Gpt Image

gpt-image

一句话:本 SKILL 驱动 gpt-image-cli,用 OpenAI gpt-image-2 模型生成或编辑图片。

核心原则:统一走 gpt-image-cli 入口(不手拼 curl);每次生图后必 Read 本轮刚写的 PNG 再汇报;多轮优化时靠 prompt 显式重述视觉要素,不靠模型记忆。

前置

1. 确认 gpt-image-cli 可执行(which gpt-image-cli 或 gpt-image-cli --version)。 不可执行则提示用户 npm install -g @zhoujinandrew/gpt-image-cli 或在仓库中 npm link。
2. 配置 API key:优先 env OPENAI_API_KEY;若缺失,引导 gpt-image-cli config init(交互式,需 TTY)或 config set api_key <value>。
3. 自建/代理 endpoint:gpt-image-cli config set endpoint https://<...>/v1 或 --endpoint <url> 单次覆盖。Azure 或多端点场景见下节。

多端点配置(OpenAI / Azure)

支持同时保存多个 endpoint(公有 OpenAI、自建代理、Azure deployment)并切换。

gpt-image-cli config list                     # 查看所有 profile,带 active 标记
gpt-image-cli config use <name>               # 切换 active profile
gpt-image-cli config add <name> --type azure  # 向导式新增 Azure profile
gpt-image-cli config add <name> --type openai # 向导式新增 OpenAI profile
gpt-image-cli --profile <name> generate ...   # 单次覆盖,不改 active
gpt-image-cli config show [<name>]            # 查看具体 profile(api_key 已脱敏)

Azure profile 字段:endpoint(resource 根 URL,不含 /openai/deployments/... 路径)、deployment、api_version、api_key、auth_style(api-key 默认,匹配 Microsoft 文档;或 bearer 对应 Authorization: Bearer <key> 风格的网关)。

Azure profile 限制:

• output_format=webp 不受支持,改用 png 或 jpeg(CLI 会在请求前直接报错)。
• size / 长宽比规则与 OpenAI 一致(见下文)。

旧版单端点 config(~/.gpt-image-cli/config.json 形如 {api_key, endpoint}) 会在首次读取时自动迁移为名为 default 的 profile,只在迁移当次打印一行 [config] migrated legacy config to v2 提示,无需用户干预。

环境变量:OPENAI_API_KEY / OPENAI_BASE_URL 仍可作为"零 profile" 临时凭据;GPT_IMAGE_PROFILE 可不改 active 临时切换到另一个 profile; 优先级 --profile flag > GPT_IMAGE_PROFILE env > 文件 active。

核心命令

文生图 (generate)

• 基础:gpt-image-cli generate -p "<prompt>" --out ./out.png
• 控制画幅/质量:-s 1920x1088 -q high
• 批量 + 输出目录:-n 4 --out ./outdir/
• 管道拿 base64:... --stdout-base64 | base64 -d > out.png (envelope 会走 stderr)

图生图 (edit)

• 单图修改:gpt-image-cli edit --image base.png -p "<指令>" --out new.png
• 多图合成:多次 --image,例 --image a.png --image b.png -p "把 a 里的物体放到 b 的场景中"
• 局部修改:再加 --mask mask.png(mask 白色区域是要被改的)
• 保真:--input-fidelity high,适合人像、品牌、细节要求高的场景

读结果

stdout 默认是 JSON envelope:{ ok, data: { paths, size, usage, ... } }。 配 --jq '.data.paths[0]' 将结果过滤到路径字段 — 输出仍是 envelope 形式:{"ok": true, "data": "/abs/path.png"}。Shell 里再 | jq -r .data 可拿裸字符串。

多轮优化(预览 → 反馈 → 再生成)

一个"生成预览 → 用户看 → 提反馈 → 重新生成"的对话闭环,全程走 generate 不走 edit。由 Claude 自己担任编排器——Claude 是多模态模型,Read 打开 PNG 就能看见画面——所以不需要 gpt-4.1-mini / Responses API / 额外 LLM 费用。

触发条件

用户说"先给我看一版"、"出一张我看看再调"、"多轮优化"、"生成 → 反馈 → 修改", 或在第一版出来后继续描述修改意见(而非要求整体重画)。

工作流

Step 1 – 初版生成:

1. 给这次优化开专属子目录:./refine/<topic>/
   • <topic>:取自用户对此次优化的简短命名(若用户没给,用任务语义自造一个 kebab-case 词,如 poster-hero、logo-navy)
   • 若 ./refine/<topic>/v1.png 已存在,改用带时间戳的子目录 ./refine/<topic>-<YYYYMMDD-HHMM>/,避免覆盖历史轮次
2. 选定 -s、-q 后 generate,产物写到 v1.png
3. 生成后立即用 Read 打开本轮刚写的这张 PNG (不是 context 里的旧图、不是凭记忆)。你是多模态模型,看得见
4. 回报用户:路径 + 一句关键视觉要素总结 ("已出 v1:深蓝背景 / 居中 Logo / 金色衬线字")

Step 2 – 收反馈: 等用户说具体修改意见。太模糊("再好看点")先问一句澄清,别硬猜。

Step 3 – 重写 prompt(核心):

照下面 4 段模板填充,不是自由发挥。每段都基于 Step 1.3 刚 Read 到的那张图:

[主体与构图]:<上一张图里主角是什么、怎么摆、视角方向>
[配色与风格]:<主色调、辅色、质感、艺术风格>
[关键细节]:<文字/LOGO/小物件/标识等绝不能丢的元素>
[本轮修改]:<用户这次提的反馈,作为增量叠加不替换>

然后把这 4 段展开成一段自洽的自然语言 prompt(不要把 [...] 标签带进去)。

规则:

• 不要写 "like before but brighter" / "保持原样只改 X" ——gpt-image-2 没有上下文,它不懂"before"和"原样"。每轮 prompt 必须完整自包含
• -s、-q、-f 等画布参数跨轮保持不变,便于 A/B 比对
• 每段 1-2 句,整体 prompt 控制在 200 字内,别堆成 500 字大段

Step 4 – 再生成: 同目录写 v2.png(严格递增不覆盖)→ 再次 Read 本轮新图 → 告诉用户"v2 相对 v1 改动了 X / 保留了 Y",再等反馈。

Step 5 – 回 Step 2,直到用户满意。 可让用户点名某一版定稿,复制为 final.png (执行 cp refine/<topic>/vN.png refine/<topic>/final.png)。

产物命名

refine/<topic>/
├── v1.png      # 基线
├── v2.png      # 迭代
├── v3.png
└── final.png   # 可选,用户定稿时 copy

同轮想要多候选就用 -n,命名 v1a.png / v1b.png / v1c.png,让用户挑一个做下轮基线。

必须做

• 每轮生成后 Read 本轮刚写的 PNG(不是旧图、不是凭记忆)
• 新 prompt 完整自洽:按 4 段模板重述保留要素 + 叠加修改,不用相对描述
• 画布尺寸、比例、质量跨轮稳定
• 每轮明确告诉用户"改了什么 / 保留了什么"

必须不做

• 不要悄悄切换到 edit 接口——用户选了 generate 路线就走到底
• 不要用"保持原样只改 XX"这类相对 prompt,gpt-image-2 不懂"原样"
• 不要跨轮改 -s,会造成构图大跳
• 不要把多轮 prompt 拼成一长串历史塞给模型,gpt-image-2 不当它对话上下文看
• 不要生成完不 Read 就给用户总结——你没看就不知道模型画了什么

Red Flags — 出现这些信号立即停下

• 我正要凭记忆写下一版 prompt → 停,先 Read 刚生成的图
• 我正要写 "keep the previous but..." → 停,按 4 段模板重写完整 prompt
• 我正要把 -s 换一个值 → 停,先问用户是否要换构图(会打断 A/B 对比)
• 我正要省掉 Read 直接汇报 → 停,没看等于不知道模型画了什么

局限与兜底

gpt-image-2 每轮都是"从零构图",即便你重述视觉要素,仍会有轻微漂移 (姿态、小道具细节等)。这是模型层特性,不是 SKILL 问题。

如果用户要求像素级保留某元素(人脸 / LOGO / 品牌色值):多轮优化不是对的工具。 给用户一句话切换提示,例如:

"这个诉求对保真度要求高,建议切到 edit --input-fidelity high 路线, 拿 v_N.png 当基底直接改。要我切换吗?"

本工作流适合语义级迭代调优(配色倾向、整体氛围、构图方向),不适合精细保真。

尺寸与长宽比 (-s)

-s 接受 auto 或 <width>x<height>,默认 auto。不要死记某几个"允许尺寸", 自由组合即可,只要满足下面 4 条约束:

任意长宽比的推导公式:想要比例 R:S、长边 L,则 W = L, H = L * S / R, 最后各自向下对齐到 16 的倍数。示例:16:9 @ L=1920 → H = 1920 * 9/16 = 1080 → 对齐 16 → 1088。

常用尺寸速查

⚠️ Prompt 与画布一致性:在 prompt 里声明的长宽比 (如 "16:9 for slide"、"portrait poster") 必须跟 -s 对齐,否则模型按一种比例 构图、画布是另一种,成品贴到最终载体上会感觉被拉伸。不确定时:

1. 不要在 prompt 里硬写比例数字,改用语义词("landscape slide"/"vertical poster")
2. 或用 -s auto 让模型自选 native(1024x1024 / 1024x1536 / 1536x1024), prompt 也保持通用语义

选参建议

常见错误处置

• CONFIG_MISSING → 引导用户 config init 或 export OPENAI_API_KEY=...
• OPENAI_API_ERROR status=429 → 配额/限流,建议降 -q 或减 -n,或稍等后重试
• OPENAI_API_ERROR status=400 → 读 error.details.message,通常是 prompt 或 size 不符合策略
• INVALID_INPUT size dimensions must be multiples of 16 → 把边长对齐到最近的 16 的倍数
• INVALID_INPUT size dimensions must be at most 3840px → 超过 4K UHD 上限,降到 ≤ 3840
• INVALID_INPUT total pixels must be ... → 面积越界,要么整体缩小,要么换更不极端的比例
• INVALID_INPUT aspect ratio must be between 3:1 and 1:3 → 比例过极端,改 21:9 以内
• INVALID_INPUT 透明背景 → --background transparent 要求 --output-format png 或 webp
• IO_ERROR → 检查 --out 目录是否存在且可写
• NETWORK_ERROR → 网络或 endpoint 配置异常,核对 gpt-image-cli config show

安全与预期

• 单次调用耗时数秒至数十秒,大分辨率(≥ 4MP)或 -n > 1 会明显更慢更贵,非必要别放大。
• cwd 不合适时务必传 --out,不要在任意目录默认落盘。
• 不要把 API key 写进 shell history:用 OPENAI_API_KEY env 或 config init。
• 脚本场景首选 --format json + --jq,稳定可解析。

不要做

• 不要用本 SKILL 分析或识别现有图片(vision 任务,本 CLI 不覆盖)。
• 不要尝试调用除 gpt-image-2 以外的 model-id(CLI 写死 gpt-image-2,无 --model flag)。
• 不要自己拼 curl 调 OpenAI Images 端点 — 走 CLI,保证 envelope/错误路径统一。
• 不要在 prompt 里写与 -s 不一致的长宽比;画布和语义必须对齐。