Prompt engineering для генерации изображений ИИ

"Prompt engineering" звучит как должность, которую кто-то выдумал, чтобы брать больше за час. Убери модное слово — и останется простое утверждение: слова, которые ты даёшь модели изображений, это спецификация, а спецификации получше дают результат получше. Утверждение это, так уж вышло, верное, и в этом руководстве разобрано то, что действительно влияет на результат.

Всё здесь относится к Google Gemini, под который мы делаем продукт, но принципы переносятся на любую современную модель изображений.

Модель заполняет каждый пробел, который ты оставил

Модель изображений обязана отрисовать сцену целиком: каждую поверхность, каждый источник света, каждую ткань. Всё, что твой промпт не задал, модель решает за тебя — и решает, скатываясь к статистическому среднему своих обучающих данных. Средний свет. Средняя композиция. Средняя одежда.

Вот почему расплывчатые промпты выглядят шаблонно. Не потому что модель слабая, а потому что ты делегировал ей все решения.

Prompt engineering — это просто решать больше вещей самому. Точную одежду героя и её состояние — куртка застёгнута или расстёгнута. Обстановку с названными материалами — мрамор, тик, шлифованная сталь. Источник света и его направление. Дистанцию и ракурс камеры. Формат и финальную обработку.

Порядок значит меньше, чем полнота

Все зациклены на порядке токенов и волшебных словах. На практике полный промпт обычным языком каждый раз обыгрывает неполный промпт с синтаксисом для посвящённых. Модели не нужно "8k, шедевр, в тренде" — ей нужно знать, ЧТО такое эта сцена.

Полезная проверка: перечитай свой промпт и спроси, что живой фотограф всё ещё должен был бы у тебя уточнить. "Мужчина в костюме в отеле" оставляет фотографу вопросы: какой костюм, какого цвета, застёгнут или расстёгнут, какой отель, лобби или крыша, утро или ночь, крупный план или в полный рост? Каждый вопрос без ответа — это решение, которое ты только что отдал среднему значению.

Структура из пяти слоёв

Почти каждый сильный промпт в нашем архиве построен на одном и том же скелете:

1. Кадр: "спонтанный кадр со мной" — задаёт, что герой один и снят естественно, а не в студийной постановке.

2. Действие и поза: выходя из, опираясь на, поправляя манжету, на середине шага. Глаголы создают фотографии; просто стоять — создаёт фото на паспорт.

3. Гардероб, по пунктам: каждая вещь названа с цветом, материалом и состоянием. "Чёрный бомбер слегка расстёгнут поверх белой футболки" — состояние молнии здесь делает настоящую работу.

4. Обстановка, сначала материалы: "мраморное лобби с латунными дверями лифта" обыгрывает "шикарный отель", потому что модель отрисовывает материалы, а не прилагательные.

5. Техническая отделка: соотношение сторон, зерно, световые условия. "Зернистая эстетика, золотой час, 9:16" задаёт всё настроение семью словами.

Ограничения — это тоже промпт

Половина prompt engineering состоит в том, чтобы что-то предотвратить. Модели сползают к клише — лишние люди на фоне, украшения, которых ты не просил, жесты, выглядящие неестественно. Явные отрицательные ограничения в скобках держат линию: "(больше никого в кадре)" стоит почти в каждом промпте архива именно по этой причине.

Если ты генерируешь серию, ограничения держат её вместе. Та же стрижка, описанная теми же словами. Те же часы. Та же цветокоррекция. Согласованность между кадрами — это то, что делает ленту убедительной, и берётся она целиком из повторяющихся ограничений.

Цикл доработки

Первые генерации — это черновики. Мастерство в том, чтобы поставить диагноз в терминах промпта:

Картинка выглядит плоской — ты не задал направление света. Одежда выглядит дешёвой — ты назвал категорию ("костюм") вместо конкретной вещи ("двубортный шерстяной костюм цвета антрацит, пиджак расстёгнут"). Сцена перегружена — ты ни разу не сказал, чего в ней НЕТ. Лицо не то — это твоё референсное фото, а не промпт; возьми чистый, хорошо освещённый фронтальный кадр.

Меняй по одному слою за доработку. Если ты переписываешь весь промпт при каждой попытке, ты ничего не узнаёшь о том, какое изменение сработало.

Когда бросать engineering и начинать копировать

Вот честная экономика: довести один надёжный промпт стоит от 20 до 40 генераций итераций. Это день работы на одну сцену. Prompt engineering — реальный навык, но для большинства людей это средство, а цель — фотография.

В этом и вся посылка PROMPTMVSTR: архив — это сотни промптов, уже прошедших этот цикл, и каждый показан рядом с точным изображением, которое он выдал. Скопируй промпт дословно, подставь своё лицо, готово. Изучай их — и ты усвоишь структуру быстрее, чем её объяснит любое руководство, включая это.