To notatki z webinaru Weavy Flow State #1, prowadzonego przez platformę Weavy. Gościem był Rory Flynn, praktyk AI workflow współpracujący z zespołami kreatywnymi i agencjami performance marketingowymi. Wszystkie obserwacje, przemyślenia i wnioski w tekście głównym pochodzą od uczestników rozmowy. Wyjątek stanowią checklista system promptu, zestawienie promptów w aneksie oraz sekcja „Kluczowy insight” – te elementy są opracowaniem i interpretacją na bazie omówionych treści.

TL;DR

Nowe modele AI testuj protokołem 10–15 standardowych promptów, osobno dla video i obrazu. Jeśli model nie zdaje, przechodzisz dalej.
Budowanie workflow zacznij od końca: znajdź dobry output, który chcesz replikować, a potem pracuj wstecz do inputu.
System prompt to rdzeń całego systemu, nie opcja. Obejmuje rolę modelu, ograniczenia, specyfikacje i listę zakazanych zachowań.
Modele AI mają silną tendencję do „genialnej przeciętności”: centrum kadru, symetria, idealna twarz, idealne światło. Aktywna walka z tym to dziś osobna umiejętność.
Dekonstrukcja problemu to umiejętność, której nie deleguje się maszynie. Reszta jest do oddania.
Workflow projektuj pod konkretnego odbiorcę: inaczej dla marketera, inaczej dla dyrektora fotografii.
Rynek „workflow jako usługi” jest praktycznie pusty. To otwarta nisza.
W erze AI wygrywa ciekawość i nieustępliwość w rozwiązywaniu problemów, nie wąska specjalizacja techniczna.

Kontekst: kto to jest Rory Flynn

Weavy Flow State to seria webinarów organizowanych przez platformę Weavy, w której praktycy AI workflow dzielą się tym, jak faktycznie pracują z narzędziami generatywnymi. Pierwszym gościem był Rory Flynn, znany w społeczności z budowania złożonych, powtarzalnych systemów dla zespołów kreatywnych i agencji performance marketingowych.

Flynn nie pracuje na scenicznych przykładach. Na co dzień mierzy się z prawdziwymi klientami, prawdziwymi briefami i sesjami zdjęciowymi za 90 000 dolarów, które lądują w magazynie nieużywane. Dlatego jego podejście do AI jest rzeczowe i pozbawione marketingowego szumu.

Jak nie dać się wciągnąć w hype nowych modeli?

Nowe modele pojawiają się z regularnością cotygodniową, każdy określany mianem przełomu. Flynn odpowiada na to konkretnym narzędziem: protokołem testowania.

Zamiast reagować na każdy launch, Flynn uruchamia ten sam zestaw 10–15 promptów na każdym nowym modelu. W przypadku modeli video sprawdza fizykę i odbicia, ekstremalne ruchy kamery, złożone emocje i mimikę oraz synchronizację dźwięku z obrazem. Dla modeli obrazu kluczowe pytania są inne: czy model reaguje na długi, szczegółowy prompt? Czy zachowuje spójność między generacjami? Czy radzi sobie z drobnym tekstem na etykiecie albo z kompleksowym produktem wieloelementowym?

Według Flynna, w video łatwiej ukryć słabości: montaż maskuje wpadki, a jeden dobry klip wypełnia całą prezentację. Obraz jest w tym sensie uczciwy. Albo działa, albo nie.

Jeśli model nie przejdzie przez protokół, Flynn przechodzi dalej bez zastanowienia. Przy takiej liczbie dostępnych modeli nie ma powodu zatrzymywać się przy czymś, co nie spełnia podstawowych wymagań.

Które modele do testów, a które do produkcji?

Flynn stosuje wyraźny podział w swoim codziennym zestawie narzędzi. Do wstępnych testów video sięga po Groka: szybki, tani i wystarczający do oceny, czy pomysł w ogóle ma sens. Minimax traktuje jako etap pośredni przed kosztowniejszymi modelami produkcyjnymi. Do finalnych renderów video używa Clinga (w tym wciąż aktualnej wersji 2.5) oraz VO. Do szybkich testów obrazu wskazuje Reeve ze względu na prędkość, natomiast Flux wyróżnia jako model dający twardszą i bardziej realistyczną estetykę niż większość konkurencji.

Praktyczna wskazówka dotycząca kosztów: podczas iteracji warto generować w rozdzielczości 1k lub 2k zamiast 4k. Wynik jest wystarczający do oceny koncepcji, a koszt kredytów znacząco niższy. Do finalnego outputu zmienia się rozdzielczość i generuje raz.

Jako ogólną platformę Flynn wskazuje Nano Banana, która trafiła do każdego jego workflow. W jego ocenie jest to obecnie najlepsze narzędzie, z którego nie ma już jak zrezygnować.

Workflow zaczyna się od końca, nie od początku

Większość osób zaczyna budować workflow od pytania: „co mam na wejściu i co mogę z tym zrobić?” Flynn robi odwrotnie. Punktem startowym jest zawsze output, który już działa i który chce replikować, a następnie pytanie: „jak tu dotarłem i jak to zautomatyzować?”

Według Flynna, każdy workflow opiera się na trzech krokach:

Dekonstrukcja – rozbij problem na składowe. Hamburger to bułka, sałata, pomidor, mięso, ser, ketchup. Gdy składniki leżą na stole, można złożyć coś nowego lub zupełnie innego.
System prompt – zakoduj reguły, limity i specyfikacje tak, żeby output był powtarzalny niezależnie od inputu.
Sekwencjonowanie narzędzi – połącz elementy w odpowiedniej kolejności. To łączna tkanka całego workflow.

Konkretny przykład tej logiki to asset reversion: klient ma jeden obraz 1:1, ale potrzebuje go w formacie YouTube, Instagram, banner reklamowy i kilku innych. Zamiast robić to ręcznie za każdym razem, Flynn buduje workflow wykonujący to jednym kliknięciem. System prompt instruuje model: zachowaj środek, domaluj otoczenie, dostosuj proporcje. Pięć minut inwestycji raz, w zamian za zaoszczędzone godziny przy każdym kolejnym zleceniu.

System prompt: gdzie leży cała precyzja

Flynn spędza z system promptami więcej czasu niż z jakimkolwiek innym elementem pracy. Podstawowa struktura, którą stosuje, składa się z czterech warstw:

Rola – kim jest model w tym zadaniu (np. „system analizy obrazu i adaptacji canvas”).
Cel główny – co ma być zawsze prawdą bez wyjątku (np. produkt zawsze w centrum, nigdy regenerowany od zera).
Specyfikacje szczegółowe – materiał, paleta kolorów, oświetlenie, środowisko, proporcje.
Limity i zakazy – lista rzeczy, których model nie może robić.

Ten ostatni punkt Flynn podkreśla szczególnie. Przez długi czas prompty skupiały się na tym, co model ma robić. Tymczasem coraz ważniejsze, a w wielu przypadkach ważniejsze, staje się mówienie modelowi, czego robić nie może.

Przykładem jest workflow dla BarkBox: Flynn buduje system generujący 9 kątów widoku zabawki dla psa. System prompt koduje spójność ściegów (nawet bez referencji wizualnej), blokadę proporcji, zakotwiczenie oświetlenia i pełną shot list – front, bok, tył, trzy kąty, niski kąt hero. W efekcie z jednego inputu powstaje powtarzalny, spójny zestaw obrazów produktowych.

Takie system prompty buduje się iteracyjnie: uruchamiasz, widzisz błąd, dodajesz regułę, uruchamiasz ponownie. Z czasem powstaje coś, co działa za każdym razem.

Checklista: kompletny system prompt

Zanim uruchomisz workflow, sprawdź, czy system prompt zawiera:

Rola – kim jest model w tym zadaniu
Cel główny – co ma być zawsze prawdą, bez wyjątków
Specyfikacje – materiał, paleta kolorów, oświetlenie, środowisko, proporcje
Shot list lub output list – dokładna lista elementów do wygenerowania
Limity i zakazy – czego model absolutnie nie może robić
Reguły kompozycji – symetria, asymetria, negatywna przestrzeń
Format outputu – jak zakończyć każdy prompt (bez komentarzy, bez znaków specjalnych)

Jak walczyć z „genialną przeciętnością” modeli?

Modele AI mają silnie zakodowane tendencje domyślne. W opisie Flynna: obiekt zawsze wycentrowany, twarz zawsze prosto w kamerę, oświetlenie zawsze idealne, kompozycja zawsze symetryczna. Model dąży do bycia jak najlepszy i właśnie w tym tkwi problem.

W środowisku, gdzie wszyscy używają tych samych modeli, „jak najlepsze” szybko staje się „jak wszyscy”. To nie jest przewaga kreacyjna, lecz jej przeciwieństwo.

Flynn przeciwdziała temu, wpisując do system promptów reguły obowiązkowej asymetrii. Przykłady z jego workflow samochodowego:

Obiekt nigdy nie jest idealnie wycentrowany.
Stosuj regułę trójpodziału, lewy lub prawy kadr.
Odrzucaj standardowe kadrowanie portretowe.
Ucinaj maskę, wpychaj obiekt w narożnik, przycinaj po linii dachu.
Dodawaj rozmycie ruchu, aberrację chromatyczną, ziarno i drobne niedoskonałości.

Dodatkowo Flynn daje modelowi pozwolenie na skupienie się na detalu zamiast na całości – jeśli celem jest opona, model nie musi wcisnąć w kadr całego samochodu.

Rezultatem są ujęcia wyglądające jak z prawdziwej sesji, nie jak render z katalogu produktowego.

Trzy techniki, które robią dużą różnicę przy produktach

Biały background jako strategia inputu

Flynn konsekwentnie używa białego tła dla obiektów wejściowych. Uzasadnienie jest praktyczne: model nie musi „tracić uwagi” na środowisko i skupia całą moc na detalu samego obiektu. Przy zbyt bogatych inputach – gdy w kadrze jednocześnie dzieje się wiele – jakość odwzorowania detali wyraźnie spada. Biały background eliminuje ten problem, a przy tym ułatwia późniejsze przenoszenie obiektu do różnych środowisk i scenografii.

Contact sheet jako „mini LoRA”

Po wygenerowaniu 9 kątów produktu Flynn składa je w jedną siatkę referencyjną zwaną contact sheet, którą następnie traktuje jako wejście do kolejnej generacji. Zamiast podawać modelowi jeden kadr z nadzieją, że odgadnie resztę, dostarcza mu pełny kontekst wizualny obiektu ze wszystkich stron jednocześnie. Wynikiem jest znacznie wyższa spójność w kolejnych generacjach lifestyle’owych i scenograficznych.

Proportion guide przy produktach z postaciami

Przy tworzeniu ujęć zabawek BarkBox obok psów Flynn napotykał powtarzający się problem: model skalował produkt nieadekwatnie do rozmiaru psa. Chihuahua i labrador trzymały tę samą zabawkę w tej samej skali, co wizualnie wyglądało absurdalnie.

Rozwiązaniem jest proportion guide – osobny krok w workflow generujący wizualny przewodnik proporcji produktu względem różnych rozmiarów psów. Ten przewodnik trafia jako referencja do kolejnej generacji i pozwala modelowi właściwie odczytać rzeczywiste relacje przestrzenne. Krok wymaga ręcznej weryfikacji, więc działa poza głównym workflow, jednak raz przygotowany poprawia jakość każdej kolejnej sesji.

Workflow pod konkretnego odbiorcę, nie dla wszystkich naraz

Ten sam workflow może być zbudowany na zupełnie różnych poziomach dostępu, w zależności od tego, kto będzie go obsługiwał. Dla marketera bez zaplecza technicznego Flynn buduje uproszczony interfejs: minimalna liczba inputów, maksymalnie doprecyzowany system prompt, który resztę uzupełnia samodzielnie zgodnie z brand guidelines klienta. Dla dyrektora fotografii buduje pełną wersję z dostępem do każdego parametru, gdzie model zachowuje się jak posłuszny operator kamery.

Jak zaznacza Flynn, kreatywność rzadko jest problemem w organizacjach. Problemem są procesy i systemy stojące między pomysłem a gotowym assetem. Dobrze zaprojektowany workflow wypełnia tę lukę na poziomie konkretnej osoby, która go obsługuje.

Jakie umiejętności zachować, a jakie delegować?

Flynn wyróżnia dwa obszary, których nie deleguje do AI. Pierwszym jest faza badań i testowania modeli: żeby wiedzieć, jak właściwie użyć modelu, trzeba go samodzielnie sprawdzić. Drugim jest dekonstrukcja problemu – zanim cokolwiek zbudujesz, musisz zrozumieć, z czego problem się składa. To myślenie wymaga rozumienia kontekstu, którego maszyna nie może odczytać za człowieka.

Natomiast do maszyny Flynn oddaje chętnie: ingestowanie 180-stronicowych dokumentów brand guidelines (agenci rozkładają je na czynniki pierwsze i kodują w system prompty), analizę 200–300 obrazów źródłowych w 65 punktach i ich grupowanie w 10–12 szablonowych „przepisów”, a następnie generowanie wariantów na podstawie raz ustalonej struktury.

Celem tej mechanizacji jest uwolnienie czasu od zadań, które nie wymagają twórczego wkładu, po to, żeby ten wkład skierować tam, gdzie naprawdę robi różnicę.

Workflow jako narzędzie edukacyjne dla całego zespołu

Dobrze zbudowany workflow w narzędziu node-based to nie tylko narzędzie operacyjne. Każdy, kto go otworzy, widzi każdy krok procesu, każdy prompt i każde połączenie między węzłami. W praktyce jest to mapa myślenia twórcy, dostępna dla całego zespołu.

Według Flynna, wystarczy, że jedna osoba „złamie” dany problem i zbuduje działający workflow – reszta może go używać, uczyć się z niego i adaptować. Jak stwierdza wprost: „Wystarczy złamać to raz.” To zmienia też podejście do onboardingu. Zamiast tłumaczyć procesy słowami, wystarczy otworzyć workflow i pokazać.

Rynek się konsoliduje, a nisza workflow-as-a-service jest wciąż pusta

Flynn ma konkretną perspektywę na pytanie o tempo zmian w branży. Jego obserwacja: wiele mniejszych narzędzi AI jest budowanych po to, żeby zostać przejętymi przez większych graczy. Konsolidacja już trwa – Gemini i ChatGPT zmierzają w kierunku platform all-in-one eliminujących potrzebę łączenia osobnych narzędzi. Momentem przełomowym było według Flynna pojawienie się VO3, który połączył dialog, lip sync i warstwę dźwiękową w jednym modelu video. W efekcie zniknęła potrzeba używania osobnych narzędzi do każdej z tych funkcji.

Drugą obserwacją Flynna jest stan rynku usług. Rynek „workflow jako usługi” jest dziś praktycznie pusty – niewielu profesjonalistów świadczy tego rodzaju wsparcie. Każdy zespół ma inne procesy, inne potrzeby i inny skład osobowy, co sprawia, że każde wdrożenie jest szyte na miarę. Z jednej strony utrudnia to standaryzację, z drugiej jednak tworzy trwałą wartość dla kogoś, kto potrafi tę usługę świadczyć.

Kto wygra w erze AI? Ciekawi i nieustępliwi

O sukcesie nie decyduje rozmiar zespołu, stopień specjalizacji ani doświadczenie z konkretnym narzędziem. Decyduje ciekawość i nieustępliwość w rozwiązywaniu problemów.

Flynn obserwuje dwa typy skutecznych profesjonalistów. Pierwszym są generaliści bez naleciałości z poprzednich narzędzi, którzy traktują każde nowe możliwości jako otwartą wodę. Drugim są głęboko wyspecjalizowani eksperci, jak dyrektorzy fotografii czy specjaliści VFX, którzy rozumieją tradycyjny proces na tyle dobrze, że potrafią go przełożyć na workflow AI.

Wspólny mianownik obu typów: kiedy coś nie działa trzy razy z rzędu, nie dochodzą do wniosku „to nie działa”. Zamiast tego pytają: czy potrzebuję pierwszego i ostatniego kadru? Czy obraz wejściowy jest poprawny? Czy prompt pokazuje wystarczający kontekst? Według Flynna ta postawa, a nie konkretna umiejętność techniczna, jest tym, co przetrwa kolejne iteracje narzędzi i modeli.

Podsumowanie

Flynn nie buduje pojedynczych promptów. Buduje systemy. Różnica jest fundamentalna: pojedynczy prompt to jednorazowe rozwiązanie, system to infrastruktura skalująca się na całą organizację.

Kluczowe wnioski z rozmowy:

Testuj modele protokołem, nie instynktem. Używaj tańszych modeli do iteracji, droższych do finalnego outputu.
Pracuj wstecz od dobrego outputu.
System prompt to inwestycja, nie formalność. Limity i zakazy są równie ważne jak specyfikacje.
Walcz aktywnie z domyślnymi tendencjami modeli.
Biały background, contact sheet i proportion guide to proste techniki robiące dużą różnicę przy produktach.
Projektuj workflow pod konkretnego odbiorcę, nie dla wszystkich naraz.
Chroń umiejętność dekonstrukcji problemu, resztę deleguj.

Kluczowy insight

Nudne zadania wygrywają z efektownymi

Standardowo myślimy: AI w kreacji to narzędzie do robienia rzeczy spektakularnych. Reklamy jak Super Bowl. Materiały, które robią wrażenie na zarządzie. Projekty lądujące w show reelu.

W praktyce okazuje się, że: Największe zyski z AI nie płyną z efektownych projektów, lecz z zadań, których nikt nie chce robić. Flynn opisuje swoją pracę słowami: „Żyję w cieniach procesu kreatywnego.” Sesja zdjęciowa za 90 000 dolarów nieużywana w magazynie, asset przeformatowywany ręcznie na dwanaście rozmiarów, storyboard rysowany od zera za każdym razem – to właśnie tam kryje się wartość. Organizacje gonią za AI-owym Super Bowlem, podczas gdy największy zysk leży w zadaniach powtarzanych bezmyślnie każdego dnia przez cały rok.

Dlaczego to jest istotne: Efektowne projekty AI są jednorazowe i trudne do skalowania. Zautomatyzowane procesy powtarzalne działają natomiast każdego dnia bez dodatkowego nakładu pracy. Skumulowany zysk z „nudnych” workflow wielokrotnie przewyższa jednorazowy projekt wyglądający dobrze na prezentacji.

Test na jutro: Następnym razem, gdy zaczynasz myśleć o wdrożeniu AI w swoim zespole, zamiast pytać „co możemy zrobić efektownego?”, zapytaj każdą osobę: „co robisz codziennie, co najbardziej cię nudzi lub irytuje?” i zbuduj workflow właśnie tam. Sprawdź, ile czasu odzyskujesz w ciągu tygodnia.

Aneks: prompty z workflow Rory’ego Flynna

Poniżej zestawione fragmenty promptów, które Flynn cytuje lub opisuje bezpośrednio podczas webinaru. Tam, gdzie podaje dosłowne brzmienie, zachowano je w oryginale (angielski). Tam, gdzie opisuje strukturę, zrekonstruowano ją na podstawie jego słów. To opracowanie, nie dosłowny cytat.

1. Asset reversion – system prompt (JSON)

Kiedy używać: Gdy masz jeden master asset i potrzebujesz go w wielu formatach naraz (YouTube, Instagram, banner, print itd.) bez ręcznego kadrowania każdego z osobna.

Struktura:

Role: "Technical image analysis and canvas adaptation system.
Analyze source image and determine optimal strategy to adapt
to target aspect ratios while preserving product fidelity."

Core rule: Product must be pixel perfect. Never regenerated.
Strategy: Lock subject in center. Outpaint around the edges
to fill target canvas. Match environment, never invent new elements.

[+ ranking system for each target ratio]
[+ list of what NOT to do]

Uwaga Flynna: Flynn pisze ten prompt w JSON, bo ten format wymusza precyzję i hierarchię reguł. Nie jest to obowiązkowe, ale pomaga utrzymać porządek w złożonych systemach.

2. BarkBox – 9 kątów produktu, system prompt

Kiedy używać: Przy produktach e-commerce, gdzie potrzebujesz pełnego zestawu ujęć z różnych stron, spójnych materiałowo i oświetleniowo, z jednego inputu.

Struktura:

Role: "Lead CGI technical director."

Goal: Generate 9 new images from source. Rotate to specific
angles. Maintain full material and detail fidelity.

Fidelity lock: [opis materiałów, tekstur, detali]
Stitching continuity: Zachowaj ściegi nawet bez referencji wizualnej.
Proportion lock: Proporcje identyczne na każdym ujęciu.
Lighting anchor: To samo źródło światła, ten sam kierunek.
Environment anchor: [opis tła i środowiska]

Shot list:
1. Full body front
2. Full body side (left)
3. Full body side (right)
4. Full body rear
5. Three-quarter front left
6. Three-quarter front right
7. Full rear three-quarter left
8. Full rear three-quarter right
9. Low angle hero

Uwaga Flynna: Shot list jest zawsze generowana w tej samej kolejności. Dzięki temu output jest przewidywalny i łatwy do ułożenia w contact sheet.

3. Edycja kątów – prompt „zachowaj to, zmień tamto”

Kiedy używać: Przy iteracji kątów i perspektyw obiektu za pomocą modeli do edycji obrazu (np. ChatGPT image edit, Nano Banana). Prosta, powtarzalna struktura.

Prompty (trzy warianty):

Keep this exact car. Preserve the fine details and the environment.
Change to a front view.

Keep this exact car. Preserve the fine details and the environment.
Change to a perfect rear view.

Keep this exact car. Preserve the fine details and the environment.
Change to a perfect three-quarter angle view.

Uwaga Flynna: Prompty do edycji nie muszą być skomplikowane. Zasada „zachowaj to, zmień tamto” wystarczy – resztę robi precyzja opisu zmiany.

4. Contact sheet – prompt

Kiedy używać: Gdy chcesz złożyć wszystkie kąty obiektu w jedną siatkę referencyjną, która potem trafi jako input („mini LoRA”) do kolejnych generacji lifestyle’owych.

Prompt:

Create a nine-image contact sheet. Three by three grid format.
Nine different angles. Vary: shot depth, angle, camera tilt,
perspective, camera height. Preserve all fine details.
Zigzag layout.

Uwaga Flynna: Contact sheet jako input do kolejnej generacji daje modelowi pełny kontekst wizualny obiektu ze wszystkich stron jednocześnie, co poprawia spójność w ujęciach scenograficznych.

5. Lifestyle shoot samochodu – user input + system prompt

Kiedy używać: Gdy masz ustaloną referencję wizualną obiektu i chcesz generować serię ujęć w różnych scenografiach z zachowaniem spójności estetycznej.

User input (wchodzi do systemu):

Photo shoot of this car. Crop perspectives. Action driving scene.
Location: [opis]. Dark environment. Harsh flash.

Co system prompt robi z tym inputem:

Analizuje samochód i buduje fidelity lock.
Analizuje środowisko: układ, temperaturę kolorów, tekstury, rekwizyty.
Dekonstruuje każdy element przed wysłaniem do LLM.
Limituje output: każdy prompt kończy się gwiazdką, bez dodatkowych komentarzy i bez znaków specjalnych (batch generation nie toleruje niespójności).
Wymusza reguły obowiązkowej asymetrii.

Uwaga Flynna: Im bardziej ustrukturyzowany system prompt, tym węższy zakres możliwych outputów. To zaleta. Lepiej zacząć od „ciasnego” promptu i luzować, niż odwrotnie.

6. Projektowanie nowej sylwetki – prompt koncepcyjny

Kiedy używać: Na etapie ideacji, gdy wchodzisz z mood boardem i chcesz wygenerować nową formę wizualną jako punkt startowy. Nie system prompt – zwykły prompt.

Prompt:

Take this inspiration [mood board of body styles].
Invent a new supercar body style based on this reference.
Output: matte gray render, neutral background.

Uwaga Flynna: Szary mat jako domyślny kolor wyjściowy to świadomy wybór. Neutralna, bezrefleksyjna powierzchnia ułatwia późniejsze nakładanie dowolnego designu, koloru lub wrapu, a przy tym nie przyciąga uwagi modelu.

7. Kodak vintage wrap – prompt stylistyczny

Kiedy używać: Gdy masz gotową formę obiektu i chcesz przepisać jej powierzchnię zgodnie z konkretną referencją wizualną (branding, opakowanie, styl fotograficzny).

Prompt:

Use the exact car from this image.
Apply film aesthetic inspired by vintage Kodak packaging.
Base color: black.
Use linear geometry from the packaging.
Add synth wave gradients. Include Kodak rainbow color scheme.
Apply typography and branding elements from reference.
Mood: [descriptor emocjonalny, np. "nostalgic tension", "cinematic dusk"]

Uwaga Flynna: Descriptor emocjonalny na końcu to stały element jego promptów. Empirycznie poprawia jakość outputu, choć Flynn nie potrafi logicznie tego uzasadnić.

8. BarkBox lifestyle – prompt końcowy

Kiedy używać: Gdy masz gotowy contact sheet produktu i chcesz generować ujęcia lifestyle’owe z zachowaniem proporcji i spójności wizualnej.

Prompt (uproszczony):

Generate lifestyle shots of this product with dogs of different sizes
in different scenarios. Use proportion guide as reference for scale.

Uwaga Flynna: Bez proportion guide model skaluje produkt dowolnie – ta sama zabawka w pyszczku chihuahuy i labradora ma identyczny rozmiar. Proportion guide rozwiązuje ten problem zanim się pojawi.

Ten wpis jest częścią kolekcji notatek z ciekawych podcastów, webinarów i innych treści wartych zachowania. Oryginalne źródło znajdziesz tutaj: Weavy Flow State #1 – Live With Rory Flynn

Tag: Testowanie Modeli Ai

Workflow AI, który naprawdę działa – Rory Flynn #EN382