一条 Prompt 指令，让你的 Codex 瞬间拥有 GPT-img 生图能力

最近在折腾各种 AI 工具的时候，发现了一个非常有意思的“混搭”玩法。大家都知道，OpenAI 的 Codex 在代码生成和自然语言处理上非常强，但如果你想在它生成的文本中直接插入高质量图片，通常需要手动调用额外的生图接口，流程相当繁琐。

有没有办法通过一条精心设计的 Prompt 指令，直接让 Codex "学会"调用 GPT-img 的接口，实现真正的“所想即所得”？答案是肯定的。今天就把这个实测好用的配置思路分享给大家，不用写复杂的后端代码，直接在交互层面就能搞定。

为什么需要这种能力？

在构建自动化博客、生成营销文案或者开发聊天机器人的时候，文字和图片往往是相辅相成的。如果只是单纯输出文本，用户体验会打折。直接在 Codex 的 API 调用中封装生图能力，意味着我们发送一个指令，系统就能自动判断哪里需要配图，并自动生成匹配的视觉内容。

这种能力特别适合以下场景：

1. 自动化内容生产：写文章的同时自动生成配图。
2. 智能客服：回答用户问题时，如果能直接扔一张示意图，沟通效率倍增。
3. 创意辅助：写一段描述，立马看到可视化的结果。

Codex 配合生图接口生成的赛博朋克城市示意图

核心思路：Prompt 注入

实现这一点的核心，并不在于修改 Codex 的底层模型，而在于通过 Prompt Engineering（提示工程）来引导模型输出结构化的指令，进而触发生图接口。

简单来说，就是教 Codex 一个“暗号”。当它检测到语境需要图片时，不是输出“这是一张图”，而是按照我们规定的格式输出一段特定的 JSON 或代码标记。

具体的 Prompt 指令设计

Codex 文本输出与生图接口调用的交互流程

为了达到效果，我们需要在系统提示词中加入一套规则。下面是一个经过验证的 Prompt 模板，你可以直接复制使用。

System Prompt 模板：

你现在是一个具备图文生成能力的 AI 助手。除了回答文本问题外，你还集成了 GPT-img 生图模块。

当用户请求中包含视觉描述，或者你认为配图能更好地回答问题时，请按照以下 JSON 格式在文本中嵌入生图请求：

{
  "action": "generate_image",
  "prompt": "[在这里填入优化的生图描述，英文效果最好]",
  "size": "1024x1024"
}

注意：
1. 生图描述必须是对当前回复内容的视觉化补充，不要生造无关图片。
2. 如果不需要图片，请直接回复纯文本。
3. 保持文本回复的自然流畅，不要让代码块干扰阅读。

如何配置与使用

有了上面的 Prompt，接下来的 API 配置就顺理成章了。

1. 设置 System Message：在你的 API 调用代码中，将上述模板作为 system 角色的消息传入。

    messages = [
        {"role": "system", "content": "你现在是一个具备图文生成能力的 AI 助手..."},
        {"role": "user", "content": "给我写一段关于赛博朋克城市的描述，并配上插图。"}
    ]
    ```

2.  **解析返回内容**：Codex 返回的内容中可能会夹杂我们定义的 JSON 块。你需要写一个简单的正则表达式解析器，提取出 `prompt` 字段。

3.  **调用生图接口**：提取到的 `prompt` 就是你传给 GPT-img 或者其他生图 API 的参数。拿到图片 URL 后，将其替换回原来的文本位置即可。

### 进阶优化：Prompt 的“润色”

有时候 Codex 直接提取的描述可能不够精细，导致生成的图片不如意。你可以在 Prompt 中加入一段“润色指令”：“在生成图片请求前，请先将用户的描述扩充为更具艺术感的英文 Prompt。”

这样一来，Codex 就充当了“翻译官”和“艺术总监”的角色，省去了你自己去写复杂的生图 Prompt 的功夫。

### 遇到问题怎么办？

*   **模型不输出 JSON**：检查你的 System Prompt 是否够强势，可以尝试在指令末尾加上，“必须严格遵守 JSON 格式，不要输出其他多余说明。”
*   **生成的图片跑题**：这是 Prompt 指令不够明确的问题。在 System Prompt 中增加负向约束，例如“图片内容必须与上下文紧密相关，禁止生成抽象或无关画面。”
*   **API 调用频率限制**：因为中间多了一次生图调用，注意做好异步处理，不要阻塞主线程。

### 总结

通过这一条 Prompt 指令，我们其实是在 Codex 这个“大脑”外接了一个“眼睛”。这种配置不需要复杂的代码重构，全靠巧妙的提示词逻辑来驱动。对于想快速把图文能力集成到自己项目里的开发者来说，绝对是一个低成本、高回报的“羊毛”技巧。

赶紧去试试吧，看看你的 Codex 能画出什么样的脑洞！