Communitygithub.com

grounding-visual-prompts (Referenz-Performance in Prompt umsetz…

Verwendet bei der Interpretation von Referenz-GIFs, Clips oder Standbildern, um eine Referenz-Performance auf neue Charaktere zu übertragen oder um Bild-/Video-Generierungen zu diagnostizieren, die Aktion, Absicht, Timing, Identität oder Kontinuität vermissen lassen.

Was ist grounding-visual-prompts (Referenz-Performance in Prompt umsetz…?

Dieses Skill hilft Entwicklern und KI-Agenten-Nutzern, visuelles Referenzmaterial (GIFs, Clips, Standbilder) systematisch zu analysieren und in präzise Generierungs-Prompts für KI-Modelle zu übersetzen. Es unterstützt die Fehlerdiagnose bei fehlgeschlagenen Generierungen, indem es Abweichungen auf den Ebenen Handlungsverständnis, Referenzmaterial, Prompt, Modellausführung oder Schnitt identifiziert. Das Skill definiert eine klare Arbeitsabfolge: (1) Zuordnung der Quellen (originale Aufnahmen vs. alte Ergebnisse), (2) kritische Hinterfragung der eigenen Interpretation durch Benennung von Ambiguitäten und alternativen Lesarten, (3) Definition der abnahmefähigen Aktionen vor der Materialauswahl, (4) Prompt-Erstellung und finale Qualitätskontrolle. Plattformübergreifend nutzbar (z.B. Claude Code, Cursor, Codex), legt es Wert auf konsistente Charakterdarstellung, physikalisch korrekte Interaktionen und die Trennung zwischen sichtbaren Fakten, interpretierten Schlüssen und kreativen Anpassungen durch den Nutzer. Entscheidende Verifikationspunkte sind die zeitliche Abfolge, Blickrichtungen, Reaktionsketten und der Zustand von Requisiten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/alexkwok213/grounding-visual-prompts/tree/HEAD

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Von Referenzaufnahmen zu Generierungs-Prompts

Zuerst muss verstanden werden, was der Betrachter erkennen soll. Erst dann wird entschieden, ob die Bewegung, das Referenzbild, die Generierungsparameter oder der Schnitt angepasst werden müssen. Wenn der Nutzer nur fragt „Hast du es verstanden?“ oder „Was ist anders?“, dann liefere eine Bildanalyse oder einen Vergleich und beende die Aufgabe hier. Das Schreiben von Prompts, das Vorbereiten von Anfragen oder das Bezahlen von Testläufen sind unterschiedliche Aufgaben.

1. Zuerst das Original ansehen, dann die alten Ergebnisse prüfen

Identifiziere die originalen Bildschirmaufnahmen, bereinigten Endlosschleifen, Charakterbilder, alten Generierungen und alten Prompts. Sieh dir die originale, vollständige Bewegung zuerst in Originalgeschwindigkeit an. Notiere eine erste Interpretation. Vergleiche dann mit Dateinamen, alten Prompts und fehlgeschlagenen Mustern. Dateiname, Modell-Selbstauskunft oder Erklärungen eines vorherigen Assistenten alleine beweisen noch keine Handlung.

Wenn Werkzeuge verfügbar sind, ermittle Maße, Bildrate, Dauer und Tonspur. Bei kurzen GIFs starte mit 8 fps, um den Takt zu finden; für entscheidende Momente wie Zusammenstöße, Handwechsel, Blickwechsel oder fliegende Karten wechsle zur Original-Bildrate und betrachte Einzelbilder vor, während und nach dem Kontakt – auch vergrößerte Bereiche zur Abdeckung von Überschneidungen. Prüfe die ersten und letzten drei Bilder an den Loop-Grenzen; falls die Aufnahme mitten in der Aktion beginnt, suche in der vollständigen Aufnahme nach einer kompletten, zusammenhängenden Darbietung. Ein Rücksprung zum Anfang ist nicht die zweite Aktion. Entferne Verschmutzungen wie UI-Elemente oder weiße Frames, überprüfe erneut und verwende dann als Bewegungsreferenz. Das Original bleibt erhalten. Wenn nur Standbilder oder Thumbnails sichtbar sind, gib klar an, was überprüft werden kann und welche Bewegung fehlt; Verdeckungen und fehlende Frames werden nicht durch Interpolation oder mehrfache Vergrößerung zu Beweisen.

2. Stelle die eigene Interpretation einmal infrage

Formuliere zuerst einen Satz: Wer versucht was zu tun, was passiert tatsächlich, an welchem Bild versteht der Betrachter es? Bei Charakter-Austauschszenen frage zusätzlich: Würde der Betrachter, wenn man einen echten Menschen zurücksetzt, welche Darbietung erkennen? Achte auf Abweichungen zwischen Erwartung und Ergebnis, auf zweiseitige Interaktionen, die als einseitige Aktionen gelesen werden, auf Tanzschritte, die als Handbewegungen interpretiert werden, und auf Wendepunkte, die erst in den letzten Bildern auftreten. Aufnahmen ohne diese Struktur werden nach dem tatsächlichen Inhalt beschrieben.

Kennzeichne getrennt: Auf dem Bild sichtbar, Interpretation und Begründung, vom Nutzer bestätigte kreative Absicht, diesmal hinzugefügte Anpassungen. Wenn der Nutzer die ursprüngliche Absicht klar erklärt hat, orientiere dich daran für die Nachbildung; Teile des Originals, die nicht klar erkennbar sind, bleiben mit Quellenangabe. Bereits bestätigte Charaktere, Aktionen und Anpassungen bleiben in späteren Revisionen gültig, bis der Nutzer sie ändert.

Bei Ambiguitäten, die die Darbietung verändern, finde eine plausible alternative Lesart. Zeige auf, welche Pfote, welches Requisit oder welcher Bildschlag sich durch die beiden Lesarten unterscheidet. Unterscheide anhand der Vorbereitung vor der Aktion, der Kontaktposition, der Reaktionen beider Seiten und der Konsequenzen für das Requisit. Wenn die Beweise ausreichen, gib direkt die Entscheidung und Begründung. Wenn immer noch zwei unterschiedliche Inszenierungen möglich sind, halte an und weise den Nutzer auf das konkrete Risiko hin. Frage nur die eine Frage, die die Entscheidung herbeiführen kann. Rate nicht weiter und erstelle keine „direkt einreichbaren“ Anfragen, während du rätst. Bereits in derselben Phase geklärte Einstellungen können weiter analysiert werden. Erzeuge keine Ambiguität nur, um etwas zu haben.

Beispiel für eine Nutzeranfrage: In dem Bild am Eingang überlappen sich die Pfote der schwarz-weißen Katze, der Stab und der Bauch der orangen Katze. Der vorhandene Prompt sagt, der Stab federt zurück, aber ich kann das Zurückfedern nicht erkennen. Wenn der eigentliche Witz ist, dass der Stab anvisiert wird, aber danebengeht, muss zuerst der Stab getroffen werden, bevor die Faust auf dem Bauch landet. Welche Variante möchtest du umsetzen? Wenn der Nutzer bereits erklärt hat „Ziel Stab, Treffer Bauch“, übernimm das direkt und verwerfe den alten Prompt „Stab federt zurück“.

3. Abnahmefähige Aktionen festlegen, dann Material auswählen

Bei mehreren Einstellungen erstelle eine kurze Tabelle; bei einer einzelnen Einstellung reichen zwei bis drei Sätze mit denselben Informationen:

| Einstellung | Sichtbare Aktion und Zeitpunkt | Nutzerabsicht oder begründete Lesart | Im stummen Modus notwendiger Moment | Ambiguität oder Materialkonflikt, der den Bildschlag ändert | |---|---|---|---|

Bei komplexen Aktionen liste zusätzlich taktweise auf: Auslöser und Gegner, Ausgangsposition, Kontaktziel, Reaktion und Blickkontakt, Zustand am Ende der Aktion. Richtungen mit links/rechts im Bild; nur bei Bedarf anatomische Seiten des Charakters. Überprüfe, ob Krafteinwirkung, Flugrichtung von Objekten und abschließende Blickrichtung physikalisch konsistent sind. Blickkontakt, Rückstoß, bewusste Pausen richten sich nach der tatsächlichen Darbietung. Verfolge Schlüsselrequisiten von Anfangshalter über Kontakt bis Endposition; bei Verlassen des Bildes oder Verdeckung gib den zuletzt sichtbaren Zustand an. Zum Beispiel: Eine Schale muss stabil gehalten werden, während eine Reihe Mahjong-Steine genau von ordentlich zu fliegend übergehen soll. Eine allgemeine Regel ersetzt nicht den Beweis für diese spezifische Darbietung.

Weise jedem Material eine Aufgabe zu: Charakteräußeres, Szene und Kameraposition, Ausgangszustand oder Bewegungstakt. Prüfe das Bild selbst: Zeigt es die Spannung vor der Aktion oder das Ergebnis? Sind Gesicht, Pfote, Ziel und Umstehende im selben Bild und groß genug? Wenn ein vollständiger Tanzschritt benötigt wird, lass die Füße sichtbar; bei einer Schreckreaktion lass Schultern und Gesicht sichtbar. Prüfe zuerst, ob du näher heranzoomen, ein bereits vorhandenes Bild nutzen oder ein Einzelbild kurz vor der korrekten Aktion extrahieren kannst. Erstelle erst dann ein neues Bild, wenn die räumliche Beziehung oder Pose im ersten Bild grundlegend falsch ist. Erkläre dem Nutzer den wichtigsten Risikofaktor und die Korrekturmethode, z. B. „Das erste Bild zeigt bereits Kontakt mit dem Kopf; dem Modell fehlt der Bildschlag des Hebens.“

Überprüfe vor dem Aufruf des Modells anhand des verwendeten Modells und der Zugangsmethode: Materialien, Charaktere, kompatible Modi, Abmessungen, Dauer und Bildformat. Gleiche die Upload-Aufzeichnungen mit dem ausgewählten Clip und der zugeschnittenen Version ab; falls ein lokaler Zusammenfassung oder eine eindeutige Aufzeichnung die Übereinstimmung belegt und der Dienst die Datei noch akzeptiert, kann sie wiederverwendet werden. Lade nur neu hoch, wenn die Quelle nicht bestätigt werden kann. Blockaden beschränken sich auf die betroffenen Einstellungen und Operationen. Gib niemals an, dass falsche Charaktere, alte Zuschnitte oder unbestätigte Parameterkombinationen bereits einreichbar seien.

4. Prompt schreiben und Generierung prüfen

Beschreibe die Aktionen in chronologischer Reihenfolge. Stelle klar, welches Charakterbild für wen verantwortlich ist und welches Video welche Bewegung liefert. Ersetze „sehr lustig“ durch sichtbare Performance. Startbild, Zwischenaktion und Endzustand müssen kompatibel sein. Requisiten bleiben stabil, verlassen die Hand oder fliegen auseinander – schreibe es korrekt. Für Stabilität beschreibe positiv, wie etwas gehalten oder stabilisiert wird; vermeide „nicht zittern / nicht wackeln“, um ungewolltes Zittern zu vermeiden. Schnitte, Zeitstempel und andere Verneinungen behandle nach den Richtlinien des Zielmodells. Bei kurzen Materialien, die die Mindestgenerierungsdauer unterschreiten, priorisiere die Aktion in Originalgeschwindigkeit zu Ende und lasse überschüssige Länge zum Schneiden; zusätzliche Einleitung, Sound oder Endreaktion sind Anpassungen. Bei stummen Materialien beweisen Lippenbewegungen keine Originallautstärke. Neu hinzugefügte, autorisierte Vlog-Umstehende, Übergänge oder Töne können geschrieben werden, kennzeichne aber ihre narrative Funktion.

Prüfe das fertige Video zuerst stumm in Originalgeschwindigkeit: Kann der Betrachter ohne Untertitel oder Voiceover Vorbereitung und Ergebnis erkennen? Untertitel und Sprachausgabe sind nur das i-Tüpfelchen, nachdem die Aktion funktioniert; sie dürfen nicht verwendet werden, um unverständliche Performance zu übertünchen. Gleiche Bild für Bild die vereinbarten Momente ab; überprüfe schnelle Kontakte mit der Original-Bildrate, niedrige Bildraten nur zur Indexierung. Prüfe auch Fellmuster, Proportionen des Hauptsubjekts, Requisiten und Blickrichtung; schalte den Ton nur bei Audioanforderungen zu. Melde getrennt: erfolgreich, Abweichungen, bildlich nicht überprüfbare Teile. Erfolgreiche Dekodierung oder Modellrückmeldung belegt nur die Dateiverwendbarkeit.

Bei Nacharbeit weise zuerst auf die Ebene hin, auf der die Abweichung zuerst auftritt: Handlungsverständnis, Referenzmaterial, Prompt, Modellausführung oder Schnitt. Bei falscher Handlung korrigiere zuerst die Lesart und betroffene nachgelagerte Inhalte; bei falscher Startpose korrigiere zuerst das Bild; bei korrekter Aktion, die zu lange stehen bleibt, probiere zuerst einen Schnitt. Auch wenn der Kunde nur ein oder zwei Fehler nennt, überprüfe in derselben Einstellung auch Richtung, Blick, Requisiten und Dateiquellen aller Uploads, um nicht durch Flicken-Prompts unentdeckte harte Fehler zu hinterlassen. Beim Modellvergleich halte andere Bedingungen so konstant wie möglich und teste zuerst die eine Bedingung, die die beiden Interpretationen am besten unterscheidet. Verwende bei lokalen Änderungen die bereits bestätigten Aufzeichnungen und überprüfe die verbundenen Bildschläge erneut; wenn das Original oder die Kernabsicht geändert wurde, lies die gesamte Sequenz neu.

Zwei Beispiele zur Überprüfung der Lesartqualität

  • Pfote vor Spiegel: „Rechte Pfote ausstrecken, linke Pfote ausstrecken“ kann sowohl eine Standpauke als auch einen Tanz erzeugen. Wenn der Ersteller bestätigt hat, dass es ein sinnlicher Tanz sein soll, muss die Abnahme Schultern, Hüfte, Kopf und Pfoten im selben Takt sehen – mindestens einen vollständigen Satz hin und zurück. Wechselnde Pfotenheben mit aufrechtem Körper zählt immer noch als fehlende Performance.
  • Mahjong: Der Ersteller möchte: gute Karte ziehen, beide Pfoten aufgeregt drücken, gesamte Reihe fliegt hoch. Wenn die weiße Katze eine Karte ausspielt und dann zur orangen Katze hinter ihr schaut, ist die Hauptaktion selbst bei korrekten Charakteren, Tisch und Kameraposition fehlgeschlagen. Wenn nur das Fragment vor dem Drücken vorliegt, wird „fast gewonnen“ als bestätigte Absicht des Erstellers vermerkt; das Abheben der Steine wird als separater Ziel-Endzustand verifiziert.

Verwandte Skills