Guia de uso
Receitas de prompts de geração de imagens de produtos de e-commerce com flux-2-klein-9b
Estruturas de prompt prontas para copiar, voltadas à renderização de texto e a detalhes de alta fidelidade, além de requisições curl e Python pela API hiapi
Nesta página
Por que a estrutura do prompt importa mais que o comprimento
A maioria dos renders ruins de produtos não acontece por falta de adjetivos, mas porque o prompt mistura sujeito, enquadramento, iluminação e requisitos de texto em um bloco de palavras indistinguíveis. Quando a saída sai errada, você não consegue identificar qual frase causou o problema, então acaba reescrevendo o parágrafo inteiro e descartando junto as partes que funcionavam.
Prompts estruturados resolvem isso porque cada parte da descrição tem um lugar definido. Você altera um slot por vez e renderiza de novo. Se a tipografia da etiqueta ficou distorcida, mexa no slot de texto. Se a garrafa parece plástico em vez de vidro fosco, mexa na descrição de material. Todo o resto permanece igual, o que torna a iteração barata e os bons resultados reproduzíveis.
Prompts mais longos não aumentam a fidelidade automaticamente. Depois de certo tamanho, adjetivos extras começam a competir entre si: "glossy" e "matte" no mesmo trecho, duas direções de luz diferentes, três tons de fundo todos plausíveis. O modelo só pode tirar a média deles, e um prompt médio produz imagens medianas. Um prompt curto com slots claramente separados dá ao modelo instruções inequívocas.
Este guia usa em toda parte o formato de receita em cinco slots:
- Subject (sujeito) — o produto e seus atributos físicos decisivos
- Composition (composição) — enquadramento, ângulo, posicionamento, fundo
- Light (luz) — direção, textura, comportamento das sombras
- Text (texto) — conteúdo exato, posição, hierarquia
- Negatives (negativos) — uma lista curta de artefatos a suprimir
Cada seção abaixo traz strings prontas para copiar, específicas de um slot. Você monta essas strings, executa em flux-2-klein-9b/text-to-image na API hiapi e ajusta apenas um slot por rodada de iteração.
O esqueleto da receita: sujeito, composição, luz, texto, negativos
O modelo é o seguinte. Trate as partes entre colchetes como campos a preencher, não como sugestões.
Subject: [nome do produto], [material principal], [acabamento de superfície], [um detalhe diferenciador]
Composition: [tipo de plano] de [posicionamento do sujeito], [descrição do fundo], [ângulo de câmera]
Light: luz [direção] [textura], [descrição da sombra]
Text: as palavras "[texto exato]" em [estilo de fonte], posicionadas [posição], com tamanho [tamanho relativo]
Negatives: [artefato], [artefato], [artefato]
Um exemplo preenchido para um produto de skincare:
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: as palavras "DAILY SERUM" em uma sans-serif geométrica limpa, posicionadas na faixa da etiqueta, com tamanho que ocupe a maior parte da largura da etiqueta
Negatives: warped lettering, duplicate labels, harsh specular hotspots
Duas regras mantêm esse esqueleto confiável. Primeiro, a ordem importa menos que a separação — esses rótulos (Subject:, Light:) servem para manter sua disciplina ao editar e podem ser omitidos quando o prompt estiver estável. Segundo, mantenha poucos descritores concretos por slot. Se um slot precisa de mais de duas linhas, provavelmente você está descrevendo duas imagens diferentes.
Mire em quinze a quarenta palavras por slot de conteúdo. Essa faixa basta para fixar a realidade física do produto sem deixar espaço para o modelo inventar interpretações concorrentes.
Receitas para tornar o texto da imagem nítido e legível
A renderização de texto é onde a disciplina de prompt compensa mais. Três hábitos melhoram bastante o resultado: citar o texto exato, indicar o posicionamento e manter a contagem de palavras baixa.
Cite uma única vez e com exatidão
Coloque o texto desejado entre aspas e declare-o apenas uma vez. Repetir a mesma string em slots diferentes induz o modelo a renderizá-la duas vezes.
Text: as palavras "AURORA" em uma sans-serif condensada em negrito, centralizadas no painel frontal, grandes o suficiente para dominar o terço superior
Especifique a hierarquia claramente
Quando houver dois elementos de texto, diga qual é o principal e qual é o secundário, e descreva os tamanhos relativos.
Text: linha principal "COLD BREW" em uma serifada pesada, centralizada; linha secundária "single origin" em uma sans-serif leve menor, logo abaixo, com cerca de um quarto da altura da linha principal
Ancore o posicionamento a características físicas
"Centralizado" é fraco. "Centralizado na etiqueta frontal, entre a borda superior e o anel do gargalo" dá ao modelo geometria utilizável.
Text: as palavras "SPF 30" em uma sans-serif arredondada, posicionadas no canto inferior direito da etiqueta, pequenas em relação ao produto
Mantenha o texto curto
Uma a quatro palavras renderizam de forma confiável. Frases completas, alegações de produto e listas de ingredientes são exatamente onde a legibilidade desmorona em glifos derretidos. Se sua embalagem realmente precisa de um parágrafo, gere primeiro a imagem limpa do produto e depois componha a tipografia real por cima — o modelo não é um motor de layout.
Padrões eficazes para etiquetas de e-commerce
- Marca curta:
as palavras "NORD" em uma sans-serif geométrica em caixa alta, com tracking amplo, centralizadas no ombro da garrafa - Volume ou capacidade:
as palavras "250ml" em uma sans-serif regular pequena, na borda inferior da etiqueta, alinhadas à direita - Palavra de categoria:
as palavras "BODY LOTION" em uma sans-serif de peso médio, em uma linha, ocupando a largura da etiqueta
Se o render sair com caracteres embaralhados, encurte a string primeiro antes de considerar mudar qualquer outra coisa. O comprimento é o eixo de falha mais comum.
Receitas para detalhes de produto de alta fidelidade
A fidelidade vem de especificidade física, não de densidade de adjetivos. Três slots fazem a maior parte do trabalho: material, acabamento de superfície e enquadramento.
Material
Nomeie a substância e uma ou duas consequências visíveis.
Subject: ceramic mug, thick stoneware body, slight irregularity along the rim, speckled clay visible through the glaze
Compare com a beautiful high-quality mug, que não diz ao modelo nada renderizável.
Acabamento de superfície
O acabamento de superfície é onde os renders mais erram, porque "brilhante" e "premium" não são instruções acionáveis. Descreva como a luz se comporta na superfície.
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
Enquadramento
Use termos de fotografia. Isso dá ao modelo um modelo consistente de espaço de 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
Descritores de textura realmente úteis
Use estas palavras só quando o produto for assim de fato: brushed, frosted, matte, satin, polished, woven, knurled, embossed, anodized. Cada uma corresponde a uma resposta específica à luz, e é por isso que superam elogios genéricos.
Uma linha completa de descrição de sujeito voltada ao detalhe:
Subject: matte ceramic candle jar, unglazed exterior with fine grain, smooth glazed interior lip, thin wooden lid resting slightly ajar
Observe que não há adjetivos superlativos. Cada palavra restringe geometria ou luz.

Pesos e listas negativas curtas
Enfatizar e atenuar palavras
Quando um slot é ignorado, você tem duas alavancas: mover a palavra para mais perto do início do prompt ou atribuir peso a ela. A sintaxe de peso varia conforme a ferramenta, então, antes de depender de uma notação específica em cargas de produção, confirme o que flux-2-klein-9b/text-to-image aceita na API hiapi. Na prática, reordenar é a correção mais portável — palavras perto do início de um slot têm mais influência que palavras enterradas no fim.
Use pesos para conflitos reais, não para ênfase cotidiana. Se o texto da etiqueta sempre encolhe, dê peso ao slot de texto, não a cada palavra do sujeito.
Baseie a lista negativa em evidências
A lista negativa é uma lista de patches, não uma lista de desejos. Comece vazia. Renderize. Ao ver um artefato concreto, adicione-o. Quando não o vir mais, considere removê-lo.
Um conjunto inicial prático para trabalho com imagens de produto:
Negatives: warped lettering, duplicate text, extra fingers, distorted reflections
Para a maioria dos prompts de e-commerce, isso é praticamente o limite útil. Listas negativas muito longas trazem dois problemas. Primeiro, consomem orçamento de prompt que poderia descrever o produto. Segundo, negativos amplos como blurry ou low quality podem afastar o modelo de fundos com foco suave legítimos e texturas de superfície delicadas que você realmente quer.
Adicione negativos por categoria de artefato:
- Falhas de texto:
warped lettering,duplicate text,misspelled labels - Falhas estruturais:
asymmetric bottle,floating product,missing lid - Falhas de iluminação:
harsh specular hotspots,double shadows - Falhas de fundo:
cluttered background,visible seams
Revise a lista a cada poucos renders. Se um item não aparece há muito tempo, remova-o e gaste essas palavras em outro lugar.
Executando na API hiapi: curl e Python
O ID do modelo é flux-2-klein-9b/text-to-image. Os dois clientes enviam o mesmo formato de requisição: o identificador do modelo mais um objeto de parâmetros contendo o prompt montado. Substitua a API key e a base URL pelos valores da sua conta 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: as palavras \"DAILY SERUM\" em uma sans-serif geométrica limpa, na faixa da etiqueta, ocupando a maior parte da largura da etiqueta. 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: as palavras \"DAILY SERUM\" em uma sans-serif geométrica limpa, na faixa da etiqueta, "
"ocupando a maior parte da largura da etiqueta. "
"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())
Ajustando o payload
Mantenha o prompt como uma única string montada a partir de variáveis de slot — não envie um campo por slot, a menos que a documentação da API deixe isso explícito. No código, guarde cada slot como uma variável separada e então concatene, para que você possa mudar o fundo ou o texto da etiqueta por SKU sem tocar no restante da receita. Consulte a referência da API para confirmar o caminho exato do endpoint e os parâmetros aceitos na sua conta; se sua integração precisar, adicione ali também controles de tamanho de saída ou de seed aleatório.

Um exemplo completo de imagem de produto de e-commerce
A seguir, um exemplo completo e reutilizável para uma marca de café que está lançando café torrado em saco. Todos os slots estão preenchidos, a lista negativa é curta e o texto é curto o suficiente para renderizar de forma confiável.
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: as palavras "NIGHT ROAST" em uma serifada condensada em negrito no painel da etiqueta, centralizadas; as palavras "250g" em uma sans-serif pequena logo abaixo
Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots
Envie-a com o mesmo formato de requisição mostrado antes, trocando apenas a string do 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: as palavras \"NIGHT ROAST\" em uma serifada condensada em negrito no painel da etiqueta, centralizadas;",
"as palavras \"250g\" em uma sans-serif pequena logo abaixo.",
"Negatives: warped lettering, duplicate text, torn paper edges, harsh specular hotspots.",
])
payload = {"model": "flux-2-klein-9b/text-to-image", "prompt": prompt}
Leia o primeiro render como uma checklist. O texto está nítido e escrito corretamente? Se não, encurte o texto ou simplifique a descrição da fonte. A textura do papel aparece? Se o saco parecer plástico, reforce o slot de material e adicione descritores de acabamento de superfície. A direção da sombra está coerente? Se aparecerem duas sombras, o slot de luz está em conflito — remova uma fonte de luz.
Faça uma única alteração por rodada de iteração e guarde a versão que melhora o slot-alvo sem piorar os outros. Salve cada prompt aceito junto com sua saída, para que a receita de um SKU nunca se perca.
Iteração: do primeiro render a um conjunto consistente de imagens
Um bom render isolado é só uma demonstração. Um catálogo de e-commerce precisa de um conjunto de imagens consistente. O objetivo é variar a composição mantendo fixos o sujeito, a lógica de iluminação e o tratamento do texto.
Congele os slots de identidade
Mantenha Subject e Light idênticos byte a byte em todo o conjunto de imagens. Eles definem o que é o produto e como ele é iluminado. Alterá-los entre tomadas é exatamente o que faz um conjunto parecer vir de marcas diferentes. No código, fixe-os como constantes e construa as variações apenas em cima deles.
Varie a composição com intenção
Escreva de antemão duas ou três strings de composição e reutilize-as entre SKUs:
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
Alternar um vocabulário fixo de composição produz um conjunto que parece intencional, não aleatório.
Troque apenas o slot de texto por variante
Se uma linha de produtos compartilha a embalagem, geralmente só o slot de texto muda entre SKUs. Parametrize-o e mantenha todo o resto igual. Ele também é o slot que mais falha, então teste-o isoladamente com uma única composição antes de gerar o conjunto inteiro.
Acompanhe as mudanças como diffs
Coloque os prompts sob controle de versão. Cada commit deve alterar apenas um slot, acompanhado do render que ele produziu. Quando uma variante posterior regride — por exemplo, a etiqueta subitamente distorce — você consegue rastrear a edição específica do slot em vez de reconstruir a receita inteira.
Saiba quando parar de ajustar
Se três edições consecutivas em um slot não trouxerem melhora visível, o problema provavelmente está fora do prompt: na própria requisição, ou em algum detalhe físico que o modelo não consegue resolver no enquadramento atual. Tire esse detalhe do prompt e trate-o em pós-processamento, ou mude a composição para que ele não fique em posição de sustentação.
Quando suas constantes e seu vocabulário de composição estiverem estáveis, gerar o conjunto completo de produtos vira um loop sobre strings de texto e composição, não um exercício de reescrever o prompt a cada vez. Mantenha o esqueleto da receita fixo e o catálogo cresce junto.
Artigos relacionados
Ver todos os artigos →-
Guia de uso
Guia de introdução ao gpt-6.2-sol: limites de capacidade, integração via API e noções de precificação por token
Decisões de integração e pontos práticos para equipes de engenharia
-
Guia de uso
Guia de introdução ao gpt-6.2-astra: limites de capacidade do modelo de texto, pontos de integração e controle de custos
-
Guia de uso
Guia de introdução ao Tripo H3.1: três modos de entrada, parâmetros e como escolher o preço
Decisão de integração e controle de custos na geração 3D para desenvolvedores