lonxitude debe ter un prompt de imaxe?

Apunta a entre 30 e 80 palabras. Non pases moito de 100. Esta é a panca de calidade máis doada que tes á man, e importan os dous extremos do rango.

Por debaixo dunhas 30 palabras a composición, a luz e o encadre quedan sen especificar, así que o modelo escolle o que sexa estatisticamente máis corrente. "Unha muller nunha cafetería" é un prompt válido que produce unha imaxe esquecible, porque delegaches todas as decisións interesantes.

Por riba de arredor de 100 palabras aparece un fallo distinto: as cláusulas finais compiten coas iniciais polas mesmas rexións da imaxe, e en lugar de acumular detalle obtés dilución. A terceira descrición de iluminación desfai a primeira, e o suxeito que estableciches nas primeiras oito palabras recibe menos atención relativa con cada frase que engades. Os prompts longos lense como exhaustivos. Non se renderizan como exhaustivos.

A disciplina: escribe o prompt que queres, e despois recórtao ata as frases que cambiarían a imaxe se se eliminasen.

03A disciplina da orde: o máis importante primeiro

Como o modelo le secuencialmente, a posición é énfase: o que vén primeiro ancora a imaxe, o que vén ao final axústaa. Pon as cousas na orde na que o modelo as necesita:

1. Suxeito — de quen ou de que é esta imaxe, en concreto.
2. Acción ou pose — que están a facer, como se sitúan.
3. Estilo ou ambiente — fotografía, pintura ao óleo, ilustración técnica, e o rexistro en que está.
4. Escenario e iluminación — onde ocorre isto e que luz cae sobre iso.
5. Técnico — encadre, obxectivo, profundidade de campo, detalles de cor.

A ferida autoinfrinxida máis común é empezar pola cláusula técnica. Abrir con "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" dille ao modelo que o aspecto é o suxeito e que o home é un detalle. Obtés un encadre fermoso e baleiro cunha figura pequena 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 os elementos da primeira versión sobreviven na segunda; non se eliminou nada. Simplemente agora o modelo sabe de que é a imaxe antes de que se lle diga como fotografala — e só esa reordenación move o suxeito de incidental a central.

04Sé concreto co suxeito

"Unha persoa" non é un suxeito, é un marcador de posición — e o modelo enche os marcadores de posición coa media de todo o que viu, que é exactamente de onde vén ese aspecto lustroso, sen idade e sen carácter. A concreción custa cinco palabras e compra un ser humano concreto:

Fíxate no patrón: idade ou época, unha característica estrutural, unha imperfección distintiva. Ese terceiro elemento é o que fai que un resultado pareza fotografado en lugar de xerado. Un dente rachado, un dobradillo gastado, rótulos pintados por riba — as pequenas asimetrías son o sinal antiplástico máis forte dispoñible, e case non custan nada no teu orzamento de palabras.

05Fotorrealismo: escribe a petición como unha fotografía

O fotorrealismo é o rexistro predeterminado agás que pidas arte, ilustración ou anime. Pero a palabra "photorealistic" traballa pouco. O que produce unha fotografía é describir o acto de fotografar: unha cámara real, un obxectivo real e unha película ou fonte de luz reais.

A razón é sinxela. Toda imaxe etiquetada como "Kodak Portra 400" fíxose cun proceso concreto cunha estrutura de gran, unha caída de altas luces e unha reprodución de pel concretas, e nomear a película recruta todo iso. "8k ultra detailed" só apareceu nunca no spam dos bancos de imaxes, así que recruta spam de bancos de imaxes. Unhas cantas receitas fiables, cada unha producindo unha imaxe claramente distinta do mesmo suxeito:

Axusta o detalle de ancoraxe á receita — a textura de pel a nivel de poro non significa nada nun gran angular de 24mm onde a cara mide oitenta píxeles de alto — e despois engádeo. O detalle de ancoraxe é a evidencia de textura de que un obxectivo rexistrou isto realmente. Poros visibles da pel e vello facial fino. A trama dunha camisa de liño. Motas de po nun feixe de luz. Un rabuñón nunha bota de coiro. Cabelos soltos contra un fondo brillante. Con dous ou tres chega, e son a diferenza entre a renderización dunha persoa e a fotografía dunha.

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

Cando unha escena ten profundidade, describe os tres planos por separado e por orde. Esta é a técnica máis efectiva para imaxes que deben parecer lugares e non fondos, e case ninguén a usa. Sen ela obtés planitude: todo o que menciona o prompt aterra aproximadamente á mesma distancia, competindo pola mesma banda central do encadre. Nomear os planos dálle ao modelo un orzamento de profundidade 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.

Dous refinamentos. Pon algo no primeiro plano que estea deliberadamente desenfocado — as fotografías reais de escenas profundas case sempre teñen un, e a súa ausencia é un delator común. E di que plano ocupa o suxeito: se a mensaxeira é o motivo da imaxe, pertence ao plano medio; se non, a torre e a cunca de café van disputarlle o encadre.

07Cores exactas: códigos hexadecimais, vinculados a obxectos

Para traballo de marca, continuidade de vestiario, ou en calquera sitio onde "vermello" non sexa o bastante específico, escribe o código hexadecimal como color #RRGGBB e vincúlao a un obxecto nomeado:

...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 regras prácticas. Usa hexadecimal para as dúas ou tres cores que realmente importan e palabras normais para o resto — un prompt con seis códigos hexadecimais gasta a maior parte do seu orzamento en mostras de pintura. Vincula o código a un obxecto con bordos, nunca a "a iluminación" nin a "o ambiente". E lembra que especifica a cor do obxecto, non o valor final do píxel: un abrigo #8B0000 a contraluz na hora dourada renderízase máis cálido que a mostra, exactamente como ocorrería na vida real.

08Escoller a relación de aspecto

Hai cinco relacións dispoñibles e a correcta adoita estar implícita no suxeito, pero unha petición explícita túa gaña sempre — pide un fondo de pantalla e obterás tall independentemente do que suxira o contido.

Equivocarse aquí é máis daniño do que parece. Unha figura de pé de corpo enteiro nun encadre wide non che dá unha figura pequena nun encadre grande — normalmente dáche unha figura recortada, porque o modelo enche o ancho e a cabeza ou os pés saen do encadre. Axusta o encadre ao eixo dominante do suxeito e a maioría das queixas de composición desaparecen.

Dous comportamentos que convén lembrar: a edición conserva automaticamente a relación de aspecto da imaxe orixe, así que non podes reencadrar editando, mentres que a combinación si che permite escoller un lenzo novo — a miúdo a forma máis limpa de cambiar a forma de algo que xa tes.

09Antipatróns: que deixar de facer

Tokens de calidade: "masterpiece, best quality, 8k, ultra detailed"

Eran comandos descubertos pola comunidade para unha distribución de adestramento antiga concreta, na que certas frases de lenda correlacionaban con certas fontes de imaxe. Non se transfiren. Aquí lense como palabras inglesas ordinarias, non aportan nada e comen parte dun orzamento de palabras que xa se che dixo que é axustado. A substitución é dicir que detalle queres: non "ultra detailed" senón "visible weave in the coat fabric and fine stubble along the jaw" — a mesma intención, expresada como algo que o modelo pode renderizar.

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

Non se interpreta. As parénteses, os corchetes, os dous puntos e os números aterran como texto literal e, se acaso, fan a cláusula circundante máis difícil de ler. Se queres máis énfase en algo, usa as dúas pancas que si funcionan: móveo máis cedo no prompt, e dálle máis palabras. "A crimson silk scarf, its fringed ends lifting in the wind" supera "(red scarf:1.4)" por calquera medida que importe.

Direccións contraditorias

Mesturar instrucións incompatibles non as combina; produce unha media inestable que normalmente non satisfai ningunha. Os infractores frecuentes:

• Medio — "photorealistic" máis "watercolor"; "oil painting" máis "shot on 85mm". Escolle un e comprométete.
• Encadre — "wide establishing shot" máis "extreme close-up on her eyes"; "full body" máis "detailed facial pores".
• Iluminación — "harsh midday sun" máis "soft golden hour glow"; "low key, deep shadows" máis "bright and airy".
• Época — "1970s film aesthetic" máis "modern minimalist" máis "cyberpunk".
• Acumulación de estilos — catro artistas ou catro xéneros á vez. Dúas referencias relacionadas poden funcionar; catro anúlanse en algo xenérico.
• Dispersión — "rustic, weathered, ancient, timeworn wooden door" é unha soa idea escrita catro veces, e cada repetición dilúe o resto do prompt.

10Non hai prompt negativo no texto a imaxe

Este é o antipatrón que máis atrapa aos usuarios expertos, porque nas pilas antigas o prompt negativo era a metade do oficio.

Para a xeración a regra é absoluta e lixeiramente contraintuitiva: escribir "sen texto, sen marca de auga, sen dedos de máis" no prompt fai que esas cousas sexan máis probables, non menos. O modelo le "sen texto" como unha frase que contén o concepto texto; a negación é un sinal débil e o substantivo é un sinal forte. En realidade pediches texto. Formúlao sempre en positivo:

Para editar e combinar o prompt negativo existe e debes usalo — pero para artefactos, non para contido. Bo material: marca de auga, texto superposto, membros duplicados, mans deformadas, halos de sobreenfoque, bloques de JPEG, liñas de costura ao longo dun bordo composto. Mal material: calquera cousa sobre de que é a imaxe, que pertence á instrución.

11Ler o prompt que Shannon escribe por ti

Aquí está o que fai esta guía inmediatamente utilizable en lugar de teórica. Non tes que escribir ti mesmo o prompt de xeración. Pídelo en linguaxe natural, en calquera idioma; Shannon recoñece que se está a solicitar unha imaxe, compón o prompt de xeración en inglés e amóschao nunha tarxeta de confirmación antes de renderizar nada. Non se xera nada e non se cobra nada ata que confirmes.

Así que a habilidade que máis compensa non é escribir prompts desde cero — é ler o que está na tarxeta. Repasa esta lista:

1. É concreto o suxeito? Se a tarxeta di "a person" ou "a woman", atopaches a maior mellora dispoñible. Dálle unha idade, unha complexión, un trazo.
2. Vai o suxeito primeiro? Se o prompt abre cun estilo ou unha cámara, pide que empece polo suxeito.
3. Está no rango? Por debaixo de 30 palabras, pide máis concreción na luz e no escenario. Por riba de 100, pide que se recorte.
4. Hai unha fonte de luz? Non unha palabra de ambiente — unha luz real: ventá, farol, flash, ceo cuberto, softbox.
5. Hai conflitos? Busca dous medios, dous encadres ou dúas condicións de iluminación no mesmo prompt.
6. Hai negacións coladas? Se a tarxeta contén "without", "no" ou "avoid", ese é un prompt de texto a imaxe que está a pedir a cousa que nomea.
7. É a relación axeitada para o suxeito? Unha figura de corpo enteiro en wide é o desaxuste clásico.

As correccións son conversacionais: "fai que teña trinta e pouco cunha cicatriz atravesándolle unha cella, dispárao con Portra a 85mm e usa portrait" é unha instrución perfectamente boa. Recibes unha tarxeta nova e confirmas esa. Non hai penalización por iterar, porque aínda non se renderizou nada.

E Shannon non xera sen que llo pidan. Un saúdo, unha pregunta ou unha foto que anexas para comentala non disparan un renderizado. Pedirlle a Shannon que mire unha imaxe — describila, lela, analizala — é traballo de visión ordinario, non xeración, e non custa nada adicional.

12Como cambia o oficio ao editar e ao combinar

As regras anteriores están escritas para a xeración. Dous modos veciños cambian a forma do prompt.

Editar unha imaxe

Un prompt de edición é unha instrución, non unha descrición: indica que cambia e que se mantén. Nomear as partes que non cambian é a maior panca de calidade do produto — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" mantense en pé onde a mesma petición sen esa cláusula lle redebuxa a cara en silencio. Sé específico co ancoraxe: mantén a cara, a pose, o pelo e a roupa idénticos. Úsase exactamente unha imaxe orixe, e a saída conserva a súa relación de aspecto.

Combinar dúas ou máis imaxes

Sempre que os elementos veñan de máis dunha imaxe — transferencia de vestiario, un obxecto dentro dunha escena, dúas persoas nun encadre, produto sobre persoa, un estilo dunha imaxe cun suxeito doutra — o prompt debe nomear o papel de cada imaxe, por orde: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." A primeira imaxe é o suxeito ou a escena principal; as posteriores achegan as partes que se incorporan. Non reduzas unha petición de varias imaxes a unha orixe máis unha descrición textual — combinar as imaxes reais é o que preserva o aspecto auténtico desas cousas.

13Prompts sen censura: di o que queres dicir

Non hai filtro de contido na ruta de xeración nin capa de negativas no modelo que escribe o prompt. Ese é todo o sentido do produto: os xeradores filtrados rexeitan rutineiramente traballo lexítimo — desnudos artísticos, ilustración médica e forense, imaxes para investigación de seguridade, violencia na ficción, sátira política, traballo de marca e semellanza por parte de quen ten os dereitos. A metade do oficio de escribir prompts nas plataformas filtradas é enxeñaría de eufemismos, e o eufemismo é o inimigo dunha imaxe precisa.

Así que hai unha cousa máis que comprobar na tarxeta: que describa o suxeito real con palabras claras e non co vocabulario matizado que a xente aprende das ferramentas filtradas. Unha ilustración forense dunha ferida debe dicir que é a ferida. A linguaxe matizada produce unha imaxe peor en todas partes, porque o modelo renderiza o que din as palabras.

Capacidade e xuízo son cousas distintas. Shannon Lab LLC opera isto baixo unha Política de Uso Responsable publicada: a xeración sen filtros é unha ferramenta profesional, e o consentimento, os dereitos e a lei seguen aplicándose ao que fagas.

14Onde encaixa a API

Unha precisión para quen chega desde unha busca sobre a API: a xeración, edición e combinación de imaxes viven na aplicación de chat de Shannon, non na API /v1. A API serve texto e visión — pode ler, describir e analizar as imaxes que lle envías nos tres dialectos (/v1/chat/completions, /v1/messages, /v1/responses, todos con streaming) — pero non as crea. Se estás a construír un fluxo que precisa entender imaxes, a documentación da API é o punto de partida. Se o que queres é facer imaxes, iso é a aplicación de chat, e todo o desta guía aplícase alí. As imaxes renderízanse no noso propio clúster de GPU.

15Preguntas frecuentes

Lecturas relacionadas: Xeración de imaxes con IA sen censura · Edición de imaxes con IA sen censura · Política de Uso Responsable · Documentación da API · Toda a investigación de Shannon. As indicacións de aquí proceden das nosas propias probas do Modelo de Imaxe de Shannon; os consellos escritos para pilas de difusión anteriores xeralmente non se transfiren.