Blog

Benutzerhandbuch

flux-2-klein-9b Prompt-Rezepte für E-Commerce-Produktbilder

Kopierbare Prompt-Struktur für Textrendering und hochpräzise Details sowie curl- und Python-Anfragen über die hiapi API

Nov 9, 2026
Titelbild: ein flacher, facettierter Mineralquerschnitt in tiefen Petrol-, Teal- und Malachit-Tönen, im Stil einer gedruckten gemmologischen Tafel.
Auf dieser Seite

Warum die Prompt-Struktur wichtiger ist als die Länge

Die meisten schlechten Produkt-Renderings entstehen nicht durch zu wenige Adjektive, sondern weil der Prompt Subjekt, Kamera, Licht und Textanforderungen zu einem schwer unterscheidbaren Wortbrei vermischt. Wenn die Ausgabe fehlerhaft ist, kannst du nicht erkennen, welcher Satz schuld ist, und schreibst deshalb den ganzen Absatz neu – dabei verlierst du die Teile, die eigentlich funktioniert haben.

Strukturierte Prompts lösen dieses Problem, weil jeder Teil der Beschreibung klar zugeordnet ist. Du änderst jeweils nur einen Slot und renderst erneut. Wenn der Labeltext verzerrt ist, änderst du den Text-Slot. Wenn die Flasche wie Plastik statt wie mattiertes Glas aussieht, änderst du die Materialbeschreibung. Alles andere bleibt unverändert – das macht Iteration günstig und gute Ergebnisse reproduzierbar.

Längere Prompts steigern die Detailtreue nicht automatisch. Ab einer bestimmten Länge beginnen zusätzliche Adjektive miteinander zu konkurrieren: Im selben Absatz stehen sowohl „glossy“ als auch „matte“, es tauchen zwei unterschiedliche Lichtrichtungen auf, drei gleichermaßen plausible Hintergrundtöne. Das Modell kann sie nur mitteln, und gemittelte Prompts erzeugen mittelmäßige Bilder. Ein kurzer Prompt mit klar getrennten Slots gibt dem Modell eine eindeutige, widerspruchsfreie Anweisung.

Dieser Leitfaden verwendet durchgängig das Fünf-Slot-Rezeptformat:

  • Subjekt – das Produkt und seine entscheidenden physischen Eigenschaften
  • Komposition – Bildausschnitt, Winkel, Platzierung, Hintergrund
  • Licht – Richtung, Qualität, Schattenverhalten
  • Text – exakter Wortlaut, Position, Hierarchie
  • Negativ – eine kurze Liste der zu unterdrückenden Artefakte

Jeder folgende Abschnitt gibt dir kopierbare Zeichenketten für einen bestimmten Slot. Du setzt diese Zeichenketten zusammen, führst sie über die hiapi API mit flux-2-klein-9b/text-to-image aus und passt pro Iteration nur einen Slot an.

Das Rezept-Gerüst: Subjekt, Komposition, Licht, Text, Negativ

Die Vorlage lautet wie folgt. Betrachte die Teile in eckigen Klammern als auszufüllende Felder, nicht als Vorschläge.

Subject: [Produktname], [Hauptmaterial], [Oberflächenbehandlung], [ein unterscheidendes Detail]
Composition: [Objektivtyp] von [Platzierung des Subjekts], [Hintergrundbeschreibung], [Kamerawinkel]
Light: [Richtung] [Qualität] light, [Schattenbeschreibung]
Text: the words "[exakter Wortlaut]" in [Schriftstil], positioned [Position], sized [relative Größe]
Negatives: [Artefakt], [Artefakt], [Artefakt]

Ein vollständig ausgefülltes Beispiel für ein Hautpflegeprodukt:

Subject: amber glass dropper bottle, frosted glass body, matte black cap, a thin label band near the base
Composition: product hero shot, bottle centered on a light stone surface, soft neutral background with slight gradient, eye-level camera angle
Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow under the bottle
Text: the words "DAILY SERUM" in a clean geometric sans-serif, positioned on the label band, sized to span most of the label width
Negatives: warped lettering, duplicate labels, harsh specular hotspots

Zwei Regeln halten dieses Gerüst zuverlässig. Erstens: Die Reihenfolge ist weniger wichtig als die Trennung – die Labels (Subject:, Light:) helfen dir, beim Bearbeiten diszipliniert zu bleiben, und können entfernt werden, sobald der Prompt stabil ist. Zweitens: Halte pro Slot nur wenige konkrete Beschreibungsbegriffe fest. Wenn ein Slot mehr als zwei Zeilen benötigt, beschreibst du wahrscheinlich zwei verschiedene Bilder.

Ziele pro Inhalts-Slot auf fünfzehn bis vierzig Wörter. Dieser Bereich reicht aus, um die physische Realität des Produkts festzulegen, ohne dem Modell Raum zu lassen, konkurrierende Interpretationen zu erfinden.

Rezepte für klar lesbaren Bildtext

Textrendering zeigt am deutlichsten den Wert von Prompt-Disziplin. Drei Gewohnheiten verbessern das Ergebnis erheblich: exakten Wortlaut in Anführungszeichen setzen, die Platzierung angeben und die Zeichenzahl gering halten.

Nur einmal und exakt zitieren

Setze den gewünschten Wortlaut in Anführungszeichen und nenne ihn nur einmal. Denselben String in verschiedenen Slots zu wiederholen, verleitet das Modell, ihn doppelt zu rendern.

Text: the words "AURORA" in a bold condensed sans-serif, centered on the front panel, large enough to dominate the upper third

Hierarchie explizit angeben

Bei zwei Textelementen gib an, welches primär und welches sekundär ist, und beschreibe ihre relativen Größen.

Text: primary line "COLD BREW" in a heavy serif, centered; secondary line "single origin" in a smaller light sans-serif directly beneath it, roughly one quarter the height of the primary line

Position an physischen Merkmalen verankern

„Zentriert“ ist zu schwach. „Zentriert auf dem vorderen Label, zwischen Oberkante und dem Halsring des Verschlusses“ gibt dem Modell nutzbare geometrische Informationen.

Text: the words "SPF 30" in a rounded sans-serif, positioned in the lower right corner of the label, small relative to the product

Text kurz halten

Ein bis vier Wörter rendern zuverlässig. Vollständige Sätze, Produktversprechen und Inhaltsstofflisten sind genau die Stellen, an denen die Lesbarkeit zu verschmolzenen Glyphen zerfällt. Wenn deine Verpackung tatsächlich einen Absatz Text benötigt, generiere zuerst ein sauberes Produktbild und setze echte Typografie später zusammen – das Modell ist keine Layout-Engine.

Bewährte Muster für E-Commerce-Labels

  • Kurzes Markenzeichen: the words "NORD" in an uppercase geometric sans-serif, tracking wide, centered on the bottle shoulder
  • Füllmenge oder Volumen: the words "250ml" in a small regular sans-serif, bottom edge of the label, right-aligned
  • Kategoriewort: the words "BODY LOTION" in a medium-weight sans-serif, one line, spanning the label width

Wenn das Rendering Zeichensalat zeigt, kürze zuerst den String, bevor du irgendetwas anderes änderst. Die Länge ist die häufigste Fehlerachse.

Rezepte für hochpräzise Produktdetails

Detailtreue entsteht aus physischer Konkretheit, nicht aus Adjektivdichte. Drei Slots leisten den größten Beitrag: Material, Oberflächenbehandlung und Bildausschnitt.

Material

Nenne den Werkstoff und ein oder zwei sichtbare Folgen.

Subject: ceramic mug, thick stoneware body, slight irregularity along the rim, speckled clay visible through the glaze

Vergleiche das mit a beautiful high-quality mug, das dem Modell keinerlei renderbare Information gibt.

Oberflächenbehandlung

Die Oberflächenbehandlung ist der häufigste Fehlerpunkt beim Rendern, weil „glänzend“ und „hochwertig“ keine ausführbaren Anweisungen sind. Beschreibe, wie sich Licht auf der Oberfläche verhält.

Subject: stainless steel thermos, brushed horizontal grain, satin finish that spreads highlights into wide soft bands rather than sharp points
Subject: glass perfume bottle, clear thick-walled glass, polished facets that produce crisp edges and a visible refraction through the body

Bildausschnitt

Verwende fotografische Begriffe. Das gibt dem Modell ein konsistentes räumliches Kameramodell.

  • product hero shot, eye-level, centered, shallow depth of field with the background falling off softly
  • three-quarter angle, slightly above eye level, product occupying the lower two thirds of the frame
  • flat lay, directly overhead, product aligned to the frame edges with even margins

Wirklich nützliche Texturbeschreibungen

Verwende diese Wörter nur, wenn das Produkt tatsächlich so beschaffen ist: brushed, frosted, matte, satin, polished, woven, knurled, embossed, anodized. Jedes entspricht einem bestimmten Lichtverhalten – genau deshalb sind sie allgemeinen Lobesworten überlegen.

Eine vollständige, detailorientierte Subjekt-Beschreibungszeile:

Subject: matte ceramic candle jar, unglazed exterior with fine grain, smooth glazed interior lip, thin wooden lid resting slightly ajar

Beachte, dass hier keine Superlative stehen. Jedes Wort schränkt Geometrie oder Licht ein.

Jedes Prompt-Rezept zerlegt das Produktbild in Facetten wie Material, Oberflächenbehandlung, Licht und Bildausschnitt.

Gewichtungen und kurze Negativlisten

Wörter betonen und abschwächen

Wenn ein Slot ignoriert wird, hast du zwei Hebel: das Wort weiter nach vorne im Prompt verschieben oder es gewichten. Die Gewichtungssyntax ist je nach Tool unterschiedlich; prüfe daher, bevor du dich bei Produktionslasten auf eine bestimmte Notation verlässt, was flux-2-klein-9b/text-to-image auf der hiapi API akzeptiert. In der Praxis ist Umordnen die portabelste Korrektur – Wörter nahe am Anfang eines Slots haben mehr Einfluss als solche, die am Ende vergraben sind.

Gewichtungen sollten echte Konflikte lösen, nicht alltägliche Betonung. Wenn Labeltext immer zu klein wird, gewichte den Text-Slot, nicht jedes Wort im Subjekt.

Negativlisten evidenzbasiert halten

Eine Negativliste ist eine Patch-Liste, keine Wunschliste. Beginne leer. Rendere. Wenn du ein konkretes Artefakt siehst, füge es hinzu. Wenn du es nicht mehr siehst, erwäge, es zu entfernen.

Ein praktisches Startsortiment für Produktbildarbeit:

Negatives: warped lettering, duplicate text, extra fingers, distorted reflections

Für die meisten E-Commerce-Prompts ist das ungefähr die nützliche Obergrenze. Zu lange Negativlisten haben zwei Probleme. Erstens verbrauchen sie Prompt-Budget, das sonst für die Produktbeschreibung zur Verfügung stünde. Zweitens können breite Negativbegriffe wie blurry oder low quality das Modell von den legitimen weichen Hintergründen und feinen Oberflächentexturen wegbewegen, die du eigentlich willst.

Füge Negativbegriffe nach Artefaktkategorie hinzu:

  • Textfehler: warped lettering, duplicate text, misspelled labels
  • Strukturfehler: asymmetric bottle, floating product, missing lid
  • Lichtfehler: harsh specular hotspots, double shadows
  • Hintergrundfehler: cluttered background, visible seams

Überprüfe die Liste alle paar Renderings. Wenn ein Eintrag lange nicht mehr aufgetreten ist, lösche ihn und investiere die Wörter anderswo.

Auf der hiapi API ausführen: curl und Python

Die Modell-ID lautet flux-2-klein-9b/text-to-image. Beide Clients senden dieselbe Anfrageform: Modellkennung plus ein Parameterobjekt, das den zusammengesetzten Prompt enthält. Ersetze API-Key und Basis-URL durch die Werte aus deinem hiapi-Konto.

curl

curl -X POST "$HIAPI_BASE_URL/v1/images/generations" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "flux-2-klein-9b/text-to-image",
    "prompt": "Subject: amber glass dropper bottle, frosted glass body, matte black cap, thin label band near the base. Composition: product hero shot, bottle centered on a light stone surface, soft neutral gradient background, eye-level camera angle. Light: large softbox from the upper left, gentle falloff toward the right, soft contact shadow. Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, spanning most of the label width. Negatives: warped lettering, duplicate labels, harsh specular hotspots."
  }'

Python

import os
import requests

payload = {
    "model": "flux-2-klein-9b/text-to-image",
    "prompt": (
        "Subject: amber glass dropper bottle, frosted glass body, matte black cap, "
        "thin label band near the base. "
        "Composition: product hero shot, bottle centered on a light stone surface, "
        "soft neutral gradient background, eye-level camera angle. "
        "Light: large softbox from the upper left, gentle falloff toward the right, "
        "soft contact shadow. "
        "Text: the words \"DAILY SERUM\" in a clean geometric sans-serif, on the label band, "
        "spanning most of the label width. "
        "Negatives: warped lettering, duplicate labels, harsh specular hotspots."
    ),
}

response = requests.post(
    f"{os.environ['HIAPI_BASE_URL']}/v1/images/generations",
    headers={
        "Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}",
        "Content-Type": "application/json",
    },
    json=payload,
    timeout=120,
)
response.raise_for_status()
print(response.json())

Den Payload anpassen

Halte den Prompt als einen einzigen zusammengesetzten String, der aus Slot-Variablen aufgebaut wird – sende nicht ein Feld pro Slot, es sei denn, die API-Dokumentation unterstützt das ausdrücklich. Speichere im Code jeden Slot als eigene Variable und füge sie zusammen, damit du pro SKU den Hintergrund oder den Labeltext ändern kannst, ohne den Rest des Rezepts anzufassen. Konsultiere die API-Referenz, um den exakten Endpunktpfad und die zulässigen Parameter für dein Konto zu bestätigen; füge dort bei Bedarf auch Ausgabegröße oder Seed-Kontrolle hinzu, wenn deine Integration das erfordert.

Eine Payload-Form, zwei Client-Pfade – curl und Python schicken dieselbe Anfrage in dasselbe zurückgegebene Bild.

Ein End-to-End-Beispiel für ein E-Commerce-Produktbild

Im Folgenden ein vollständiges, wiederverwendbares Beispiel für eine Kaffeemarke, die gerade gemahlenen Kaffee in Beuteln auf den Markt bringt. Jeder Slot ist ausgefüllt, die Negativliste ist kurz, und der Text ist kurz genug, um zuverlässig zu rendern.

Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie, fine paper grain visible, a rectangular label panel on the front
Composition: product hero shot, bag standing slightly right of center on a dark walnut surface, muted warm background, three-quarter angle slightly above eye level
Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right
Text: the words "NIGHT ROAST" in a bold condensed serif on the label panel, centered; the words "250g" in a small sans-serif beneath it
Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots

Sende es über dieselbe Anfrageform wie zuvor gezeigt, und ersetze nur den Prompt-String:

prompt = " ".join([
    "Subject: matte kraft paper coffee bag with a flat bottom, folded top with a tin tie,",
    "fine paper grain visible, a rectangular label panel on the front.",
    "Composition: product hero shot, bag standing slightly right of center on a dark walnut surface,",
    "muted warm background, three-quarter angle slightly above eye level.",
    "Light: soft window light from the left, gentle gradient across the bag face, long soft shadow falling right.",
    "Text: the words \"NIGHT ROAST\" in a bold condensed serif on the label panel, centered;",
    "the words \"250g\" in a small sans-serif beneath it.",
    "Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots.",
])

payload = {"model": "flux-2-klein-9b/text-to-image", "prompt": prompt}

Lies das erste Rendering wie eine Checkliste. Ist der Text klar lesbar und korrekt geschrieben? Wenn nicht, kürze den Wortlaut oder vereinfache die Schriftbeschreibung. Zeigt sich die Papiertextur? Wenn der Beutel wie Plastik aussieht, verstärke den Material-Slot und füge Beschreibungen der Oberflächenbehandlung hinzu. Ist die Schattenrichtung konsistent? Wenn zwei Schatten zu sehen sind, widerspricht sich der Licht-Slot – entferne eine Lichtquelle.

Mache pro Iteration nur eine Änderung und behalte die Version, die den Ziel-Slot verbessert, ohne andere zu verschlechtern. Speichere jeden akzeptierten Prompt zusammen mit seiner Ausgabe, damit das Rezept für einen SKU nie verloren geht.

Iteration: vom ersten Rendering zu einem konsistenten Bildset

Ein einzelnes gutes Rendering ist nur eine Demo. Ein konsistentes Bildset ist das, was ein E-Commerce-Katalog braucht. Das Ziel ist, Subjekt, Lichtlogik und Textbehandlung konstant zu halten und dabei die Komposition zu variieren.

Identitäts-Slots einfrieren

Halte Subject und Light über das gesamte Bildset hinweg byte-identisch. Sie definieren, was das Produkt ist und wie es beleuchtet wird. Änderst du sie zwischen verschiedenen Aufnahmen, wirkt ein Set, als käme es von verschiedenen Marken. Lege sie im Code als Konstanten fest und baue Variationen nur darauf auf.

Komposition bewusst variieren

Schreibe zwei oder drei Kompositions-Strings im Voraus und verwende sie über verschiedene SKUs hinweg wieder:

  • product hero shot, centered, eye-level, neutral gradient background
  • three-quarter angle from above, product in the lower two thirds, surface visible
  • flat lay, directly overhead, even margins on all sides

Wechsel zwischen festen Kompositionsvokabeln erzeugt ein Bildset, das bewusst gestaltet statt zufällig wirkt.

Pro Variante nur den Text-Slot ersetzen

Wenn eine Produktlinie dieselbe Verpackung teilt, ändert sich zwischen SKUs oft nur der Text-Slot. Parametrisiere ihn und lasse alles andere unverändert. Er ist auch der fehleranfälligste Slot, teste ihn also mit einer einzigen Komposition isoliert, bevor du das ganze Set generierst.

Änderungen als Diffs verfolgen

Nimm Prompts unter Versionskontrolle. Jeder Commit sollte nur einen Slot ändern und das davon erzeugte Rendering beifügen. Wenn in einer späteren Variante eine Regression auftritt – etwa ein plötzlich verzerrtes Label – kannst du sie auf eine konkrete Slot-Bearbeitung zurückführen, statt das gesamte Rezept neu herleiten zu müssen.

Wissen, wann das Tuning aufhören sollte

Wenn drei aufeinanderfolgende Bearbeitungen eines Slots keine sichtbare Verbesserung bringen, liegt das Problem wahrscheinlich außerhalb des Prompts: in der Anfrage selbst oder in einem physischen Detail, das das Modell bei der aktuellen Komposition nicht auflösen kann. Entferne dieses Detail aus dem Prompt und bearbeite es nachträglich, oder ändere die Komposition, sodass es nicht mehr tragend ist.

Sobald deine Konstanten und Kompositionsvokabeln stabil sind, wird das Generieren des vollständigen Produktsets zu einer Schleife über Text- und Kompositions-Strings statt zu einer Übung im Neuschreiben von Prompts. Halte das Rezept-Gerüst fest, und der Katalog kann mitwachsen.

Ähnliche Artikel

Alle Artikel ansehen →

Starte mit persistenten KI-Artefakten

Hol dir deinen API-Key und rufe Bild-, Video- und Audiomodelle über eine einzige task-basierte API auf.

API-Dokumentation lesen