Häufige Fehler vermeiden

Lernen Sie aus den häufigsten Fehlern, die Armox-Nutzer machen. Wenn Sie diese vermeiden, sparen Sie Zeit, Credits und Frust.

Prompt-Fehler

Fehler 1: Zu vage

❌ Bad:

A nice picture of a person

✅ Good:

Professional headshot of a confident businesswoman, 
modern office background, soft natural lighting, 
warm and approachable expression, 
shot on 85mm lens, shallow depth of field

Warum das wichtig ist: Vage Prompts liefern unvorhersehbare Ergebnisse. Die KI „füllt“ Details zufällig.

Fehler 2: Widersprüchliche Anweisungen

❌ Bad:

Dark moody lighting, bright and cheerful atmosphere

✅ Good:

Moody lighting with warm accent highlights, 
sophisticated atmosphere

Warum das wichtig ist: Widersprüche verwirren die KI und erzeugen inkonsistente Ergebnisse.

Fehler 3: Zu viele Details

❌ Bad:

A woman with long blonde hair and blue eyes wearing a red 
dress with yellow flowers and green shoes standing in a 
purple room with orange furniture next to a pink dog...

✅ Good:

Elegant woman in floral dress, 
modern minimalist interior, 
soft natural lighting, 
fashion editorial style

Warum das wichtig ist: Überladene Prompts führen oft zu chaotischen Bildern — die KI kann nicht priorisieren.

Fehler 4: Style nicht spezifizieren

❌ Bad:

A coffee cup on a table

✅ Good:

Artisan coffee cup on wooden table, 
lifestyle photography, warm morning light, 
Instagram aesthetic, shallow depth of field

Warum das wichtig ist: Ohne Style Guidance bekommen Sie generische, stock-photo-artige Ergebnisse.

Model-Selection-Fehler

Fehler 5: Premium fürs Testing verwenden

❌ Bad: Prompt-Iterationen mit Flux 2 Pro testen (120 Credits pro Run)

✅ Good: Mit Qwen Image (20 Credits) testen, dann Flux 2 Pro für den Final Output

Warum das wichtig ist: Sie verbrennen Credits, bevor der Prompt sitzt.

Fehler 6: Falsches Model für die Aufgabe

❌ Bad: SDXL für photorealistische Produktfotografie nutzen

✅ Good: Flux für photorealistisch, SDXL für künstlerische Styles

Warum das wichtig ist: Jedes Modell hat Stärken. Das passende Modell liefert bessere Ergebnisse.

Fehler 7: Video-Model-Kosten ignorieren

❌ Bad: Mit Veo 3.1 iterieren (4,000 Credits pro Run)

✅ Good: Mit Wan 2.5 Fast (60 Credits) testen, final mit Veo

Warum das wichtig ist: Video ist teuer. Eine Veo-Generierung = 66 Wan-Fast-Tests.

Workflow-Fehler

Fehler 8: Nicht inkrementell testen

❌ Bad: Einen 10-Node-Workflow bauen und direkt „Run All“ machen

✅ Good: Jeden Node einzeln testen, dann den ganzen Workflow ausführen

Warum das wichtig ist: Wenn ein Step scheitert, haben Sie Credits für alle nachfolgenden Steps verschwendet.

Fehler 9: Zu früh upscalen

❌ Bad:

Generate → Upscale → Edit → Upscale again

✅ Good:

Generate → Edit → Final check → Upscale once

Warum das wichtig ist: Upscaling kostet 1,000 Credits. Nur final upscalen.

Fehler 10: Keine Reference Images verwenden

❌ Bad: Alles für Konsistenz nur per Text beschreiben

✅ Good: Reference Images mit Flux Kontext nutzen

Warum das wichtig ist: Reference Images liefern deutlich konsistentere Ergebnisse als Text allein.

Aspect-Ratio-Fehler

Fehler 11: Falsches Ratio für die Plattform

❌ Bad: 16:9 für Instagram Stories generieren

✅ Good: 9:16 für Stories, 1:1 oder 4:5 für Feed

Warum das wichtig ist: Falsche Ratios führen zu awkward Cropping oder verschwendeter Generierung.

Fehler 12: Komposition nicht berücksichtigen

❌ Bad: Square Image generieren, Subject am Rand

✅ Good: Subject zentrieren oder rule of thirds nutzen

Warum das wichtig ist: Schlechte Komposition führt zu unbrauchbaren Crops.

Video-Fehler

Fehler 13: Zu komplexe Motion

❌ Bad:

Person runs, jumps, spins, catches a ball, 
throws it, and does a backflip

✅ Good:

Person slowly turns head toward camera, 
gentle smile forming, 
subtle movement

Warum das wichtig ist: KI-Video funktioniert am besten mit einfachen, klaren Bewegungen.

Fehler 14: Duration Limits ignorieren

❌ Bad: 60 Sekunden Video von einem 5-Sekunden-Model erwarten

✅ Good: Mehrere 5-Sekunden-Clips generieren und kombinieren

Warum das wichtig ist: Jedes Model hat Duration Limits — planen Sie entsprechend.

Audio-Fehler

Fehler 15: Schlechte Voice-Clone-Samples

❌ Bad: Rauschige, kurze oder Multi-Speaker-Audios fürs Cloning

✅ Good: Sauberes 20–30s Sample mit nur einem Speaker

Warum das wichtig ist: Bad samples = bad clones. Quality in = quality out.

Fehler 16: Audio-Dauer passt nicht

❌ Bad: 30s Musik für ein 10s Video generieren

✅ Good: Audio-Dauer an Video-Länge anpassen

Warum das wichtig ist: Verschwendet Credits und erfordert Editing.

Organisations-Fehler

Fehler 17: Erfolgreiche Prompts nicht speichern

❌ Bad: Prompts jedes Mal „aus dem Kopf“ neu bauen

✅ Good: Erfolgreiche Prompts in einem Dokument oder einer App speichern

Warum das wichtig ist: Sonst verschwenden Sie Zeit und Credits, um „wiederzufinden“, was funktioniert.

Fehler 18: Unordentliche Canvas-Workflows

❌ Bad: Nodes zufällig verteilt, Connections unklar

✅ Good: Left-to-right Flow, sauberes Layout, klare Naming

Warum das wichtig ist: Schwer zu debuggen, leicht Connection-Fehler zu machen.

Fehler 19: Brains nicht sinnvoll nutzen

❌ Bad: Alle Projekte in einem Brain

✅ Good: Separate Brains für unterschiedliche Clients/Projekte

Warum das wichtig ist: Bessere Organisation, Assets leichter auffindbar.

Quick Checklist

Vor jeder Generierung:

• Ist mein Prompt spezifisch genug?
• Nutze ich das richtige Model für diese Aufgabe?
• Ist das die richtige Aspect Ratio?
• Nutze ich ein Budget Model fürs Testing?
• Habe ich den Workflow step-by-step getestet?
• Habe ich ein Reference Image (falls nötig)?
• Passen Motion-/Audio-Dauer?
• Soll ich wirklich upscalen oder ist es nur fürs Web?

Next Steps

• Credit Optimization — Credits sparen
• Keyboard Shortcuts — Schneller arbeiten
• Prompt Engineering — Bessere Prompts schreiben