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
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.
- 19 de nov. de 2026Anthropic estreia na bolsa e capta US$ 81,3 bilhões — recorde de US$ 75 bilhões da SpaceX é superado
- 19 de nov. de 2026Participações da Amazon e do Google na Anthropic são avaliadas em US$308 bilhões no IPO a US$83 por ação
- 19 de nov. de 2026Gemini 4 Neon, do Google, é quase duas vezes mais rápida que a Carbon e 17% mais barata por tarefa
- 19 de nov. de 2026Script no GitHub detecta motivos de rejeição da App Store e do Google Play antes da revisão: 542 estrelas em um dia
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.