Guiden till AI-bildprompter

De flesta kommer hit med promptvanor inlärda på SDXL: en kommaseparerad sträng av substantiv, en inledning med kvalitetstokens, några parentesvikter och en negativ prompt lika lång som den positiva. De vanorna var rätt för de modellerna och är kontraproduktiva här. Det här är den korta versionen av vad som faktiskt fungerar — och eftersom Shannon skriver genereringsprompten åt dig och visar den innan något renderas är det lika mycket en guide till att läsa och rätta det Shannon föreslår.

01Varför prosa slår taggar: modellen läser som en språkmodell

De äldre diffusionsmodeller som de flesta promptråd skrevs för använde en textkodare som i praktiken betedde sig som en påse begrepp: grammatiken spelade knappt någon roll, och den vinnande strategin var att stapla relevanta substantiv och vikta dem. Taggsoppa var den rätta promptformen för den kodaren.

Shannons bildmodell fungerar inte så. Den läser en prompt som en språkmodell läser text, så syntaxen bär mening. "Holding an umbrella against her shoulder" är en relation mellan en person, ett föremål och en kroppsdel; "umbrella, shoulder" är två saker som råkar finnas där. Prepositioner placerar saker. Verb skapar poser. Satser fäster detaljer vid rätt substantiv i stället för att låta dem sväva över hela bilden.

Här är samma bild efterfrågad på båda sätten.

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.

Se vad taggversionen inte kan uttrycka. Den säger aldrig att paraplyet hålls, så det kan sluta liggande på marken. Den säger aldrig att neonljuset speglas i asfalten, bara att båda finns, så du får skyltar och en blöt gata utan optisk relation mellan dem. Den säger aldrig var kvinnan tittar, så hennes pose blir ett myntkast. "Cinematic lighting" är en stämningsetikett, inte en ljuskälla. Och de fem sista tokens är brus, lästa som engelska ord om fotografi snarare än som styrhandtag.

Prosaversionen är inte längre för att den är blomstrande. Den är längre för att den besvarar frågor som taggversionen lämnade öppna. Det är hela tricket.

02Hur lång bör en bildprompt vara?

Sikta på 30 till 80 ord. Gå inte långt över 100. Det här är den enskilt enklaste kvalitetsspaken du har, och båda ändarna av intervallet spelar roll.

Under ungefär 30 ord är komposition, ljus och bildutsnitt ospecificerade, så modellen väljer det som är statistiskt mest vanligt. "En kvinna på ett kafé" är en giltig prompt som ger en glömsk bild, eftersom du delegerade varje intressant beslut.

Över ungefär 100 ord dyker ett annat misslyckande upp: sena satser konkurrerar med tidiga om samma områden i bilden, och i stället för att detaljer byggs på får du utspädning. Den tredje ljusbeskrivningen upphäver den första, och motivet du etablerade i de första åtta orden får relativt mindre uppmärksamhet för varje mening du lägger till. Långa prompter läses som grundliga. De renderas inte som grundliga.

Disciplinen: skriv den prompt du vill ha, och skär sedan ned den till de meningar som hade ändrat bilden om de togs bort.

03Ordningsdisciplinen: det viktigaste först

Eftersom modellen läser sekventiellt är position detsamma som betoning: det som kommer först förankrar bilden, det som kommer sist justerar den. Lägg sakerna i den ordning modellen behöver dem:

1. Motiv — vem eller vad den här bilden föreställer, konkret.
2. Handling eller pose — vad de gör, hur de hålls.
3. Stil eller stämning — fotografi, oljemålning, teknisk illustration, och i vilket tonläge.
4. Miljö och ljus — var det utspelar sig och vilket ljus som faller på det.
5. Teknik — bildutsnitt, objektiv, skärpedjup, färgspecifikationer.

Det vanligaste självförvållade såret är att börja med den tekniska satsen. Att inleda med "Cinematic wide shot, anamorphic lens flare, teal and orange grade, of a man reading a newspaper" talar om för modellen att utseendet är motivet och att mannen är en detalj. Du får en praktfull, tom bildruta med en liten otydlig gestalt i.

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.

Varje element från den första versionen överlever i den andra; ingenting ströks. Modellen vet nu bara vad bilden föreställer innan den får veta hur den ska fotograferas — och enbart den omordningen flyttar motivet från bisak till huvudsak.

04Var konkret om motivet

"En person" är inget motiv, det är en platshållare — och modellen fyller platshållare med genomsnittet av allt den sett, vilket är precis där det blanka, åldersneutrala, karaktärslösa utseendet kommer ifrån. Konkretion kostar fem ord och köper en specifik människa:

Lägg märke till mönstret: ålder eller epok, ett strukturellt drag, en särskiljande ofullkomlighet. Det tredje är det som får ett resultat att kännas fotograferat snarare än genererat. En flisad tand, en nött fåll, övermålad skyltning — små asymmetrier är den starkaste signal mot plastkänsla som finns att få, och de kostar nästan ingenting i din ordbudget.

05Fotorealism: skriv förfrågan som ett fotografi

Fotorealism är standardtonläget om du inte ber om konst, illustration eller anime. Men ordet "photorealistic" gör inte mycket nytta. Det som producerar ett fotografi är att beskriva själva fotograferandet: en verklig kamera, ett verkligt objektiv och en verklig filmtyp eller ljuskälla.

Skälet är enkelt. Varje bild med bildtexten "Kodak Portra 400" gjordes med en specifik process med en specifik kornstruktur, högdagerkurva och hudåtergivning, och att namnge filmtypen rekryterar allt det. "8k ultra detailed" förekom bara i skräp från bildbankssajter, så det rekryterar skräp från bildbankssajter. Några pålitliga recept, som var och ett ger en tydligt annorlunda bild av samma motiv:

Anpassa förankringen till receptet — hudstruktur på pornivå betyder ingenting i en 24 mm vidvinkel där ansiktet är åttio pixlar högt — och lägg sedan till den. Förankrande detaljer — de texturbevis som visar att ett objektiv faktiskt registrerade det här. Synliga hudporer och fina ansiktshår. Väven i en linneskjorta. Dammkorn i en ljusstrimma. En skrapa på en läderkänga. Lösa hårstrån mot en ljus bakgrund. Två eller tre räcker, och de är skillnaden mellan en rendering av en människa och ett fotografi av en.

06Scener i lager: förgrund, mellangrund, bakgrund

När en scen har djup, beskriv de tre planen separat och i ordning. Det här är den mest effektiva tekniken för bilder som ska kännas som platser snarare än kulisser, och nästan ingen gör det. Utan det får du platthet: allt som prompten nämner hamnar på ungefär samma avstånd och konkurrerar om samma mittband i bilden. Att namnge plan ger modellen en djupbudget att spendera.

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.

Två förfiningar. Lägg något i förgrunden som är medvetet oskarpt — verkliga fotografier av djupa scener har nästan alltid ett, och dess frånvaro är ett vanligt avslöjande tecken. Och säg vilket plan motivet befinner sig i: om cykelbudet är bildens poäng hör hon hemma i mellangrunden, annars kommer tornet och kaffemuggen att slåss med henne om bildrutan.

07Exakta färger: hexkoder, knutna till föremål

För varumärkesarbete, kostymkontinuitet, eller överallt där "rött" inte är tillräckligt exakt, skriv hexkoden som color #RRGGBB och knyt den till ett namngivet föremål:

...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 tumregler. Använd hex för de två eller tre färger som verkligen betyder något och vanliga ord för resten — en prompt med sex hexkoder lägger merparten av sin budget på färgprover. Bind koden till ett föremål med kanter, aldrig till "ljussättningen" eller "stämningen". Och kom ihåg att den anger föremålets färg, inte det slutliga pixelvärdet: en rock i #8B0000 i motljus vid golden hour renderas varmare än färgprovet, precis som den hade gjort i verkligheten.

08Att välja bildformat

Fem format finns tillgängliga och det rätta antyds oftast av motivet, men en uttrycklig önskan från dig vinner alltid — be om en bakgrundsbild och du får tall oavsett vad innehållet antyder.

Att välja fel här är mer skadligt än det ser ut. En helfigur i en wide-ram ger dig inte en liten figur i en stor ram — den ger dig oftast en beskuren, eftersom modellen fyller bredden och huvudet eller fötterna hamnar utanför. Matcha ramen mot motivets dominerande axel så försvinner de flesta klagomål om komposition.

Två beteenden värda att minnas: redigering behåller källbildens bildformat automatiskt, så du kan inte byta utsnitt genom att redigera, medan kombination låter dig välja en ny duk — ofta det renaste sättet att ändra formen på något du redan har.

09Antimönster: vad du ska sluta med

Kvalitetstokens: "masterpiece, best quality, 8k, ultra detailed"

Det här var handtag som gemenskapen upptäckte för en specifik äldre träningsfördelning, där vissa bildtextfraser samvarierade med vissa bildkällor. De överförs inte. Här läses de som vanliga engelska ord, bidrar med ingenting och äter upp en del av en ordbudget du redan fått veta är knapp. Ersättningen är att säga vilken detalj du vill ha: inte "ultra detailed" utan "visible weave in the coat fabric and fine stubble along the jaw" — samma avsikt, uttryckt som något modellen kan rendera.

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

Tolkas inte. Parenteser, hakparenteser, kolon och siffror landar som bokstavlig text och gör om något den omgivande satsen svårare att läsa. Vill du ha mer betoning på något, använd de två spakar som fungerar: flytta det tidigare i prompten, och ge det fler ord. "A crimson silk scarf, its fringed ends lifting in the wind" väger tyngre än "(red scarf:1.4)" på varje mått som betyder något.

Motstridiga anvisningar

Att blanda oförenliga instruktioner får dem inte att smälta samman; det ger ett instabilt genomsnitt som oftast inte uppfyller någondera. De vanliga syndarna:

• Medium — "photorealistic" plus "watercolor"; "oil painting" plus "shot on 85mm". Välj ett och håll fast vid det.
• Bildutsnitt — "wide establishing shot" plus "extreme close-up on her eyes"; "full body" plus "detailed facial pores".
• Ljussättning — "harsh midday sun" plus "soft golden hour glow"; "low key, deep shadows" plus "bright and airy".
• Epok — "1970s film aesthetic" plus "modern minimalist" plus "cyberpunk".
• Stilstapling — fyra konstnärer eller fyra genrer på en gång. Två besläktade referenser kan fungera; fyra tar ut varandra till något generiskt.
• Ordsvall — "rustic, weathered, ancient, timeworn wooden door" är en idé skriven fyra gånger, och varje upprepning späder ut resten av prompten.

10Det finns ingen negativ prompt i text-till-bild

Det här är det antimönster som drabbar erfarna användare hårdast, eftersom den negativa prompten var halva hantverket i äldre stackar.

För generering är regeln absolut och något kontraintuitiv: att skriva "no text, no watermark, no extra fingers" i prompten gör de sakerna mer sannolika, inte mindre. Modellen läser "no text" som en mening som innehåller begreppet text; negation är en svag signal och substantivet en stark. Du har i praktiken bett om text. Ange alltid den positiva formen i stället:

För redigering och kombination finns den negativa prompten och du bör använda den — men för artefakter, inte för innehåll. Bra material: vattenstämpel, textpålägg, dubblerade lemmar, förvridna händer, överskärpningsglorior, JPEG-blockighet, skarvlinjer längs en montagekant. Dåligt material: allt som handlar om vad bilden föreställer, vilket hör hemma i instruktionen.

11Att läsa prompten Shannon skriver åt dig

Här är det som gör den här guiden omedelbart användbar snarare än teoretisk. Du behöver inte skriva genereringsprompten själv. Du frågar på vanligt språk, på vilket språk som helst; Shannon känner igen att en bild efterfrågas, komponerar den engelska genereringsprompten och visar den för dig på ett bekräftelsekort innan något renderas. Ingenting genereras och ingenting debiteras förrän du bekräftar.

Så färdigheten som lönar sig mest är inte att skriva prompter från grunden — det är att läsa den som står på kortet. Gå igenom den här listan:

1. Är motivet konkret? Om kortet säger "a person" eller "a woman" har du hittat den enskilt största förbättring som står till buds. Ge det en ålder, en kroppsbyggnad, ett drag.
2. Kommer motivet först? Om prompten inleds med en stil eller en kamera, be om att den ska börja med motivet i stället.
3. Ligger den i intervallet? Under 30 ord, be om mer precision kring ljus och miljö. Över 100, be om att den kortas.
4. Finns det en ljuskälla? Inte ett stämningsord — ett faktiskt ljus: fönster, gatlykta, blixt, mulen himmel, softbox.
5. Några konflikter? Leta efter två medier, två bildutsnitt eller två ljusförhållanden i samma prompt.
6. Några insmugna negationer? Om kortet innehåller "without", "no" eller "avoid" är det en text-till-bild-prompt som ber om just det den nämner.
7. Passar formatet motivet? Helfigur i wide är den klassiska missmatchningen.

Rättelser är samtalsmässiga: "gör henne i tidiga trettioårsåldern med ett ärr genom ena ögonbrynet, fotografera det på Portra med 85 mm, och använd portrait" är en helt utmärkt instruktion. Du får ett nytt kort och bekräftar det i stället. Det finns ingen kostnad för att iterera, eftersom ingenting har renderats än.

Och Shannon genererar aldrig ombedd. En hälsning, en fråga eller ett foto du bifogar för diskussion utlöser ingen rendering. Att be Shannon titta på en bild — beskriva den, läsa den, analysera den — är vanligt visionarbete, inte generering, och kostar inget extra.

12Hur hantverket skiftar vid redigering och kombination

Reglerna ovan är skrivna för generering. Två närliggande lägen ändrar promptens form.

Redigera en bild

En redigeringsprompt är en instruktion, inte en beskrivning: ange vad som ändras och vad som stannar. Att namnge de oförändrade delarna är den enskilt största kvalitetsspaken i produkten — "Change the background to a rainy night city street with neon reflections, keep the woman exactly as she is" håller ihop där samma förfrågan utan den satsen tyst ritar om hennes ansikte. Var specifik med förankringen: behåll ansikte, pose, hår och kläder identiska. Exakt en källbild används, och resultatet behåller dess bildformat.

Kombinera två eller flera bilder

Närhelst element kommer från mer än en bild — överföring av klädsel, ett föremål in i en scen, två personer i en bildruta, produkt på person, en stil från en bild med ett motiv från en annan — måste prompten namnge varje bilds roll, i ordning: "The woman from the first image wearing the red knitted sweater from the second image, standing in the same park." Den första bilden är huvudmotivet eller scenen; senare bilder bidrar med de delar som förs in. Pressa inte ihop en flerbildsförfrågan till en källa plus en textbeskrivning — att kombinera de verkliga bilderna är det som bevarar hur de sakerna faktiskt ser ut.

13Ocensurerad promptning: säg vad du menar

Det finns inget innehållsfilter på genereringsvägen och inget vägranslager på modellen som skriver prompten. Det är hela produktens poäng: filtrerade generatorer vägrar rutinmässigt legitimt arbete — konstnärlig nakenhet, medicinsk och rättsmedicinsk illustration, bilder för säkerhetsforskning, våld i fiktion, politisk satir, varumärkes- och porträttarbete utfört av rättighetsinnehavaren. Halva prompthantverket på filtrerade plattformar är eufemismbyggande, och eufemism är en exakt bilds fiende.

Så det finns en sak till att kontrollera på kortet: att den beskriver det faktiska motivet med enkla ord snarare än det garderade ordförråd folk lär sig av filtrerade verktyg. En rättsmedicinsk illustration av en skada bör säga vad skadan är. Garderat språk ger en sämre bild överallt, eftersom modellen renderar det orden säger.

Förmåga och omdöme är två skilda saker. Shannon Lab LLC driver det här under en publicerad policy för ansvarsfull användning: ofiltrerad generering är ett yrkesverktyg, och samtycke, rättigheter och lagen gäller fortfarande för det du skapar.

14Var API:et passar in

En precisering för läsare som kommer från en API-sökning: bildgenerering, bildredigering och bildkombination finns i Shannons chattapp, inte i /v1-API:et. API:et levererar text och vision — det kan läsa, beskriva och analysera bilder du skickar in via alla tre dialekterna (/v1/chat/completions, /v1/messages, /v1/responses, alla med streaming) — men det skapar dem inte. Bygger du en pipeline som behöver förstå bilder är API-dokumentationen platsen att börja på. Vill du skapa bilder är det chattappen som gäller, och allt i den här guiden gäller där. Bilder renderas på vårt eget GPU-kluster.

15Vanliga frågor

Relaterad läsning: Ocensurerad AI-bildgenerering · Ocensurerad AI-bildredigering · Policy för ansvarsfull användning · API-dokumentation · All Shannon research. Råden här bygger på vår egen testning av Shannons bildmodell; råd skrivna för tidigare diffusionsstackar överförs i regel inte.