Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Decomposição de prompts no Gemini e no Kling: como recriar uma imagem do Pinterest no estilo da sua marca

A decomposição de prompt é o segredo da geração precisa de imagens. Em vez de um único pedido longo, é preciso dividir a referência em componentes (atmosfera, paleta de cores, iluminação, texturas, estilo) e descrever cada camada separadamente. A autora pegou uma imagem do Pinterest, a remontou no Gemini de acordo com a identidade visual da empresa e a animou no Kling. Essa abordagem reduz as iterações e funciona para qualquer marca.

Processado por IA de Habr AI; editado por Hamidun News
Decomposição de prompts no Gemini e no Kling: como recriar uma imagem do Pinterest no estilo da sua marca
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo

Quando o resultado de uma geração parece "quase bom, mas não é isso", na maioria das vezes o problema não é a ferramenta, e sim a forma como o pedido foi formulado. Uma autora da comunidade russófona de IA compartilhou um método concreto e funcional: decompor o prompt em camadas semânticas separadas permite acertar na primeira ou na segunda tentativa, em vez de fazer dezenas de iterações às cegas.

As ferramentas do exemplo são o Gemini, para gerar imagens, e o Kling, para animação. O ponto de partida foi uma imagem do Pinterest. A tarefa não era trivial: não copiá-la, mas adaptá-la ao estilo visual da empresa, mantendo o clima e a composição geral e substituindo por completo cores, detalhes e estética conforme o manual de marca.

É aqui que começa a decomposição. Em vez de um único prompt longo, a autora dividiu a imagem original em componentes: cena geral e atmosfera, paleta de cores, iluminação, texturas, estilo de renderização e detalhes de primeiro plano e de fundo. Cada elemento foi descrito separadamente, camada por camada, com os detalhes refinados aos poucos.

O Gemini cuidou da geração. O princípio central não é "jogar tudo em um prompt e torcer", mas manter um diálogo estruturado, refinando cada elemento em sequência. Primeiro define-se a cena geral. Depois, refina-se o estilo. Em seguida, entram as especificidades da marca: as cores do guia de estilo, os elementos característicos da identidade e as soluções visuais permitidas e proibidas.

Essa abordagem reduz drasticamente o número de iterações: o modelo recebe instruções claras, em vez de tentar adivinhar a intenção a partir de uma descrição vaga.

Modelos multimodais respondem melhor a descritores concretos do que a definições abstratas. "Pôr do sol quente" dá um resultado imprevisível. "Iluminação dourado-alaranjada em um ângulo de 45 graus, sombras longas e suaves" funciona de forma previsível. "Azul corporativo no espírito da marca" é uma instrução vaga. "RGB 0, 82, 204, superfície brilhante, sem degradês" já é algo concreto. A decomposição do prompt traduz uma imagem visual para uma linguagem que o modelo entende sem ambiguidade.

Depois que a imagem foi montada de acordo com a identidade, entrou o Kling, ferramenta que anima imagens estáticas com base em modelos generativos de vídeo. Aqui a decomposição também funciona: o prompt indica separadamente o que deve se mover, em que velocidade, em que direção e com que intensidade.

Um prompt de animação não é a descrição de um vídeo, mas um conjunto de instruções para a física da cena. Quais elementos ficam estáticos, quais ganham movimento, quão perceptível ele deve ser e se é preciso um efeito sutil de "respiração" ou uma cinemática completa, com dinâmica de câmera.

O resultado final é uma imagem de marca animada, criada sem designer nem videomaker em algumas horas de trabalho com duas ferramentas.

A abordagem é escalável: os mesmos princípios valem para conteúdo de redes sociais, banners publicitários, materiais de apresentação e qualquer visual que precise seguir o manual de marca. O método de decomposição de prompts é reproduzível em qualquer projeto, com qualquer identidade e em qualquer ferramenta generativa. O princípio não muda; mudam apenas os detalhes.

Se você quer aplicar o método: comece com a descrição mais detalhada possível da referência original. Divida-a em 5–7 características separadas. Escreva o prompt não como uma frase longa, mas como uma lista estruturada de parâmetros. Verifique cada camada separadamente antes de montar o pedido final.

É essa sequência, e não a mágica de uma ferramenta específica, que garante resultados previsíveis com qualquer IA generativa.

História
ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…