Guida ai prompt per knowledge graph con GPT Image 2: 5 template di produzione per esami, Xiaohongshu, appunti, slide e SOP

Prima di GPT Image 2, "usare l'IA per fare un'immagine knowledge graph" era più un meme che un workflow. Qualsiasi altro modello sbagliava i titoli, infilava dieci sezioni in tre, oppure produceva un poster bello ma vuoto che si leggeva come rumore decorativo. Così la maggior parte ha mollato ed è tornata a PowerPoint, Figma o agli appunti scritti a mano su iPad. Anche nella generazione di immagini con IA, questo era il punto debole.

Quest'anno è cambiato tutto. Con GPT Image 2 puoi finalmente passare al modello un singolo prompt strutturato e ottenere indietro una study card di livello professionale — tipografia corretta, griglia di sezioni pulita, le frecce giuste nei posti giusti — in un solo shot. Questa guida è il framework di prompt che continuo a riutilizzare, più cinque template copia-incolla per i cinque scenari in cui i lettori cercano davvero questa roba: preparazione concorsi pubblici, knowledge card per Xiaohongshu / social, dispense scolastiche, visual per slide e SOP operative.

1. Anzitutto, cosa significa "immagine knowledge graph IA"?

Due cose molto diverse condividono questa frase:

• Knowledge graph (KG) tecnico: un triple store entità-relazione-entità, quello che si costruisce con Neo4j / RDF / GraphRAG. È una struttura dati, non un'immagine.
• Immagine visiva di knowledge graph: un poster stampabile / condivisibile che organizza visivamente un argomento — definizione, tipi, workflow, trappole, esempi, mnemonico. Questo è quello che le persone vogliono davvero quando cercano "come fare un knowledge graph con l'IA."

Questa guida riguarda la seconda. La prima è un lavoro da LLM + database a grafo e non ha nulla a che fare con i modelli di immagini — qui è fuori scope.

2. Il template universale di prompt a 5 blocchi

Ogni immagine knowledge graph di successo che ho prodotto con GPT Image 2 segue gli stessi cinque blocchi, in quest'ordine. Salta anche uno solo e l'output collassa in un wallpaper carino o in una zuppa di lettere.

[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.

Perché questi cinque e non sei o quattro:

• Prima il canvas. Il modello si impegna sul layout prima del contenuto. Se descrivi l'argomento prima del canvas, ottieni rapporti d'aspetto casuali.
• Header prima delle sezioni. L'H1 ancora la gerarchia. Senza di esso, tutte le card delle sezioni si renderizzano con lo stesso peso visivo e l'immagine si legge piatta.
• 5-8 sezioni è il punto giusto. Sotto le cinque sembra vuoto; sopra le otto si iniziano a perdere etichette anche con GPT Image 2.
• Il blocco visual è l'ultimo tra i descrittivi. Le descrizioni di stile messe presto vengono sovra-applicate; messe dopo agiscono come una passata di rifinitura.
• I vincoli alla fine, in voce imperativa — il modello li tratta come guard-rail piuttosto che come suggerimenti.

Un trucco che vale la pena ripetere dal cookbook di OpenAI: ogni testo che appare nell'immagine deve essere avvolto come THE TEXT READS: "...". Questa singola frase è la leva più importante sull'accuratezza per scritture non latine e titoli lunghi.

3. Scenario 1 — Study card per concorso pubblico (l'esempio in evidenza)

Da questo partirei, perché le knowledge card per la preparazione di esami sono il test più severo: richiedono cinese accurato, informazioni dense, un workflow di risoluzione chiaro e un'estetica da "dispensa di studio" che non sembri generata dall'IA.

Ecco il prompt che ha prodotto l'immagine di copertina di questo post (una study card per "Struttura della domanda di analisi nell'intervista del concorso pubblico"):

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.

Alcune cose da notare:

• Scrivo il titolo cinese più una glossa inglese. GPT Image 2 gestisce entrambe, ma i prompt bilingui spingono il modello a trattare l'argomento come serio / educativo piuttosto che come meme.
• I tag numerati + le frecce disegnate a mano fanno leggere l'output come una dispensa di studio, non come un volantino di marketing.
• La card "trappole / errori facili" è l'elemento più sottoutilizzato nelle knowledge card IA. Aggiungerla è quello che fa sembrare l'immagine scritta da un autore invece che generata.

Puoi sfogliare l'output renderizzato e 20+ template simili sulla pagina /prompts — ogni card lì è riproducibile dal suo prompt sorgente.

4. Scenario 2 — Knowledge card per Xiaohongshu / social

Per le piattaforme social cinesi (specialmente Xiaohongshu / RED), lo standard de facto è 1080×1440 verticale, flusso di lettura a F, serie da tre card. Il prompt qui sotto produce una singola card di quella serie; riutilizzalo tre volte con la stessa palette di accenti per ottenere un set da swipe-through.

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.

Due trucchi di retention specifici per Xiaohongshu:

• L'etichetta di progresso "X / Y" dice agli spettatori che ci sono altre card — alza lo swipe-through e la durata media di visualizzazione, entrambi premiati dall'algoritmo.
• Un H1 scritto a mano abbinato a un body sans pulito è la firma visiva del "creator riflessivo" piuttosto che del "contenuto da agenzia", che è tutto il pitch della piattaforma.

5. Scenario 3 — Dispensa scolastica / appunti di lezione

Per insegnanti e tutor. Il trucco è che una dispensa è più larga di una knowledge card — va in orizzontale, ha una colonna di navigazione a sinistra e lascia respirare il corpo.

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.

Se stai producendo un intero curricolo, genera una dispensa, poi nei turni successivi chiedi a GPT Image 2 di preservare il layout e cambiare solo il blocco di contenuto — la sua fedeltà nella modifica locale è ciò che rende la produzione in batch economicamente sostenibile oggi.

6. Scenario 4 — Visual per slide (livello CdA)

I classici elementi dolorosi delle slide — cerchi concentrici TAM/SAM/SOM, matrici 2×2, diagrammi swim-lane — prima richiedevano 30 minuti ciascuno in Figma. Adesso richiedono un 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.

Combina questo prompt con un follow-up come "Adesso genera un visual a cerchi concentrici TAM / SAM / SOM nello stesso linguaggio visivo" e ottieni un mazzo coerente invece di un Frankenstein di screenshot.

7. Scenario 5 — Diagramma SOP / di workflow

I team operations hanno il ROI più pulito su tutto questo workflow — un buon diagramma SOP risparmia un'ora di Visio e si legge meglio del manuale che sostituisce.

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.

Una mossa pro sottile: chiedi al modello di renderizzare il document ID e il numero di versione in un piccolo badge. I revisori trattano i documenti con metadati di versione come autorevoli; è il più economico upgrade di credibilità in tutto questo workflow.

8. Sei trappole comuni (e come risolverle)

Dopo ~300 generazioni di knowledge card, questi sono i pattern di fallimento che ora prevengo in ogni prompt:

Se ne hai uno e non è in questa lista, apri la libreria di prompt e fai reverse-engineering dell'esempio funzionante più vicino — di solito è più veloce che debuggare da zero.

9. Cheat sheet delle dimensioni

Per chi vuole solo le dimensioni e un suffisso di prompt da una riga:

Il solo rapporto d'aspetto cambia se il modello adotta un modello mentale da "card" o da "pagina". Usa la colonna letteralmente — non tradurre 1024×1536 in "infografica verticale" aspettandoti la stessa nitidezza.

La conclusione

Lo shift interessante non è che GPT Image 2 "sembra migliore". È che le immagini di knowledge pronte da pubblicare in un solo shot sono ora un workflow piuttosto che una fantasia. I cinque scenari sopra coprono il grosso di quello che le persone cercano davvero quando googlano "come fare un knowledge graph con l'IA" — e lo stesso template di prompt a 5 blocchi funziona in tutti.

Se vuoi saltare la scrittura di prompt e vedere solo cosa può fare GPT Image 2, la pagina /prompts ha 20+ template pronti per la produzione (inclusa la card del concorso di questo post) che puoi forkare, e /explore ha la galleria completa degli output con i prompt sorgente allegati.

Approfondimenti

• GPT Image 2 ha davvero detronizzato Nano Banana? Il mio verdetto
• GPT Image 2 vs Nano Banana 2 vs Midjourney v7 — Un confronto orientato alla produzione
• Guida ai prompt per GPT Image 2 — 7 regole per il 90% di successo