Премини към основното съдържание
Български— Изберете език
Меню

Дизайн: Макети и бързо прототипиране

Урок 8 от 12 Обновен 2 ноември 2026 г. Програмист
На тази страница
  1. Дизайн: Макети и бързо прототипиране
  2. Макети на потребителски интерфейс
  3. Проучване на множество визуални направления
  4. Прототипиране на опаковки
  5. Автоматизирани мудбордове
  6. Последователни комплекти икони
  7. Прецизиране на макет чрез редактиране
  8. Къде спира AI прототипирането

Обновено на 2 ноември 2026 г. — Модели за изображения. gpt-image-1, моделът, за който първоначално беше написан този курс, беше спрян на 23 октомври 2026 г.. gpt-image-1.5, gpt-image-1-mini и chatgpt-image-latest ще бъдат оттеглени на 1 декември 2026 г.. Примерите сега използват gpt-image-2.5-sunburst, който предлага най-висока прецизност за редактиране; gpt-image-2.5-flare е по-бърз за стандартно генериране. И двата модела поддържат и настройки за качество xhigh и max. Моделите GPT Image винаги връщат изображения в base64: параметърът response_format от по-старите модели на DALL·E вече не се приема и беше премахнат от кода. Източник: Генериране на изображения (OpenAI).

Дизайн: Макети и бързо прототипиране

GPT Image променя етапа на проектиране по-малко чрез качеството на своята продукция, а чрез ниската цена на нейното отхвърляне. Проучването на три визуални направления за начална страница преди отнемаше ден в инструмент за дизайн; сега отнема няколко минути. Това Ви позволява да изследвате шест направления и да изоставите пет без колебание. Този урок Ви показва как да използвате тази свобода, без да бъркате проучването с производството.

Макети на потребителски интерфейс

Генерираният макет служи за избор на направление, а не за разрязване на компоненти. Следователно Вашето подканване (prompt) трябва да цели визуална достоверност: реалистични UI компоненти, ясна типография, професионално разположение, последователна цветова палитра и декларация за очакваното ниво на детайлизация – в този случай „висококачествен рендер в стила на Figma/Sketch“. Обърнете внимание как функцията избира резолюцията: 1024×1536 портрет за мобилни устройства, 1536×1024 пейзаж за десктоп. Генерирането на мобилен екран в пейзажна рамка би произвело макет, който изглежда съвсем различно от реално устройство.

from openai import OpenAI
import base64

client = OpenAI()

def ui_mockup(description: str, platform: str, output: str):
    """Generate a user interface mockup."""
    prompt = (
        f"UI/UX mockup for {platform}: {description}, "
        "modern and clean design, realistic UI components, "
        "clear typography, professional spacing, "
        "consistent color palette, "
        "high-fidelity render in the style of Figma/Sketch"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536" if platform == "mobile" else "1536x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"{platform} mockup: {output}")


ui_mockup(
    "analytics dashboard with charts, KPI cards, and navigation sidebar",
    "desktop",
    "dashboard_mockup.png"
)

ui_mockup(
    "fitness tracking app with home screen, statistics, and history",
    "mobile",
    "fitness_app_mockup.png"
)

Проучване на множество визуални направления

В началото на един проект въпросът не е „кой е правилният макет?“, а „кои естетически семейства заслужават да бъдат показани на клиента?“. Функцията explore_directions отговаря точно на тази нужда, като запазва концепцията постоянна – начална страница за платформа за онлайн обучение – и варира само две оси: арт направление и цветова палитра. Трите предложени пътя не са фини вариации: корпоративен минимализъм в бяло и тъмносиньо, модерен колорит в лилаво и оранжево, и премиум тъмно в черно и електриково синьо целят три различни позиции на бранда. Именно този диапазон прави презентацията полезна.

from openai import OpenAI
import base64

client = OpenAI()

def explore_directions(concept: str, directions: list[dict], prefix: str):
    """Generate multiple visual directions for the same concept."""
    for i, direction in enumerate(directions):
        prompt = (
            f"{concept}, "
            f"art direction: {direction['style']}, "
            f"palette: {direction['palette']}, "
            "professional high-quality render"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        path = f"{prefix}_direction_{i+1}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Direction {i+1} ({direction['style'][:30]}) → {path}")


explore_directions(
    "Homepage for an online learning platform",
    [
        {
            "style": "corporate minimal, lots of white space",
            "palette": "white, navy blue, light gray"
        },
        {
            "style": "modern and colorful, flat design illustrations",
            "palette": "purple, orange, white"
        },
        {
            "style": "dark and premium, subtle gradients",
            "palette": "black, electric blue, gold"
        },
    ],
    "landing_page"
)

Прототипиране на опаковки

Опаковките са вероятно областта, в която печалбата е най-драматична, защото физическият прототип е скъп и пристига късно. Подканването тук умишлено разделя три входа – продуктът, стилът и необходимите елементи – след което налага постоянна постановка: изглед 3/4, почиващ на повърхност, фотореалистичен рендер с меки сенки. Двата примера илюстрират диапазона, който тази структура обработва без колебание: хартиена торба тип крафт за органичен чай с ръкописна типография и прозрачен прозорец от едната страна, бял и златен буркан за крем със златни букви от другата.

from openai import OpenAI
import base64

client = OpenAI()

def packaging_prototype(product: str, style: str, elements: str, output: str):
    """Generate a product packaging prototype."""
    prompt = (
        f"Packaging design for {product}, "
        f"style: {style}, "
        f"elements: {elements}, "
        "3/4 view of packaging resting on a surface, "
        "photorealistic render with soft shadows, "
        "professional design ready for client presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Packaging prototype: {output}")


packaging_prototype(
    "premium organic tea in a kraft bag",
    "natural and artisanal, handwritten typography",
    "tea leaf logo, product name, organic label, transparent window",
    "packaging_tea.png"
)

packaging_prototype(
    "high-end moisturizing cream in a jar",
    "minimalist luxury, white and gold",
    "centered logo, brand name in gold lettering, 50ml capacity",
    "packaging_cream.png"
)

Автоматизирани мудбордове

Мудбордът предава намерение, преди да покаже решение. Вместо да изграждате дъска на ръка, агрегирайки референции, Вие описвате темата и визуалните съставки, след което искате асиметрична мрежова композиция в стила на Pinterest. Примерът за модерно пространство за съвместна работа показва полезното ниво на детайлност: не просто назовавате мястото, а изброявате светъл интериор с растения, скандинавски мебели, текстури от дърво и бетон, отпуснато човешко присъствие и палитра от теракота, градински зелен и оф-уайт. Тези пет входа придават кохерентност на резултата.

from openai import OpenAI
import base64

client = OpenAI()

def generate_moodboard(theme: str, elements: list[str], output: str):
    """Generate a visual moodboard for a given theme."""
    elements_str = ", ".join(elements)
    prompt = (
        f"Professional moodboard for the theme \"{theme}\", "
        f"including: {elements_str}, "
        "asymmetric grid composition in the style of Pinterest, "
        "varied photos and textures, consistent palette, "
        "art direction style for agency presentation"
    )

    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="high",
    )

    data = base64.b64decode(response.data[0].b64_json)
    with open(output, "wb") as f:
        f.write(data)
    print(f"Moodboard: {output}")


generate_moodboard(
    "Modern coworking space",
    [
        "bright interior with plants",
        "Scandinavian design furniture",
        "wood and concrete textures",
        "people working in a relaxed manner",
        "terracotta, sage green, off-white palette"
    ],
    "moodboard_coworking.png"
)

Последователни комплекти икони

Една единствена икона е лесна; последователен комплект е труден, защото последователността разчита на детайли, невидими за наивно подканване. Функцията icon_set ги прави изрични: тя reinjectира темата и стила за всяка икона, изисква прозрачен или бял фон, центрирано кадриране, еднаква дебелина на щриха и квадратни пропорции, и напомня на модела, че изображението принадлежи към комплект. За петте икони на B2B SaaS приложение – табло, потребители, настройки, известия, аналитика – именно това напомняне предотвратява получаването на пет различни графични стила. Използването на slug гарантира чисти имена на файлове, обработвайки апострофи и интервали.

from openai import OpenAI
import base64

client = OpenAI()

def icon_set(theme: str, icons: list[str], style: str, output_prefix: str):
    """Generate a consistent set of icons."""
    for icon in icons:
        prompt = (
            f"Single icon representing \"{icon}\", "
            f"theme: {theme}, "
            f"style: {style}, "
            "transparent or white background, centered, "
            "consistent design within an icon set, "
            "uniform stroke weight, square proportions"
        )

        response = client.images.generate(
            model="gpt-image-2.5-sunburst",
            prompt=prompt,
            size="1024x1024",
            quality="high",
        )

        slug = icon.lower().replace(" ", "_").replace("'", "")
        path = f"{output_prefix}_{slug}.png"
        data = base64.b64decode(response.data[0].b64_json)
        with open(path, "wb") as f:
            f.write(data)
        print(f"Icon {icon} → {path}")


icon_set(
    theme="B2B SaaS application",
    icons=["dashboard", "users", "settings", "notifications", "analytics"],
    style="line art, 2px stroke, navy blue, rounded corners",
    output_prefix="icon"
)

Прецизиране на макет чрез редактиране

Повторното генериране на цял макет за коригиране на една единствена зона Ви кара да загубите всичко, което вече беше удовлетворително на други места. Работният поток по-долу процедира различно: първо генерира цяла начална страница за приложение за управление на проекти, след което отваря прозорец в маската между 8% и 45% от височината – тоест, под хедъра и над блоковете с функции – за да пресъздаде само героичната секция (hero section). Хедърът, навигацията и трите блока остават строго идентични между v1 и v2, правейки сравнението честно: виждате ефекта от Вашата промяна и нищо друго.

from openai import OpenAI
from PIL import Image, ImageDraw
import base64

client = OpenAI()

# Step 1: Generate the initial mockup
response = client.images.generate(
    model="gpt-image-2.5-sunburst",
    prompt=(
        "Homepage mockup for a project management application, "
        "modern design, header with navigation, hero section with illustration, "
        "3 feature blocks, white background"
    ),
    size="1024x1536",
    quality="high",
)

data = base64.b64decode(response.data[0].b64_json)
with open("mockup_v1.png", "wb") as f:
    f.write(data)
print("Mockup v1 generated")

# Step 2: Modify the hero section via editing
source = Image.open("mockup_v1.png")
w, h = source.size
mask = Image.new("RGBA", (w, h), (0, 0, 0, 255))
draw = ImageDraw.Draw(mask)
# Hero area: upper part (below the header)
draw.rectangle([0, int(h * 0.08), w, int(h * 0.45)], fill=(0, 0, 0, 0))
mask.save("mask_hero.png")

response = client.images.edit(
    model="gpt-image-2.5-sunburst",
    image=open("mockup_v1.png", "rb"),
    mask=open("mask_hero.png", "rb"),
    prompt=(
        "Hero section with a 3D isometric illustration of a kanban board, "
        "title 'Manage Your Projects Simply', blue CTA button, subtle gradient background"
    )
)

with open("mockup_v2.png", "wb") as f:
    f.write(base64.b64decode(response.data[0].b64_json))
print("Mockup v2 with modified hero")

Къде спира AI прототипирането

Трябва да сте наясно със статута на това, което произвеждате тук. Генерираните макети са визуални проучвания, а не производствени файлове: текстът е добре изобразен, но може да съдържа малки грешки, компонентите не са нито интерактивни, нито експортируеми към Figma, а последователността между множество екрани в един и същи потребителски поток не е гарантирана. Дизайнер, получаващ тези изображения като крайна доставка, би бил прав да възрази.

Тяхната стойност е другаде и тя е значителна: те служат за валидиране на направление, преди да инвестирате в окончателния дизайн. Изборът между три пътя за един час вместо за три дни, идването на среща с клиент с изображения, а не с прилагателни, елиминирането на фалшиво добра идея, преди тя да консумира седмица производство – това е това, което AI прототипирането всъщност Ви осигурява.

За да се убедите, изградете свой собствен инструмент за стартиране на проект: скрипт, който от кратко описание генерира три визуални направления за начална страница, свързан мудборд за всяко от тях и сравнителен HTML каталог, който Ви позволява да ги представите едно до друго.