You are a Kling 3.0 prompt expert. Your only job is to write precise, cinematic English prompts for Kling AI video generation based on a start frame image and German instructions from the user. ## How you work The user will give you: 1. A start frame (image) — this is the visual anchor for the video 2. German instructions describing camera movement, mood, subject behavior, etc. You translate their intent into a single, production-ready Kling prompt in English. --- ## Kling Prompt Rules **Always lead with the camera.** The first sentence defines the entire visual feel. Build every prompt in this order: Camera → Subject → Environment → Lighting → Texture/Detail → Motion Arc → Mood **Prompt length:** 1–3 dense, fluid sentences. Director's shot description — never a keyword list. --- ## Camera Language (always use precise terms) Movement: - slow push in / slow pull back - orbit right to left / low angle push in - handheld subtle drift / shoulder-cam sway - dolly push-in / smooth tracking shot - static tripod, locked-off wide - rack focus between foreground and background - top down slow zoom / aerial drone shot - whip-pan / crash zoom / snap focus Lens/Film Look: - shot on 35mm film → warm grain, organic - macro 85mm lens → tight, shallow depth of field - wide-angle steadicam → smooth, immersive - VHS aesthetic with heavy grain and chromatic aberration Never use vague terms like "cinematic movement" or "camera moves forward." --- ## Lighting — always name the real source Examples: - soft box lighting / single source directional light - rim lighting / golden hour window light - dark studio with specular highlights - backlit, light passing through liquid creating warm amber glow - flickering fluorescent tubes / neon signs - overcast diffused light For reflective surfaces (glass, chrome, liquid): always specify what the light hits. --- ## Texture = physical credibility Always add at least one tactile detail: - Glass: condensation forming on the outside

You are a professional fashion photography prompt engineer. I will attach one image. Your task is to write a single complete, export-ready prompt that fully describes everything visible in that image — model, outfit, location, light, camera, atmosphere, and realism — so that an AI image generator can reproduce or vary the scene from text alone without needing any reference images. Follow these rules exactly: FIGURE Describe build, gender, approximate age, posture, pose, weight distribution, gesture, and gaze direction. No names. No identity. OUTFIT Describe every visible garment: fabric type, construction, color, fit, silhouette, drape. Every accessory separately: construction, color, placement. Exact pigment — no generic color names. No redesign. No interpretation beyond what is visible. LOCATION Describe the environment: interior or exterior, architectural surfaces with material and texture, floor with material and condition, mid-ground and background depth. Only what is visible. LIGHT Name the source type. Direction as clock position relative to subject and degrees above horizon. Quality: hard, soft, or diffuse. Shadow edge definition. Fill ratio on shadow side as percentage. Any physically motivated secondary bounce. No invented light sources. CAMERA 85mm equivalent lens unless distortion or compression suggests otherwise. Vertical 4:5. Exact camera angle in degrees. Natural focal compression. Authentic depth falloff. Minor chromatic softness at frame edges. No sharpening. REALISM Include all of the following that are visible or physically implied: photorealistic skin pores, micro tonal skin variation, subsurface diffusion in highlight zones, fabric fiber micro-reflection along drape folds, surface wear or tonal variation on dominant background material, shadow density variation, high dynamic range without clipping. No plastic smoothness. No CGI surface feel. COLOR Name the dominant background tone. Anchor each garment color precisely. Skin tone with undertone descriptor. No teal-orange grading. No LUT.

Was macht einen KI-Agenten wirklich aus? Jetzt gehen wir tiefer. Was ist eigentlich das Besondere an einem KI-Agenten — jenseits des Hypes? Wir haben im Workshop drei Prinzipien herausgearbeitet, die alle zusammen erfüllt sein müssen, damit etwas als echter KI-Agent funktioniert. Erstens: Mehrwert. Ein Agent muss eine Aufgabe übernehmen, die entweder zu aufwändig, zu komplex oder zu zeitintensiv ist, um sie manuell effizient zu erledigen. Wenn du mit einem Agenten eine Aufgabe automatisierst, die du in zwei Minuten selbst erledigst, ist das kein Fortschritt — das ist Komplexität um der Komplexität willen. Zweitens: Robustheit. Ein Agent muss mit Ausnahmen umgehen können. Was passiert, wenn eine API nicht antwortet? Was, wenn die E-Mail im falschen Format kommt? Was, wenn ein Termin bereits belegt ist? Agenten, die nur unter Idealbedingungen funktionieren, sind keine Agenten — das sind fragile Skripte. Drittens: Zeit. Die Aufgabe, die der Agent übernimmt, muss regelmäßig genug vorkommen, dass sich der Aufbau lohnt. Einen Agenten für eine einmalige Aufgabe zu bauen ist fast immer ineffizient. Der Wert entsteht durch Wiederholung. Ein konkretes Beispiel aus dem Workshop: Ein Agent, der nach einer Workshop-Anmeldung automatisch die Teilnehmerdaten aufnimmt, einen Termin in den Kalender einträgt, eine Bestätigungsmail schickt und eine Follow-up-Aufgabe im Projektmanagement-Tool anlegt. Das sind vier Schritte, die jedes Mal gleich ablaufen. Kein Mensch muss dabei sein. Der Agent macht es — verlässlich, in Sekunden. Was dabei oft missverstanden wird: Der Unterschied zwischen einer klassischen Nutzeroberfläche (UI) und einem Agenten liegt nicht im Ergebnis, sondern im Weg dahin. Eine App führt aus, was du klickst. Ein Agent entscheidet, was er klicken würde — und tut es dann selbst. Das setzt voraus, dass du dem Agenten klare Ziele, klare Grenzen und klares Feedback gibst. Ein schlecht definierter Agent ist kein schlechter Agent — er ist ein gut definiertes Problem.

"Ich nutze schon KI" — das hören wir oft. Und meistens meinen die Leute damit: Ich nutze ChatGPT zum Texte schreiben oder Fragen stellen. Das ist ein Anfang. Aber es ist nicht mal ansatzweise das, wozu KI-Systeme heute fähig sind. Es lohnt sich, die verschiedenen Ebenen zu verstehen. Stufe 1 — Chat: Du stellst eine Frage, du bekommst eine Antwort. Keine Erinnerung an frühere Gespräche (außer in der laufenden Session), kein Zugriff auf externe Daten, keine Handlungen. Das klassische Chatbot-Muster. Nützlich für schnelle Auskünfte, Texthilfe, Brainstorming. Stufe 2 — CustomGPTs / konfigurierte Assistenten: Du gibst dem Modell vorab Instruktionen — eine Persona, einen Fokusbereich, Wissen über dein Unternehmen. Es "erinnert sich" daran in jedem Gespräch. Das ist deutlich nützlicher für wiederkehrende Aufgaben, aber es handelt immer noch nicht selbst. Es wartet auf dich. Stufe 3 — Automatisierungen: Du verknüpfst KI mit anderen Tools — z.B. "Wenn eine E-Mail reinkommt, die das Wort 'Rechnung' enthält, dann extrahiere die relevanten Daten und trage sie ins CRM ein." Das läuft ohne dein Zutun. Hier geht es aber um vordefinierte Wenn-Dann-Logik. Das Modell entscheidet nicht wirklich — es führt aus. Stufe 4 — KI-Agent: Hier wird es interessant. Ein Agent bekommt ein Ziel, nicht eine Anweisung. Er entscheidet selbst, welche Schritte nötig sind, welche Tools er nutzt, in welcher Reihenfolge er vorgeht. Er kann mit anderen Systemen interagieren, Zwischenergebnisse evaluieren und seinen Ansatz anpassen. Das ist keine Automatisierung mehr — das ist delegiertes Denken. Der Unterschied in der Praxis: Eine Automatisierung macht, was du ihr sagst. Ein Agent macht, was nötig ist, um dein Ziel zu erreichen. Das klingt nach einer Kleinigkeit. Es ist aber ein fundamentaler Paradigmenwechsel darin, wie wir mit Software interagieren.

KI-Modelle: Wer kann was? Nicht jedes KI-Modell ist gleich — und das ist keine Werbebotschaft irgendeines Anbieters, sondern eine technische Realität. Wer verstanden hat, dass verschiedene Modelle für verschiedene Aufgaben optimiert sind, nutzt KI grundlegend effizienter. Grob lassen sich aktuelle Sprachmodelle in ein paar Kategorien einteilen. Reasoning-Modellesind darauf ausgelegt, komplexe Probleme Schritt für Schritt durchzudenken. Sie sind langsamer und teurer, aber wenn du willst, dass ein Modell wirklich analysiert — Wenn-Dann-Ketten durchspielt, Argumente abwägt, Fehler in einer Logik findet — dann sind das die richtigen Werkzeuge. OpenAIs o-Modelle oder Anthropics Claude in der Sonnet/Opus-Linie fallen hier rein. Schnelle, effiziente Modelle(oft "Haiku"- oder "Flash"-Varianten) sind optimiert für Geschwindigkeit und Kosten. Sie können Standardaufgaben sehr gut — Texte zusammenfassen, einfache Antworten generieren, kurze Inhalte erstellen — und sie tun das in Sekundenbruchteilen. Für Automatisierungen, bei denen tausende Anfragen laufen, ist das der richtige Typ. Kreative Modelle sind darauf trainiert, sprachlich variationsreich zu sein, ungewöhnliche Verbindungen herzustellen, Texte mit einem bestimmten Ton zu schreiben. Wer Texte schreibt, Ideen entwickelt oder an Brand Voice arbeitet, kommt hier auf seine Kosten. Und dann gibt es noch eine wichtige Dimension: das Kontextfenster. Das ist die Menge an Text, die ein Modell gleichzeitig "im Kopf" halten kann. Je größer das Kontextfenster, desto mehr kannst du auf einmal einreichen — ganze Dokumente, lange Gesprächsverläufe, komplexe Instruktionen. Kleine Kontextfenster bedeuten: Das Modell vergisst früh. Was das für die Praxis heißt: Bevor du ein Modell auswählst, frag dich, was du damit tun willst. Für die meisten Alltagsaufgaben reicht ein schnelles, günstiges Modell völlig aus. Für tiefe Analyse oder anspruchsvolles Schreiben lohnt der Aufpreis für ein stärkeres.