Продвинутая двухэтапная стратегия промптинга для миниатюр Nano Banana Pro
Модель: Nano Banana 2
Текст шаблона
На самом деле, есть более хитрый способ это использовать.
Сначала заставьте его систематизировать информацию
→ Затем на основе этого заставьте создать результат/углубить обсуждение
Просто делая это, качество результата становится совершенно другим.
Это потому, что если вы сначала создадите черновик в уме ИИ — включая «терминологию», «критерии оценки», «запрещённые пункты», «паттерны» и «приоритеты» —
Следующие инструкции будут выполняться согласно этому черновику, что снижает вероятность отклонения.
Например, если вы хотите, чтобы Nano Banana Pro создал миниатюру:
① Сначала спросите GPT-5.2:
«Тщательно исследуйте и систематизируйте лучшие практики создания промптов для YouTube-миниатюр с использованием Nano Banana Pro. Включите также распространённые ошибки.»
② После этого спросите:
«На основе текущей системы создайте промпт для создания YouTube-миниатюры на тему {argument name="theme" default="XX"} с использованием Nano Banana Pro. Содержание видео примерно такое, и я хочу включить {argument name="wording" default="такую формулировку"}».
Затем вставьте готовый промпт в Nano Banana Pro. Получить желаемый результат становится намного проще.
Если каждый раз просто просить «создай», ИИ выдаёт результат на основе момента, что приводит к непоследовательным результатам. Но если сначала создать карту (систему), это мощно.
Более того, этот метод работает для стратегий побочного бизнеса, продающих текстов, и видеоскриптов. Универсальность безумна.
Я настоятельно рекомендую сначала заставить ИИ организовать, как создавать хороший результат, а затем заставить его думать на основе этой организации.
Кстати, миниатюра, созданная в этот раз, — это третье изображение.
Поскольку первая попытка была посредственной, я заставил его систематизировать, как создавать привлекательные YouTube-миниатюры, перед генерацией промпта.
🇬🇧 Original (English)
Actually, there's a trickier way to use this.
First, have it systematically summarize the information
→ Then, based on that, have it create the output/deepen the discussion
Just doing this makes the quality of the output completely different.
This is because if you first create a blueprint in the AI's mind—including "terminology," "judgment criteria," "prohibited items," "patterns," and "priorities"—
The next instructions will be output according to that blueprint, making it less likely to deviate.
For example, if you want Nano Banana Pro to create a thumbnail:
① First, ask GPT-5.2:
"Thoroughly research and systematize the best practices for creating prompts for YouTube thumbnails using Nano Banana Pro. Include common mistakes as well."
② After that, ask:
"Based on the current system, create a prompt for making a YouTube thumbnail on the theme of {argument name="theme" default="XX"} using Nano Banana Pro. The video content is like this, and I want to include {argument name="wording" default="this kind of wording"}."
Then, input the completed prompt into Nano Banana Pro. It becomes much easier to get the desired output.
If you just ask it to "create" every time, the AI outputs based on the moment, leading to inconsistent results. But if you create a map (system) first, it's powerful.
Moreover, this method works for side business strategies, sales copy, and video scripts. The versatility is insane.
I highly recommend having the AI organize how to create good output before having it perform the task, and then having it think based on that organization.
By the way, the thumbnail created this time is the third image.
Since the first attempt was mediocre, I had it systematize how to create attractive YouTube thumbnails before generating the prompt.
Краткое описание
Твит описывает продвинутую двухэтапную стратегию промптинга для значительного улучшения качества вывода AI при генерации YouTube-миниатюр с Nano Banana Pro. Стратегия включает: сначала попросить мощный LLM (типа GPT-5.2) систематически суммировать лучшие практики, терминологию и ограничения для создания промптов Nano Banana Pro (создать 'карту'). Затем пользователь просит LLM сгенерировать финальный, конкретный промпт на основе этой системы и своих требований. Результат — гораздо более консистентный и целенаправленный вывод.
