Guía de uso
Recetas de prompts de generación de imágenes de producto de comercio electrónico con flux-2-klein-9b
Estructuras de prompt copiables para el renderizado de texto y detalles de alta fidelidad, además de peticiones curl y Python mediante la API de hiapi
En esta página
Por qué la estructura del prompt importa más que su longitud
La mayoría de los renders de producto deficientes no se deben a que falten adjetivos, sino a que el prompt mezcla el sujeto, la cámara, la iluminación y los requisitos de texto en una masa de palabras indistinguibles. Cuando la salida falla, no puedes determinar qué frase lo causó, así que reescribes todo el bloque y, de paso, pierdes las partes que sí funcionaban.
Un prompt estructurado resuelve esto porque cada parte de la descripción tiene una ubicación clara. Cada vez cambias un solo slot y vuelves a renderizar. Si el texto de la etiqueta sale distorsionado, cambias el slot de texto. Si la botella parece plástico en lugar de vidrio esmerilado, cambias la descripción del material. Todo lo demás permanece igual, lo que abarata la iteración y hace reproducibles los buenos resultados.
Un prompt más largo no mejora automáticamente la fidelidad. Pasada cierta longitud, los adjetivos adicionales empiezan a competir entre sí: en el mismo párrafo hay «glossy» y «matte», aparecen dos direcciones de iluminación distintas y tres tonos de fondo igual de plausibles. El modelo solo puede promediarlos, y un prompt promediado produce imágenes mediocres. Un prompt corto con slots claramente separados da al modelo instrucciones inequívocas.
Esta guía usa a lo largo de todo el texto el formato de receta de cinco slots:
- Sujeto: el producto y sus atributos físicos determinantes
- Composición: encuadre, ángulo, disposición, fondo
- Luz: dirección, calidad, comportamiento de las sombras
- Texto: copia exacta, posición, jerarquía
- Negativos: una lista corta de artefactos que hay que suprimir
Cada sección a continuación ofrece cadenas copiables para un slot concreto. Las ensamblas, las ejecutas en la API de hiapi mediante flux-2-klein-9b/text-to-image y ajustas un solo slot en cada iteración.
El esqueleto de la receta: sujeto, composición, luz, texto, negativos
La plantilla es la siguiente. Trata las partes entre corchetes como campos pendientes de rellenar, no como sugerencias.
Subject: [nombre del producto], [material principal], [acabado superficial], [un detalle diferenciador]
Composition: [tipo de plano] de [disposición del sujeto], [descripción del fondo], [ángulo de cámara]
Light: luz [dirección] [calidad], [descripción de la sombra]
Text: las palabras "[texto exacto]" en [estilo tipográfico], posicionadas [ubicación], con tamaño [tamaño relativo]
Negatives: [artefacto], [artefacto], [artefacto]
Un ejemplo completo de producto de cuidado de la piel:
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
Dos reglas mantienen fiable este esqueleto. Primera: el orden importa menos que la separación; estas etiquetas (Subject:, Light:) existen para ayudarte a mantener la disciplina al editar, y pueden eliminarse una vez que el prompt se estabiliza. Segunda: conserva solo unos pocos descriptores concretos por slot. Si un slot necesita más de dos líneas, lo más probable es que estés describiendo dos imágenes distintas.
Apunta a entre quince y cuarenta palabras por slot de contenido. Ese rango basta para fijar la realidad física del producto sin dejar al modelo espacio para inventar interpretaciones rivales.
Recetas para que el texto de la imagen sea nítido y legible
El renderizado de texto es donde la disciplina del prompt se paga sola. Tres hábitos mejoran notablemente el resultado: citar la copia exacta, especificar la ubicación y mantener el recuento de palabras bajo.
Cita una sola vez y con exactitud
Pon la copia deseada entre comillas y enúnciala una sola vez. Repetir la misma cadena en distintos slots invita al modelo a renderizarla dos veces.
Text: the words "AURORA" in a bold condensed sans-serif, centered on the front panel, large enough to dominate the upper third
Especifica la jerarquía de forma explícita
Cuando hay dos elementos de texto, indica cuál es el principal y cuál el secundario, y describe su tamaño relativo.
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
Ancla la posición a rasgos físicos
«Centrado» es demasiado débil. «Centrado en la etiqueta frontal, entre el borde superior y el cuello de la tapa» da al modelo geometría utilizable.
Text: the words "SPF 30" in a rounded sans-serif, positioned in the lower right corner of the label, small relative to the product
Mantén el texto breve
De una a cuatro palabras se renderizan de forma estable. Las frases completas, las declaraciones de producto y las listas de ingredientes son justo donde la legibilidad se desmorona en glifos derretidos. Si tu envase realmente necesita un párrafo de texto, genera primero la imagen limpia del producto y compón después la tipografía real; el modelo no es un motor de maquetación.
Patrones eficaces para etiquetas de comercio electrónico
- Marca corta:
the words "NORD" in an uppercase geometric sans-serif, tracking wide, centered on the bottle shoulder - Capacidad o volumen:
the words "250ml" in a small regular sans-serif, bottom edge of the label, right-aligned - Palabra de categoría:
the words "BODY LOTION" in a medium-weight sans-serif, one line, spanning the label width
Si el render muestra caracteres ilegibles, acorta la cadena antes de plantearte cambiar cualquier otra cosa. La longitud es el eje de fallo más habitual.
Recetas para detalles de producto de alta fidelidad
La fidelidad proviene de la concreción física, no de la densidad de adjetivos. Tres slots hacen la mayor parte del trabajo: material, acabado superficial y encuadre.
Material
Nombra la sustancia y uno o dos resultados visibles.
Subject: ceramic mug, thick stoneware body, slight irregularity along the rim, speckled clay visible through the glaze
Compáralo con a beautiful high-quality mug, que no dice al modelo nada renderizable.
Acabado superficial
El acabado es donde el renderizado falla con más frecuencia, porque «brillante» y «premium» no son instrucciones ejecutables. Describe cómo se comporta la luz sobre la superficie.
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
Encuadre
Toma prestada la terminología fotográfica. Esto da al modelo un modelo coherente del espacio de la lente.
product hero shot, eye-level, centered, shallow depth of field with the background falling off softlythree-quarter angle, slightly above eye level, product occupying the lower two thirds of the frameflat lay, directly overhead, product aligned to the frame edges with even margins
Descriptores de textura realmente útiles
Usa estos términos solo cuando el producto realmente sea así: brushed, frosted, matte, satin, polished, woven, knurled, embossed, anodized. Cada uno corresponde a una respuesta luminosa concreta, y esa es exactamente la razón por la que superan a los elogios genéricos.
Una línea completa de descripción de sujeto orientada al detalle:
Subject: matte ceramic candle jar, unglazed exterior with fine grain, smooth glazed interior lip, thin wooden lid resting slightly ajar
Fíjate en que no hay superlativos. Cada palabra restringe geometría o luz.

Ponderaciones y una lista negativa breve
Enfatizar y atenuar palabras
Cuando un slot se ignora, tienes dos palancas: mover esa palabra más al principio del prompt o ponderarla. La sintaxis de ponderación varía según la herramienta, así que antes de depender de una notación concreta en cargas de producción, confirma qué acepta flux-2-klein-9b/text-to-image en la API de hiapi. En la práctica, reordenar es la corrección más portátil: las palabras cerca del inicio del slot pesan más que las enterradas al final.
Las ponderaciones deben reservarse para conflictos reales, no para el énfasis cotidiano. Si el texto de la etiqueta encoge una y otra vez, pondera el slot de texto, no cada palabra del sujeto.
Fundamenta la lista negativa en evidencia
La lista negativa es una lista de parches, no una lista de deseos. Empieza vacía. Renderiza. Cuando veas un artefacto concreto, añádelo. Cuando dejes de verlo, plantéate quitarlo.
Un conjunto inicial práctico para trabajo de imágenes de producto:
Negatives: warped lettering, duplicate text, extra fingers, distorted reflections
Para la mayoría de los prompts de comercio electrónico, ese es más o menos el límite útil. Las listas negativas demasiado largas causan dos problemas. Primero, consumen presupuesto del prompt que de otro modo describiría el producto. Segundo, negativos amplios como blurry o low quality pueden empujar al modelo lejos de la suave profundidad de campo y la textura superficial sutil que realmente quieres.
Añade negativos por categoría de artefacto:
- Fallos de texto:
warped lettering,duplicate text,misspelled labels - Fallos estructurales:
asymmetric bottle,floating product,missing lid - Fallos de iluminación:
harsh specular hotspots,double shadows - Fallos de fondo:
cluttered background,visible seams
Revisa la lista cada pocos renders. Si un elemento lleva mucho tiempo sin aparecer, elimínalo y gasta esas palabras en otra cosa.
Ejecución en la API de hiapi: curl y Python
El ID del modelo es flux-2-klein-9b/text-to-image. Ambos clientes envían la misma forma de petición: el identificador del modelo más un objeto de parámetros que contiene el prompt ensamblado. Sustituye la clave de API y la URL base por los valores de tu cuenta de hiapi.
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())
Ajustar la carga
Mantén el prompt como una única cadena ensamblada a partir de variables de slot; no envíes un campo por slot a menos que la documentación de la API lo admita explícitamente. En el código, guarda cada slot como una variable independiente y concaténalas, de modo que puedas cambiar el fondo o el texto de la etiqueta por SKU sin tocar el resto de la receta. Consulta la referencia de la API para confirmar la ruta exacta del endpoint y los parámetros aceptados en tu cuenta; añade allí también controles de tamaño de salida o de semilla aleatoria si tu integración los necesita.

Un ejemplo completo de imagen de producto de comercio electrónico
A continuación, un ejemplo completo y reutilizable para una marca de café que lanza café tostado en bolsa. Cada slot está relleno, la lista negativa es corta y el texto es lo bastante breve para renderizarse de forma estable.
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
Envíalo con la misma forma de petición mostrada antes, sustituyendo solo la cadena del prompt:
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}
Lee el primer render como una lista de comprobación. ¿El texto es nítido y está bien escrito? Si no, acorta la copia o simplifica la descripción tipográfica. ¿Aparece la textura del papel? Si la bolsa parece plástico, refuerza el slot de material y añade descriptores de acabado. ¿La dirección de la sombra es coherente? Si ves dos sombras, el slot de luz tiene un conflicto: elimina una fuente de luz.
Haz un solo cambio por iteración y conserva la versión que mejora el slot objetivo sin degradar los demás. Guarda cada prompt aceptado junto a su salida, de modo que la receta de un SKU nunca se pierda.
Iteración: del primer render a un conjunto de imágenes coherente
Un buen render individual es solo una demostración. Un conjunto de imágenes coherente es lo que necesita un catálogo de comercio electrónico. El objetivo es variar la composición manteniendo fijos el sujeto, la lógica de iluminación y el tratamiento del texto.
Congela los slots de identidad
Mantén Subject y Light idénticos byte a byte en todo el conjunto de imágenes. Definen qué es el producto y cómo se ilumina. Cambiarlos entre tomas distintas es justo lo que hace que una serie parezca provenir de marcas diferentes. Fíjalos como constantes en el código y construye las variaciones solo sobre ellos.
Varía la composición de forma deliberada
Escribe de antemano dos o tres cadenas de composición y reutilízalas entre SKU:
product hero shot, centered, eye-level, neutral gradient backgroundthree-quarter angle from above, product in the lower two thirds, surface visibleflat lay, directly overhead, even margins on all sides
Rotar un vocabulario de composición fijo produce un conjunto que parece diseñado intencionadamente y no aleatorio.
Sustituye solo el slot de texto por variante
Si una línea de productos comparte envase, a menudo solo cambia el slot de texto entre SKU. Parametrízalo y deja todo lo demás igual. También es el slot que falla con más facilidad, así que pruébalo por separado con una sola composición antes de generar el conjunto completo.
Registra los cambios como diferencias
Mantén los prompts bajo control de versiones. Cada commit debería cambiar un solo slot e incluir el render que produjo. Cuando una variante posterior presente una regresión (por ejemplo, que la etiqueta se deforme de repente), puedes rastrearla hasta la edición concreta del slot en lugar de rehacer toda la receta.
Sabe cuándo dejar de ajustar
Si tres ediciones consecutivas de un slot no producen ninguna mejora visible, el problema probablemente esté fuera del prompt: la propia petición, o un detalle físico que el modelo no puede resolver con ese encuadre. Saca ese detalle del prompt y resuélvelo en posproducción, o cambia la composición para que deje de ser crítico.
Una vez que tus constantes y tu vocabulario de composición se estabilicen, generar el conjunto completo de productos se convierte en un bucle sobre cadenas de texto y composición, no en un ejercicio de reescribir el prompt cada vez. Mantén fijo el esqueleto de la receta y el catálogo podrá escalar con él.
Artículos relacionados
Ver todos los artículos →-
Guía de uso
Guía de inicio con gpt-6.2-sol: límites de capacidad, integración vía API y consideraciones sobre el precio por token
Puntos clave de decisión e implementación de la integración para equipos de ingeniería
-
Guía de uso
Guía de inicio de gpt-6.2-astra: límites de capacidad del modelo de texto, puntos clave de integración y control de costes
-
Guía de uso
Guía de inicio de Tripo H3.1: cómo elegir entre tres modos de entrada, parámetros y precios
Guía práctica de decisiones de integración y control de costes de la generación 3D para desarrolladores