Community画像github.com

greenroom

学習したプレイブックからプロダクション品質のAI画像プロンプト(Nano Banana Pro / Google Flow および類似モデル)を作成し、実績のあるプロンプトと画像のペアから新しいパターンを学習します。ユーザーが「私のスタイルで」「他のように」「グリーンルームスタイル」と画像プロンプトを求めたり、プロンプトコーパスの分析・学習・更新を依頼した場合、またはWebサイトやUI向け画像(ヒーロー、デバイスモックアップ、セクション背景、3Dフィーチャーアイコン、カードサムネイル、OG/ソーシャル画像など)を必要とする場合に使用します。「greenroom」や「/greenroom web」でもトリガーされます。

greenroom とは?

Greenroomは、プロンプトがうまく機能した理由を分析し、それをプレイブックとして書き留め、すべての新しいプロンプトをそのプレイブックから生成するという3つのモードで構成されるスキルです。 **主な機能:** - **Learnモード:** ユーザーのプロンプト+画像コーパスを分析し、成功したパターン(構図、照明、品質タグなど)を`references/learned-patterns.md`に抽出・統合してプレイブックを更新します。 - **Generateモード:** 学習済みのプレイブックを基に、要求された被写体やムードに適した新しいプロンプトを生成します。出力はプロンプトテキストのみで、即座に利用可能です。 - **Webモード:** WebサイトやUIアセット(ヒーロー画像、デバイスモックアップ、セクション背景など)に特化したプロンプトを生成します。`references/web-assets.md`のガイドラインに従い、クロマキーグリーンのスクリーンやテキストオーバーレイ用のスペースを確保します。 **対応プラットフォーム:** Claude Code、Cursor などのAIエージェントおよび開発者ツールで使用できるスキルとして設計されています。 **利点:** 分析は一度だけ行い、生成時は毎回プレイブックを参照するため、効率的で一貫性のあるプロンプト生成が可能です。ユーザー独自のスタイルを学習し、再現性の高い画像制作を支援します。

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

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

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

Greenroom: 学習型画像プロンプト生成

Greenroomには、1つのアイデアを中心とした3つのモードがあります。それは、「プロンプトが機能した理由を分析し、プレイブックとして書き留め、そのプレイブックからすべての新しいプロンプトを生成する」というものです。

このスキル内のファイル:

  • references/learned-patterns.md: 抽出されたプロンプトプレイブック(構造、タイポグラフィ、カメラ、照明、ネガティブ、品質タグ)。シードプレイブックが同梱されており、Learnモードでユーザー自身の作品から書き換えられます。
  • references/web-assets.md: WebサイトおよびUI画像向けのプレイブック(クロマキーグリーンのデバイスモックアップ、分離された背景、オーバーレイスペース、配置によるアスペクト比)。
  • corpus/corpus.json: ユーザーのプロンプト+画像コーパス(ユーザーが作成します。corpus/corpus.example.jsonを参照)。画像パスはcorpus/からの相対パスです。

ユーザーがコーパスを別の場所に保存している場合は、その場所を教えてくれますので、そのパスを使用してください。

モード1: Learn(コーパスの分析)

トリガー:ユーザーが新しい例を使って分析、学習、再学習、またはgreenroomの更新を依頼した場合。

  1. コーパスマニフェストを読み取ります。各エントリは、画像パスとそれを生成した正確なプロンプト、およびオプションのメモとタグをペアにしています。マニフェストが存在しない場合は、以下の形式をユーザーに示し、ユーザーが貼り付けた画像とプロンプトからマニフェストを作成するオプションを提供します。
  2. まだ分析されていない各エントリについて(references/learned-patterns.md下部の「分析済みエントリ」リストと比較)、画像(ビジョン)とそのプロンプトを一緒に読み取ります。各ペアについて尋ねます:プロンプトは何を指示し、画像は実際に何を提供したか?どのフレーズが目に見えて効果的だったか(照明用語、構図の指示、スタイルアンカー、品質タグ)?プロンプトが明らかに引き起こした、画像の成功した部分はどこか?モデルがプロンプトから逸脱した箇所はどこか?
  3. references/learned-patterns.mdを更新します:新しい観察結果を既存のセクションにマージし、ログを追加するのではなく、抽出されたプレイブックとしてまとめます。ユーザー自身のコーパスでの最初の学習パスでは、シードの例をユーザーのものに置き換え、その旨をヘッダーに記載します。統合して約300行未満に保ちます。
  4. 分析済みのエントリIDを「分析済みエントリ」リストに追加し、将来の実行でスキップされるようにします。

なぜ永続化するのか:分析は例ごとに一度だけ行われ、生成は毎回パターンを再導出する代わりに抽出されたプレイブックを読み取ります。

モード2: Generate(新しいプロンプトの作成)

トリガー:ユーザーが新しい画像プロンプトを要求した場合:被写体、シーン、「他のように、でもX」、特定のアスペクト比、ムード、またはキャンペーンのニーズ。

  1. references/learned-patterns.mdを読み取ります。
  2. 要求された被写体と設定(アスペクト比、ムード、ターゲットモデル)に適応させて、学習したパターン(構造、フレージングの慣例、照明と構図の語彙、品質タグ)を再結合した新しいプロンプトを作成します。
  3. プレイブックは作業を視覚ファミリー(例:タイポグラフィ主導のポスター、シュールな合成、エディトリアルエフェクトポートレート、スタジオルックブック)にグループ化します。リクエストが示唆するファミリーを一致させます。要求された場合のみファミリーをブレンドします。
  4. プロンプトテキストのみを出力します:1つのブロックで、すぐに貼り付け可能、説明やヘッダー、コメントは不要です。重要な設定が本当に曖昧な場合(アスペクト比が使用に重要で、かつ指定されていない場合)、最初に短い質問を1つ行い、その後プロンプトのみを出力します。

プレイブックヘッダーがまだシードプレイブックであることを示している場合、生成は機能しますが、ユーザー自身のプロンプトでLearnを実行するとルックが調整されることを一度だけ伝えます。

モード3: Web(WebサイトおよびUIアセット用プロンプト)

トリガー:ユーザーがWebサイトまたはWebコンポーネント(ヒーロー、モックアップ、背景、セクションビジュアル、アイコンセット、サムネイル、OG画像)用の画像を希望する場合、サイトまたはページに言及する場合、または「greenroom web」と言った場合。

  1. 最初にreferences/web-assets.mdを読み取り、次にフレージングと品質語彙のためにreferences/learned-patterns.mdを読み取ります。Webプレイブックは、両者が矛盾する場合に優先されます:アイデンティティロックなし、埋め込みテキストなし、クロマキーグリーンの画面、分離された背景。
  2. ユーザーが特定のアセットを指定した場合(「ダークサイト用のノートパソコンと電話のヒーローモックアップ」)、プレイブックのWebデフォルトでギャップを埋め、すぐにプロンプトに進みます。
  3. リクエストがオープンな場合(「greenroom web」、「サイト用の画像が必要」)、最大4つの質問を1ラウンド行い、リクエストが回答しなかったもののみを質問します(利用可能な場合はAskUserQuestionツールを使用):
    • アセット:ヒーローデバイスモックアップ / マルチデバイスセット / 手持ち電話 / セクション背景 / フィーチャーアイコン / 抽象ヒーロー / ソーシャル画像(アセットメニューを参照)
    • サイト背景:ダーク(ピュアブラック)/ ライト(ピュアホワイト)/ ブランドカラー(16進数)
    • 配置:全幅ヒーロー / スプリットハーフ / セクションまたはカード / モバイル
    • 参考:一致させる以前のレンダリングはあるか(添付する)、またはこれが新しいシリーズの最初か?
  4. プレイブックの構造からプロンプトを作成します。配置からアスペクト比を、サイトから背景を取り、テキストオーバーレイ用の空き側を指定します。参照レンダリングが添付される場合は、「(参照画像)を…のみに使用。正確に一致させる。」の行を追加します。
  5. ユーザーが1つのサイトに対して複数のアセットを要求した場合、アセットごとに1つのプロンプトを出力し、それぞれを1行のラベルを上に付けた独自のブロックにします(プロンプトのみ出力の唯一の例外)。最初のものがシリーズのアンカーとなり、残りはそれが参照として添付されていることを前提とします。
  6. それ以外の場合は、モード2と同様にプロンプトのみを出力します。

Webプロンプトがユーザーが満足する結果を生成した場合、それをコーパスに追加してLearnモードで研究できるようにするオプションを提供します。

コーパスマニフェスト形式

corpus/corpus.jsonはJSON配列です。imageとpromptのみ必須です:

[
  {
    "id": "poster-01",
    "image": "posters/poster-01.jpeg",
    "prompt": "画像ツールから貼り付けた正確なプロンプトテキスト",
    "notes": "オプション:この結果で気に入った点",
    "tags": ["オプション", "エディトリアル", "モノクロ"]
  }
]

新しいバッチを追加する場合、ユーザーはエントリを追加します。Learnモードは未分析のもののみを取得します。

関連スキル