De Guide fir AI-Billerprompten

Déi meescht Leit kommen hei un mat Prompt-Gewunnechten déi se op SDXL geléiert hunn: eng Rei vu Substantiver mat Komma getrennt, e Virspann aus Qualitéits-Token, e puer Gewiichter a Klameren, an e negative Prompt esou laang wéi de positiven. Déi Gewunnechte ware fir déi Modeller richteg a si hei kontraproduktiv. Dat hei ass déi kuerz Versioun vun deem wat wierklech funktionéiert — a well Shannon de Generatiounsprompt fir dech schreift an en dir weist ier eppes gerendert gëtt, ass et genee esou e Guide fir dat ze liesen an ze korrigéieren wat Shannon proposéiert.

01Firwat Prosa Tags schléit: de Modell liest wéi e Sproochmodell

Déi eeler Diffusiounsmodeller, fir déi déi meescht Promptrotschléi geschriwwe goufen, hunn en Textencoder benotzt deen sech an der Praxis wéi e Sak vu Konzepter behuelen huet: d'Grammatik huet kaum eng Roll gespillt, an déi gewënnend Strategie war, relevant Substantiver opzestapelen a se mat Gewiichter ze verzerren. Tag-Zopp war déi richteg Form vu Prompt fir dee Encoder.

Dem Shannon säi Billermodell funktionéiert net esou. Et liest e Prompt esou wéi e Sproochmodell Text liest, also dréit d'Syntax Bedeitung. „Holding an umbrella against her shoulder“ ass eng Bezéiung tëscht enger Persoun, engem Objet an engem Kierperdeel; „umbrella, shoulder“ sinn zwou Saachen déi zoufälleg do sinn. Präpositioune placéieren d'Saachen. Verben erschafen Haltungen. Deelsätz hänken Detailer un dat richtegt Substantiv, amplaz se iwwer dat ganzt Bild schwiewen ze loossen.

Hei ass dat selwecht Bild op béid Manéiere gefrot.

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.

Kuck, wat d'Tag-Versioun net ausdrécke kann. Si seet ni, datt de Präbbeli gehale gëtt, also kann en um Enn um Buedem leien. Si seet ni, datt d'Neonliicht sech am Asphalt spigelt, nëmmen datt béid do sinn, also kriss du Schëlder an eng naass Strooss ouni optesch Bezéiung tëscht hinnen. Si seet ni, wouhin d'Fra kuckt, also ass hir Haltung Käpp-oder-Zuel. „Cinematic lighting“ ass eng Stëmmungsetikett, keng Liichtquell. An déi lescht fënnef Token si Kaméidi, gelies als englesch Wierder iwwer Fotografie an net als Steierhiewelen.

D'Prosa-Versioun ass net méi laang, well se bléiereg ass. Si ass méi laang, well se Froe beäntwert déi d'Tag-Versioun opgelooss huet. Dat ass de ganzen Trick.

02Wéi laang soll e Billerprompt sinn?

Zil op 30 bis 80 Wierder. Gank net vill iwwer 100 eraus. Dat ass dee mat Ofstand einfachste Qualitéitshiewel deen s du hues, a béid Enner vun der Spann zielen.

Ënner ongeféier 30 Wierder sinn d'Kompositioun, d'Liicht an de Kader net spezifizéiert, also wielt de Modell dat wat statistesch am gewéinlechsten ass. „Eng Fra an engem Café“ ass e gëltege Prompt deen e Bild produzéiert dat ee vergësst, well s du all interessant Entscheedung delegéiert hues.

Iwwer ronn 100 Wierder erschéngt en anert Versoen: déi spéit Deelsätz konkurréiere mat de fréien ëm déi selwecht Regioune vum Bild, an amplaz Detailer unzesammelen kriss du eng Verdënnung. Déi drëtt Beschreiwung vum Liicht mécht déi éischt zréck, an de Sujet deen s du an den éischten aacht Wierder etabléiert hues kritt mat all Saz deen s du derbäisetz relativ manner Opmierksamkeet. Laang Prompte liesen sech grëndlech. Si rendere sech net grëndlech.

D'Disziplin: schreif de Prompt deen s du wëlls, a kierz en dann op déi Sätz zréck déi d'Bild géifen änneren, wa se fortginn.

03D'Uerdnungsdisziplin: dat Wichtegst zeréischt

Well de Modell sequenziell liest, ass d'Positioun d'Betounung: wat als éischt kënnt verankert d'Bild, wat als lescht kënnt justéiert et. Setz d'Saachen an d'Reiefolleg an där de Modell se brauch:

1. Sujet — wien oder wat op dësem Bild ass, konkret.
2. Handlung oder Haltung — wat se maachen, wéi se sech halen.
3. Stil oder Stëmmung — Foto, Ueleggemälde, technesch Illustratioun, an a wéi engem Register.
4. Schauplaz a Beliichtung — wou dat geschitt a wéi ee Liicht drop fällt.
5. Technik — Kader, Objektiv, Schäerfentéift, Faarfdetailer.

Déi heefegst selwer zougefügt Wonn ass, mam technesche Deelsaz unzefänken. Mat „Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper“ unzefänken seet dem Modell, datt de Look de Sujet ass an de Mann en Detail. Du kriss e wonnerschéinen, eidele Kader mat enger klenger, ondäitleger Figur dran.

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.

All Element aus der éischter Versioun iwwerlieft an der zweeter; näischt gouf falegelooss. De Modell weess elo einfach, wat op dem Bild ass, ier him gesot gëtt, wéi et fotograféiert gi soll — an dat Ëmuerdne eleng réckelt de Sujet vun nieftsächlech op zentral.

04Sief konkret beim Sujet

„Eng Persoun“ ass kee Sujet, et ass e Platzhalter — an de Modell fëllt Platzhalter mam Duerchschnëtt vun allem wat en gesinn huet, a genee do kënnt dee glaten, aalterslosen, charakterlosen Look hier. D'Konkretheet kascht fënnef Wierder a keeft e bestëmmte Mënsch:

Notéier d'Muster: Alter oder Epoch, ee strukturellt Merkmal, eng ënnerscheedend Onvollkommenheet. Déi drëtt Saach ass dat, wat e Resultat fotograféiert an net generéiert wierke léisst. En ofgebrachene Zant, e verschlësse Saum, eng iwwermolte Beschrëftung — kleng Asymmetrië sinn dat stäerkst Anti-Plastik-Signal dat et gëtt, a si kaschten a dengem Wuertbudget bal näischt.

05Fotorealismus: schreif d'Ufro wéi eng Foto

De Fotorealismus ass de Standardregister, ausser s du frees no Konscht, Illustratioun oder Anime. Mä d'Wuert „photorealistic“ leescht wéineg. Wat eng Foto produzéiert ass d'Beschreiwe vum Akt vum Fotograféieren: eng richteg Kamera, e richtegen Objektiv, an e richtegt Filmmaterial oder eng richteg Liichtquell.

De Grond ass einfach. All Bild dat mat „Kodak Portra 400“ beschrëft war ass duerch e bestëmmte Prozess entstanen mat enger bestëmmter Kornstruktur, engem bestëmmten Ofklang vun den Häll an enger bestëmmter Hautwidderga, an d'Filmmaterial ze nennen rekrutéiert dat alles. „8k ultra detailed“ ass ni anzwuesch anescht opgetaucht wéi bei Spam op Stockfoto-Säiten, also rekrutéiert et Spam vu Stockfoto-Säiten. E puer zouverlässeg Rezepter, jidderee produzéiert e däitlech anert Bild vum selwechte Sujet:

Pass d'Verankerung zum Rezept un — eng Hauttextur op Porenniveau seet näischt an engem 24mm-Wäitwénkel, wou d'Gesiicht aachtzeg Pixel héich ass — a setz se dann derbäi. Veränkernd Detailer sinn d'Texturbeweiser dofir, datt en Objektiv dat hei wierklech opgeholl huet. Siichtbar Hautpore a feine Gesiichtshoer. D'Geweb vun engem Lengenhiem. Stëbskären an engem Liichtstral. E Kraz op engem Liederstiwwel. Ofstoend Hoer virun engem hellen Hannergrond. Zwee oder dräi duergoen, a si sinn den Ënnerscheed tëscht enger Rendering vun enger Persoun an enger Foto vun enger.

06Szene mat Schichten: Virdergrond, Mëttelgrond, Hannergrond

Wann eng Szen Déift huet, beschreif déi dräi Ebenen getrennt an an der Reiefolleg. Dat ass déi effektivst Technik fir Biller déi sech wéi Plazen ufille solle an net wéi Kulissen, a bal kee mécht et. Ouni si kriss du Flaachheet: alles wat de Prompt erwäänt landt ongeféier op der selwechter Distanz a konkurréiert ëm dat selwecht Mëttelband vum Kader. D'Ebenen ze benennen gëtt dem Modell en Déiftebudget deen en ausginn kann.

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.

Zwou Verfeinerungen. Setz eppes an de Virdergrond dat bewosst onschaarf ass — richteg Fotoe vun déiwe Szenen hunn bal ëmmer eent, a säi Feele ass e verbreet Verréider. A sot, op wéi enger Ebene de Sujet ass: wann d'Vëlokurierin de Punkt vum Bild ass, da gehéiert se an de Mëttelgrond, soss kämpfen den Tuerm an d'Kaffistut mat hir ëm de Kader.

07Exakt Faarwen: Hex-Codeen, un Objete gebonnen

Fir Markaarbecht, Kostümkontinuitéit, oder iwwerall wou „rout“ net konkret genuch ass, schreif den Hex-Code als color #RRGGBB a bind en un e benannten Objet:

...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...

Dräi Fauschtregelen. Benotz Hex fir déi zwou oder dräi Faarwen déi wierklech zielen a einfach Wierder fir de Rescht — e Prompt mat sechs Hex-Codeen gëtt de gréissten Deel vu sengem Budget fir Faarffichen aus. Bind de Code un en Objet mat Konturen, ni un „d'Beliichtung“ oder „d'Stëmmung“. A vergiess net, datt en d'Faarf vum Objet spezifizéiert an net de finale Pixelwäert: e Mantel an #8B0000 am Géigeliicht vun der gëllener Stonn rendert sech waarmer wéi d'Faarffich, genee esou wéi et am Liewen och wier.

08D'Säiteverhältnis wielen

Fënnef Verhältnisser stinn zur Verfügung an dat richtegt ass meeschtens duerch de Sujet implizéiert, mä eng ausdrécklech Ufro vun dir gewënnt ëmmer — fro no engem Hannergrondbild a du kriss tall, egal wat den Inhalt suggeréiert.

Dat falsch ze maachen ass méi schiedlech wéi et ausgesäit. Eng ganzkierperlech stoend Figur an engem wide-Kader gëtt dir keng kleng Figur an engem groussen Kader — si gëtt dir meeschtens eng ofgeschniddene, well de Modell d'Breet fëllt an de Kapp oder d'Féiss aus dem Kader falen. Pass de Kader op déi dominant Achs vum Sujet un an déi meescht Klage iwwer d'Kompositioun verschwannen.

Zwee Verhalen déi ee sech mierke soll: d'Beaarbechtung behält d'Säiteverhältnis vum Quellbild automatesch, du kanns also net duerch Beaarbechten nei kadréieren, während d'Zesummesetzen dech eng nei Leinwand wiele léisst — dacks dee proppersten Wee fir d'Form vun eppes ze änneren wat s du schonn hues.

09Anti-Muster: wat s du oppäre solls

Qualitéits-Token: „masterpiece, best quality, 8k, ultra detailed“

Dat waren an der Community entdeckt Hiewelen fir eng bestëmmten eeler Trainingsverdeelung, wou gewëssen Beschrëftungsformele mat gewëssene Billerquelle korreléiert hunn. Si iwwerdroe sech net. Hei ginn se als gewéinlech englesch Wierder gelies, droen näischt bäi, an iessen en Deel vun engem Wuertbudget vun deem dir scho gesot gouf, datt en knapp ass. Den Ersatz ass ze soen, wéi ee Detail s du wëlls: net „ultra detailed“, mä „siichtbart Geweb am Mantelstoff a fein Stoppelen laanscht d'Kannlad“ — déi selwecht Absicht, ausgedréckt als eppes wat de Modell rendere kann.

Gewiichtungssyntax: (word:1.3), [word], {{word}}

Gëtt net geparst. D'Ronn- a Véiereckklameren, d'Doppelpunkten an d'Zuele landen als wuertwiertlechen Text a maachen, wann iwwerhaapt, den ëmginnenden Deelsaz méi schwéier ze liesen. Wann s du méi Betounung op eppes wëlls, benotz déi zwee Hiewelen déi wierklech funktionéieren: réckel et méi no vir am Prompt, a gëff him méi Wierder. „A crimson silk scarf, its fringed ends lifting in the wind“ weit méi wéi „(red scarf:1.4)“, no all Maassstab deen zielt.

Widderspréchlech Richtungen

Onvereenbar Instruktiounen ze mëschen verbënnt se net; et produzéiert en instabillen Duerchschnëtt deen normalerweis keng vu béide erfëllt. Déi heefegst Iwwerdrieder:

• Medium — „photorealistic“ plus „watercolor“; „oil painting“ plus „shot on 85mm“. Wiel eent a bleif dobäi.
• Kader — „wide establishing shot“ plus „extreme close-up on her eyes“; „full body“ plus „detailed facial pores“.
• Beliichtung — „harsh midday sun“ plus „soft golden hour glow“; „low key, deep shadows“ plus „bright and airy“.
• Epoch — „1970s film aesthetic“ plus „modern minimalist“ plus „cyberpunk“.
• Stiler stapelen — véier Kënschtler oder véier Genren op eemol. Zwou verwandte Referenzen kënne funktionéieren; véier hiewe sech géigesäiteg zu eppes Generescht op.
• Wucherung — „rustic, weathered, ancient, timeworn wooden door“ ass eng Iddi véier Mol geschriwwen, an all Widderhuelung verdënnt de Rescht vum Prompt.

10Et gëtt kee negative Prompt bei Text-zu-Bild

Dat ass d'Anti-Muster dat erfuerene Benotzer am haardsten trëfft, well de negative Prompt op den eelere Stacken d'Halschent vum Handwierk war.

Fir d'Generatioun ass d'Regel absolut a liicht kontraintuitiv: „no text, no watermark, no extra fingers“ an de Prompt ze schreiwe mécht déi Saache méi wahrscheinlech, net manner. De Modell liest „no text“ als e Saz deen d'Konzept Text enthält; d'Negatioun ass e schwaacht Signal an d'Substantiv e staarkt. Du hues effektiv no Text gefrot. Formuléier amplaz dovun ëmmer d'positiv Form:

Fir d'Beaarbechtung an d'Zesummesetzen gëtt et de negative Prompt an du solls en och benotzen — mä fir Artefakten, net fir Inhalt. Gutt Material: Waasserzeechen, Textiwwerlagerung, duebel Glidder, verzerrten Hänn, Iwwerschäerfungs-Halos, JPEG-Klotzbildung, Nolinnen laanscht eng Montagekant. Schlecht Material: alles doriwwer, wat op dem Bild ass, an dat gehéiert an d'Instruktioun.

11De Prompt liesen deen Shannon fir dech schreift

Hei ass dat, wat dëse Guide direkt benotzbar mécht amplaz theoretesch. Du muss de Generatiounsprompt net selwer schreiwen. Du frees an einfacher Sprooch, an all Sprooch; Shannon erkennt datt e Bild gefrot gëtt, komponéiert den englesche Generatiounsprompt, a weist en dir op enger Bestätegungskaart, ier eppes gerendert gëtt. Näischt gëtt generéiert an näischt gëtt verrechent ier s du bestätegs.

Also ass déi Fäegkeet déi am meeschte bréngt net, Prompte vun Null ze schreiwen — et ass dee ze liesen deen op der Kaart steet. Gank dës Lëscht duerch:

1. Ass de Sujet konkret? Wann d'Kaart „eng Persoun“ oder „eng Fra“ seet, dann hues du déi gréisste verfügbar Verbesserung fonnt. Gëff him en Alter, eng Statur, e Merkmal.
2. Kënnt de Sujet zeréischt? Wann de Prompt mat engem Stil oder enger Kamera ufänkt, verlaang datt en amplaz mam Sujet ufänkt.
3. Ass en an der Spann? Ënner 30 Wierder, verlaang méi Konkretheet bei Liicht a Schauplaz. Iwwer 100, verlaang datt gekierzt gëtt.
4. Gëtt et eng Liichtquell? Kee Stëmmungswuert — e richtegt Liicht: Fënster, Stroosseluucht, Blëtz, bedeckten Himmel, Softbox.
5. Ginn et Konflikter? Sich no zwee Medien, zwee Kaderen oder zwou Beliichtungssituatiounen am selwechte Prompt.
6. Ginn et ageschmuggelt Negatiounen? Wann d'Kaart „ouni“, „keng“ oder „vermeit“ enthält, dann ass dat en Text-zu-Bild-Prompt deen no där Saach freet déi en nennt.
7. Passt d'Verhältnis zum Sujet? Eng ganzkierperlech Figur an wide ass déi klassesch Feelpaarung.

D'Korrekture sinn dialogesch: „maach se Ufank drësseg mat enger Narb duerch eng Braun, fotograféier et op Portra mat 85mm, a benotz portrait“ ass eng ganz gutt Instruktioun. Du kriss eng nei Kaart a bestätegs déi amplaz. Et gëtt keng Strof fir ze iteréieren, well nach näischt gerendert gouf.

A Shannon generéiert ni ongefrot. Eng Begréissung, eng Fro, oder eng Foto déi s du fir eng Diskussioun unhänks léist kee Rendering aus. Shannon ze froen e Bild unzekucken — et beschreiwen, et liesen, et analyséieren — ass ganz gewéinlech Vision-Aarbecht, keng Generatioun, a kascht näischt extra.

12Wéi sech d'Handwierk fir d'Beaarbechtung an d'Zesummesetze verréckelt

D'Regele hei uewe si fir d'Generatioun geschriwwen. Zwee ugrenzend Modi änneren d'Form vum Prompt.

Ee Bild beaarbechten

E Beaarbechtungsprompt ass eng Instruktioun, keng Beschreiwung: sot wat sech ännert a wat bleift. Déi onverännert Deeler ze nennen ass dee gréisste Qualitéitshiewel am Produkt — „Änner den Hannergrond op eng verreenten Nuetsstrooss an der Stad mat Neonreflexiounen, looss d'Fra genee esou wéi se ass“ hält zesummen, wou déi selwecht Ufro ouni dee Deelsaz hiert Gesiicht roueg nei zeechent. Sief konkret beim Anker: hal d'Gesiicht, d'Haltung, d'Hoer an d'Kleedung identesch. Et gëtt genee ee Quellbild benotzt, an den Output behält säi Säiteverhältnis.

Zwee oder méi Biller zesummesetzen

Ëmmer wann Elementer aus méi wéi engem Bild kommen — Kleedertransfert, en Objet an eng Szen, zwou Persounen an engem Kader, Produkt-op-Persoun, e Stil vun engem Bild mat engem Sujet vun engem aneren — muss de Prompt d'Roll vun all Bild an der Reiefolleg nennen: „The woman from the first image wearing the red knitted sweater from the second image, standing in the same park.“ Dat éischt Bild ass den Haaptsujet oder d'Szen; déi spéider Biller liwweren d'Deeler déi erabruecht ginn. Reduzéier eng Multi-Biller-Ufro net op eng Quell plus eng Textbeschreiwung — déi richteg Biller zesummenzesetzen ass dat, wat erhält wéi déi Saache wierklech ausgesinn.

13Onzenséiert Prompting: sot wat s du mengs

Et gëtt kee Inhaltsfilter um Generatiounswee a keng Refus-Schicht um Modell dat de Prompt schreift. Dat ass de ganze Punkt vum Produkt: gefiltert Generatore refuséiere routinéiert legitim Aarbecht — kënschtleresch Akten, medizinesch a forensesch Illustratioun, Biller fir d'Sécherheetsfuerschung, Gewalt an der Fiktioun, politesch Satire, Mark- a Bildnisaarbecht vum Rechtsinhaber. D'Halschent vum Prompt-Handwierk op gefilterte Plattforme besteet aus Euphemismus-Ingenieurskonscht, an den Euphemismus ass de Feind vun engem genaue Bild.

Also gëtt et nach eng Saach op der Kaart ze kontrolléieren: datt se de wierkleche Sujet an einfache Wierder beschreift an net am ofgesécherte Vokabular deen d'Leit vu gefilterten Tools léieren. Eng forensesch Illustratioun vun enger Wonn soll soen, wat d'Wonn ass. Ofgeséchert Sprooch produzéiert iwwerall e méi schlecht Bild, well de Modell dat rendert wat d'Wierder soen.

D'Fäegkeet an d'Beurteelung si getrennte Saachen. Shannon Lab LLC bedreift dat ënner enger publizéierter Politik fir verantwortlech Notzung: ongefiltert Generatioun ass e professionellt Handwierksgeschir, an d'Zoustëmmung, d'Rechter an d'Gesetz gëllen alleguer weiderhin fir dat wat s du maachs.

14Wou d'API hipasst

E Punkt vun der Genauegkeet fir Lieser déi vun enger API-Sich kommen: Billergeneratioun, Beaarbechtung an Zesummesetze liewen an der Shannon-Chat-App, net op der /v1-API. D'API servéiert Text a Vision — si kann Biller liesen, beschreiwen an analyséieren déi s du hir iwwer all dräi Dialekter schécks (/v1/chat/completions, /v1/messages, /v1/responses, all mat Streaming) — mä si erstellt der keng. Wann s du eng Pipeline baus, déi Biller verstoe muss, dann ass d'API-Dokumentatioun déi richteg Plaz fir unzefänken. Wann s du Biller maache wëlls, dann ass dat d'Chat-App, an alles an dësem Guide gëllt do. D'Biller ginn op eisem eegene GPU-Cluster gerendert.

15Dacks gestallte Froen

Verwandte Liesen: Onzenséiert AI-Billergeneratioun · Onzenséiert AI-Billerbeaarbechtung · Politik fir verantwortlech Notzung · API-Dokumentatioun · All Shannon-Fuerschung. D'Uleedungen hei kommen aus eisen eegenen Tester mat dem Shannon sengem Billermodell; Rotschléi déi fir eeler Diffusiouns-Stacke geschriwwe goufen iwwerdroe sech allgemeng net.