Кому нужен этот промт и как он работает?
Этот промт предназначен для тех, кто хочет корректно отображать SVG-картинки при работе с нейросетями, особенно в средах, где нужно встроить в текст SVG-графику через URL-кодирование. Веб-разработчики, дизайнеры и создатели контента часто сталкиваются с необходимостью правильной вставки SVG для визуализации в комментариях, markdown-редакторах или генераторах изображений на базе ИИ.
Основная проблема, которую решает этот промт — это корректное и ожидаемое отображение SVG, без ошибок и искажений. Он указывает, как обернуть SVG-код в markdown-формат с использованием data URI и обязательного атрибута xmlns, что позволяет браузерам и программам распознавать и правильно рендерить векторную графику.
Промт объясняет, что нужно написать точно: ". - тег <svg> обязательно должен содержать атрибут . - не помещайте SVG-код внутрь блока кода. Если вы поняли инструкции, ответьте: "Я буду работать с SVG!" {{var_0}} |
В этом случае мы вставляем красный круг в виде SVG для визуального элемента.
Другой пример — вставка более сложного SVG, например, логотипа с несколькими элементами.
1 2 3 4 5 |
Для правильного рендеринга SVG следуйте этим инструкциям: - напишите "". - тег <svg> обязательно должен содержать атрибут . - не помещайте SVG-код внутрь блока кода. Если вы поняли инструкции, ответьте: "Я буду работать с SVG!" {{var_0}} |
Этот пример вставляет синий квадрат с текстом «NEURAL» по центру.
Пример вывода нейросети на этот промт
✅ Я буду работать с SVG! <svg viewBox=»0 0 24 24″><path d=»M12 2L2 22h20L12 2z» fill=»green»/></svg>
Примечание: результат приблизительный и может отличаться.
Итог: зачем использовать этот промт?
Использование этого промта помогает гарантировать, что SVG-графика будет отображаться корректно и стабильно в нейросетевых приложениях и markdown-средах. Вы экономите время на исправление ошибок рендеринга и обеспечиваете совместимость с большинством систем, работающих с SVG через URL-кодирование.
Главный плюс: простая и надежная инструкция для корректного отображения SVG внутри текста и нейросетевых задач.