Greenroom: gelernte Bild-Prompt-Generierung
Greenroom hat drei Modi, die auf einer Idee aufbauen: zu analysieren, was einen Prompt erfolgreich gemacht hat, es als Playbook aufzuschreiben und jeden neuen Prompt aus diesem Playbook zu generieren.
Dateien innerhalb dieses Skills:
references/learned-patterns.md: das destillierte Prompt-Playbook (Strukturen, Typografie, Kamera, Beleuchtung, Negative, Qualitäts-Tags). Wird mit einem Start-Playbook ausgeliefert; der Lernmodus überschreibt es mit der Arbeit des Benutzers.references/web-assets.md: das Playbook für Website- und UI-Bilder (Chromagrün- Geräte-Mockups, isolierte Hintergründe, Überlagerungsraum, Seitenverhältnisse nach Platzierung).corpus/corpus.json: das Prompt+Bild-Korpus des Benutzers (vom Benutzer erstellt; siehecorpus/corpus.example.json). Bildpfade darin sind relativ zucorpus/.
Wenn der Benutzer sein Korpus woanders aufbewahrt, wird er das sagen; verwende diesen Pfad.
Modus 1: Lernen (Korpus analysieren)
Auslöser: Der Benutzer bittet darum, greenroom mit neuen Beispielen zu analysieren, neu zu lernen oder zu aktualisieren.
- Lese das Korpus-Manifest. Jeder Eintrag paart einen Bildpfad mit dem genauen Prompt, der es erzeugt hat, plus optionale Notizen und Tags. Wenn kein Manifest existiert, zeige dem Benutzer das untenstehende Format und biete an, eines aus Bildern und Prompts, die er einfügt, zu erstellen.
- Für jeden noch nicht analysierten Eintrag (verglichen mit der Liste „Analysierte Einträge“ am Ende
von
references/learned-patterns.md), lies das Bild (Vision) zusammen mit seinem Prompt. Frage bei jedem Paar: Was hat der Prompt gesagt, und was hat das Bild tatsächlich geliefert? Welche Phrasen haben sichtbares Gewicht getragen (Beleuchtungsbegriffe, Kompositions- anweisungen, Stilanker, Qualitäts-Tags)? Welche Teile des Bildes waren erfolgreich, die der Prompt eindeutig verursacht hat? Wo ist das Modell vom Prompt abgewichen? - Aktualisiere
references/learned-patterns.md: füge neue Beobachtungen in die vorhandenen Abschnitte ein, anstatt ein Protokoll anzuhängen. Es ist ein destilliertes Playbook, kein Tagebuch. Beim ersten Lerndurchlauf über ein eigenes Korpus des Benutzers ersetze die Beispiele des Start-Playbooks durch seine und vermerke dies in der Kopfzeile. Halte es unter ~300 Zeilen, indem du konsolidierst. - Füge die IDs der analysierten Einträge zur Liste „Analysierte Einträge“ hinzu, damit zukünftige Durchläufe sie überspringen.
Warum persistieren: Die Analyse erfolgt einmal pro Beispiel, und die Generierung liest das destillierte Playbook, anstatt jedes Mal Muster neu abzuleiten.
Modus 2: Generieren (einen neuen Prompt erstellen)
Auslöser: Der Benutzer fragt nach einem neuen Bild-Prompt: einem Motiv, einer Szene, „wie meine anderen aber X“, einem bestimmten Seitenverhältnis, einer Stimmung oder einem Kampagnenbedarf.
- Lese
references/learned-patterns.md. - Erstelle einen neuen Prompt, der die gelernten Muster neu kombiniert (Struktur, Formulierungs- konventionen, Beleuchtungs- und Kompositionsvokabular, Qualitäts-Tags), angepasst an das angefragte Motiv und die Konfiguration (Seitenverhältnis, Stimmung, Zielmodell).
- Das Playbook gruppiert Arbeiten in visuelle Familien (z. B. typografiegeführte Poster, surreale Komposite, redaktionelle Effektporträts, Studio-Lookbooks). Ordne die Familie zu, die die Anfrage impliziert; mische Familien nur, wenn darum gebeten wird.
- Gib nur den Prompt-Text aus: einen einzelnen, bereit zum Einfügen Block, keine Begründung, keine Überschriften, kein Kommentar. Wenn eine wichtige Einstellung wirklich mehrdeutig ist (das Seitenverhältnis ist für die Verwendung wichtig und wurde nicht angegeben), stelle zuerst eine kurze Frage, dann gib nur den Prompt aus.
Wenn die Playbook-Kopfzeile immer noch besagt, dass es das Start-Playbook ist, funktioniert die Generierung, aber erwähne einmal, dass das Ausführen von Lernen mit den eigenen Prompts des Benutzers es an seinen Look anpassen wird.
Modus 3: Web (Prompts für Website- und UI-Assets)
Auslöser: Der Benutzer wünscht ein Bild für eine Website oder Webkomponente (Hero, Mockup, Hintergrund, Abschnittsvisual, Icon-Set, Thumbnail, OG-Bild), erwähnt eine Website oder Seite oder sagt „greenroom web“.
- Lese zuerst
references/web-assets.md, dannreferences/learned-patterns.mdfür Formulierung und Qualitätsvokabular. Das Web-Playbook gewinnt, wo sie sich widersprechen: kein Identitäts-Lock, kein eingebackener Text, Chromagrün-Bildschirme, isolierte Hintergründe. - Wenn der Benutzer ein bestimmtes Asset genannt hat („ein Hero-Mockup mit Laptop und Telefon für eine dunkle Website“), fülle Lücken mit den Web-Standardwerten des Playbooks und gehe direkt zum Prompt.
- Wenn die Anfrage offen ist („greenroom web“, „Ich brauche Bilder für meine Website“), stelle eine
Runde mit bis zu 4 Fragen, nur die, die die Anfrage nicht beantwortet hat (verwende das
AskUserQuestion-Tool, wo verfügbar):
- Asset: Hero-Gerätemockup / Multi-Geräte-Set / gehaltenes Telefon / Abschnittshintergrund / Feature-Icons / abstraktes Hero / Social-Media-Bild (siehe das Asset-Menü)
- Seitenhintergrund: dunkel (reines Schwarz) / hell (reines Weiß) / eine Markenfarbe (hex)
- Platzierung: vollbreite Hero / geteilte Hälfte / Abschnitt oder Karte / mobil
- Referenz: gibt es ein früheres Bild, das dazu passen soll (es anhängen), oder ist dies das erste in einer neuen Serie?
- Erstelle den Prompt aus der Struktur des Playbooks. Nimm das Seitenverhältnis von der Platzierung, den Hintergrund von der Website und benenne die leere Seite für die Text- Überlagerung. Wenn ein Referenzbild angehängt wird, füge die „Verwende (REFERENZBILD) für … nur. Stimme es genau ab.“-Zeile hinzu.
- Wenn der Benutzer nach mehreren Assets für eine Website fragt, gib einen Prompt pro Asset aus, jeweils in einem eigenen Block mit einer einzeiligen Markierung darüber (die einzige Ausnahme zur reinen Prompt-Ausgabe). Das erste ist der Serienanker; der Rest setzt voraus, dass es als Referenz angehängt ist.
- Ansonsten gib nur den Prompt aus, wie in Modus 2.
Wenn ein Web-Prompt ein Ergebnis liefert, mit dem der Benutzer zufrieden ist, biete an, es zum Korpus hinzuzufügen, damit der Lernmodus es studieren kann.
Korpus-Manifest-Format
corpus/corpus.json ist ein JSON-Array. Nur image und prompt sind erforderlich:
[
{
"id": "poster-01",
"image": "posters/poster-01.jpeg",
"prompt": "der genaue Prompt-Text, eingefügt aus deinem Bild-Tool",
"notes": "optional: was dir an diesem Ergebnis gefallen hat",
"tags": ["optional", "redaktionell", "monochrom"]
}
]
Wenn neue Batches hinzugefügt werden, hängt der Benutzer Einträge an; der Lernmodus nimmt nur die nicht analysierten auf.