Design: Mockupy a rychlé prototypování
Na této stránce
Aktualizováno 2. listopadu 2026 — Modely pro generování obrázků. Model
gpt-image-1, pro který byl tento kurz původně napsán, byl ukončen 23. října 2026. Modelygpt-image-1.5,gpt-image-1-miniachatgpt-image-latestbudou vyřazeny z provozu 1. prosince 2026. Příklady nyní využívajígpt-image-2.5-sunburst, který nabízí nejvyšší přesnost při úpravách;gpt-image-2.5-flareje rychlejší pro standardní generování. Obě modely také podporují nastavení kvalityxhighamax. Modely GPT Image vždy vracejí obrázky v base64: parametrresponse_formatze starších modelů DALL·E již není přijímán a byl z kódu odstraněn. Zdroj: Generování obrázků (OpenAI).
Design: Mockupy a rychlé prototypování
GPT Image mění fázi designu méně kvalitou svého výstupu než nízkou cenou jeho zahodění. Prozkoumání tří vizuálních směrů pro domovskou stránku dříve zabralo den v designovém nástroji; nyní to trvá několik minut. To ti umožňuje prozkoumat šest směrů a pět z nich bez váhání opustit. Tato lekce ti ukáže, jak tuto svobodu využít, aniž bys si pletl průzkum s finální produkcí.
Mockupy uživatelského rozhraní
Vygenerovaný mockup slouží k výběru směru, nikoliv k tomu, aby byl rozdělen na komponenty. Tvůj prompt se proto musí zaměřit na vizuální věrohodnost: realistické komponenty UI, čitelná typografie, profesionální rozestupy, konzistentní barevná paleta a uvedení očekávané úrovně detailu – v tomto případě „vysoce věrný render ve stylu Figma/Sketch“. Všimni si, jak funkce vybírá rozlišení: 1024×1536 na výšku pro mobil, 1536×1024 na šířku pro desktop. Generování mobilní obrazovky v rámu na šířku by vytvořilo mockup, který nevypadá ani trochu jako skutečné zařízení.
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"
)
Průzkum více vizuálních směrů
Na začátku projektu není otázkou „který mockup je ten správný?“, ale „které estetické rodiny si zaslouží být představeny klientovi?“. Funkce explore_directions přesně odpovídá na tuto potřebu tím, že udržuje koncept konstantní – domovská stránka pro platformu online vzdělávání – a mění pouze dvě osy: umělecký směr a barevnou paletu. Tři navržené cesty nejsou jemné variace: korporátní minimalismus v bílé a námořnické modři, moderní barevnost v fialové a oranžové a prémiová tmavá v černé a elektrické modři cílí na tři různé pozice značky. Právě tento rozsah činí prezentaci užitečnou.
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"
)
Prototypování obalů
Obaly jsou pravděpodobně oblastí, kde je zisk nejvýraznější, protože fyzický prototyp je drahý a dorazí pozdě. Prompt zde záměrně odděluje tři vstupy – produkt, styl a požadované prvky – a poté ukládá konstantní aranžmá: pohled ze tří čtvrtin spočívající na povrchu, fotorealistický render s měkkými stíny. Dva příklady ilustrují rozsah, který tato struktura zvládne bez mrknutí oka: kraftový papírový sáček na bio čaj s ručně psanou typografií a průhledným okénkem na jedné straně, bílá a zlatá dóza s krémem se zlatým písmem na straně druhé.
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"
)
Automatizované moodboardy
Moodboard sděluje záměr dříve, než ukáže řešení. Místo ručního sestavování nástěnky agregací referencí popíšeš téma a vizuální ingredience a poté požádáš o asymetrickou mřížkovou kompozici ve stylu Pinterestu. Příklad moderního coworkingového prostoru ukazuje užitečnou úroveň detailu: nejen že pojmenuješ místo, ale vypíšeš světlý interiér s rostlinami, skandinávský nábytek, textury dřeva a betonu, uvolněnou lidskou přítomnost a paletu terakotové, šalvějově zelené a off-white barvy. Právě těchto pět vstupů dodává výsledku soudržnost.
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"
)
Konzistentní sady ikon
Jedna ikona je snadná; konzistentní sada je obtížná, protože konzistence závisí na detailech neviditelných pro naivní prompt. Funkce icon_set je činí explicitními: pro každou ikonu znovu vkládá téma a styl, vyžaduje průhledné nebo bílé pozadí, vycentrovaný záběr, jednotnou tloušťku čar a čtvercové proporce a připomíná modelu, že obrázek patří do sady. U pěti ikon aplikace B2B SaaS – dashboard, uživatelé, nastavení, oznámení, analytika – je to právě tato připomínka, která ti zabrání získat pět různých grafických stylů. Použití slugu zajišťuje čisté názvy souborů a správné zpracování apostrofů a mezer.
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"
)
Vylepšování mockupu prostřednictvím úprav
Regenerace celého mockupu kvůli opravě jediné oblasti tě připraví o vše, co již bylo jinde uspokojivé. Níže uvedený pracovní postup postupuje jinak: nejprve vygeneruje kompletní domovskou stránku pro aplikaci pro správu projektů, poté otevře okno v masce mezi 8 % a 45 % výšky – tedy pod hlavičkou a nad bloky funkcí – aby přehrál pouze sekci hero. Hlavička, navigace a tři bloky zůstávají mezi verzí 1 a verzí 2 striktně identické, což činí srovnání poctivým: vidíš efekt své změny a nic jiného.
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")
Kde AI prototypování končí
Musíš si být jasný ohledně statusu toho, co zde vytváříš. Vygenerované mockupy jsou vizuální průzkumy, nikoliv produkční soubory: text je sice dobře vykreslen, ale může obsahovat drobné chyby, komponenty nejsou interaktivní ani exportovatelné do Figmy a konzistence napříč více obrazovkami ve stejném uživatelském toku není zaručena. Designer, který by tyto obrázky obdržel jako finální výstup, by měl pravdu namítat.
Jejich hodnota spočívá jinde a je značná: slouží k ověření směru před investicí do finálního designu. Volba mezi třemi cestami za hodinu místo tří dnů, příchod na schůzku s klientem s obrázky místo přídavných jmen, eliminace falešně dobrého nápadu dříve, než spotřebuje týden produkce – to je to, co ti AI prototypování skutečně přináší.
Aby ses o tom přesvědčil, vytvoř si vlastní nástroj pro zahájení projektu: skript, který na základě briefu vygeneruje tři vizuální směry pro domovskou stránku, přidružený moodboard pro každý z nich a srovnávací HTML katalog, který ti umožní prezentovat je vedle sebe.