CommunityImagegithub.com

greenroom

Rédigez des prompts d'image IA prêts pour la production (Nano Banana Pro / Google Flow et modèles similaires) à partir d'un playbook appris, et découvrez de nouveaux motifs à partir de vos propres paires prompt+image validées.

Qu'est-ce que greenroom ?

Greenroom est une compétence spécialisée pour les agents IA (comme Claude Code, Cursor, Codex) qui aide à générer des prompts d'image de qualité production en apprenant des motifs efficaces à partir d'un corpus personnel de l'utilisateur. Elle fonctionne en trois modes : Apprendre (Learn) analyse les paires prompt+image existantes pour en extraire des motifs et les consolider dans un playbook, Générer (Generate) crée de nouveaux prompts en recombinant ces motifs appris pour tout sujet ou configuration, et Web produit des prompts spécifiques aux assets de sites web (maquettes d'appareils, arrière-plans, icônes, images sociales). La compétence persiste les motifs appris dans un fichier markdown et un fichier JSON de corpus, ce qui évite de réanalyser chaque exemple à chaque fois. Elle est particulièrement utile pour les designers, développeurs et créateurs de contenu qui souhaitent maintenir une cohérence visuelle et un style personnel dans leurs images générées par IA.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/BetzalelTusk/greenroom/tree/main

Installed? Explore more Image skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Greenroom : génération de prompts d'image apprise

Greenroom possède trois modes basés sur une idée centrale : analyser ce qui a rendu un prompt efficace une fois, l'écrire dans un playbook, et générer chaque nouveau prompt à partir de ce playbook.

Fichiers inclus dans cette compétence :

  • references/learned-patterns.md : le playbook de prompts distillé (structures, typographie, caméra, éclairage, négatifs, tags de qualité). Livré avec un playbook initial ; le mode Apprendre le réécrit à partir du travail de l'utilisateur.
  • references/web-assets.md : le playbook pour les images de site web et d'interface utilisateur (maquettes d'appareils sur fond vert chroma, arrière-plans isolés, espace de superposition, ratios d'aspect par emplacement).
  • corpus/corpus.json : le corpus de paires prompt+image de l'utilisateur (créé par l'utilisateur ; voir corpus/corpus.example.json). Les chemins d'image y sont relatifs à corpus/.

Si l'utilisateur conserve son corpus ailleurs, il le précisera ; utilisez ce chemin.

Mode 1 : Apprendre (analyser le corpus)

Déclencheur : l'utilisateur demande d'analyser, d'apprendre, de réapprendre ou de mettre à jour greenroom avec de nouveaux exemples.

  1. Lisez le manifeste du corpus. Chaque entrée associe un chemin d'image au prompt exact qui l'a produite, ainsi que des notes et des tags optionnels. Si aucun manifeste n'existe, montrez à l'utilisateur le format ci-dessous et proposez d'en créer un à partir des images et des prompts qu'il colle.
  2. Pour chaque entrée non encore analysée (comparez avec la liste « Entrées analysées » en bas de references/learned-patterns.md), lisez l'image (vision) avec son prompt. Demandez pour chaque paire : qu'a dit le prompt et qu'a réellement produit l'image ? Quelles phrases ont eu un poids visible (termes d'éclairage, directives de composition, ancrages stylistiques, tags de qualité) ? Quelles parties de l'image ont réussi clairement grâce au prompt ? Où le modèle s'est-il éloigné du prompt ?
  3. Mettez à jour references/learned-patterns.md : fusionnez les nouvelles observations dans les sections existantes plutôt que d'ajouter un journal. C'est un playbook distillé, pas un journal intime. Lors du premier passage d'apprentissage sur le propre corpus de l'utilisateur, remplacez les exemples de base par les siens et mentionnez-le dans l'en-tête. Gardez-le sous environ 300 lignes en consolidant.
  4. Ajoutez les identifiants des entrées analysées à la liste « Entrées analysées » pour que les futurs passages les ignorent.

Pourquoi persister : l'analyse a lieu une fois par exemple, et la génération lit le playbook distillé au lieu de redériver les motifs à chaque fois.

Mode 2 : Générer (créer un nouveau prompt)

Déclencheur : l'utilisateur demande un nouveau prompt d'image : un sujet, une scène, « comme mes autres mais X », un ratio d'aspect spécifique, une ambiance ou un besoin de campagne.

  1. Lisez references/learned-patterns.md.
  2. Composez un nouveau prompt qui recombine les motifs appris (structure, conventions de formulation, vocabulaire d'éclairage et de composition, tags de qualité), adapté au sujet et à la configuration demandée (ratio d'aspect, ambiance, modèle cible).
  3. Le playbook regroupe les travaux en familles visuelles (par exemple affiches avec typographie, composites surréalistes, portraits éditoriaux à effet, lookbooks de studio). Associez la famille que la demande implique ; mélangez les familles uniquement si demandé.
  4. Affichez uniquement le texte du prompt : un bloc unique prêt à être collé, sans justification, sans en-têtes, sans commentaire. Si un paramètre clé est réellement ambigu (le ratio d'aspect compte pour l'utilisation et n'a pas été donné), posez d'abord une courte question, puis affichez uniquement le prompt.

Si l'en-tête du playbook indique encore qu'il s'agit du playbook initial, la génération fonctionne, mais mentionnez une fois qu'exécuter le mode Apprendre sur les propres prompts de l'utilisateur l'adaptera à son style.

Mode 3 : Web (prompts pour assets de site web et d'interface)

Déclencheur : l'utilisateur souhaite une image pour un site web ou un composant web (hero, maquette, arrière-plan, visuel de section, jeu d'icônes, vignette de carte, image OG), mentionne un site ou une page, ou dit « greenroom web ».

  1. Lisez d'abord references/web-assets.md, puis references/learned-patterns.md pour le vocabulaire de formulation et de qualité. Le playbook web l'emporte en cas de désaccord : pas de verrouillage d'identité, pas de texte incrusté, écrans vert chroma, arrière-plans isolés.
  2. Si l'utilisateur a nommé un asset spécifique (« une maquette hero avec un ordinateur portable et un téléphone pour un site sombre »), comblez les lacunes avec les valeurs par défaut du playbook web et allez directement au prompt.
  3. Si la demande est ouverte (« greenroom web », « j'ai besoin d'images pour mon site »), posez un tour de jusqu'à 4 questions, uniquement celles auxquelles la demande n'a pas répondu (utilisez l'outil AskUserQuestion si disponible) :
    • Asset : maquette d'appareil hero / ensemble multi-appareils / téléphone tenu / arrière-plan de section / icônes de fonctionnalités / hero abstrait / image sociale (voir le menu des assets)
    • Fond du site : sombre (noir pur) / clair (blanc pur) / une couleur de marque (hexadécimale)
    • Emplacement : hero pleine largeur / moitié partagée / section ou carte / mobile
    • Référence : y a-t-il un rendu précédent à égaler (joignez-le), ou est-ce le premier d'une nouvelle série ?
  4. Composez le prompt à partir de la structure du playbook. Prenez le ratio d'aspect de l'emplacement, l'arrière-plan du site, et nommez le côté vide pour la superposition de texte. Lorsqu'un rendu de référence sera joint, ajoutez la ligne « Utilisez (IMAGE DE RÉFÉRENCE) pour … uniquement. Égalisez-la exactement. »
  5. Si l'utilisateur demande plusieurs assets pour un même site, affichez un prompt par asset, chacun dans son propre bloc avec une étiquette d'une ligne au-dessus (la seule exception à la sortie de prompt uniquement). Le premier est l'ancre de la série ; les suivants supposent qu'il est joint comme référence.
  6. Sinon, affichez uniquement le prompt, comme dans le mode 2.

Si un prompt web donne un résultat que l'utilisateur apprécie, proposez de l'ajouter au corpus pour que le mode Apprendre puisse l'étudier.

Format du manifeste du corpus

corpus/corpus.json est un tableau JSON. Seuls image et prompt sont obligatoires :

[
  {
    "id": "poster-01",
    "image": "posters/poster-01.jpeg",
    "prompt": "le texte exact du prompt collé depuis votre outil d'image",
    "notes": "optionnel : ce que vous avez aimé dans ce résultat",
    "tags": ["optionnel", "éditorial", "monochrome"]
  }
]

Lors de l'ajout de nouveaux lots, l'utilisateur ajoute des entrées ; le mode Apprendre ne prend que celles non encore analysées.

Skills associés