gpt-image-gen

name gpt-image-gen description 生图 / 生成图片 / 画图 — 用 OpenAI gpt-image-2 生成图像。支持文生图、参考图生图 (img2img)、蒙版修补 (inpainting)。当用户要求用 GPT 画图、OpenAI 生图、gpt-image-2、文+图生图、参考图片生成、img2img、inpainting 时必加载此技能。Auth 自动继承 OPENAI_API_KEY / Codex OAuth (Pi/Codex) / .env / config.yaml。 version 2.0.0 author Hermes Agent license MIT metadata {"hermes":{"tags":["image-generation","gpt-image-2","openai","img2img","inpainting"],"category":"creative"}} GPT Image Gen 调用 OpenAI gpt-image-2 模型生图。单一脚本覆盖三种模式： 模式 触发条件 后端 文生图 仅 -p API key → images.generate / Codex OAuth → Responses API 参考图编辑 -p + -i API key → images.edit / Codex OAuth → Responses API (input_image) 蒙版修补 -p + -i + -m 仅 API key → images.edit ；Codex 不支持 Auth 自动选择： 检测到 JWT token (eyJ...) 时走 Codex Responses API ( chatgpt.com/backend-api/codex )，否则走标准 OpenAI REST API ( api.openai.com )。 触发条件（几乎任何生图请求都应加载此技能） 只要用户提到以下任一关键词/场景，立即加载： 生图、生成图片、画图、文生图、图片生成、AI 画图 gpt-image、gpt-image-2、GPT 画图、OpenAI 生图、GPT 图片 img2img、图生图、参考图生图、文+图、传图生图、图片编辑 inpainting、蒙版修补、局部重绘、涂抹重绘 用户发送了图片并要求基于它生成/修改（这是 img2img 场景） 特别注意： 如果用户发送了图片附件并说「用这个图生成」「基于这张图」「把这张图改成」等，这就是 img2img 场景——必须加载此技能，因为内置 image_generate 不支持图片输入。 依赖 pip install openai python-dotenv openai ：API 调用 python-dotenv ：自动加载 ./.env 和 ~/.env （可选，没有也能用） Auth 自动解析 脚本按以下优先级找 API key： OPENAI_API_KEY 环境变量 ./.env 文件（当前目录） ~/.env 文件（家目录） Pi agent auth ( ~/.pi/agent/auth.json → openai-codex.access ) Codex OAuth token（ hermes auth codex 登录过的） config.yaml → image_gen.openai.api_key --api-key 手动传入 ⚠️ Codex token 限制： Codex OAuth token/pi auth token 只能认证 chatgpt.com/backend-api/codex ， 不能 直连 api.openai.com 。如果 auth 解析落到 Codex token（优先级 4-5），脚本会拿它当标准 API key 去打 api.openai.com/v1/images/* ，返回 401 Missing scopes: api.model.images.request 。文生图请用 Hermes 内置 image_generate 工具（走 Codex backend）；img2img / inpainting（ images.edit ）必须有真正的 OPENAI_API_KEY 。详见 references/auth-pitfalls.md 。 用法 文生图 python3 scripts/gen.py -p "a cat astronaut on the moon" --quality high # 多张 python3 scripts/gen.py -p "..." -n 4 参考图编辑（img2img） # 单参考图 python3 scripts/gen.py -p "make it cyberpunk style" -i photo.jpg # 多参考图 python3 scripts/gen.py -p "collab poster" -i cat.png -i logo.png -f out.png 蒙版修补（inpainting） # opaque 区域保留，transparent 区域重绘 python3 scripts/gen.py -p "replace sky with aurora" -i photo.jpg -m sky_mask.png 高分辨率 / 自定义格式 python3 scripts/gen.py -p "..." --size 2k --quality high --format webp --compression 85 python3 scripts/gen.py -p "..." --size 3840x2160 --quality high 提示词模板 参考文件： references/templates.md （833 行，16 类工业级模板 + 防坑指南）。 工作流：Agent 读 templates.md → 匹配合适的模板类别 → 用模板结构组装完整 prompt → 调 gen.py 生图。 Agent 加载 skill 后，需按需读取 references/templates.md 全文或定位到相关章节。模板覆盖 UI、信息图、海报、电商、品牌、摄影、角色、历史、工业设计等 16 个类别，每类有标准模板 + 防坑指南。 Agent 的典型流程： 用户说「画一碗拉面」→ Agent 读 templates.md，定位到「E-commerce & Products」或「Photography & Realism」类别 Agent 参考模板结构和防坑指南，组装完整 prompt（补全布光、材质、构图等参数） Agent 用 clarify 展示优化后的 prompt，等用户确认 确认后调 gen.py -p "<prompt>" --quality high 如果用户给的 prompt 已经很详细，则跳过优化，直接调 gen.py。 ⚠️ 强制确认规则： 用户明确说「优化并生成」「帮我优化 prompt」「先优化再画」等 → Agent 优化后 直接生成 ，无需确认 用户只是给了模糊提示词但 未要求优化 → Agent 若修改了 prompt， 必须 用 clarify 展示修改后的完整 prompt 让用户确认，确认后才能调 gen.py 确认时必须说明「我优化了提示词，确认后生成：」让用户知道 prompt 被改过 未修改则直接生成 参数表 参数 简写 类型 默认值 说明 --prompt -p str 必填 提示词 --image -i path — 参考图，可重复传多个 --mask -m path — Alpha 通道蒙版 PNG（需配合 -i ） --output -f path 自动命名 输出文件路径 --n -n int 1 生成张数 --model str gpt-image-2 模型 ID --quality -q literal high 见下方质量策略 --size -s literal 1024x1024 见下方尺寸表 --format literal png png / jpeg / webp --compression int — 压缩级别 0-100（jpeg/webp） --moderation literal low low / auto --background literal — opaque / auto --input-fidelity literal — low / high （gpt-image-2 自动剔除） --api-key str 自动解析 手动指定 API key --json flag — JSON 格式输出 --verbose -v flag — 详细日志 尺寸快捷表 快捷名 分辨率 适用场景 1k / square 1024×1024 正方形，社交头像 2k 2048×2048 高清印刷 4k 3840×2160 宽屏电影级 landscape 1536×1024 横版照片/游戏截图 portrait 1024×1536 竖版海报/手机壁纸 wide 2048×1152 宽幅横版 tall 2160×3840 超长竖版 也支持自定义 WxH： --size 1536x1536 。约束：16px 倍数，总像素 655,360 ~ 8,294,400，宽高比 ≤ 3:1。 质量策略 质量 速度 成本(1024²) 何时用 auto 自适应 自适应 让 API 自行判断 low ~15s ~$0.006 快速草稿、批量探索、构图检查 medium ~40s ~$0.05 风格测试、日常浏览 high ~2min ~$0.21 中文字体、海报、信息图、正式交付 默认 high 。Agent 应根据场景自动选档：探索用 low、风格尝试用 medium、最终交付用 high。 输出 默认输出格式： ── PROMPT ── + prompt + ── IMAGE ── + 图片路径 + ── PARAMS ── + 参数 Agent 收到输出后，必须同时展示图片和 prompt ，用 ![desc](path) + prompt 文本 保存到 ~/.hermes/cache/images/ （ --output 可覆盖） 每次生成同时保存 .prompt.txt 副文件 ，与图片同名、同路径，记录完整 prompt 和所有参数，方便复用 --json 模式输出结构化 JSON 退出码 码 含义 处理 0 成功 输出路径到 stdout 1 API 错误 检查 moderation/rate-limit/content-policy 返回信息 2 参数错误 缺少 API key、mask 无 image、n<1 等 注意事项 gpt-image-2 不支持透明背景（需要透明用 gpt-image-1.5 ） --input-fidelity 在 gpt-image-2 上会自动剔除（模型拒绝该参数） --moderation 仅适用于 images.generate ， images.edit 路径自动剔除 Codex backend 不支持 --mask 蒙版修补、不支持 -n 多张 编辑端点对真人照片有严格内容策略，可能返回 400 复杂 prompt 可能耗时 2 分钟以上 需要 OpenAI Organization Verification（标准 API key）；Codex OAuth 无需 参考图直接以 binary 上传，注意文件大小 --mask 必须是带 alpha 通道的 PNG，opaque=保留，transparent=重绘 Codex backend 架构详见 references/codex-backend.md 图片附件路径：Discord/Telegram 缓存通常在 ~/.hermes/image_cache/img_*.jpeg 端到端测试报告： references/test-report.md img2img 不依赖聊天模型的 vision 能力： 参考图作为 base64 直接发送到 Codex/OpenAI 图像后端，不经过聊天模型。即使当前模型（如 DeepSeek）不支持 vision、 vision_analyze 失败， gen.py -i 的 img2img 仍然正常工作。Agent 无需先「看懂」图片即可做参考图编辑——图像模型独立处理视觉理解。若确实需要了解原图内容来写 prompt，可用 PIL 做颜色/边缘分析辅助判断构图。<｜end▁of▁thinking｜> <｜｜DSML｜｜parameter name="old_string" string="true">## 注意事项 gpt-image-2 不支持透明背景（需要透明用 gpt-image-1.5 ） --input-fidelity 在 gpt-image-2 上会自动剔除（模型拒绝该参数） --moderation 仅适用于 images.generate ， images.edit 路径自动剔除 Codex backend 不支持 --mask 蒙版修补、不支持 -n 多张 编辑端点对真人照片有严格内容策略，可能返回 400 复杂 prompt 可能耗时 2 分钟以上 需要 OpenAI Organization Verification（标准 API key）；Codex OAuth 无需 参考图直接以 binary 上传，注意文件大小 --mask 必须是带 alpha 通道的 PNG，opaque=保留，transparent=重绘 Codex backend 架构详见 references/codex-backend.md 图片附件路径：Discord/Telegram 缓存通常在 ~/.hermes/image_cache/img_*.jpeg 端到端测试报告： references/test-report.md