Przewodnik po promptach do obrazów AI

Większość ludzi przychodzi tu z nawykami wyuczonymi na SDXL: ciąg rzeczowników rozdzielonych przecinkami, wstęp z tokenami jakości, kilka wag w nawiasach i negatywny prompt równie długi jak pozytywny. Te nawyki były słuszne dla tamtych modeli, a tutaj przynoszą efekt odwrotny. To krótka wersja tego, co faktycznie działa — a ponieważ Shannon pisze prompt generacji za Ciebie i pokazuje go, zanim cokolwiek się wyrenderuje, jest to równocześnie przewodnik po czytaniu i poprawianiu tego, co Shannon zaproponuje.

01Dlaczego proza bije tagi: model czyta jak model językowy

Starsze modele dyfuzyjne, pod które pisano większość porad o promptach, używały enkodera tekstu, który w praktyce zachowywał się jak worek pojęć: gramatyka niemal nie miała znaczenia, a wygrywającą strategią było nagromadzenie trafnych rzeczowników i przechylenie ich wagami. Zupa z tagów była poprawnym kształtem promptu dla tamtego enkodera.

Model obrazowy Shannon tak nie działa. Czyta prompt tak, jak model językowy czyta tekst, więc składnia niesie znaczenie. „Trzymając parasol oparty o ramię” to relacja między osobą, przedmiotem i częścią ciała; „parasol, ramię” to dwie rzeczy, które akurat są obecne. Przyimki umieszczają rzeczy w przestrzeni. Czasowniki tworzą pozy. Człony zdania przypinają szczegół do właściwego rzeczownika, zamiast pozwalać mu unosić się nad całym obrazem.

Oto ten sam obraz zamówiony na oba sposoby.

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.

Zobacz, czego wersja tagowa nie potrafi wyrazić. Nigdy nie mówi, że parasol jest trzymany, więc może skończyć leżąc na ziemi. Nigdy nie mówi, że neon odbija się w asfalcie, tylko że oba istnieją, więc dostajesz szyldy i mokrą ulicę bez żadnej relacji optycznej między nimi. Nigdy nie mówi, gdzie kobieta patrzy, więc jej poza to rzut monetą. „Cinematic lighting” to etykieta nastroju, a nie źródło światła. A pięć ostatnich tokenów to szum, czytany jako angielskie słowa o fotografii, a nie jako uchwyty sterujące.

Wersja prozą nie jest dłuższa dlatego, że jest kwiecista. Jest dłuższa, bo odpowiada na pytania, które wersja tagowa zostawiła otwarte. Na tym polega cała sztuczka.

02Jak długi powinien być prompt do obrazu?

Celuj w 30 do 80 słów. Nie przekraczaj znacząco 100. To najprostsza dostępna Ci dźwignia jakości, a znaczenie mają oba końce zakresu.

Poniżej mniej więcej 30 słów kompozycja, światło i kadrowanie są nieokreślone, więc model wybiera to, co statystycznie najzwyklejsze. „Kobieta w kawiarni” to poprawny prompt, który daje obraz nie do zapamiętania, bo oddelegowałeś wszystkie ciekawe decyzje.

Powyżej mniej więcej 100 słów pojawia się inna awaria: późne człony konkurują z wczesnymi o te same obszary obrazu i zamiast sumowania szczegółu dostajesz rozcieńczenie. Trzeci opis światła unieważnia pierwszy, a temat ustalony w pierwszych ośmiu słowach dostaje coraz mniej uwagi z każdym dołożonym zdaniem. Długie prompty czyta się jako drobiazgowe. Nie renderują się jako drobiazgowe.

Dyscyplina: napisz prompt, jaki chcesz, a potem przytnij go do zdań, których usunięcie zmieniłoby obraz.

03Dyscyplina kolejności: najważniejsze na początku

Ponieważ model czyta sekwencyjnie, pozycja jest naciskiem: to, co pierwsze, kotwiczy obraz, a to, co ostatnie, go koryguje. Układaj rzeczy w kolejności, jakiej model potrzebuje:

1. Temat — kto lub co jest na tym obrazie, konkretnie.
2. Czynność lub poza — co robi, jak jest ustawiony.
3. Styl lub nastrój — fotografia, obraz olejny, ilustracja techniczna oraz rejestr, w jakim jest utrzymany.
4. Miejsce i światło — gdzie się to dzieje i jakie światło na to pada.
5. Parametry techniczne — kadrowanie, obiektyw, głębia ostrości, szczegóły kolorystyczne.

Najczęstszą samobójczą raną jest zaczynanie od członu technicznego. Otwarcie zdaniem „Filmowy plan szeroki, flara anamorficzna, korekcja teal and orange, przedstawiający mężczyznę czytającego gazetę” mówi modelowi, że tematem jest wygląd, a mężczyzna jest szczegółem. Dostajesz przepiękny, pusty kadr z małą, nieokreśloną postacią.

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.

Każdy element z pierwszej wersji przetrwał w drugiej; nic nie zostało wyrzucone. Model po prostu wie teraz, co jest na obrazie, zanim dowie się, jak to sfotografować — i samo to przestawienie przesuwa temat z pozycji przypadkowej na centralną.

04Bądź konkretny co do tematu

„Osoba” to nie temat, tylko wypełniacz — a model wypełnia takie luki średnią ze wszystkiego, co widział, i właśnie stamtąd bierze się ten wygładzony, bezwiekowy, bezcharakterny wygląd. Konkret kosztuje pięć słów i kupuje konkretnego człowieka:

Zwróć uwagę na wzorzec: wiek lub epoka, jedna cecha strukturalna, jedna wyróżniająca niedoskonałość. Ten trzeci element sprawia, że wynik sprawia wrażenie sfotografowanego, a nie wygenerowanego. Wyszczerbiony ząb, przetarty rąbek, zamalowany szyld — drobne asymetrie to najsilniejszy dostępny sygnał antyplastikowy, a kosztują niemal nic w Twoim budżecie słów.

05Fotorealizm: napisz prośbę jak fotografię

Fotorealizm jest rejestrem domyślnym, o ile nie poprosisz o sztukę, ilustrację albo anime. Ale słowo „fotorealistyczny” niewiele wnosi. To, co daje fotografię, to opisanie samego aktu fotografowania: prawdziwy aparat, prawdziwy obiektyw i prawdziwy film lub źródło światła.

Powód jest prosty. Każdy obraz podpisany „Kodak Portra 400” powstał w konkretnym procesie o konkretnej strukturze ziarna, sposobie wygaszania świateł i oddaniu karnacji, a nazwanie filmu rekrutuje to wszystko. „8k ultra detailed” pojawiało się wyłącznie w spamie z banków zdjęć, więc rekrutuje spam z banków zdjęć. Kilka niezawodnych przepisów, z których każdy daje wyraźnie inny obraz tego samego tematu:

Dopasuj osadzenie do przepisu — tekstura skóry na poziomie porów nic nie znaczy w szerokim 24 mm, gdzie twarz ma osiemdziesiąt pikseli wysokości — i dopiero wtedy je dodaj. Szczegół osadzający to dowód teksturalny na to, że obiektyw naprawdę to zarejestrował. Widoczne pory skóry i delikatny zarost. Splot lnianej koszuli. Drobinki kurzu w smudze światła. Zadrapanie na skórzanym bucie. Odstające włosy na tle jasnego nieba. Dwa albo trzy wystarczą i to one stanowią różnicę między renderem człowieka a jego fotografią.

06Sceny warstwowe: pierwszy plan, plan środkowy, tło

Kiedy scena ma głębię, opisz trzy plany osobno i po kolei. To najskuteczniejsza technika przy obrazach, które mają sprawiać wrażenie miejsc, a nie teł, i prawie nikt jej nie stosuje. Bez niej dostajesz płaskość: wszystko, co prompt wymienia, ląduje mniej więcej w tej samej odległości, walcząc o ten sam środkowy pas kadru. Nazwanie planów daje modelowi budżet głębi do wydania.

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.

Dwa dopracowania. Umieść na pierwszym planie coś, co jest celowo nieostre — prawdziwe zdjęcia głębokich scen prawie zawsze to mają, a brak tego jest częstym zdradzającym znakiem. I powiedz, który plan zajmuje temat: jeśli kurierka jest sensem obrazu, jej miejsce jest na planie środkowym, inaczej wieża i kubek kawy będą się z nią bić o kadr.

07Dokładne kolory: kody hex przypięte do obiektów

Do pracy z marką, ciągłości kostiumu albo wszędzie tam, gdzie „czerwony” jest zbyt nieprecyzyjny, zapisz kod hex jako color #RRGGBB i przypnij go do nazwanego obiektu:

...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...

Trzy zasady praktyczne. Używaj hex do dwóch, trzech kolorów, które naprawdę mają znaczenie, a resztę opisz zwykłymi słowami — prompt z sześcioma kodami hex wydaje większość budżetu na próbniki farb. Wiąż kod z obiektem mającym krawędzie, nigdy ze „światłem” czy „nastrojem”. I pamiętaj, że określa on kolor obiektu, a nie końcową wartość piksela: płaszcz #8B0000 w kontrze o złotej godzinie wyrenderuje się cieplej niż próbnik, dokładnie jak w rzeczywistości.

08Wybór proporcji kadru

Dostępnych jest pięć proporcji, a właściwą zwykle sugeruje sam temat, ale Twoja wyraźna prośba zawsze wygrywa — poproś o tapetę, a dostaniesz tall, niezależnie od tego, co sugeruje treść.

Pomyłka tutaj szkodzi bardziej, niż się wydaje. Stojąca postać w pełnej wysokości w kadrze wide nie daje małej postaci w dużym kadrze — zwykle daje postać przyciętą, bo model wypełnia szerokość, a głowa lub stopy wychodzą poza kadr. Dopasuj kadr do osi dominującej tematu, a większość zastrzeżeń do kompozycji zniknie.

Dwa zachowania warte zapamiętania: edycja automatycznie zachowuje proporcje obrazu źródłowego, więc nie przekadrujesz przez edycję, natomiast łączenie pozwala wybrać nowe płótno — często najczystszy sposób na zmianę kształtu czegoś, co już masz.

09Antywzorce: z czego przestać korzystać

Tokeny jakości: „masterpiece, best quality, 8k, ultra detailed”

To były odkryte przez społeczność uchwyty do konkretnego, starszego rozkładu treningowego, w którym pewne frazy z podpisów korelowały z pewnymi źródłami obrazów. Nie przenoszą się. Tutaj są czytane jako zwykłe angielskie słowa, nic nie wnoszą i zjadają część budżetu słów, o którym już wiesz, że jest ciasny. Zamiennikiem jest powiedzenie, który szczegół chcesz: nie „ultra detailed”, tylko „widoczny splot tkaniny płaszcza i drobny zarost wzdłuż żuchwy” — ta sama intencja wyrażona jako coś, co model potrafi wyrenderować.

Składnia wag: (word:1.3), [word], {{word}}

Nie jest parsowana. Nawiasy, dwukropki i liczby lądują jako dosłowny tekst i co najwyżej utrudniają odczytanie otaczającego członu. Jeśli chcesz mocniej coś podkreślić, użyj dwóch dźwigni, które działają: przesuń to wcześniej w promptcie i daj temu więcej słów. „Karmazynowy jedwabny szal, którego frędzlowane końce unoszą się na wietrze” przeważa nad „(red scarf:1.4)” pod każdym istotnym względem.

Sprzeczne wskazówki

Mieszanie niekompatybilnych instrukcji nie łączy ich; daje niestabilną średnią, która zwykle nie zadowala żadnej strony. Najczęstsi winowajcy:

• Medium — „fotorealistyczny” plus „akwarela”; „obraz olejny” plus „zdjęcie 85 mm”. Wybierz jedno i się go trzymaj.
• Kadrowanie — „szeroki plan ustanawiający” plus „ekstremalne zbliżenie na jej oczy”; „cała sylwetka” plus „szczegółowe pory twarzy”.
• Światło — „ostre słońce w południe” plus „miękka poświata złotej godziny”; „low key, głębokie cienie” plus „jasno i przewiewnie”.
• Epoka — „estetyka filmu z lat 70.” plus „nowoczesny minimalizm” plus „cyberpunk”.
• Piętrzenie stylów — czterech artystów albo cztery gatunki naraz. Dwa pokrewne odniesienia mogą zadziałać; cztery znoszą się w ogólnikowość.
• Rozlewanie się — „rustykalne, zwietrzałe, prastare, nadgryzione czasem drewniane drzwi” to jedna myśl zapisana cztery razy, a każde powtórzenie rozcieńcza resztę promptu.

10W text-to-image nie ma negatywnego promptu

To antywzorzec, który najmocniej łapie doświadczonych użytkowników, bo w starszych stosach negatywny prompt stanowił połowę rzemiosła.

Przy generowaniu reguła jest bezwzględna i lekko nieintuicyjna: wpisanie do promptu „bez tekstu, bez znaku wodnego, bez dodatkowych palców” czyni te rzeczy bardziej, a nie mniej prawdopodobnymi. Model czyta „bez tekstu” jako zdanie zawierające pojęcie tekst; negacja jest sygnałem słabym, a rzeczownik silnym. Faktycznie poprosiłeś o tekst. Zawsze podawaj zamiast tego formę pozytywną:

Przy edycji i łączeniu negatywny prompt istnieje i powinieneś go używać — ale do artefaktów, nie do treści. Dobry materiał: znak wodny, nakładka tekstowa, zdublowane kończyny, wykrzywione dłonie, aureole od nadmiernego wyostrzenia, blokowanie JPEG, linie szwu wzdłuż krawędzi montażu. Zły materiał: cokolwiek na temat tego, co jest na obrazie — to należy do instrukcji.

11Czytanie promptu, który Shannon pisze za Ciebie

Oto co czyni ten przewodnik od razu użytecznym, a nie teoretycznym. Nie musisz sam pisać promptu generacji. Prosisz zwykłym językiem, w dowolnym języku; Shannon rozpoznaje, że chodzi o obraz, układa angielski prompt generacji i pokazuje Ci go na karcie potwierdzenia, zanim cokolwiek się wyrenderuje. Nic nie powstaje i nic nie jest naliczane, dopóki nie potwierdzisz.

Dlatego umiejętnością, która najbardziej się opłaca, nie jest pisanie promptów od zera — jest nią czytanie tego z karty. Przejdź przez tę listę:

1. Czy temat jest konkretny? Jeśli karta mówi „a person” albo „a woman”, znalazłeś największą dostępną poprawę. Nadaj temu wiek, budowę, cechę.
2. Czy temat jest pierwszy? Jeśli prompt zaczyna się od stylu albo aparatu, poproś, żeby zaczynał się od tematu.
3. Czy mieści się w zakresie? Poniżej 30 słów poproś o więcej precyzji co do światła i miejsca. Powyżej 100 poproś o przycięcie.
4. Czy jest źródło światła? Nie słowo o nastroju — prawdziwe światło: okno, latarnia, lampa błyskowa, zachmurzone niebo, softbox.
5. Czy są sprzeczności? Poszukaj dwóch mediów, dwóch kadrowań albo dwóch warunków oświetleniowych w jednym promptcie.
6. Czy przemyciły się negacje? Jeśli karta zawiera „without”, „no” albo „avoid”, to prompt text-to-image proszący o rzecz, którą nazywa.
7. Czy proporcja pasuje do tematu? Postać w pełnej wysokości w wide to klasyczne niedopasowanie.

Poprawki są konwersacyjne: „zrób ją po trzydziestce, z blizną przez brew, sfotografuj na Portrze 85 mm i użyj portrait” to całkiem dobra instrukcja. Dostajesz nową kartę i potwierdzasz tamtą. Iterowanie nie jest karane, bo nic się jeszcze nie wyrenderowało.

I Shannon nie generuje nieproszony. Powitanie, pytanie albo zdjęcie załączone do rozmowy nie uruchamiają renderu. Poproszenie Shannona, żeby spojrzał na obraz — opisał go, odczytał, przeanalizował — to zwykła praca wizyjna, a nie generowanie, i nie kosztuje nic dodatkowo.

12Jak rzemiosło zmienia się przy edycji i łączeniu

Powyższe zasady napisano dla generowania. Dwa sąsiednie tryby zmieniają kształt promptu.

Edycja jednego obrazu

Prompt edycyjny to instrukcja, a nie opis: powiedz, co się zmienia, a co zostaje. Nazwanie części niezmienianych to największa dźwignia jakości w całym produkcie — „Zmień tło na deszczową nocną ulicę miasta z odbiciami neonów, zostaw kobietę dokładnie taką, jaka jest” trzyma się kupy tam, gdzie to samo żądanie bez tego członu po cichu przerysowuje jej twarz. Bądź konkretny co do kotwicy: zachowaj identyczną twarz, pozę, włosy i ubranie. Używany jest dokładnie jeden obraz źródłowy, a wynik zachowuje jego proporcje.

Łączenie dwóch lub więcej obrazów

Gdy elementy pochodzą z więcej niż jednego obrazu — przeniesienie stroju, obiekt w scenie, dwie osoby w jednym kadrze, produkt na osobie, styl z jednego obrazu z tematem z drugiego — prompt musi nazwać rolę każdego obrazu, po kolei: „Kobieta z pierwszego obrazu ubrana w czerwony dziergany sweter z drugiego obrazu, stojąca w tym samym parku”. Pierwszy obraz jest głównym tematem lub sceną; kolejne obrazy dostarczają wnoszonych części. Nie sprowadzaj żądania wieloobrazowego do jednego źródła plus opisu tekstowego — to właśnie połączenie prawdziwych obrazów zachowuje to, jak te rzeczy naprawdę wyglądają.

13Prompty bez cenzury: mów, co masz na myśli

Na ścieżce generowania nie ma filtra treści, a model piszący prompt nie ma warstwy odmów. To cały sens tego produktu: filtrowane generatory rutynowo odmawiają legalnej pracy — akty artystyczne, ilustracja medyczna i kryminalistyczna, grafika do badań bezpieczeństwa, przemoc w fikcji, satyra polityczna, praca z marką i wizerunkiem wykonywana przez właściciela praw. Połowa rzemiosła promptowego na filtrowanych platformach to inżynieria eufemizmów, a eufemizm jest wrogiem dokładnego obrazu.

Jest więc jeszcze jedna rzecz do sprawdzenia na karcie: czy opisuje ona rzeczywisty temat zwykłymi słowami, a nie asekuracyjnym słownictwem, którego ludzie uczą się przy filtrowanych narzędziach. Ilustracja kryminalistyczna rany powinna mówić, czym ta rana jest. Asekuracyjny język wszędzie daje gorszy obraz, bo model renderuje to, co mówią słowa.

Możliwości i ocena to dwie różne rzeczy. Shannon Lab LLC prowadzi to zgodnie z opublikowanymi Zasadami odpowiedzialnego korzystania: generowanie bez filtrów jest narzędziem profesjonalnym, a zgoda, prawa i przepisy nadal obowiązują wobec tego, co tworzysz.

14Gdzie w tym wszystkim jest API

Jedno doprecyzowanie dla czytelników, którzy trafili tu z wyszukiwania o API: generowanie, edycja i łączenie obrazów żyją w aplikacji czatu Shannon, a nie w API /v1. API obsługuje tekst i wizję — potrafi czytać, opisywać i analizować obrazy, które mu wyślesz, we wszystkich trzech dialektach (/v1/chat/completions, /v1/messages, /v1/responses, wszystkie ze streamingiem) — ale ich nie tworzy. Jeśli budujesz proces, który musi rozumieć obrazy, zacznij od dokumentacji API. Jeśli chcesz tworzyć obrazy, to aplikacja czatu, i wszystko z tego przewodnika ma tam zastosowanie. Obrazy renderują się na naszym własnym klastrze GPU.

15Najczęściej zadawane pytania

Powiązane lektury: Generowanie obrazów AI bez cenzury · Edycja obrazów AI bez cenzury · Zasady odpowiedzialnego korzystania · Dokumentacja API · Wszystkie badania Shannon. Wskazówki pochodzą z naszych własnych testów modelu obrazowego Shannon; porady pisane pod wcześniejsze stosy dyfuzyjne zwykle się nie przenoszą.