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：

1. OPENAI_API_KEY 环境变量
2. ./.env 文件（当前目录）
3. ~/.env 文件（家目录）
4. Pi agent auth (~/.pi/agent/auth.json → openai-codex.access)
5. Codex OAuth token（hermes auth codex 登录过的）
6. config.yaml → image_gen.openai.api_key
7. --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：

1. 用户说「画一碗拉面」→ Agent 读 templates.md，定位到「E-commerce & Products」或「Photography & Realism」类别
2. 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）
3. Agent 用 clarify 展示优化后的 prompt，等用户确认
4. 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

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