Prompt & Negativ-Prompt – wie du der KI sagst, was du willst (und was nicht)

Wie ein Prompt aufgebaut ist, wie Gewichtung funktioniert, wozu der Negativ-Prompt da ist – und warum manche Modelle wie Flux gar keinen Negativ-Prompt kennen und wie du dir da behilfst.

„Ein schönes Bild von einem Hund“ – und heraus kommt selten das, was du im Kopf hattest. Der Prompt ist die wichtigste Stellschraube von allen, und gleichzeitig die, an der die meisten zu sorglos herangehen. Ein guter Prompt ist kein hübscher Satz, sondern eine durchdachte Bauanleitung.

Die gute Nachricht: Du musst kein Dichter sein. Du musst nur verstehen, wie das Modell deinen Text liest – und das funktioniert anders, als du beim normalen Schreiben gewohnt bist. Schauen wir uns an, wie ein Prompt aufgebaut wird, wie du einzelne Teile betonst und wie du Unerwünschtes wieder loswirst.

Wie das Modell deinen Prompt liest

Das Wichtigste zuerst: Ein Bildmodell liest deinen Prompt nicht wie einen Satz, sondern eher wie eine Liste von Stichworten. „Eine rote Jacke auf einem blauen Stuhl“ zerfällt für die KI in Konzepte – rot, Jacke, blau, Stuhl –, die alle um Aufmerksamkeit konkurrieren. Deshalb funktionieren Stichwort-Listen, durch Kommas getrennt, oft besser als ausformulierte Sätze.

Und es gilt: Die Reihenfolge zählt. Was vorn steht, bekommt tendenziell mehr Gewicht. Stell die wichtigsten Dinge an den Anfang – erst das, worum es geht, dann die Verfeinerungen. Ein bewährter Aufbau ist: zuerst die Art des Bildes (Foto, Zeichnung), dann das Hauptmotiv, dann dessen Merkmale, zuletzt Stil und Licht.

Skizze 1: Ein Prompt ist eine Liste von Bausteinen. Was vorne steht, wirkt stärker – also das Wichtigste zuerst.

Noch ein technisches Detail am Rande: Modelle können pro Durchgang nur eine begrenzte Menge Text verarbeiten (oft in Blöcken von rund 75 Bausteinen). Was ganz hinten in einem sehr langen Prompt steht, geht leichter unter. Lieber zehn bis fünfzehn treffende Stichworte als dreißig, die sich gegenseitig die Aufmerksamkeit klauen.

Gewichtung: einzelne Teile lauter stellen

Manchmal ignoriert die KI ausgerechnet das Detail, auf das es dir ankommt – oder übertreibt es. Dafür gibt es die Gewichtung: Du kannst einzelnen Bausteinen mehr oder weniger Bedeutung geben. In vielen Oberflächen schreibt man das mit Klammern und einer Zahl, etwa (rote Jacke:1.3) für mehr Betonung oder (rote Jacke:0.7) für weniger. Die Zahl 1.0 ist neutral, darüber verstärkt, darunter schwächt ab.

Ein vernünftiger Bereich liegt etwa zwischen 1.1 und 1.4. Dreh nicht zu weit auf: Ab ungefähr 1.8 wird das Bild steif, die Farben kippen, Artefakte tauchen auf – das Modell wurde für solche Extremwerte nicht gebaut. Ein wichtiger Hinweis: Die genaue Schreibweise unterscheidet sich je nach Oberfläche. Derselbe Klammerausdruck kann in zwei Programmen unterschiedlich wirken; im Zweifel ein Blick in die Hilfe des jeweiligen Tools.

Skizze 2: Mit einer Gewichtszahl stellst du einzelne Bausteine lauter oder leiser. Sweet Spot etwa 1.1–1.4.

Gewichtung hängt eng mit dem CFG-Wert zusammen, der global regelt, wie streng die KI dem ganzen Prompt folgt – das ist ein eigenes Thema ([→ Spoke: CFG]).

Der Negativ-Prompt: sagen, was NICHT rein soll

Bei den klassischen Stable-Diffusion-Modellen gibt es neben dem normalen (positiven) Prompt ein zweites Feld: den Negativ-Prompt. Da kommt rein, was du im Bild NICHT haben willst – etwa Text, Wasserzeichen, verzerrte Hände, zu kräftige Farben. Der Negativ-Prompt ist eines der wirksamsten Werkzeuge überhaupt, und viele lassen ihn ungenutzt.

Technisch funktioniert das über denselben Mechanismus wie der CFG-Wert: Das Modell rechnet aus, was zum positiven Prompt passt, und schiebt das Ergebnis aktiv von dem weg, was im Negativ-Prompt steht. Auch im Negativ-Prompt kannst du gewichten – ein hartnäckiges Problem drückst du mit etwas mehr Gewicht stärker weg. Es lohnt sich, eine kleine Standard-Liste an Negativ-Begriffen zu haben, die du fast immer mitführst.

Sonderfall: Modelle ohne Negativ-Prompt (z. B. Flux)

Und jetzt die Stelle, an der viele stolpern: Manche Modelle haben gar keinen funktionierenden Negativ-Prompt. Das bekannteste Beispiel sind die Flux-Modelle (von Black Forest Labs). Du kannst dort zwar oft ein Negativ-Feld sehen – aber es bewirkt schlicht nichts.

Der Grund liegt in der Technik. Der Negativ-Prompt braucht den CFG-Mechanismus, um das Bild von etwas „wegzudrücken“. Dazu rechnet ein klassisches Modell pro Schritt zwei Vorhersagen: eine mit Prompt und eine ohne (gegen die es dann den Negativ-Prompt setzen kann). Flux ist aber so gebaut, dass es mit einem festen CFG-Wert von 1 arbeitet – es gibt schlicht keinen unkonditionierten Gegen-Zweig, gegen den man pushen könnte ([→ Spoke: CFG]). Damit fällt die ganze Grundlage für einen Negativ-Prompt weg.

Skizze 3: Klassisch drückt der Negativ-Prompt Unerwünschtes aktiv weg. Bei Flux geht das nicht – dort formulierst du stattdessen positiv um.

Wie verhältst du dich da? Die saubere Antwort lautet: positiv umformulieren. Statt „keine Menschen“ in ein Negativ-Feld zu schreiben, sagst du im positiven Prompt, was stattdessen da sein soll – etwa „ein ruhiger, menschenleerer Teich“. Du beschreibst also die gewünschte Abwesenheit als Anwesenheit von etwas anderem. Das klingt nach Wortklauberei, macht aber genau den Unterschied: Du erzählst dem Modell, was es malen soll, statt ihm eine Liste mit Verboten hinzulegen, die es ohnehin nicht verarbeiten kann.

Es gibt zwar Bastel-Lösungen aus der Community, die über Zusatz-Erweiterungen doch einen CFG-Wert über 1 und damit einen Negativ-Prompt ermöglichen – die Ergebnisse sind aber unzuverlässig und nichts für den Alltag. Für die Praxis gilt: Bei einem Modell ohne Negativ-Prompt löst du Probleme im positiven Prompt. Und es schadet nie, vorher zu wissen, welcher Modelltyp überhaupt vor dir liegt ([→ Spoke: Checkpoints & VAE]).

Faustregeln für die Praxis

Was der Prompt nicht kann

Auch der beste Prompt zwingt das Modell nicht zu etwas, das es nicht gelernt hat. Wenn ein Begriff im Training fehlt oder das Modell mit einem Motiv überfordert ist, hilft kein noch so cleverer Wortlaut. Manchmal ist die Grenze das Modell, nicht deine Formulierung ([→ Spoke: Warum macht die KI nicht, was im Prompt steht?]).

Und ein Prompt löst keine Widersprüche auf. Wer „Frontalansicht“ und gleichzeitig „Blick über die Schulter“ verlangt, bekommt Murks – das Modell kann sich nicht für beides entscheiden. Je klarer und widerspruchsfreier die Bauanleitung, desto besser das Ergebnis. Und schließlich: Gewichtung und Negativ-Prompt sind Feinwerkzeuge, kein Ersatz für einen durchdachten Grund-Prompt. Erst die Beschreibung richtig hinbekommen, dann feilen.

Häufige Fragen zum Prompt

Wie baue ich einen guten Prompt auf?

Als Liste von Stichworten, durch Kommas getrennt, das Wichtigste zuerst. Bewährter Aufbau: Art des Bildes, dann Hauptmotiv, dann dessen Merkmale, zuletzt Stil und Licht. Konkrete Begriffe schlagen vage Adjektive.

Was bedeutet die Zahl in Klammern wie (rote Jacke:1.3)?

Das ist die Gewichtung. 1.0 ist neutral, darüber wird der Baustein betont, darunter zurückgenommen. Ein vernünftiger Bereich ist 1.1–1.4; ab etwa 1.8 wird das Bild steif und artefaktreich. Die genaue Schreibweise hängt von der Oberfläche ab.

Wozu ist der Negativ-Prompt da?

In den Negativ-Prompt kommt, was NICHT im Bild sein soll – Text, Wasserzeichen, verzerrte Hände, zu kräftige Farben. Das Modell drückt das Ergebnis aktiv davon weg. Eine kleine Standard-Liste gegen die üblichen Störer verbessert viele Bilder sofort.

Warum hat Flux keinen Negativ-Prompt?

Weil Flux mit einem festen CFG-Wert von 1 arbeitet. Der Negativ-Prompt braucht aber den CFG-Mechanismus, um das Bild von etwas wegzudrücken – und der existiert bei Flux so nicht. Das Negativ-Feld wirkt deshalb nicht.

Wie werde ich bei Flux Unerwünschtes los?

Indem du positiv umformulierst: Statt „keine Menschen“ in ein Negativ-Feld zu schreiben, sagst du im normalen Prompt, was stattdessen da sein soll, etwa „ein ruhiger, menschenleerer Teich“. Du beschreibst die gewünschte Abwesenheit als Anwesenheit von etwas anderem.

Sind längere Prompts besser?

Nicht unbedingt. Modelle verarbeiten pro Durchgang nur eine begrenzte Menge Text, und in sehr langen Prompts geht das Hintere unter. Zehn bis fünfzehn treffende Stichworte wirken meist besser als dreißig schwammige.

Weiterlesen

Wie stark die KI dem ganzen Prompt folgt, regelt der CFG-Wert – und der erklärt auch, warum Flux keinen Negativ-Prompt hat: [→ Spoke: CFG]. Wenn die KI trotz gutem Prompt nicht tut, was du willst, liegt das oft an Widersprüchen oder am Modell: [→ Spoke: Warum macht die KI nicht, was im Prompt steht?]. Warum du beim Testen den Seed festhalten solltest, steht unter [→ Spoke: Seed]. Und welcher Modelltyp überhaupt vor dir liegt, ordnet [→ Spoke: Checkpoints & VAE] ein.

[→ zurück zum Hub: KI-Bildgenerierung verstehen]