Communitygithub.com

grounding-visual-prompts

Use ao interpretar GIFs de referência, clipes ou imagens estáticas, adaptar uma performance de referência para novos personagens, ou diagnosticar gerações de imagem/vídeo que perdem a ação, intenção, timing, identidade ou continuidade.

O que é grounding-visual-prompts?

Esta habilidade capacita o usuário a analisar criticamente referências visuais (GIFs, clipes, imagens) para extrair e traduzir performances em prompts de geração de imagem/vídeo precisos. Ela enfatiza a validação rigorosa: primeiro, examinar o material original em sua totalidade, distinguindo entre observações factuais e interpretações, e questionar a própria leitura para evitar ambiguidades. O processo envolve documentar ações visíveis, intenções do criador e adaptações, além de identificar conflitos que possam alterar a performance. A habilidade fornece um framework detalhado para descrever ações, escolher materiais de referência (como poses de personagens e configurações de cena) e escrever prompts que capturem o timing e a interação física corretos. Ela suporta múltiplas plataformas de agentes de IA para geração de imagem/vídeo, focando em garantir que o resultado final corresponda à intenção original da performance, evitando armadilhas comuns como descrições vagas ou prompts negativos que podem gerar resultados indesejados. O fluxo de trabalho inclui verificação pós-geração, diagnóstico de erros e iteração com base em evidências visuais.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Da Referência Visual ao Prompt de Geração

Primeiro, entenda o que o público deve compreender, depois decida se é necessário alterar a ação, a imagem de referência, os parâmetros de geração ou a edição. Quando o usuário apenas perguntar "Entendeu?" ou "O que é diferente?", entregue a análise da imagem ou a comparação, e pare por aqui. Escrever prompts, preparar requisições, pagar por testes de geração são tarefas diferentes.

1. Primeiro, examine o original, depois a resposta anterior

Identifique qual é a gravação de tela original, o loop limpo, a imagem do personagem, a geração antiga e o prompt antigo. Primeiro, assista à ação completa do original na velocidade normal, anote uma leitura inicial, depois compare com os nomes dos arquivos, prompts antigos e amostras com falha. Nomes de arquivos, auto-descrições do modelo ou explicações de assistentes anteriores não podem provar a história sozinhos.

Com ferramentas, detecte dimensões, taxa de quadros, duração e faixas de áudio. GIFs curtos podem usar 8 fps como ponto de partida para localizar o ritmo; para momentos decisivos como colisões, trocas de mão, olhares ou cartas voando, volte à taxa de quadros original e examine quadro a quadro o antes, o contato e o depois, ampliando áreas obstruídas. Verifique os três primeiros e últimos quadros dos limites do loop; se a gravação começar no meio de uma ação, primeiro encontre uma performance contínua completa na gravação original. Voltar ao início não é uma segunda ação. Corte poluição como elementos de interface ou quadros brancos, reavalie e use como referência de movimento. Mantenha o original. Quando apenas quadros estáticos ou miniaturas estão disponíveis, especifique claramente o que pode ser verificado e qual batida está faltando; obstrução e quadros faltantes não se tornam evidência por meio de interpolação ou ampliação repetida.

2. Questione sua própria leitura uma vez

Primeiro, diga em uma frase: quem quer fazer o quê, o que realmente acontece, e em qual batida o público entende. Em substituições de personagem, pergunte novamente: se trocarmos por um ator real, que performance o público reconheceria? Preste atenção a: expectativa versus resultado deslocados, interação bidirecional lida como ação unidirecional, passos de dança lidos como gestos de mão, e reviravoltas que ocorrem apenas nos últimos quadros. Descreva tomadas sem essas estruturas pelo conteúdo real.

Marque separadamente: o que é visível na imagem, interpretação e base, intenção criativa já confirmada pelo usuário, e adaptações adicionadas nesta iteração. Quando o usuário explicar claramente a intenção original, siga-a para orientar a recriação; partes não filmadas claramente no original ainda devem ter a fonte marcada. Personagens, ações e adaptações previamente confirmados permanecem válidos em revisões subsequentes até que o usuário os altere.

Para ambiguidades que mudariam a performance, encontre uma interpretação alternativa que faça sentido, e aponte quais pata, qual objeto ou qual batida seria alterada por cada leitura. Diferencie usando a preparação antes da ação, a posição do contato, as reações de ambos os lados e as consequências do objeto. Se a evidência for suficiente, dê um julgamento direto e a base. Se ainda levar a duas batidas diferentes, pare primeiro e avise o usuário sobre o risco específico, fazendo apenas a pergunta que pode resolvê-lo; não comece a adivinhar e gerar requisições "prontas para enviar"; tomadas já claras na mesma leva podem continuar sendo analisadas. Não crie ambiguidades artificialmente para preencher.

Exemplo de como avisar o usuário: Naquele quadro da porta, a pata do gato preto e branco, a barra e a barriga do gato laranja se sobrepõem. O prompt atual diz que a barra ricocheteia, mas não consigo ver o ricochete claramente; se a verdadeira piada é mirar na barra e errar, você deve primeiro fazer a pata mirar na barra, depois o golpe acertar a barriga. Qual você quer recriar? Quando o usuário já explicou "mirar na barra e acertar a barriga", adote diretamente e descarte o prompt antigo de "barra ricocheteia".

3. Trave as ações que podem ser validadas, depois escolha os materiais

Para múltiplas tomadas, forneça primeiro uma tabela resumida; para uma tomada única, use a mesma informação em duas ou três frases:

| Tomada | Ação visível e momento específico | Intenção do usuário ou leitura com base | Momento que deve ser visível no mudo | Dúvida ou conflito de material que mudaria a batida | |---|---|---|---|

Para ações complexas, liste por batida: iniciador e oponente, postura de preparação, alvo do contato, reação e olhar, estado ao final da ação. Use direções como esquerda/direita da imagem; somente quando necessário, use a lateral anatômica do personagem; verifique a consistência física entre direção da força, direção do objeto voando e o olhar final. Olhar, recuo, pausa intencional devem seguir a performance real. Para objetos-chave, rastreie o portador inicial, a posição no contato e ao final; se sair do quadro ou estiver obstruído, anote o último estado visível. Por exemplo, uma tigela deve ser segurada firmemente, enquanto uma fileira de peças de mahjong deve exatamente passar de organizada para voando. Nenhuma regra geral pode substituir a evidência desta performance específica.

Atribua responsabilidades a cada material: forma do personagem, cena e posição da câmera, estado inicial ou ritmo da ação. Observe a imagem em si: ela captura a preparação ou o resultado? O rosto, a pata, o alvo e os espectadores estão no mesmo quadro e com tamanho suficiente? Se a coreografia completa for necessária, mantenha os pés; se uma reação de susto for necessária, mantenha os ombros e o rosto. Primeiro, veja se é possível cortar para mais perto, usar uma imagem existente ou capturar um quadro antes da ação correta; só refaça a imagem quando a relação espacial ou a postura do primeiro quadro estiver fundamentalmente errada. Explique ao usuário o risco mais impactante e como corrigi-lo, por exemplo: "O primeiro quadro já tocou a cabeça, o modelo perdeu a batida de levantar a mão".

Antes de chamar o modelo, verifique os materiais quanto ao personagem, modo de mixagem suportado, dimensões, duração e proporção de tela de acordo com o modelo e serviço de acesso usado. Confira se o registro de upload aponta para o segmento selecionado e a versão cortada; arquivos que podem ser comprovados consistentes por resumo local ou registro claro, e que o serviço ainda aceita, podem ser reutilizados. Só faça upload novamente se a fonte não puder ser confirmada. Limite bloqueios às tomadas e operações afetadas. Não afirme que combinações de personagem errado, corte antigo ou parâmetros não verificados estão prontos para envio.

4. Escreva o prompt e verifique a geração

Escreva as ações na ordem real de ocorrência, especificando claramente qual imagem de personagem é responsável por quem e qual vídeo fornece qual trecho de ação. Substitua "muito engraçado" por uma performance visível. Garanta que o primeiro quadro, as ações intermediárias e o estado final sejam compatíveis; objetos devem ser segurados, soltos ou voando corretamente descritos. Para estabilidade, descreva positivamente como segurar firme ou congelar; evite usar "não tremer / não balançar" que pode desencadear tremor inverso; cortes de cena, carimbos de tempo e outras negações devem ser tratados conforme as diretrizes do modelo alvo. Para materiais curtos que encontram o limite mínimo de duração de geração, priorize completar a ação na velocidade original, mantendo margem para corte; adicionar preparação, som ou reação final é uma adaptação. Expressões faciais em material mudo não podem provar o áudio original. Adições autorizadas, como espectadores de Vlog, cenas de transição ou áudio, podem ser escritas, indicando seu papel narrativo.

Para verificar a geração final, primeiro assista no modo mudo e na velocidade original: sem legendas ou narração, o público consegue ler a expectativa e o resultado? Legendas e dublagem são apenas um complemento após a ação estar correta, não podem mascarar uma performance incompreensível. Verifique os momentos acordados acima, batida por batida; para contatos em alta velocidade, use a taxa de quadros original; quadros baixos e esparsos servem apenas como índice. Verifique também a cor do personagem, proporção do corpo principal, objetos e olhar; só ative o áudio quando houver requisito de som. Relate separadamente o que está correto, o que está errado e o que a imagem não pode verificar. Sucesso na decodificação ou retorno de sucesso do modelo apenas indica que o arquivo é utilizável.

Em caso de retrabalho, primeiro aponte em qual camada o desvio ocorreu mais cedo: compreensão da história, material de referência, prompt, execução do modelo ou edição. Se a história estiver errada, corrija primeiro a leitura e o conteúdo downstream afetado; se a postura inicial estiver errada, corrija a imagem primeiro; se a ação estiver correta, mas durar muito tempo, tente cortar primeiro. Mesmo que o cliente aponte apenas um ou dois problemas, verifique novamente a direção, o olhar, os objetos e a fonte do arquivo enviado da mesma tomada, para evitar deixar problemas não relatados ao corrigir apenas as palavras. Ao comparar modelos, tente fixar outras condições e primeiro teste a linha que melhor distingue os dois julgamentos. Para modificações locais, use registros já verificados e revise as batidas relacionadas; se o original ou a intenção principal mudar, releia toda a sequência.

Dois exemplos para verificar a qualidade da leitura

  • Estender a pata para o espelho: Escrever apenas "pata direita estende, pata esquerda estende" pode gerar tanto uma cena de repreensão quanto uma dança. Depois que o criador confirmar que é uma dança sensual, a verificação deve ver se ombro, cintura, cabeça e pata estão no mesmo ritmo, pelo menos para ver um ciclo completo de vai e vem. Alternar as patas mas com o corpo reto ainda significa falta de performance.
  • Mahjong: O criador quer a reação ao receber uma boa peça, as duas patas batendo animadamente e a fileira inteira voando. O gato branco descarta uma peça e depois olha para o gato laranja atrás; mesmo que os personagens, a mesa e a câmera estejam corretos, a ação principal ainda falhou. Se apenas o clipe antes de bater foi obtido, "vai ganhar" é anotado como confirmação do criador, e as peças voando são validadas separadamente como objetivo final.

Habilidades Relacionadas