GPT Image 2 Knowledge-Graph Prompt-Guide: 5 Produktionsvorlagen für Prüfungsvorbereitung, Xiaohongshu, Vorlesungsmitschriften, Slides & SOPs

Vor GPT Image 2 war "mit KI eine Knowledge-Graph-Grafik bauen" eher ein Meme als ein echter Workflow. Andere Modelle haben entweder die Überschriften falsch geschrieben, zehn Sektionen in drei gequetscht oder ein hübsches, aber leeres Poster ausgespuckt, das sich wie dekoratives Rauschen las. Die meisten Leute sind deshalb wieder zu PowerPoint, Figma oder handgemalten iPad-Notizen zurückgekehrt.

In diesem Frühjahr hat sich das geändert. Mit GPT Image 2 reichst du dem Modell jetzt einen einzigen, strukturierten Prompt — und bekommst in einem Durchgang eine prüfungsreife Lernkarte zurück: korrekte Typografie, sauberes Sektionsraster, die richtigen Pfeile an den richtigen Stellen. Dieser Guide ist das Prompt-Framework, das ich immer wieder benutze, plus fünf Copy-and-paste-Vorlagen für die fünf Szenarien, nach denen Leser tatsächlich suchen: Beamtenprüfungs-Vorbereitung, Xiaohongshu / Social-Knowledge-Cards, Klassenraum-Handouts, Slide-Visuals und operative SOPs.

1. Erst einmal: Was bedeutet "KI-Knowledge-Graph-Bild" überhaupt?

Zwei sehr unterschiedliche Dinge teilen sich diese Bezeichnung:

• Technischer Knowledge-Graph (KG): ein Triple-Store aus Entität–Relation–Entität, wie du ihn mit Neo4j / RDF / GraphRAG aufbaust. Das ist eine Datenstruktur, kein Bild.
• Visuelles Knowledge-Graph-Bild: ein druck- oder teilbares Poster, das ein Thema visuell organisiert — Definition, Typen, Workflow, Fallen, Beispiele, Eselsbrücke. Genau das wollen Leute eigentlich, wenn sie nach "Knowledge-Graph mit KI erstellen" suchen.

Dieser Guide behandelt das Zweite. Das Erste ist ein LLM- plus Graph-Datenbank-Thema und hat mit Bildmodellen nichts zu tun — hier nicht im Scope.

2. Die universelle 5-Block-Prompt-Vorlage

Jede erfolgreiche Knowledge-Graph-Grafik, die ich mit GPT Image 2 ausgespielt habe, folgt denselben fünf Blöcken in genau dieser Reihenfolge. Lass einen weg, und das Ergebnis kippt entweder in hübsche Wandtapete oder in Buchstabensuppe.

[1] CANVAS — orientation (vertical 1024×1536 or horizontal 1536×1024),
    paper-style background, dominant accent color.
[2] TOPIC HEADER — exact title text + one-line positioning sentence.
[3] SECTIONS — 5 to 8 named cards. Common skeleton:
    Definition → Question Types → Solving Path → Common Pitfalls →
    Comparisons → Worked Example → Mnemonic.
[4] VISUAL — line weight, icon style, arrow style, palette accents,
    rounded-card vs. ruled-notebook aesthetic.
[5] CONSTRAINTS — "THE TEXT READS: ..." quoting for every label,
    no extra logos, no decorative filler, preserve exact spelling.

Warum diese fünf und nicht sechs oder vier:

• Canvas zuerst. Das Modell legt sich vor dem Inhalt aufs Layout fest. Beschreibst du das Thema vor dem Canvas, bekommst du beliebige Seitenverhältnisse.
• Header vor den Sektionen. Die H1 verankert die Hierarchie. Ohne sie rendert das Modell alle Sektionskarten mit derselben visuellen Gewichtung und das Bild wirkt flach.
• 5 bis 8 Sektionen sind der Sweet Spot. Unter fünf wirkt es leer; über acht fängt selbst GPT Image 2 an, Labels zu verlieren.
• Der Visual-Block steht als Letzter unter den Beschreibungsblöcken. Frühe Stilbeschreibungen werden überstrapaziert; spät platziert wirken sie wie ein abschließender Finishing-Pass.
• Constraints ganz unten, im Imperativ — das Modell behandelt sie dann als Leitplanken statt als Vorschläge.

Ein Trick aus dem OpenAI-Cookbook, der eine Wiederholung wert ist: Jede On-Image-Copy gehört in den Wrapper THE TEXT READS: "...". Dieser eine Satz ist der größte Hebel für Akkuratheit bei nicht-lateinischen Schriften und langen Titeln.

3. Szenario 1 — Beamtenprüfungs-Lernkarte (das Hauptbeispiel)

Damit würde ich anfangen, denn Lernkarten für Prüfungen sind der härteste Test: Sie brauchen akkurates Chinesisch, hohe Informationsdichte, einen klaren Lösungsweg und eine "Lern-Handout"-Ästhetik, die nicht KI-generiert aussieht.

Hier ist der Prompt, der das Coverbild dieses Beitrags erzeugt hat (eine Lernkarte zum Thema "Beamtenprüfungs-Interview — Antwortstruktur für Analysefragen"):

Create a vertical (1024×1536) civil-service exam study infographic
on the topic "面试综合分析题答题结构 / Civil-Service Interview
Analysis Question Framework". The goal is to help a reader
understand: what this question type tests, how to recognise it,
the standard answering workflow, common pitfalls, similar
question types, a worked example, and a memorable mnemonic.

CANVAS: clean light paper background, deep-navy title block,
charcoal body lines, with restrained accents in blue, teal, gold,
and a single red flag for warnings.

LAYOUT BLOCKS (rounded cards with thin borders, numbered tags):
1) Header: exact title + one-line positioning.
2) Core Definition — what this question actually tests.
3) Question-Type Signals — prompt phrasings and keyword tells.
4) Solving Path — 4 to 5 numbered steps connected by hand-drawn arrows.
5) Common Pitfalls — trap options, wrong reasoning patterns.
6) Comparison — distinguish from adjacent question types.
7) Worked Example — short stimulus + correct decomposition.
8) Mnemonic — one short rhyming line or three-keyword summary.

VISUAL: looks like a high-quality printed exam handout crossed
with a hand-illustrated education poster. Use rounded cards,
thin rule lines, numbered tags, hand-drawn arrows, small
zoom-in callouts, and a dedicated "易错提醒" warning strip.

CONSTRAINTS: every visible heading and body string is rendered
verbatim — THE TEXT READS exactly what is specified. No extra
logos, no Lorem ipsum, no decorative filler text. Information
density is high but the page stays balanced and uncluttered.

Ein paar Dinge, die hier wichtig sind:

• Ich schreibe den chinesischen Titel plus eine englische Glosse. GPT Image 2 kommt mit beidem klar, aber zweisprachige Prompts signalisieren dem Modell, dass das Thema ernst / bildungsbezogen ist und nicht meme-haft.
• Nummerierte Tags und handgezeichnete Pfeile lassen das Ergebnis wie ein Lern-Handout und nicht wie einen Marketing-Flyer aussehen.
• Die "Häufige-Fehler / Pitfalls"-Karte ist das mit Abstand unterschätzteste Element in KI-Knowledge-Cards. Sie hinzuzufügen ist genau das, was das Bild handgeschrieben statt generiert wirken lässt.

Du kannst das gerenderte Ergebnis und über 20 ähnliche Vorlagen auf der Seite /prompts durchstöbern — jede Karte dort lässt sich aus ihrem Source-Prompt reproduzieren.

4. Szenario 2 — Xiaohongshu / Social-Media-Knowledge-Card

Für chinesische Social-Plattformen (besonders Xiaohongshu / RED) ist der De-facto-Standard 1080×1440 vertikal, F-förmiger Leseflow, dreiteilige Kartenreihe. Der Prompt unten erzeugt eine einzelne Karte aus dieser Reihe; nutze ihn dreimal mit derselben Akzentpalette, um ein Swipe-Through-Set zu bekommen.

Create a vertical 1080×1440 knowledge card for Xiaohongshu titled
"3 Habits That Actually Lower Cortisol".

CANVAS: warm cream background (#FFF8EE), subtle paper grain.
A single accent color of muted terracotta (#C96E5A).

LAYOUT:
- Top: progress label "认知觉醒 · 卡片 2 / 3" in tiny mono caps.
- Headline block: H1 in handwritten serif, sub-line in clean sans.
- Middle: three numbered "habit" rows. Each row has a small flat
  icon on the left, a 3-word habit name, and a 1-sentence "why".
- Bottom: a single quote strip with a hand-drawn underline.
- Right edge: tiny vertical text "swipe →".

VISUAL: minimal flat illustration, two-color palette only, 1pt
hairlines, slight paper texture, generous whitespace, F-shaped
reading flow (title top-left, scan down).

CONSTRAINTS: text rendering must be pixel-perfect — THE TEXT
READS each label exactly as written. No watermark. No platform
logos. Output looks like a published Xiaohongshu carousel card,
not a Canva template.

Zwei Retention-Tricks, die speziell auf Xiaohongshu gut funktionieren:

• Das "X / Y"-Fortschrittslabel signalisiert dem Zuschauer, dass es weitere Karten gibt — das hebt Swipe-through und durchschnittliche Verweildauer, beides Signale, die der Algorithmus belohnt.
• Eine handschriftliche H1 in Kombination mit einem klaren Sans-Body ist die visuelle Signatur eines "nachdenklichen Creators" und gerade nicht eines "Agenturinhalts" — was wiederum die ganze Positionierung der Plattform trifft.

5. Szenario 3 — Klassenraum-Handout / Vorlesungsmitschrift

Für Lehrkräfte und Nachhilfetutoren. Der Kniff: ein Handout ist breiter als eine Knowledge-Card — es geht ins Querformat, hat eine linke Navigationsspalte und lässt dem Inhalt Luft zum Atmen.

Create a horizontal 1536×1024 classroom handout titled
"Photosynthesis — One-Page Lecture Note for 8th-grade Biology".

CANVAS: graph-paper background, navy header bar, hand-drawn
margin notes in pencil-grey.

LAYOUT:
- Left rail (20% width): table of contents with 5 numbered items.
- Main area (80% width) split into three rows:
  Row A — annotated diagram of a leaf cross-section with arrows
    pointing to chloroplast, stomata, xylem, phloem.
  Row B — the balanced chemical equation in a boxed callout,
    with sun, water, CO2, glucose, O2 labeled as small icons.
  Row C — a 4-step "Light vs Dark Reactions" comparison table.
- Bottom-right: a "Common Misconceptions" red flag box with
  three bullets, each one sentence.

VISUAL: pen-and-marker textbook illustration style. Pencil-grey
linework, navy headings, accent yellow for highlights, red for
warnings only. Friendly but not childish.

CONSTRAINTS: every label is rendered verbatim. The handout reads
like it was prepared by a science teacher, not designed by a
marketing agency. No school logos, no watermarks.

Wenn du ein ganzes Curriculum produzierst, generierst du zuerst ein Handout und bittest GPT Image 2 in Folge-Turns, das Layout beizubehalten und nur den Inhaltsblock auszutauschen — diese Local-Edit-Treue ist es, was Batch-Produktion heute überhaupt erst wirtschaftlich macht.

6. Szenario 4 — Slide-Deck-Visual (Boardroom-Qualität)

Die klassischen schmerzhaften Slide-Elemente — TAM/SAM/SOM-Kreise, 2×2-Matrizen, Swim-Lane-Diagramme — haben in Figma immer 30 Minuten pro Stück gebraucht. Heute reicht ein Prompt.

Create a horizontal 16:9 slide visual titled
"2026 GTM Plan — Where We Win This Quarter".

CANVAS: pure white background, single brand-blue accent (#2563EB),
charcoal text. Boardroom presentation aesthetic.

LAYOUT: 2x2 matrix.
- X axis label: "Effort (low ← → high)"
- Y axis label: "Strategic value (low ← → high)"
- Quadrants, each with a 2-word verdict tag and 2 example bullets:
  Top-right "DO NOW": Enterprise pilot, Channel partner.
  Top-left "QUICK WINS": Lifecycle email, Pricing test.
  Bottom-right "RECONSIDER": Conference circuit, New SDR hire.
  Bottom-left "PARK": Affinity merch, Side-project blog.
- Footer micro-text: "Source: Q2 OKR review, internal".

VISUAL: clean sans-serif, 1pt rule lines, generous whitespace,
no decorative icons. Reads as a McKinsey-style consulting slide.

CONSTRAINTS: every quadrant label is rendered verbatim. No
watermarks. No fake company logos. The image looks like a
PowerPoint screenshot, not a stock illustration.

Koppele diesen Prompt mit einem Folge-Prompt wie "Generiere jetzt ein TAM-/SAM-/SOM-Kreisvisual im selben Stil", und du hast ein in sich stimmiges Deck statt eines Frankenstein-Screenshots.

7. Szenario 5 — SOP- / Workflow-Diagramm

Operations-Teams haben in diesem ganzen Workflow den klarsten ROI — ein gutes SOP-Diagramm spart eine Stunde Visio-Zeit und liest sich besser als das Manual, das es ersetzt.

Create a vertical 1024×1536 SOP diagram titled
"Customer Refund Process — Standard Workflow (2026)".

CANVAS: white background, navy header strip with the SOP title
and a small "Doc ID: OPS-014 · v2.1" badge.

LAYOUT: top-to-bottom flowchart with 6 numbered nodes connected
by directional arrows.
1) "Customer submits refund request" — owner: Support L1.
2) "Verify order + payment status" — owner: Support L1.
3) Decision diamond: "Within 30-day window?" — Yes → step 4,
   No → step 6.
4) "Approve refund in Stripe dashboard" — owner: Finance.
5) "Send confirmation email + close ticket" — owner: Support L1.
6) "Escalate to Support L2 for exception review" — owner: L2.
Right side: a sidebar with three "Common pitfalls" warnings
and the SLA: "Refunds processed within 24h business time".

VISUAL: clean Visio-style flowchart, rectangles for actions,
diamonds for decisions, hand-drawn-feel arrows in navy, owner
tags in small pill labels. No icons, no illustration.

CONSTRAINTS: every node label and owner tag rendered verbatim.
No watermarks. Output reads like a print-ready company SOP page.

Ein subtiler Pro-Move: Bitte das Modell, Doc-ID und Versionsnummer in einem kleinen Badge zu rendern. Reviewer behandeln Dokumente mit Versionsmetadaten als autoritativ — das ist das günstigste Glaubwürdigkeits-Upgrade in diesem ganzen Workflow.

8. Sechs typische Fallen (und wie du sie behebst)

Nach rund 300 Knowledge-Card-Generierungen sind das die Fehlermuster, denen ich heute in jedem Prompt vorab begegne:

Wenn du eines dieser Probleme hast und es steht nicht auf dieser Liste, öffne die Prompt-Bibliothek und reverse-engineere das nächstliegende funktionierende Beispiel — meistens schneller als von Grund auf debuggen.

9. Größen-Spickzettel

Für alle, die nur die Maße und ein One-Liner-Prompt-Suffix wollen:

Allein das Seitenverhältnis entscheidet darüber, ob sich das Modell auf ein mentales Modell "Karte" oder "Seite" festlegt. Nimm die Spalte wortwörtlich — übersetze 1024×1536 nicht in "vertikale Infografik" und erwarte dieselbe Schärfe.

Das Fazit

Der spannende Shift ist nicht, dass GPT Image 2 "besser aussieht". Sondern dass One-Shot-, druckreife Knowledge-Grafiken jetzt ein echter Workflow sind statt einer Fantasie. Die fünf Szenarien oben decken den Großteil dessen ab, wonach Leute tatsächlich googeln, wenn sie "Knowledge-Graph mit KI erstellen" eingeben — und dieselbe 5-Block-Prompt-Vorlage trägt durch alle.

Wenn du das Prompt-Schreiben überspringen und einfach sehen willst, was GPT Image 2 kann, hat die Seite /prompts über 20 produktionsreife Vorlagen (inklusive der Beamtenprüfungs-Karte aus diesem Beitrag) zum Forken, und /explore zeigt die komplette Output-Galerie mit den Source-Prompts dazu.

Weiterführende Artikel

• Hat GPT Image 2 Nano Banana wirklich vom Thron gestoßen? Mein Urteil
• GPT Image 2 vs. Nano Banana 2 vs. Midjourney v7 — Ein produktionsorientierter Vergleich
• GPT Image 2 Prompt-Guide — 7 Regeln für 90 % Trefferquote