La guida ai prompt per immagini IA

La maggior parte delle persone arriva con abitudini di prompt imparate su SDXL: una stringa di sostantivi separati da virgole, un preambolo di token di qualità, qualche peso tra parentesi e un prompt negativo lungo quanto quello positivo. Quelle abitudini erano corrette per quei modelli e qui sono controproducenti. Questa è la versione breve di ciò che funziona davvero — e poiché Shannon scrive il prompt di generazione per te e te lo mostra prima di generare qualsiasi cosa, è altrettanto una guida a leggere e correggere ciò che Shannon propone.

01Perché la prosa batte i tag: il modello legge come un modello linguistico

I vecchi modelli di diffusione per cui è stata scritta la maggior parte dei consigli sui prompt usavano un codificatore di testo che si comportava, in pratica, come un sacco di concetti: la grammatica contava a malapena e la strategia vincente era accumulare sostantivi pertinenti e sbilanciarli con dei pesi. La zuppa di tag era la forma corretta di prompt per quel codificatore.

Il Modello Immagine di Shannon non funziona così. Legge un prompt come un modello linguistico legge il testo, quindi la sintassi porta significato. "Tenendo un ombrello appoggiato alla spalla" è una relazione tra una persona, un oggetto e una parte del corpo; "ombrello, spalla" sono due cose che si trovano a essere presenti. Le preposizioni collocano le cose. I verbi creano le pose. Le proposizioni attaccano il dettaglio al sostantivo giusto invece di lasciarlo fluttuare su tutta l'immagine.

Ecco la stessa immagine chiesta nei due modi.

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.

Guarda cosa la versione a tag non riesce a esprimere. Non dice mai che l'ombrello è tenuto, quindi potrebbe finire steso a terra. Non dice mai che il neon è riflesso nell'asfalto, solo che entrambi esistono, quindi ottieni delle insegne e una strada bagnata senza alcuna relazione ottica tra loro. Non dice mai dove sta guardando la donna, quindi la sua posa è un lancio di moneta. "Cinematic lighting" è un'etichetta d'atmosfera, non una sorgente di luce. E gli ultimi cinque token sono rumore, letti come parole inglesi che parlano di fotografia e non come leve di controllo.

La versione in prosa non è più lunga perché è ricercata. È più lunga perché risponde a domande che la versione a tag lasciava aperte. È tutto qui il trucco.

02Quanto dovrebbe essere lungo un prompt per un'immagine?

Punta a 30-80 parole. Non superare di molto le 100. È la leva di qualità più facile che hai a disposizione, ed entrambi gli estremi dell'intervallo contano.

Sotto le 30 parole circa, composizione, luce e inquadratura restano non specificate, quindi il modello sceglie ciò che è statisticamente più ordinario. "Una donna in un bar" è un prompt valido che produce un'immagine dimenticabile, perché hai delegato ogni decisione interessante.

Sopra le 100 parole circa compare un fallimento diverso: le proposizioni finali competono con quelle iniziali per le stesse regioni dell'immagine, e invece di accumulare dettaglio ottieni diluizione. La terza descrizione dell'illuminazione disfa la prima, e il soggetto che avevi stabilito nelle prime otto parole riceve relativamente meno attenzione a ogni frase che aggiungi. I prompt lunghi si leggono come accurati. Non vengono resi come accurati.

La disciplina: scrivi il prompt che vuoi, poi taglialo fino alle sole frasi che, se rimosse, cambierebbero l'immagine.

03La disciplina dell'ordine: la cosa più importante per prima

Poiché il modello legge in sequenza, la posizione è enfasi: ciò che viene prima ancora l'immagine, ciò che viene dopo la regola. Metti le cose nell'ordine in cui servono al modello:

1. Soggetto — chi o cosa raffigura questa immagine, in concreto.
2. Azione o posa — cosa sta facendo, come è atteggiato.
3. Stile o atmosfera — fotografia, dipinto a olio, illustrazione tecnica, e il registro in cui è.
4. Ambientazione e illuminazione — dove accade e quale luce vi cade sopra.
5. Dettagli tecnici — inquadratura, obiettivo, profondità di campo, specifiche di colore.

La ferita autoinflitta più comune è iniziare dalla parte tecnica. Aprire con "Campo lungo cinematografico, flare anamorfico, gradazione teal e arancione, di un uomo che legge un giornale" dice al modello che l'aspetto è il soggetto e che l'uomo è un dettaglio. Ottieni un'inquadratura magnifica e vuota con dentro una figuretta indistinta.

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.

Ogni elemento della prima versione sopravvive nella seconda; nulla è stato eliminato. Semplicemente ora il modello sa di cosa parla l'immagine prima che gli si dica come riprenderla — e quel solo riordino sposta il soggetto da incidentale a centrale.

04Sii concreto sul soggetto

"Una persona" non è un soggetto, è un segnaposto — e il modello riempie i segnaposto con la media di tutto ciò che ha visto, che è esattamente da dove viene quell'aspetto patinato, senza età e senza carattere. La concretezza costa cinque parole e ti compra un essere umano specifico:

Nota lo schema: età o epoca, una caratteristica strutturale, un'imperfezione distintiva. È il terzo elemento a far sembrare un risultato fotografato invece che generato. Un dente scheggiato, un orlo consumato, un'insegna ridipinta sopra — le piccole asimmetrie sono il segnale anti-plastica più forte a disposizione, e non costano quasi nulla del tuo budget di parole.

05Fotorealismo: scrivi la richiesta come una fotografia

Il fotorealismo è il registro predefinito, a meno che tu non chieda arte, illustrazione o anime. Ma la parola "fotorealistico" fa poco lavoro. Ciò che produce una fotografia è descrivere l'atto fotografico: una macchina fotografica reale, un obiettivo reale e una pellicola o una sorgente di luce reali.

La ragione è semplice. Ogni immagine con didascalia "Kodak Portra 400" è stata prodotta da un processo specifico con una specifica struttura della grana, un certo comportamento sulle alte luci e una certa resa degli incarnati, e nominare la pellicola richiama tutto questo. "8k ultra detailed" compariva soltanto sullo spam dei siti di stock, quindi richiama lo spam dei siti di stock. Alcune ricette affidabili, ciascuna delle quali produce un'immagine nettamente diversa dello stesso soggetto:

Fai combaciare i dettagli di ancoraggio con la ricetta — una texture della pelle a livello di pori non significa nulla in un grandangolo da 24mm dove il volto è alto ottanta pixel — e poi aggiungili. I dettagli di ancoraggio sono la prova materica che un obiettivo ha davvero registrato questa scena. Pori della pelle visibili e peluria sottile. La trama di una camicia di lino. Il pulviscolo in un fascio di luce. Un graffio su uno stivale di pelle. Ciocche ribelli contro uno sfondo luminoso. Due o tre bastano, e sono la differenza tra la resa di una persona e la fotografia di una persona.

06Scene stratificate: primo piano, piano intermedio, sfondo

Quando una scena ha profondità, descrivi i tre piani separatamente e in ordine. È la tecnica più efficace per immagini che devono sembrare luoghi e non fondali, e quasi nessuno la usa. Senza di essa ottieni piattezza: tutto ciò che il prompt menziona atterra all'incirca alla stessa distanza, contendendosi la stessa fascia centrale dell'inquadratura. Nominare i piani dà al modello un budget di profondità da spendere.

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.

Due rifiniture. Metti in primo piano qualcosa deliberatamente fuori fuoco — le fotografie reali di scene profonde ne hanno quasi sempre uno, e la sua assenza è una spia frequente. E di' quale piano occupa il soggetto: se la fattorina in bicicletta è il punto dell'immagine, il suo posto è nel piano intermedio, altrimenti la torre e il bicchiere di caffè le contenderanno l'inquadratura.

07Colori esatti: codici esadecimali, agganciati agli oggetti

Per il lavoro sui marchi, per la continuità dei costumi o ovunque "rosso" non sia abbastanza specifico, scrivi il codice esadecimale nella forma color #RRGGBB e aggancialo a un oggetto nominato:

...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...

Tre regole pratiche. Usa l'esadecimale per i due o tre colori che contano davvero e parole comuni per il resto — un prompt con sei codici esadecimali spende gran parte del suo budget in campioni di vernice. Lega il codice a un oggetto con dei contorni, mai "all'illuminazione" o "all'atmosfera". E ricorda che specifica il colore dell'oggetto, non il valore finale del pixel: un cappotto #8B0000 in controluce all'ora d'oro viene reso più caldo del campione, esattamente come accadrebbe nella realtà.

08Scegliere il formato

Sono disponibili cinque proporzioni e quella giusta è di solito implicita nel soggetto, ma una tua richiesta esplicita vince sempre — chiedi uno sfondo per telefono e ottieni tall a prescindere da ciò che il contenuto suggerisce.

Sbagliare qui fa più danni di quanto sembri. Una figura in piedi a figura intera in un'inquadratura wide non ti dà una piccola figura in una grande inquadratura — di solito te ne dà una tagliata, perché il modello riempie la larghezza e la testa o i piedi escono dall'inquadratura. Fai combaciare l'inquadratura con l'asse dominante del soggetto e la maggior parte delle lamentele sulla composizione sparisce.

Due comportamenti da ricordare: la modifica mantiene automaticamente le proporzioni dell'immagine di partenza, quindi non puoi reinquadrare modificando, mentre la combinazione ti lascia scegliere una nuova tela — spesso il modo più pulito per cambiare la forma di qualcosa che hai già.

09Errori da evitare: cosa smettere di fare

Token di qualità: "masterpiece, best quality, 8k, ultra detailed"

Erano leve scoperte dalla comunità per una specifica distribuzione di addestramento più vecchia, in cui certe frasi delle didascalie erano correlate a certe fonti di immagini. Non si trasferiscono. Qui vengono lette come normali parole inglesi, non contribuiscono in nulla e divorano parte di un budget di parole che ti è già stato detto essere stretto. La sostituzione è dire quale dettaglio vuoi: non "ultra detailed" ma "trama visibile del tessuto del cappotto e barba corta lungo la mascella" — la stessa intenzione, espressa come qualcosa che il modello può rendere.

Sintassi dei pesi: (word:1.3), [word], {{word}}

Non viene interpretata. Parentesi, quadre, due punti e numeri finiscono come testo letterale e, semmai, rendono più difficile leggere la proposizione circostante. Se vuoi più enfasi su qualcosa, usa le due leve che funzionano davvero: spostalo più avanti nel prompt, e dedicagli più parole. "Una sciarpa di seta cremisi, le estremità sfrangiate sollevate dal vento" batte "(red scarf:1.4)" sotto ogni aspetto che conti.

Indicazioni in conflitto

Mescolare istruzioni incompatibili non le fonde; produce una media instabile che di solito non soddisfa nessuna delle due. I colpevoli più frequenti:

• Mezzo — "fotorealistico" più "acquerello"; "dipinto a olio" più "ripreso a 85mm". Scegline uno e tienilo.
• Inquadratura — "campo lungo di ambientazione" più "primissimo piano sugli occhi"; "figura intera" più "pori del viso in dettaglio".
• Illuminazione — "sole a picco duro" più "morbido bagliore dell'ora d'oro"; "tonalità basse, ombre profonde" più "luminoso e arioso".
• Epoca — "estetica cinematografica anni '70" più "minimalismo moderno" più "cyberpunk".
• Accumulo di stili — quattro artisti o quattro generi insieme. Due riferimenti affini possono funzionare; quattro si annullano nel generico.
• Dispersione — "porta di legno rustica, logora, antica, segnata dal tempo" è una sola idea scritta quattro volte, e ogni ripetizione diluisce il resto del prompt.

10Nel testo-immagine non esiste il prompt negativo

È l'errore che coglie più duramente gli utenti esperti, perché sugli stack più vecchi il prompt negativo era metà del mestiere.

Per la generazione la regola è assoluta e leggermente controintuitiva: scrivere "niente testo, niente filigrana, niente dita in più" nel prompt rende quelle cose più probabili, non meno. Il modello legge "niente testo" come una frase che contiene il concetto testo; la negazione è un segnale debole e il sostantivo è forte. In pratica hai chiesto del testo. Dichiara sempre la forma positiva:

Per la modifica e la combinazione il prompt negativo esiste e dovresti usarlo — ma per gli artefatti, non per il contenuto. Materiale buono: filigrana, testo sovrapposto, arti duplicati, mani deformate, aloni da eccesso di nitidezza, blocchi JPEG, linee di giunzione lungo il bordo di un fotomontaggio. Materiale cattivo: qualsiasi cosa riguardi ciò che l'immagine raffigura, che appartiene all'istruzione.

11Leggere il prompt che Shannon scrive per te

Ecco cosa rende questa guida immediatamente utilizzabile invece che teorica. Non devi scrivere tu il prompt di generazione. Chiedi in linguaggio naturale, in qualsiasi lingua; Shannon riconosce che si sta chiedendo un'immagine, compone il prompt di generazione in inglese e te lo mostra su una scheda di conferma prima che venga generato alcunché. Nulla viene generato e nulla viene addebitato finché non confermi.

Quindi l'abilità che rende di più non è scrivere prompt da zero — è leggere quello sulla scheda. Scorri questo elenco:

1. Il soggetto è concreto? Se la scheda dice "a person" o "a woman", hai trovato il singolo miglioramento più grande disponibile. Dagli un'età, una corporatura, un tratto.
2. Il soggetto è per primo? Se il prompt si apre con uno stile o una macchina fotografica, chiedi che inizi invece dal soggetto.
3. È nell'intervallo giusto? Sotto le 30 parole, chiedi più specificità su luce e ambientazione. Sopra le 100, chiedi di tagliarlo.
4. C'è una sorgente di luce? Non una parola d'atmosfera — una luce vera: finestra, lampione, flash, cielo coperto, softbox.
5. Ci sono conflitti? Cerca due mezzi, due inquadrature o due condizioni di illuminazione nello stesso prompt.
6. Ci sono negazioni infilate dentro? Se la scheda contiene "without", "no" o "avoid", è un prompt testo-immagine che sta chiedendo proprio la cosa che nomina.
7. La proporzione è giusta per il soggetto? Figura intera in wide è l'abbinamento sbagliato classico.

Le correzioni sono conversazionali: "falla sulla trentina con una cicatrice che attraversa un sopracciglio, riprendila su Portra a 85mm e usa portrait" è un'istruzione perfettamente valida. Ottieni una nuova scheda e confermi quella. Non c'è alcuna penalità nell'iterare, perché non è ancora stato generato nulla.

E Shannon non genera senza che tu l'abbia chiesto. Un saluto, una domanda o una foto che alleghi per discuterne non innescano una resa. Chiedere a Shannon di guardare un'immagine — descriverla, leggerla, analizzarla — è normale lavoro di visione, non generazione, e non costa nulla in più.

12Come cambia il mestiere per la modifica e la combinazione

Le regole viste sopra sono scritte per la generazione. Due modalità vicine cambiano la forma del prompt.

Modificare un'immagine

Un prompt di modifica è un'istruzione, non una descrizione: dichiara cosa cambia e cosa resta. Nominare le parti invariate è la singola leva di qualità più grande del prodotto — "Cambia lo sfondo con una strada cittadina in una notte di pioggia con riflessi al neon, lascia la donna esattamente com'è" tiene insieme il risultato là dove la stessa richiesta senza quella frase le ridisegna silenziosamente il volto. Sii specifico sull'ancoraggio: mantieni identici volto, posa, capelli e vestiti. Viene usata esattamente una immagine di partenza, e il risultato ne conserva le proporzioni.

Combinare due o più immagini

Ogni volta che gli elementi provengono da più di un'immagine — trasferimento di abbigliamento, un oggetto in una scena, due persone nella stessa inquadratura, prodotto su persona, lo stile di un'immagine con il soggetto di un'altra — il prompt deve nominare il ruolo di ciascuna immagine, in ordine: "La donna della prima immagine che indossa il maglione di lana rosso della seconda immagine, in piedi nello stesso parco." La prima immagine è il soggetto o la scena principale; quelle successive forniscono le parti da inserire. Non ridurre una richiesta multi-immagine a una sola immagine di partenza più una descrizione testuale — combinare le immagini reali è ciò che preserva l'aspetto effettivo di quelle cose.

13Prompt senza censura: di' quello che intendi

Non c'è alcun filtro sui contenuti sul percorso di generazione né alcuno strato di rifiuto sul modello che scrive il prompt. È l'intero senso del prodotto: i generatori filtrati rifiutano di continuo lavoro legittimo — nudi artistici, illustrazione medica e forense, immagini per la ricerca sulla sicurezza, violenza nella narrativa, satira politica, lavoro su marchi e sembianze da parte di chi ne detiene i diritti. Metà del mestiere dei prompt sulle piattaforme filtrate è ingegneria dell'eufemismo, e l'eufemismo è il nemico di un'immagine accurata.

Quindi c'è un'altra cosa da controllare sulla scheda: che descriva il soggetto reale con parole chiare, e non con il vocabolario attenuato che si impara dagli strumenti filtrati. Un'illustrazione forense di una ferita dovrebbe dire qual è la ferita. Il linguaggio attenuato produce un'immagine peggiore ovunque, perché il modello rende ciò che le parole dicono.

Capacità e giudizio sono cose distinte. Shannon Lab LLC gestisce tutto questo secondo una Politica di Uso Responsabile pubblicata: la generazione senza filtri è uno strumento professionale, e consenso, diritti e legge continuano tutti ad applicarsi a ciò che crei.

14Dove si colloca l'API

Una precisazione per chi arriva da una ricerca sull'API: generazione, modifica e combinazione di immagini vivono nell'app di chat Shannon, non sull'API /v1. L'API serve testo e visione — può leggere, descrivere e analizzare le immagini che le invii su tutti e tre i dialetti (/v1/chat/completions, /v1/messages, /v1/responses, tutti in streaming) — ma non le crea. Se stai costruendo una pipeline che deve capire le immagini, la documentazione API è il punto di partenza. Se vuoi creare immagini, quello è l'app di chat, e tutto ciò che c'è in questa guida vale lì. Le immagini vengono generate sul nostro cluster GPU.

15Domande frequenti

Letture correlate: Generazione di immagini IA senza censura · Modifica di immagini IA senza censura · Politica di Uso Responsabile · Documentazione API · Tutte le ricerche Shannon. Le indicazioni qui riportate derivano dai nostri test sul Modello Immagine di Shannon; i consigli scritti per gli stack di diffusione precedenti in genere non si trasferiscono.