# 让 Claude Code 自己把图画了：chatgpt-imagegen 的初心与原理

一句话：让 Claude Code 在「需要一张图」的时候，自己把图画了——不用人去 ChatGPT 里画好再贴回来，也不用为它单独开一个 OPENAI_API_KEY。

1. 初心：别让 agent 卡在「等人画图」

让 Claude Code 这样的 agent 真正端到端地做项目，你迟早撞到同一堵墙：它需要一张图。

一个 README 的 hero banner、一个 app 的占位图标、一张落地页的配图、一份原型的 mockup、几张 sprite……代码它能写，图它画不出来。于是流程断在这里：

• 要么给它配一个 OPENAI_API_KEY 走官方图像 API——额外的钥匙、额外的计费、额外的配置，还和你的 ChatGPT 订阅是两套账；
• 要么你亲自打开 ChatGPT，把图生成好，再下载、贴回项目里——agent 停在那儿干等，「自主」二字荡然无存。

chatgpt-imagegen 的初心就是把这堵墙拆了：agent 缺图，自己造，零人工接手。 用的是你本来就有的 ChatGPT 订阅，不需要 API key，不需要起任何网关服务。

2. 一条命令，agent 就能用

它是一个单文件、零依赖的 Python CLI（只用标准库），装成 skill 之后，agent 直接调：

chatgpt-imagegen "a watercolor cat sitting on a windowsill" -o assets/cat.png
# -> assets/cat.png  (1,344,804 bytes)

为 agent 优化的细节都在：--quiet 时 stdout 只输出保存路径（方便 OUT=$(...) 接管），进度条走 stderr；每个后端有跨进程并发锁，agent 批量 fan-out 也不会把账号打爆。

3. 核心原理：两个后端，两个计费桶

这是整个项目最关键的设计。同一个 ChatGPT 订阅，其实有两个能出图的入口，花的是两个不同的额度桶：

默认是 auto：先试 web（省 Codex 额度），只有当浏览器不可用（没装 chrome-use / 没登录）时才回退到 codex。这条策略的意思是——能不花计量额度，就不花。

为什么 web 后端非得开一个真浏览器？

直觉上，「在普通对话里出图」似乎直接 POST 那个 backend-api/* 接口就行。我们真去试了一发裸客户端（只带 accessToken、不带任何浏览器凭证），结果挺反直觉——防线其实是三层，硬点不在你以为的地方：

所以真正卡死「无浏览器直连」的，不是 Cloudflare，也不是 PoW，是 Turnstile。而且就算想「借浏览器只取这个 token、其余 headless」也行不通：Turnstile token 单次、短时、绑定本次挑战——你等于每个请求都得开一次浏览器，「无浏览器」直接自相矛盾。

这就是 web 后端非得驱动一个真实、已登录的 Chrome、而不是直接调接口的全部原因，也是为什么它必须用 chrome-use（真实 Chrome 连接），而不是普通无头 driver。想彻底不开浏览器，现成的路只有 codex 后端——代价是认 Codex 额度。

4. image 模型，效果是真的好

省额度不等于降画质——web 后端走的就是 ChatGPT 网页里那个原生图像生成器，效果跟你在 app 里手打一样。下面三张都是这个工具真实产出的（文生图 + 图生图各有）：

文生图	图生图：把水彩猫改成金光油画	图生图：把 logo 贴上木牌

5. 图生图：给它一张参考图

传一张参考图（-i），它就改图而不是从零画——和你把图拖进 ChatGPT 输入框让它重绘是同一回事。两个后端各有实现：

• web：把参考图经 chrome-use upload 注入到 composer 的标准 <input type="file">，再发编辑指令——零站点适配，不消耗 Codex 额度；
• codex：把参考图作为 input_image 内容块塞进请求，强制触发图像工具。

# 把一张 logo 改成赛博朋克霓虹招牌
chatgpt-imagegen "把它做成赛博朋克霓虹招牌" -i logo.png -o neon.png

一个有意思的原理坑：怎么认出「生成的那张图」

web 后端是在驱动一个真实页面，所以它得从 DOM 里把生成的图认出来，这里有三个反直觉的点：

1. 新版 ChatGPT 的图走 backend-api/estuary/content，不再是老的 oaiusercontent；
2. 图生图时，你上传的参考图会在用户气泡里以一个全新 src 回显——一不小心就把「你自己上传的原图」当成结果抓走；
3. 生成图是一张独立的图像卡片，并不包在助手消息元素里。

所以正确的判定是：在 <main> 里找匹配图床域名的新图，但排除掉任何属于用户气泡的图。

6. 为 agent 而生的设计思路

把这些原则连起来，就是这个项目的设计取向：

• 单文件、零依赖、纯标准库——agent 拉过去就能跑，没有 pip install、没有虚拟环境、没有常驻进程；
• 可作为 skill 安装——npx skills add leeguooooo/chatgpt-imagegen -g，Claude Code / Codex / Cursor 等都能直接调；
• 默认省钱——auto 模式优先走不计量的 web；真要快或在无头机器上，再用 codex；
• 结果落进工作区——agent 拿到的就是一个保存好的文件路径，直接进 repo；
• 对话自动归档——web 后端把每次出图的对话归进一个 ChatGPT Project（默认 imagegen），不污染你的历史。

一句话：它不是给人用的图像工具套了个 CLI，而是从一开始就为「agent 自己缺资源自己造」这件事设计的。

7. 上手

# 作为 skill（推荐，给 agent 用）
npx skills add leeguooooo/chatgpt-imagegen -g

# 或者独立 CLI（零依赖，单文件）
git clone https://github.com/leeguooooo/chatgpt-imagegen

然后对你的 agent 说一句「给 README 画个 hero 图」就行——剩下的它自己来。

工具仓库：chatgpt-imagegen ｜ 背后的浏览器自动化引擎：chrome-use。

题外话：这篇文章里那些故意画烂的涂鸦原理图，和上面那几张好看的示例图，全是这个工具自己出的。烂的是讲解风格，好看的是它真实的本事——这反差本身，就是它最好的演示。