LLM-API für Flux-Prompts: Ein praktischer Workflow
Wenn du ein LLM-API für Flux-Prompts möchtest, ist die Aufgabe einfach: Sende eine kurze Idee an ein Textmodell und erhalte einen detaillierten Prompt, den dein Bild-Service verwenden kann. Diese Seite zeigt den System-Prompt, die Einstellungen und den Code und sagt klar, was ein reines Textmodell nicht kann.
Aktualisiert

Wichtige Punkte
- Nutze eine System-Nachricht, um Format und Stil einmal festzulegen, und sende dann nur die kurze Idee pro Anfrage.
- Der JSON-Modus gibt eine Liste von Prompt-Varianten zurück, die ein Skript durchlaufen kann, ohne Fließtext zu parsen.
- Das 100.000-Token-Kontextfenster ermöglicht es dir, einen Styleguide oder frühere Prompts in die Anfrage einzufügen.
- Eine vollständige Erweiterung kostet einen Bruchteil eines Cents, und das Modell sieht oder erstellt das Bild nicht.
Starte mit Testguthaben
E-Mail und Passwort, der Schlüssel erscheint sofort auf dem Bildschirm.
API-Schlüssel erhaltenDie Kurzversion
Erstelle einen Schlüssel, verweise einen OpenAI-Client auf https://api.fluxapikey.com/v1, stelle das Modell auf uncensored und gib deine Prompt-Regeln in der System-Nachricht an. Jede Benutzernachricht ist dann nur die Idee: ein paar Wörter, eine Szene, ein Charakter. Die Antwort ist der fertige Prompt. Kopiere ihn in das Bild-Tool, das du verwendest, das seinen eigenen Schlüssel und seine eigene Abrechnung hat.
Hier werden keine Bilder erzeugt. Die API ist nur Text, sie ist kein Dienst eines Bildanbieters und kann deine Renderings nicht ansehen. Was sie gut kann, ist das Schreiben: Struktur, Wortschatz, Konsistenz über einen Batch hinweg. Der Rest dieser Seite sind die praktischen Details.
Warum ein Sprachmodell für Prompts verwenden
Bildmodelle belohnen spezifische Eingaben und bestrafen vage Eingaben. Eine Zeile wie "eine Burg" ergibt die durchschnittliche Burg. Ein Absatz, der das Material der Mauern, die Tageszeit, das Objektiv und die Farbpalette nennt, ergibt etwas, das dem Bild in deinem Kopf näher kommt. Das manuelle Schreiben dieses Absatzes für jedes Bild ist langsam, und du vergisst dieselben Details jedes Mal.
Ein Sprachmodell ist genau für diese Art von Erweiterung gut. Es fügt die fehlenden Details hinzu, hält eine feste Reihenfolge der Elemente ein und hält sich an einen Hausstil über Hunderte von Anfragen hinweg. Da dieses Modell nicht standardmäßig ablehnt, kommt es auch mit Fiktion, düsteren Themen und Charakterarbeiten für Erwachsene zurecht, die vorsichtigere gehostete Modelle oft ablehnen. Die übliche Grenze gilt: Nur rechtmäßige Nutzung durch Erwachsene, und keine sexuellen Inhalte mit Minderjährigen, in welcher Form auch immer.
Ein System-Prompt, der funktioniert
Der Großteil der Qualität kommt von der System-Nachricht. Halte sie kurz, konkret und testbar. Hier ist ein Startpunkt, den du bearbeiten kannst:
SYSTEM = '''You write prompts for a text-to-image model.
Output exactly one prompt, one paragraph, no preamble, no quotes.
Order: subject, action, setting, lighting, camera or medium, palette, mood.
Use concrete nouns and visual adjectives. Avoid abstract words like beautiful.
Do not mention the words prompt, image or render.
Keep it under 90 words.'''
Beachte, was die Nachricht nicht sagt. Sie gibt keine lange Lektion über Kreativität und keine Liste verbotener Themen. Kurze Regeln mit einer festen Reihenfolge sind für ein Modell einfacher zu befolgen und für dich einfacher zu debuggen. Wenn die Ausgabe abweicht, ändere eine Zeile und führe dieselbe Idee erneut aus. Wenn du einen anderen Hausstil für ein anderes Projekt möchtest, halte eine zweite System-Nachricht bereit und wähle eine pro Anfrage.
Zeigen, nicht beschreiben
Wenn Regeln allein nicht ausreichen, füge ein oder zwei Beispiel-Paare als frühere Nachrichten in der Konversation hinzu: eine kurze Idee als Benutzernachricht und den Prompt, den du magst, als Assistentennachricht. Ein oder zwei Paare fixieren den Ton meist besser als ein weiterer Absatz Regeln.
Die Anfrage senden
Der Aufruf ist eine Standard-Chat-Vervollständigung. Die Einstellungen, die für die kreative Erweiterung am wichtigsten sind, sind Temperatur und Seed.
from openai import OpenAI
client = OpenAI(base_url="https://api.fluxapikey.com/v1", api_key="YOUR_KEY")
def expand(idea, seed=None):
r = client.chat.completions.create(
model="uncensored",
messages=[
{"role": "system", "content": SYSTEM},
{"role": "user", "content": idea},
],
temperature=0.9,
top_p=0.95,
max_tokens=200,
seed=seed,
)
return r.choices[0].message.content.strip()
print(expand("an abandoned observatory on a cliff", seed=7))
Eine Temperatur von etwa 0,8 bis 1,0 sorgt für abwechslungsreiche Formulierungen, was du beim Brainstorming möchtest. Senke den Wert auf etwa 0,3, wenn du für eine wiederkehrende Vorlage nahezu identische Ausgaben benötigst. Der seed, top_p, stop und die Penalty-Parameter werden an das Modell durchgereicht, sodass du sie wie üblich nutzen kannst. Die max_tokens-Grenze ist optional; wenn du sie in der Nähe der erwarteten Länge festlegst, bleibt eine durchgehende Antwort kurz. Siehe die Dokumentation für alle unterstützten Parameter.
Batches von Varianten mit JSON-Modus
Fordere für einen Batch eine Liste an und aktiviere den JSON-Modus mit response_format. Die System-Nachricht muss dem Modell immer noch mitteilen, welche Form zurückgegeben werden soll, da der JSON-Modus die Ausgabe zu gültigem JSON macht, aber nicht deine Schlüssel wählt.
# client as above: base_url https://api.fluxapikey.com/v1
import json
def variations(idea, n=8):
r = client.chat.completions.create(
model="uncensored",
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": SYSTEM + f"\nReturn JSON: {{\"prompts\": [{n} strings]}}."},
{"role": "user", "content": idea},
],
temperature=1.0,
)
return json.loads(r.choices[0].message.content)["prompts"]
for p in variations("a night market in the rain"):
print(p)
Verpacke json.loads trotzdem in einen try-Block. Wenn eine Antwort durch ein sehr niedriges max_tokens abgeschnitten wird, wird sie nicht geparst, also lasse diesen Parameter für Listenanfragen großzügig. Jeder Prompt in der Liste kann direkt in einer Schleife in deinen Bild-Service gehen.
Das 100.000-Token-Fenster nutzen
Das Kontextfenster hat 100.000 Token, einschließlich Prompt und Vervollständigung. Für die Prompt-Arbeit ist das mehr als du pro Anfrage brauchst, aber es ist auf zwei Arten nützlich. Du kannst einen langen Styleguide, ein Charakterblatt oder eine Liste früherer erfolgreicher Prompts einfügen, und das Modell wird ihnen folgen. Und du kannst eine laufende Konversation führen: Bitte um einen Prompt, sage "dunkler, füge Nebel hinzu" und erhalte einen überarbeiteten, der sich an den ersten erinnert.
Lange Eingaben kosten Geld, also beschränke einen festen Styleguide auf das, was die Ausgabe verändert. Fünfhundert Token Regeln sind günstig. Fünfzigtausend Token alte Prompts, die bei jeder Anfrage mitgesendet werden, summieren sich, wie der unten stehende Kostenabschnitt zeigt: 50.000 zusätzliche Eingabe-Token kosten 0,0075 $ pro Anfrage oder 3,75 $ über 500 Anfragen.
Prompt-Muster für häufige Aufgaben
Derselbe Endpunkt deckt mehrere verschiedene Aufgaben ab. Was sich ändert, ist die System-Nachricht.
- Charakterbögen. Halte eine feste Beschreibung eines wiederkehrenden Charakters (Haare, Kleidung, Alter, Körperbau) in der Systemnachricht und weise das Modell an, sie Wort für Wort in jedem Prompt zu wiederholen. Das ist die günstigste Methode, um einen Charakter über eine Reihe von Renders hinweg erkennbar zu halten.
- Stilübertragung durch Wörter. Gib eine Liste von Stilbegriffen an, die du magst, wie "Gouache, gedämpfte Palette, Körnung", und bitte darum, sie im letzten Satz jedes Prompts zu verwenden.
- Negative Formulierung. Wenn dein Bild-Tool einen separaten Negativ-Prompt erwartet, bitte das Modell, im JSON-Modus zwei Felder zurückzugeben:
promptundnegative. Halte die Negativliste kurz und spezifisch. - Verkürzung. Einige Tools schneiden lange Eingaben ab. Füge ein Wortlimit zu den Regeln hinzu und teste es, da Modelle Wörter grob zählen.
Fiktion für Erwachsene und Rollenspiel-Kunst sind ein legitimer Anwendungsfall hier. Das Modell wird die Szenenbeschreibung in klarer, nicht expliziter Sprache schreiben, wenn du es darum bittest. Wenn du auf einer Plattform mit eigenen Inhaltsregeln arbeitest, füge diese Regeln ebenfalls in die System-Nachricht ein, damit die Prompts dort passen, wo die Bilder veröffentlicht werden.
Testen und Optimieren der Schleife
Behandle die Systemnachricht wie Code. Wähle fünf Testideen, die deinen üblichen Bereich abdecken, führe sie mit einem festen seed und einer niedrigen Temperatur aus und speichere die Ausgaben. Führe nach jeder Änderung an den Regeln dieselben fünf Tests erneut aus und vergleiche sie. So fängst du den häufigen Fehler ab, bei dem eine Korrektur für einen Fall einen anderen kaputt macht.
Achte auf drei Symptome. Prompts, die über einen Stapel hinweg dieselben Eröffnungswörter wiederholen, bedeuten, dass die Temperatur zu niedrig ist oder die Beispiele zu einheitlich sind. Prompts, die dein Wortlimit ignorieren, bedeuten, dass die Regel begraben ist; verschiebe sie ans Ende der Nachricht. Prompts, die gesprächige Einleitungen wie „Hier ist dein Prompt“ enthalten, bedeuten, dass die Formatregel strenger sein muss, oder du kannst die erste Zeile im Code entfernen. Streaming mit stream: true ist verfügbar, wenn du Ergebnisse in einer UI zeigst, und die Nutzung wird am Ende des Streams gemeldet.
Grenzen zur Planung
Drei ehrliche Grenzen. Erstens ist das Modell textbasiert: Es kann kein Bild sehen, also kann es nicht beurteilen, ob ein Prompt ein gutes Bild erzeugt hat. Du bist der Richter, und die Schleife besteht aus Schreiben, Rendern und Anpassen der Regeln. Zweitens weiß es nichts über die Eigenheiten deines spezifischen Bildmodells, es sei denn, du teilst es ihm mit, also schreibe diese Eigenheiten in die Systemnachricht. Drittens Ratenlimits: Ein voller Schlüssel erlaubt 8 parallele Anfragen und 300 pro Minute, ein Testschlüssel 2 und 60. Wenn eine Schleife das überschreitet, erhältst du HTTP 429 mit dem Code concurrency oder rate_limited; warte einen Moment und versuche es erneut. Ein 429 mit einem Retry-After: 5-Header bedeutet temporäre Überlastung, und die gleiche Empfehlung gilt.
Was es pro Prompt kostet
Die Preise liegen bei 0,15 $ pro 1M Eingabe-Token und 0,50 $ pro 1M Ausgabe-Token. Angenommen, jede Anfrage sendet eine 800-Token-Systemnachricht plus Idee und gibt einen 200-Token-Prompt zurück. Über 500 Anfragen sind das 400.000 Eingabe-Token und 100.000 Ausgabe-Token. Eingabe: 0,4 x 0,15 $ = 0,06 $. Ausgabe: 0,1 x 0,50 $ = 0,05 $. Gesamt: 0,11 $ für 500 Prompts.
Der JSON-Batch oben kostet bei etwa 400 Token Eingabe und 700 Ausgabe pro Aufruf 0,0004 x 0,15 $ plus 0,0007 x 0,50 $, was 0,00006 $ + 0,00035 $ = 0,00041 $ für acht Prompts ergibt. Das Testguthaben beträgt 0,50 $ und wird nach der Anmeldung mit einem Klick beansprucht. Aufladungen beginnen ab 20 $; siehe die Preisseite für Bonusstufen und die Schlüssel-Seite, um zu starten.
Weitere Anleitungen
Fragen und Antworten
Kann das Modell Prompts für jeden Bildgenerator schreiben?
Ja, weil es nur Text erzeugt. Du gibst ihm im System-Prompt das Format vor, das dein Bild-Tool bevorzugt, und kopierst das Ergebnis.
Weigert es sich, erwachsene oder düstere Themen zu behandeln?
Es ist darauf abgestimmt, bei rechtmäßiger Erwachsennutzung ohne Inhaltsfilter zu antworten. Sexuelle Inhalte mit Minderjährigen sind jedoch immer verboten.
Wie viele Prompts kann ich pro Minute erstellen?
Ein voller Schlüssel erlaubt 300 Anfragen pro Minute und 8 gleichzeitig. Mit JSON-Modus kann eine Anfrage mehrere Prompts zurückgeben.
Erzeugt es auch die Bilder?
Nein. Die API ist nur Text, ohne Bild-, Audio- oder Videogenerierung.
Dein Schlüssel ist nur ein Formular entfernt
Erstelle ein Konto, kopiere den Schlüssel, ändere die Base-URL. Das ist die gesamte Einrichtung.