KI-Prompt Bibliothek: Prompts nach Kategorien durchsuchen

Mehrsprachiger Support, Eskalationslogik

Web-Search, Zusammenfassung, Quellen

SEO-Content-Pipeline automatisieren

CSV/DB analysieren, Dashboard

Spezialisierte Agenten zusammenarbeiten

Rollendefinition, Kontext, Verhalten

Portrait mit natürlichem Licht, 85mm

Minimalistisches Logo mit Brand Guidelines

Studio-Lighting, White-Background Produktshots

Photorealistische Gebäude-Aussendarstellung

Cartoon-Style, flache Illustrationen

Fashion-Mockups, Lookbook-Bilder

Appetitliche Food-Shots

App- und Website-Design Konzepte

Abstrakte Kunst, Malerei-Stile

SVG-ready Icons, einheitlicher Stil

Raumaufbau, Einrichtung visualisieren

Verpackungskonzepte, Produktverpackung

Die strikte Reihenfolge (shot type → subject → action → environment → lighting → colour → composition → style) und der obligatorische Tail (`high contrast, YouTube thumbnail composition, 16:9, no text`) erzeugen konsistent klickstarke Thumbnails. Negative Constraints (`no text`, `no watermark`, `no logo`) verhindern die typischen Bild-KI-Artefakte. Der Agent liefert drei bewusst unterschiedliche Konzepte (Safe, Curiosity, Wildcard) — drei Crops derselben Idee sind ein Fehler. Am besten mit: Flux.1, DALL-E 3, Midjourney v6

Die stabile Sektionsreihenfolge (Goal → Scene → Subjects → Edit → Preserve → Constraints) macht Prompts debugbar und erlaubt edit-Iterrationen: „Change only … Keep everything else the same", dann die Preserve-Liste bei jedem Durchlauf wiederholt. Sätze wie „no blur" werden bei FLUX bewusst weggelassen und stattdessen als positiver Zielsatz („sharp focus throughout") formuliert. Am besten mit: FLUX.2 / GPT Image 2 (gpt-image-2).

Diese Prompts demonstrieren professionelle Prompt-Struktur: Subjekt + Umgebung + Beleuchtung + Stil + technisches Detail, jeweils unter 80 Wörtern. Der erste Prompt kombiniert „candid moment" als Stimmungs-Modifier mit „shot on 35mm film" als Stil-Constraint — zwei Hebel, die die Bild-KI gezielt in eine ästhetische Richtung lenken. Am besten mit: x/z-image-turbo, x/flux2-klein (via Ollama, lokal auf Apple Silicon mit MLX)

Die neue Swift-Image-Publikation (arXiv, Aug 2026) zeigt, wie ein relativ kleines visuelles Generator-Modell durch systematisches Training-Engineering unter begrenztem Rechenbudget an die Performance-Frontier pushen kann. Unterstützt Text-to-Image, Single-Image Editing und Multi-Image Editing in einem Modell. Am besten mit: Swift-Image (kompaktes Unified-Modell, arXiv 2608.20334)

Statt Stil-Auswahlmenüs fixiert der Skill eine einzige, stabile Seiten-Familie und schreibt nur Subjekt, Titel, Träger, Palette und Materialien pro Thema neu. Die Atmosphäre wird intern aus dem Thema resolved (contemporary_frosted / warm_analog_print / crisp_modern_graphic / material_archive), ohne den Nutzer mit A/B/C-Optionen zu bombardieren. Am besten mit: Jedes Bildmodell (Image2 / Midjourney / Flux / SDXL / DALL·E / Gemini / 即梦 / 通义万相) — backend-agnostisch.

Meta's neues Muse Glimmer 30B ist ein Multimodales Modell unter Apache 2.0 Lizenz — kein janky Llama-License-Mehr. Es beherrscht End-to-End Agentic Task Completion, zuverlässige Tool-Nutzung und Multi-Step Reasoning. Simon Willison testete es mit einem einfachen `describe image`-Prompt auf einem Pelikan-Foto und erhielt eine detaillierte, wissenschaftlich präzise Beschreibung der Spezies (*Pelecanus occidentalis*), inklusive Gefieder-Musterung, Körperhaltung und Komposition. Das Modell ist besonders für lokale Nutzung interessant: bei 32 GB RAM läuft es neben anderen Anwendungen. Am besten mit: Muse Glimmer 30B (Apache 2.0, via LM Studio oder Ollama), ~18 GB VRAM/RAM