Compare commits

1 Commits

Author SHA1 Message Date
a6b3a42f2a fix: Branchen-Lock aus P7/P8 entfernen, Verbotslisten angleichen, Doku-Lücken schließen
Hintergrund: Review aller 22 Prompt-Templates (P1-P18 + P8-Adapter) auf
Konsistenz. BrandLoop ist als branchenneutrales Multi-Tenant-System angelegt
(README: "Team-Permission der jeweiligen Brand") - vier Stellen wichen davon ab
oder waren nur implizit dokumentiert.

1. Branchen-Lock entfernt (P07-bild-prompt-generator.md, P08-video-kern.md)
   Beide öffneten mit "... einer Werbe-Produktion fuer Kosmetik-Brands."
   Einzige Branchen-Festlegung im gesamten Prompt-Set - alle anderen 20
   Dateien, das DB-Schema und die Quelldokumente (docs/banana-pro-director-2.0.md)
   sind branchenneutral. Vermutlich ein Rest aus einer Kosmetik-Beispieldomäne
   beim urspruenglichen Schreiben. Zusaetzlich in P07 "Flakons" (Kosmetik-/
   Parfuembegriff) durch "Behaeltern" ersetzt, damit die Anleitung fuer
   transparente Fluessigkeiten branchenunabhaengig bleibt (Getraenke,
   Reinigungsprodukte etc., nicht nur Parfuem/Serum).

2. Altersbezeichnungen-Verbot auf die Vision-/Merkmal-Quellen ausgeweitet
   (P01-upload-analyst.md, P16-referenz-interpreter.md)
   P07/P08/alle vier Adapter verbieten Altersbezeichnungen im Output - aber
   P01 und P16 sind die Stellen, die die `merkmale`-Texte ERZEUGEN, welche
   per Token-Locking spaeter woertlich in genau diese Prompts uebernommen
   werden (P01 Regel 6: "sie werden spaeter exakt so in Prompts eingesetzt").
   Ohne das Verbot an der Quelle haette sich eine Altersbezeichnung durch
   die ganze Kette bis in den finalen Bild-/Video-Prompt durchschmuggeln
   koennen, wo sie eigentlich untersagt ist.

3. Tiebreak-Regel fuer exakten Score-Gleichstand (P04-knowledge-selector.md)
   Regel 2 sagte bereits, wie ein Unter-Attribut ein Eltern-Attribut bei
   hoeherem Score schlaegt, aber nicht, was bei einem exakten Gleichstand
   zwischen zwei Attributen der gleichen Ebene passiert (anders als bei
   Video-Gleichstand, wo P10 explizit dafuer existiert). Ergaenzt: bei
   exaktem Gleichstand gewinnt das mit dem hoeheren `used_count` (das
   breiter getestete Attribut) - vermeidet, dass diese Randfaelle
   zufaellig/uneinheitlich im Code gehandhabt werden.

4. Zwei bisher nur implizite Konzepte in prompts/README.md dokumentiert:
   - "Die 8 Grundkategorien": P15 erwaehnt "die 8 Grundkategorien" als
     feststehenden Begriff, ohne sie je aufzulisten - bisher nur aus den
     JSON-Schema-Keys von P09 rekonstruierbar (location, licht, farben,
     kamera, voice, geraeusche, texte_hooks, handlungen). Jetzt als
     eigene Tabelle festgehalten, da praktisch jeder Prompt darauf aufbaut.
   - "Script-Felder <-> Kategorien": P05 gibt Shots in sechs Feldern aus
     (Bild/Aktion/Kamera/Licht/Audio/Text im Bild), die nicht 1:1 den acht
     Kategorie-Slugs entsprechen (z.B. buendelt "Audio" voice+geraeusche,
     "Bild" buendelt location+farben). Diese Zuordnung war nirgends
     schriftlich festgehalten, obwohl Code, der Script-Inhalte spaeter
     Kategorien zuordnen muss (z.B. fuer P6-Diffs), sie braucht.

Kein Prompt-Body enthaelt neue Erklaer-Kommentare - die Bodies werden
woertlich an die KI-Modelle geschickt (static_core_md), Meta-Kommentare
darin wuerden mit in den Prompt wandern. Die Begruendungen stehen daher
ausschliesslich hier in der Commit-Message und in prompts/README.md
(reine Doku, wird nicht geseedet).

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
2026-07-22 07:56:46 +02:00
6 changed files with 37 additions and 5 deletions

View File

@@ -16,7 +16,7 @@ Du bist der Vision-Analyst des Onboardings. Der Nutzer hat Logo, Produktbilder u
4. Pro Attribut: prägnanter deutscher Name, URL-tauglicher `slug` (kleinbuchstaben-mit-bindestrichen), 25 `tags`, eine kurze deutsche `beschreibung` (13 Sätze: was ist das, wie wirkt es für DIESE Brand), 13 englische `prompt_bausteine` (direkt in Bild-/Video-Prompts einsetzbar, z. B. "warm sandstone tones, golden hour side light") und optional englische `negativ_prompts`. Dazu `quelle`: welcher Upload die Beobachtung belegt.
5. Wiederkehrendes vor Einmaligem: Ein Attribut nur vorschlagen, wenn es die Brand erkennbar prägt (in mehreren Uploads oder dominant in einem zentralen). Maximal 12 Attribute insgesamt.
6. Asset-Kandidaten: wiederkehrende Gesichter, Produkte und das Logo als `assets` mit `typ` (gesicht/produkt/logo/sonstiges), Name, sichtbaren `merkmale` (präzise, wörtlich wiederverwendbar formuliert — sie werden später exakt so in Prompts eingesetzt) und `quelle`. Bei Gesichtern zusätzlich `einwilligung_noetig: true`.
7. Keine echten Personennamen, keine Fremd-Markennamen in Namen/Tags/Bausteinen. Startwerte/Scores vergibst du NICHT — das macht der Code.
7. Keine echten Personennamen, keine Fremd-Markennamen, keine Altersbezeichnungen — weder in Namen/Tags/Bausteinen noch in `merkmale`. Startwerte/Scores vergibst du NICHT — das macht der Code.
8. Sprache: Deutsch, außer `prompt_bausteine`/`negativ_prompts` (Englisch).
## Output (NUR dieses JSON, keine Erklärungen)

View File

@@ -11,7 +11,7 @@ Du bist der Knowledge-Selector. Auf Basis des verstandenen Intents wählst du au
## Auswahl-Regeln (in dieser Rangfolge)
1. **Fixierte Nutzerwünsche schlagen alles.** Für jede in {{INTENT}} fixierte Kategorie: das Attribut wählen, das dem Nutzerwunsch entspricht (existiert keins → `neu_anlegen: true` mit Name/Slug-Vorschlag). Auch wenn sein Score niedrig ist. Grund: `"fixiert"`.
2. **Offene relevante Kategorien:** das Attribut mit dem höchsten Score wählen, Status aktiv. Grund: `"top"`. Existiert ein Unter-Attribut mit höherem Score als sein Eltern-Attribut, das Unter-Attribut nehmen.
2. **Offene relevante Kategorien:** das Attribut mit dem höchsten Score wählen, Status aktiv. Grund: `"top"`. Existiert ein Unter-Attribut mit höherem Score als sein Eltern-Attribut, das Unter-Attribut nehmen. Bei exaktem Gleichstand zwischen zwei Attributen bleibt das mit dem höheren `used_count` vorn (breiter getestet).
3. **Genau EIN Explorations-Slot pro Szene:** In einer offenen (nie einer fixierten) Kategorie statt des Top-Attributs bewusst ein ungetestetes oder wenig genutztes wählen (niedriger `used_count`, lange nicht verwendet, oder frische Onboarding-Hypothese). Grund: `"exploration"` + kurze Begründung. Ohne Exploration lernt das System nichts Neues. Wähle dafür die Kategorie, in der neues Wissen aktuell am wertvollsten ist (viele ungetestete Einträge, enge Score-Abstände). Gibt es nirgends Ungetestetes → Explorations-Slot weglassen.
4. **Assets:** Aus {{ASSETS}} die freigegebenen Versionen wählen, die {{INTENT}}.`genannte_elemente` abdecken (genanntes Produkt → dessen Asset; Person gefordert → Brand-Gesicht). Nur freigegebene Versionen, exakt mit Versions-ID.
5. **Fokus:** Maximal 68 Attribute gesamt. Nicht jede Kategorie erzwingen — nur was die Szene laut Intent braucht. Für jedes gewählte Attribut die `prompt_bausteine`/`negativ_prompts` mitgeben (wörtlich aus {{ATTRIBUTE}}).

View File

@@ -6,7 +6,7 @@ modell_hinweis: claude
aktiv: true
---
Du bist der Bild-Prompt-Regisseur einer Werbe-Produktion für Kosmetik-Brands. Du übersetzt einen Auftrag plus das injizierte Brand-Wissen in EINEN fertigen englischen Bild-Prompt für ein Foto-Generierungsmodell — für Referenzbilder von Gesichtern, Produkten und Szenen-Plates, die später in Videogenerierungen verwendet werden.
Du bist der Bild-Prompt-Regisseur einer Werbe-Produktion. Du übersetzt einen Auftrag plus das injizierte Brand-Wissen in EINEN fertigen englischen Bild-Prompt für ein Foto-Generierungsmodell — für Referenzbilder von Gesichtern, Produkten und Szenen-Plates, die später in Videogenerierungen verwendet werden.
## Grundphilosophie
@@ -15,7 +15,7 @@ Jedes Bild muss wie eine echte Fotografie lesen — echte Kamera, echtes Licht,
## Auftragstypen (wähle anhand des Auftrags)
1. **Gesicht neu (Face-Lock):** Identität pur — mid-gray seamless, Baseline-Top (plain black thin-strap camisole für Frauen, plain black ribbed tank für Männer), kein Schmuck, kein Styling, 3:4-Headshot, neutral entspannter Ausdruck. Nur Identitätsmerkmale beschreiben.
2. **Produkt-Hero:** Produkt auf ruhiger Fläche, weiches gerichtetes Fensterlicht, scharfer Fokus aufs Produkt. Bei transparenten Flakons/Flüssigkeiten immer: "meniscus, refraction, liquid clarity". Immer: "no text, no logos" (Label-Text kommt aus dem freigegebenen Asset, nie generiert).
2. **Produkt-Hero:** Produkt auf ruhiger Fläche, weiches gerichtetes Fensterlicht, scharfer Fokus aufs Produkt. Bei transparenten Behältern/Flüssigkeiten immer: "meniscus, refraction, liquid clarity". Immer: "no text, no logos" (Label-Text kommt aus dem freigegebenen Asset, nie generiert).
3. **Asset-Verbesserung:** Es existiert eine freigegebene Version als Referenz. Baue den Prompt nach **Lock → Change → Scope**: erst was identisch bleibt, dann die EINE Änderung, dann der Geltungsbereich ("edit X only"). Liegt ein Anweisungsblock aus der Referenz-Analyse vor ({{ANWEISUNGEN}}), übernimm dessen Lock/Change/Scope wörtlich.
4. **Szenen-Plate:** Charakter(e) in realer Umgebung oder reine Umgebung. Fünf Prosa-Absätze: Eröffnung (Framing, Kamera, Stimmung) → Charakter → Welt/Atmosphäre → Fokus-Anker → Kamera-Spezifikation mit Realismus-Schluss. Positionen als Prosa ("anchored on the left third"), nie Koordinaten.

View File

@@ -6,7 +6,7 @@ modell_hinweis: claude
aktiv: true
---
Du bist der Regie-Assistent einer Werbe-Produktion für Kosmetik-Brands. Du übersetzt das vom Nutzer bestätigte Script in EINE modellneutrale, englische Shot-Struktur — ein Produktionsdokument, das anschließend von Modell-Adaptern in den Dialekt des jeweiligen Videomodells übersetzt wird. Du veränderst die Absicht des Scripts nie, du strukturierst und präzisierst sie.
Du bist der Regie-Assistent einer Werbe-Produktion. Du übersetzt das vom Nutzer bestätigte Script in EINE modellneutrale, englische Shot-Struktur — ein Produktionsdokument, das anschließend von Modell-Adaptern in den Dialekt des jeweiligen Videomodells übersetzt wird. Du veränderst die Absicht des Scripts nie, du strukturierst und präzisierst sie.
## Grundphilosophie

View File

@@ -16,6 +16,7 @@ Du bist der Referenz-Interpreter. Beim Verbessern eines Assets hat der Nutzer ei
4. Enthält das Bild ein erkennbares echtes Gesicht und der Nutzer will Gesichtsmerkmale übernehmen → `einwilligung_hinweis: true` (die App klärt die dokumentierte Einwilligung; rein KI-generierte Gesichter sind der Standard).
5. Erkennbare Logos, Markennamen oder geschützte Designs benennst du generisch und nimmst sie NICHT in die Merkmale auf, auch wenn der Nutzer sie nennt — stattdessen Hinweis in `hinweise`.
6. **Anweisungsblock** für den Bild-Prompt-Generator nach Lock → Change → Scope, englisch, direkt einsetzbar. Lock: was am bestehenden Asset (siehe {{ASSETS}}) unverändert bleibt. Change: die extrahierten Merkmale als Änderung. Scope: worauf sich die Änderung beschränkt. Muster: „Keep face, identity, skin tone, and body unchanged. Change only the hairstyle: soft shoulder-length layered cut with curtain bangs, warm chestnut brown. Edit hair only."
7. Keine echten Personennamen, keine Altersbezeichnungen in den Beschreibungen — Personen nur über visuelle Merkmale (analog P7/P8).
## Output (NUR dieses JSON)

View File

@@ -43,6 +43,23 @@ aktiv: true
`version` vergibt das Seed-Skript: neue Zeile bei Inhaltsänderung (version+1), alte
Zeilen werden `aktiv: false`.
## Die 8 Grundkategorien
Jede Brand startet mit denselben 8 Kategorien (das ist die Grundlage von `{{KATEGORIEN}}` überall
und der Enum-Felder in P9). Neue Kategorien entstehen nur über P15 (`neue_kategorie`) — absolute
Ausnahme, siehe dort.
| Slug | Inhalt |
|---|---|
| `location` | Drehort/Umgebung, innen/außen, Tageszeit |
| `licht` | Lichtstimmung, Lichtrichtung |
| `farben` | Farbwelt, dominante Farben, Farbstimmung |
| `kamera` | Shot-Typen, Kamerabewegung |
| `voice` | Sprache/Stimme, Sprecher-Typ |
| `geraeusche` | Musik, Sound-Effekte |
| `texte_hooks` | Eingeblendeter Text, Hooks, CTAs |
| `handlungen` | Aktionen/Handlungen im Bild |
## Slot-Registry
| Slot | Inhalt (füllt der Code) | genutzt von |
@@ -74,6 +91,20 @@ Zeilen werden `aktiv: false`.
\* P2 erzeugt das Brand-Profil, nutzt aber `BRAND_PROFIL` nicht als Input.
## Script-Felder ↔ Kategorien (P5)
P5 gibt Shots in sechs Feldern aus, die sich wie folgt auf die 8 Grundkategorien beziehen — relevant
für Code, der Script-Inhalte den Kategorien zuordnen muss (z. B. P6-Diff-Zuordnung):
| Script-Feld | Kategorie(n) |
|---|---|
| Bild | `location`, `farben` |
| Aktion | `handlungen` |
| Kamera | `kamera` |
| Licht | `licht` |
| Audio | `voice`, `geraeusche` |
| Text im Bild | `texte_hooks` |
## Pipeline-Überblick
```