Prompting von Bilderprompts ist manchmal gar nicht so einfach. Es gibt einfach wahnsinnig viel zu beachten. Dafür gibt es jetzt eine Lösung! AJCP oder in lang: Advanced JSON Context Profile.
Was ist AJCP (Advanced JSON Context Profile)?
Erst einmal ist AJCP einfach ein JSON in einem bestimmten Format, das ein Bild beschreibt.
Das Kernelement von AJCP: Du nutzt für ein Bild nicht mehr mit einen langen Prompt, sondern strukturierst es als JSON.
Wenn du damit schon mal gearbeitet hast, kennst du das Prinzip: Informationen werden als Text in klaren Feldern abgelegt. Im Fall von AJCP geht es z. B. um Metadaten, Objekte im Bild (als Array), Farben, Stilrichtungen oder Stimmung.
Heißt konkret: Statt zu hoffen, dass dein Prompt „eine elegante Frau in einem roten Kleid auf einem Balkon bei Sonnenuntergang“ richtig verstanden wird, kannst du genau angeben, welche Art Frau, welches Rot, welcher Stil, welche Pose, welche Perspektive und das alles maschinenlesbar.
Und damit hast du plötzlich ein Format, das sich nicht nur super weiterverarbeiten lässt (z. B. mit Make oder ChatGPT), sondern auch reproduzierbar ist. Kein Ratespiel mehr, sondern eine ganz konkrete Vorgabe, die du speichern, bearbeiten und sogar automatisiert erzeugen kannst.
Beispiel: Vom Foto über AJCP zu KI-Bild-Klon
Ich habe es einfach getestet und ein Foto, das ich kürtlich mit dem Smartphone aufgenommen habe, analysieren und neu generieren lassen.
Das Ausgangsbild:
Analyse mit ChatGPT und Ergebnis als AJCP
Ohne groß darüvber nachzudenken habe ich ChatGPT gebeten ein AJCP für dieses Foto zu erstellen.
Es ist schon sehr detailliert, hat sogar so Kleinigkeiten aufgenommen wie die Comicfigur auf dem Löffel!
Was mir fehlt ist allerdings der Aspect Ratio in den Metadaten…
{
"image_meta": {
"filename": "PXL_20250615_075426544.MP.jpg",
"orientation": "top-down",
"environment": "indoor",
"surface": "wooden_table",
"lighting": "natural_daylight",
"style": "minimalistic_breakfast_setup"
},
"objects": [
{
"type": "bowl",
"contents": {
"base": "granola_or_muesli",
"toppings": [
{
"name": "strawberries",
"form": "sliced",
"color": "red"
},
{
"name": "peach_or_nectarine",
"form": "sliced",
"color": "yellow_orange"
},
{
"name": "mango",
"form": "rolled_slices",
"presentation": "rose_shape",
"color": "bright_yellow"
},
{
"name": "passion_fruit",
"form": "halved",
"interior_color": "green-yellow with seeds",
"note": "placed with cut side up"
},
{
"name": "nuts",
"type": "walnuts",
"form": "chopped"
}
]
},
"cutlery": {
"type": "spoon",
"material": "metal",
"engraving": "cartoon_figure"
},
"bowl_material": "ceramic",
"bowl_color": "light_beige"
},
{
"type": "glass",
"contents": "orange_juice",
"glass_style": "modern_round_lowball",
"color": "vivid_orange"
},
{
"type": "cup",
"contents": "coffee",
"variant": "cappuccino",
"foam_art": "heart_shape",
"color": "light_brown_crema",
"cup_material": "ceramic_or_glass"
}
],
"aesthetic_tags": [
"healthy_breakfast",
"aesthetic_food_presentation",
"flatlay_photography",
"color_contrast",
"minimalist_table_setting"
],
"possible_use_cases": [
"social_media_post",
"food_blog_feature",
"recipe_book_illustration",
"nutrition_campaign",
"breakfast_menu_design"
],
"dominant_colors": [
"#f4c542", // mango
"#d62424", // strawberries
"#f7a85c", // peach
"#6e552d", // table
"#ffab00", // orange juice
"#cba87c" // coffee crema
]
}Erstellen eines KI-Bild-Klons mit AJCP und ChatGPT
Dann habe ich es an ChatGPT 4o gefüttert. Ohne Anpassung einfach rein. Was mir positiv auffällt: Es hat tatsächlich alle Details übernommen und an sich ist es das „richtige“ Bild (und das komlett ohne Aufwand).
ABER: Leider ist die Qualität nicht gut. Der Tisch ist nicht aus Eiche, das Bild wirkt zu perfekt und dafurch künstlich. Der Löffel steckt nicht in der Bowl… Es wirkt irgendwie falsch?
Vergleich: Bildgenerierung mit Ideogram
Zum Vergleich habe ich Ideogram noch gefragt. Die Bilder gefallen mit optisch deutlich besser, allerdings treten auch hier einige Probleme auf.
Zunächst einmal ist die Perspektive anders und es wurde zusätzlich ein neues Detail hinzugefügt: Das Fenster im Hintergrund.
Integration in bestehende Arbeitsabläufe
Um AJCP nützlich in deine bestehenden Prozesse zu integrieren kannst du beispielsweise make.com einsetzen, wie es auch Sven im Video unten zeigt:
- Laden des Bildes in eine zentrale Tabelle
- Manuelle oder automatisierte Anpassung und Bearbeitung der JSON-Inhalte
- Verwendung von ChatGPT zur weiteren Bildgenerierung basierend auf AJCP
Potenzial und Herausforderungen
Natürlich ist noch nicht alles perfekt. Die generierten Bilder treffen nicht immer exakt das Original. Ein paar Details fehlen einfach doch in der Beschreibung, um es vollständig beschreiben zu können. Aber gut: Visuelle Eindrücke sind auch eher komplex und weniger kompliziert (erinnere dich an das Experiment, bei welchem du deinem Partner sagen musst, was er zeichnen soll… das ist extrem anspruchsvoll!)
Trotzdem: Das Arbeiten mit AJCP hat riesiges Potenzial und wird direkt unter „Beobachtung“ gestellt. Wir werden weiter experimentieren!
Das komplette Video zu AJCP
Die komplette Anleitung zum Nachbauen: Das komplette Video von Sven findest auf YouTube!
Mehr zu kontextbasierter Automatisierung?
Wie du mit dem Model Context Protocol (MCP) externe Tools wie Make.com direkt in GPT integrierst, bildet eine gute Grundlage für die Arbeit mit AJCP.
Auch die strukturierte Arbeit mit Prompt-Rollen hilft dir dabei, dein Setup sauber aufzubauen.
Wenn du AJCP in reale Anwendungen bringen willst, lohnt sich ein Blick auf die Integration von Assistants in automatisierte Workflows.
