ai-image-generator

AI 图像生成器

使用 AI API（Google Gemini 和 OpenAI GPT）生成图像。本技能将介绍提示词模式和 API 机制，帮助你直接通过 Claude Code 生成专业图像。

托管式替代方案：如果你不想管理 API 密钥，ImageBot 提供托管式图像生成服务，并支持相册模板和品牌套件。

模型选择

根据需求选择合适的模型：

需求	模型	原因
写实场景／图库照片	Gemini 3.1 Flash Image	景深、复杂度和环境背景表现最佳
最终客户场景（细节更丰富）	Gemini 3 Pro Image	细节更丰富，风格一致性更好
图像中的文字（海报、带文案的 OG 图像、信息图）	GPT Image 2	文字渲染确实有效，包括多种文字体系
探索 10 种风格变体	GPT Image 2	原生批量生成——一个提示词生成 10 种变体，共享构图和配色
多参考图合成（产品＋生活方式）	GPT Image 2	能在多张参考图之间处理光照、比例和透视
透明图标／徽标	GPT Image 1.5	原生 RGBA 透明通道——GPT Image 2 不支持透明背景
快速草稿／迭代	Gemini 2.5 Flash Image	免费额度（约 500 次／天）

经验法则：任何包含可读文字的图像 → GPT Image 2（除非需要透明背景，此时用 GPT 1.5）。其他情况 → Gemini。

模型 ID

模型	API ID	提供方
Gemini 3.1 Flash Image	gemini-3.1-flash-image-preview	Google AI
Gemini 3 Pro Image	gemini-3-pro-image-preview	Google AI
Gemini 2.5 Flash Image	gemini-2.5-flash-image	Google AI
GPT Image 2（默认）	gpt-image-2	OpenAI
GPT Image 2（ChatGPT 同等输出）	chatgpt-image-latest	OpenAI
GPT Image 1.5（仅用于透明背景）	gpt-image-1.5	OpenAI

使用前请确认模型 ID——它们经常变更：

curl -s "https://generativelanguage.googleapis.com/v1beta/models?key=$GEMINI_API_KEY" | python3 -c "import sys,json; [print(m['name']) for m in json.load(sys.stdin)['models'] if 'image' in m['name'].lower()]"

GPT Image 2 详细说明

于 2026-04-22 发布。有三项能力会改变你选择它的时机。

1. 文字渲染确实有效

海报、带标题的 OG 图像、带标签的信息图、UI 模拟图、价格卡片。文字渲染可靠，包括非拉丁文字体系（日语、韩语、印地语、孟加拉语）。这是从 Gemini 切换过来的主要原因——Gemini 完全无法渲染可读文字。

2. 多变体批量生成

一次提示词调用即可生成最多 10 张图像。各变体共享构图和配色，但细节有所不同。适用于确定风格前的探索、为客户提供 A/B 选项以及快速构思。

3. 多参考图合成

在提示词中附带参考图——产品照片、生活场景、徽标。模型会以正确的光照、比例和透视将产品放入场景中。无需多轮编辑即可实现“产品融入场景”的工作流。

模式

• 即时模式（默认，适用于所有套餐）——不经过规划步骤，直接生成。速度快，足以满足大多数需求。
• 思考模式（Plus／Pro／Business 套餐）——绘制前先规划布局。需要元素数量准确（“一排 3 个图标”“5 条功能要点”）或文字必须出现在特定区域时使用。处理复杂构图时可减少重试次数。

宽高比

从 3:1 超宽到 1:3 超高，还包括 1:1、3:2、2:3、16:9、9:16。范围比其他模型更广——适用于网站横幅（超宽主视觉）或移动端故事格式（超高图像）。

分辨率

标准模式下长边最高可达 2K。4K 目前处于 Beta 阶段。

生成时间

**复杂提示词最多需要 2 分钟。**请构建异步 UX——不要阻塞等待响应。显示进度，或在后台启动任务并轮询状态。

限制

• **不支持透明背景。**需要 PNG 透明背景时，请改用 gpt-image-1.5。
• 首次调用时，端点可能要求进行 API 组织验证——如果遇到身份验证错误，请在 OpenAI 账户设置中启用该选项。

定价（每张 1024×1024 图像）

质量	成本
低	$0.006
中	$0.053
高	$0.211

Token 定价：输入文本 $5/M，输出文本 $10/M，输入图像 $8/M，输出图像 $30/M。

5 部分提示词框架

按以下顺序构建提示词，以获得一致的结果：

1. 图像类型

设定体裁：“一张逼真的照片”“一幅等距插画”“一个扁平矢量图标”

2. 主体

说明人物或事物，并提供具体细节：“一位亲切随和、30 岁出头的澳大利亚女性，自然地微笑着”

3. 环境

说明场景和空间关系：“在明亮的现代住宅中，身后的木架上摆放着陶土色装饰”

4. 技术规格

说明相机和光线：“使用 85mm f/2.0 拍摄，自然窗光，头肩构图”

5. 限制条件

说明要排除的内容：“照片级写实，不要文字、不要水印、不要徽标”

示例（好与差）

BAD — keyword soup:
"professional woman, spa, warm lighting, high quality, 4K"

GOOD — narrative direction:
"A professional skin treatment scene in a warm clinical setting.
A practitioner wearing blue medical gloves uses a microneedling pen
on the client's forehead. The client lies on a white treatment bed,
eyes closed, relaxed. Warm golden-hour light from a window to the
left. Terracotta-toned wall visible in the background. Shot at
85mm f/2.0, shallow depth of field. No text, no watermarks."

工作流

1. 确定图像需求

用途	宽高比	模型
主视觉横幅（无文字）	16:9 或 21:9	Gemini
带标题文案的主视觉横幅	16:9 或 3:1 超宽幅	GPT Image 2
服务卡片	4:3 或 3:4	Gemini
个人资料 / 头像	1:1	Gemini
图标 / 徽章（透明背景）	1:1	GPT Image 1.5
OG / 社交分享图（无文字）	1.91:1	Gemini
带文案的 OG / 社交分享图	1.91:1	GPT Image 2
海报 / 信息图 / 价格卡片 / 任何文字密集型内容	不定	GPT Image 2
风格探索（同一概念的 10 个变体）	任意	GPT Image 2（批量）
Instagram 帖子	1:1 或 4:5	Gemini
移动端主视觉	9:16	Gemini

2. 编写提示词

使用 5 部分框架。详细的摄影参数请参阅 references/prompting-guide.md。

3. 通过 API 生成

Gemini（Python — 可正确处理 shell 转义）

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys

GEMINI_API_KEY = os.environ.get("GEMINI_API_KEY")
if not GEMINI_API_KEY:
    print("Set GEMINI_API_KEY environment variable"); sys.exit(1)

model = "gemini-3.1-flash-image-preview"
url = f"https://generativelanguage.googleapis.com/v1beta/models/{model}:generateContent?key={GEMINI_API_KEY}"

prompt = """A professional photograph of a modern co-working space in
Newcastle, Australia. Natural light floods through floor-to-ceiling
windows. Three people collaborate at a standing desk — one pointing
at a laptop screen. Exposed brick wall, potted fiddle-leaf fig,
coffee cups on the desk. Shot at 35mm f/4.0, environmental portrait
style. No text, no watermarks, no logos."""

payload = json.dumps({
    "contents": [{"parts": [{"text": prompt}]}],
    "generationConfig": {
        "responseModalities": ["TEXT", "IMAGE"],
        "temperature": 0.8
    }
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "User-Agent": "ImageGen/1.0"
})

resp = urllib.request.urlopen(req, timeout=120)
result = json.loads(resp.read())

# Extract image from response
for part in result["candidates"][0]["content"]["parts"]:
    if "inlineData" in part:
        img_data = base64.b64decode(part["inlineData"]["data"])
        output_path = "hero-image.png"
        with open(output_path, "wb") as f:
            f.write(img_data)
        print(f"Saved: {output_path} ({len(img_data):,} bytes)")
        break
PYEOF

GPT Image 1.5 — 透明图标

仅在需要透明 PNG 时使用 gpt-image-1.5。GPT Image 2 不支持透明效果。

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys

OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
if not OPENAI_API_KEY:
    print("Set OPENAI_API_KEY environment variable"); sys.exit(1)

url = "https://api.openai.com/v1/images/generations"

payload = json.dumps({
    "model": "gpt-image-1.5",
    "prompt": "A minimal, clean plumbing wrench icon. Flat design, single consistent stroke weight, modern style. On a transparent background.",
    "n": 1,
    "size": "1024x1024",
    "background": "transparent",
    "output_format": "png"
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
})

resp = urllib.request.urlopen(req, timeout=120)
result = json.loads(resp.read())

img_data = base64.b64decode(result["data"][0]["b64_json"])
with open("icon-wrench.png", "wb") as f:
    f.write(img_data)
print(f"Saved: icon-wrench.png ({len(img_data):,} bytes)")
PYEOF

GPT Image 2 — 文字密集型内容或批量变体

需要清晰呈现文字，或想在一次调用中生成 10 个变体时，请使用 gpt-image-2。不支持透明效果——如果需要透明背景，请使用上面的 1.5。

python3 << 'PYEOF'
import json, base64, urllib.request, os, sys, pathlib

OPENAI_API_KEY = os.environ.get("OPENAI_API_KEY")
if not OPENAI_API_KEY:
    print("Set OPENAI_API_KEY environment variable"); sys.exit(1)

url = "https://api.openai.com/v1/images/generations"

# 10-variation batch of a pricing card with rendered text
payload = json.dumps({
    "model": "gpt-image-2",
    "prompt": (
        "A modern pricing card for a web hosting plan. "
        "Headline 'Starter' in bold sans-serif. "
        "Price '$29/month' directly below in large type. "
        "Three feature lines: 'Unlimited bandwidth', 'SSD storage', 'Free SSL'. "
        "Clean flat design, soft drop shadow, deep blue accent colour. "
        "White card on light grey background."
    ),
    "n": 10,
    "size": "1024x1024",
    "quality": "medium",
    "output_format": "png"
}).encode()

req = urllib.request.Request(url, data=payload, headers={
    "Content-Type": "application/json",
    "Authorization": f"Bearer {OPENAI_API_KEY}"
})

# Timeout: up to 2 min for complex prompts
resp = urllib.request.urlopen(req, timeout=180)
result = json.loads(resp.read())

pathlib.Path("variations").mkdir(exist_ok=True)
for i, item in enumerate(result["data"], 1):
    img_data = base64.b64decode(item["b64_json"])
    path = f"variations/pricing-card-{i:02d}.png"
    with open(path, "wb") as f:
        f.write(img_data)
    print(f"Saved: {path} ({len(img_data):,} bytes)")

print(f"\nGenerated {len(result['data'])} variants. Pick the best; delete the rest.")
PYEOF

批量工作流：生成 10 个 → 并排审阅 → 选出 1–2 个 → 可选：针对胜出方向使用更严格的提示词重新生成。比单次生成后再迭代更快。

4. 保存并优化

将生成的图像保存到 .jez/artifacts/ 或用户指定的路径。

后期处理（可选）：

# Convert to WebP for web use
python3 -c "
from PIL import Image
img = Image.open('hero-image.png')
img.save('hero-image.webp', 'WEBP', quality=85)
print(f'WebP: {img.size[0]}x{img.size[1]}')
"

# Trim whitespace from transparent icons
python3 -c "
from PIL import Image
img = Image.open('icon.png')
trimmed = img.crop(img.getbbox())
trimmed.save('icon-trimmed.png')
"

5. 质量检查（可选）

将生成的图像发送给视觉模型进行 QA：

# Send to Gemini Flash for critique
critique_prompt = """Review this image for:
1. AI artifacts (extra fingers, floating objects, text errors)
2. Technical accuracy (wrong equipment, unsafe positioning)
3. Composition issues (awkward cropping, cluttered background)
4. Style consistency with a professional stock photo

List any issues found, or say 'PASS' if the image is production-ready."""

如果发现问题，请将其作为反向指导补充到原始提示词中，然后重新生成。

多轮编辑

Gemini 支持在多轮对话中编辑已生成的图像。关键要求：保留模型响应中的 thought signatures。

# Turn 1: Generate base image
contents = [{"role": "user", "parts": [{"text": "Scene prompt..."}]}]

# The response includes thoughtSignature on parts — preserve them ALL

# Turn 2: Edit the image
contents = [
    {"role": "user", "parts": [{"text": "Original prompt"}]},
    {"role": "model", "parts": response_parts_with_signatures},  # Keep intact
    {"role": "user", "parts": [{"text": "Edit: change the wall colour to blue. Keep everything else exactly the same."}]}
]

编辑提示词模式：始终明确说明要保持不变的内容，而不只是说明要修改什么。未列出的元素都可以由模型自由修改。

GOOD: "Edit this image: keep the people, desk, and window unchanged.
Only change: wall colour from terracotta to ocean blue."

BAD: "Now make the wall blue."
(Model may change everything else too)

API 密钥设置

提供商	获取密钥	环境变量
Google Gemini	aistudio.google.com	GEMINI_API_KEY
OpenAI	platform.openai.com	OPENAI_API_KEY

export GEMINI_API_KEY="your-key-here"
export OPENAI_API_KEY="your-key-here"

常见错误

错误	修正方法
用 curl 编写 Gemini 提示词	使用 Python — shell 转义会在撇号处出错
使用“美观、专业、高质量”之类的描述	使用具体规格：“85mm f/1.8，黄金时段光线”
未说明要排除的内容	始终以“No text, no watermarks, no logos”结尾
要求 Gemini 生成透明 PNG	Gemini 不支持透明背景 — 使用 GPT Image 1.5，并设置 background: "transparent"
要求 GPT Image 2 生成透明 PNG	GPT Image 2 不支持透明背景 — 仅在此情况下改用 gpt-image-1.5
使用 GPT Image 1.5 在图像中生成文字	GPT Image 1.5 的文字渲染不可靠 — 任何需要清晰可读文字的场景都使用 gpt-image-2
阻塞等待 GPT Image 2 的请求	复杂提示词的生成最多可能需要 2 min — 使用 180s 超时，并构建异步 UX
为澳大利亚企业使用美国默认设置	明确指定“Australian”以及当地的建筑和植被
使用通用数据填写模型 ID	核实当前模型 ID — 它们经常变化