CommunityImagemgithub.com

greenroom

Crie prompts de imagem prontos para produção (Nano Banana Pro / Google Flow e modelos similares) a partir de um manual aprendido, e aprenda novos padrões com seus próprios pares de prompt+imagem comprovados.

O que é greenroom?

O Greenroom é uma habilidade de IA que transforma a geração de prompts de imagem em um processo sistemático e orientado por aprendizado contínuo. Ela opera em três modos: Learn, Generate e Web. No modo Learn, o agente analisa seu corpus pessoal de prompts e imagens, lendo cada par para entender quais frases realmente funcionaram (termos de iluminação, diretivas de composição, âncoras de estilo, tags de qualidade) e onde o modelo se desviou. Essas observações são destiladas em um manual vivo (`references/learned-patterns.md`), substituindo exemplos genéricos pelos seus. No modo Generate, o agente consulta esse manual para compor novos prompts que recombinação os padrões aprendidos, adaptados ao seu assunto, proporção e clima desejados, sempre produzindo apenas o prompt puro para copiar e colar. Para ativos de site e UI, o modo Web usa um manual especializado (`references/web-assets.md`) que define mockups com fundo verde-chroma (para remoção posterior), fundos isolados, espaço para sobreposição de texto e proporções específicas para cada posicionamento (hero, seção, cartão). A habilidade é ideal para designers, desenvolvedores e criadores que desejam consistência visual e um estilo próprio em várias plataformas de geração de imagem.

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

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

Perguntar na sua IA favorita

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

Documentação

Greenroom: geração de prompts de imagem aprendida

O Greenroom tem três modos construídos em torno de uma ideia: analisar o que fez um prompt funcionar uma vez, escrevê-lo como um manual e gerar cada novo prompt a partir desse manual.

Arquivos dentro desta habilidade:

  • references/learned-patterns.md: o manual de prompts destilado (estruturas, tipografia, câmera, iluminação, negativos, tags de qualidade). Vem com um manual inicial; o modo Learn o reescreve a partir do trabalho do usuário.
  • references/web-assets.md: o manual para imagens de site e UI (mockups de dispositivos com fundo verde-chroma, fundos isolados, espaço para sobreposição, proporções por posicionamento).
  • corpus/corpus.json: o corpus de prompt+imagem do usuário (criado pelo usuário; veja corpus/corpus.example.json). Os caminhos das imagens nele são relativos a corpus/.

Se o usuário mantiver seu corpus em outro lugar, ele dirá; use esse caminho.

Modo 1: Learn (analisar o corpus)

Acionamento: o usuário pede para analisar, aprender, reaprender ou atualizar o greenroom com novos exemplos.

  1. Leia o manifesto do corpus. Cada entrada associa um caminho de imagem ao prompt exato que a produziu, mais notas e tags opcionais. Se não existir manifesto, mostre ao usuário o formato abaixo e ofereça-se para criar um a partir de imagens e prompts que ele colar.
  2. Para cada entrada ainda não analisada (compare com a lista "Entradas analisadas" no final de references/learned-patterns.md), leia a imagem (visão) junto com seu prompt. Pergunte de cada par: o que o prompt disse e o que a imagem realmente entregou? Quais frases tiveram peso visível (termos de iluminação, diretivas de composição, âncoras de estilo, tags de qualidade)? Quais partes da imagem foram bem-sucedidas que o prompt claramente causou? Onde o modelo se desviou do prompt?
  3. Atualize references/learned-patterns.md: mescle novas observações nas seções existentes, em vez de anexar um registro. É um manual destilado, não um diário. Na primeira passagem de aprendizado sobre um corpus próprio do usuário, substitua os exemplos do inicial pelos dele e informe isso no cabeçalho. Mantenha-o em ~300 linhas consolidando.
  4. Acrescente os ids das entradas analisadas à lista "Entradas analisadas" para que execuções futuras as ignorem.

Por que persistir: a análise acontece uma vez por exemplo, e a geração lê o manual destilado em vez de rederivar padrões toda vez.

Modo 2: Generate (criar um novo prompt)

Acionamento: o usuário pede um novo prompt de imagem: um assunto, uma cena, "como meus outros, mas X", uma proporção específica, clima ou necessidade de campanha.

  1. Leia references/learned-patterns.md.
  2. Componha um novo prompt que recombine os padrões aprendidos (estrutura, convenções de fraseado, vocabulário de iluminação e composição, tags de qualidade), adaptado ao assunto e configuração solicitados (proporção, clima, modelo alvo).
  3. O manual agrupa o trabalho em famílias visuais (por exemplo, pôsteres com tipografia, composições surreais, retratos editoriais de efeito, lookbooks de estúdio). Corresponda à família que o pedido implica; misture famílias apenas se solicitado.
  4. Saída apenas do texto do prompt: um único bloco pronto para copiar e colar, sem justificativa, sem cabeçalhos, sem comentários. Se uma configuração chave for genuinamente ambígua (a proporção importa para o uso e não foi fornecida), faça uma pergunta curta primeiro, depois produza apenas o prompt.

Se o cabeçalho do manual ainda disser que é o manual inicial, a geração funciona, mas mencione uma vez que executar Learn nos prompts do próprio usuário o ajustará ao visual dele.

Modo 3: Web (prompts para ativos de site e UI)

Acionamento: o usuário quer uma imagem para um site ou componente web (hero, mockup, fundo, visual de seção, conjunto de ícones, miniatura, imagem OG), menciona um site ou página, ou diz "greenroom web".

  1. Leia references/web-assets.md primeiro, depois references/learned-patterns.md para vocabulário de fraseado e qualidade. O manual web vence onde eles discordam: sem identidade visual fixa, sem texto embutido, telas verde-chroma, fundos isolados.
  2. Se o usuário nomeou um ativo específico ("um mockup hero com laptop e telefone para um site escuro"), preencha quaisquer lacunas com os padrões web do manual e vá direto para o prompt.
  3. Se o pedido for aberto ("greenroom web", "preciso de imagens para meu site"), faça uma rodada de até 4 perguntas, apenas aquelas que o pedido não respondeu (use a ferramenta AskUserQuestion quando disponível):
    • Ativo: mockup de dispositivo hero / conjunto de vários dispositivos / telefone segurado / fundo de seção / ícones de funcionalidades / hero abstrato / imagem social (veja o menu de ativos)
    • Fundo do site: escuro (preto puro) / claro (branco puro) / uma cor de marca (hex)
    • Posicionamento: hero largura total / dividido meio a meio / seção ou cartão / mobile
    • Referência: existe um render anterior para corresponder (anexe-o), ou este é o primeiro de uma nova série?
  4. Componha o prompt a partir da estrutura do manual. Pegue a proporção do posicionamento, o fundo do site e nomeie o lado vazio para sobreposição de texto. Quando uma imagem de referência for anexada, adicione a linha "Use (IMAGEM DE REFERÊNCIA) para … apenas. Corresponda exatamente."
  5. Se o usuário pedir vários ativos para um site, produza um prompt por ativo, cada um em seu próprio bloco com um rótulo de uma linha acima (a única exceção à saída apenas do prompt). O primeiro é a âncora da série; os demais presumem que esteja anexado como referência.
  6. Caso contrário, produza apenas o prompt, como no Modo 2.

Se um prompt web der um resultado com o qual o usuário ficar satisfeito, ofereça-se para adicioná-lo ao corpus para que o modo Learn possa estudá-lo.

Formato do manifesto do corpus

corpus/corpus.json é um array JSON. Apenas image e prompt são obrigatórios:

[
  {
    "id": "poster-01",
    "image": "posters/poster-01.jpeg",
    "prompt": "o texto exato do prompt colado da sua ferramenta de imagem",
    "notes": "opcional: o que você gostou neste resultado",
    "tags": ["opcional", "editorial", "monocromático"]
  }
]

Ao adicionar novos lotes, o usuário acrescenta entradas; o modo Learn capta apenas as não analisadas.

Habilidades Relacionadas