Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Design: Mockupy a rychlé prototypování

Lekce 8 z 12 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Design: Mockupy a rychlé prototypování
  2. Mockupy uživatelského rozhraní
  3. Průzkum více vizuálních směrů
  4. Prototypování obalů
  5. Automatizované moodboardy
  6. Konzistentní sady ikon
  7. Vylepšování mockupu prostřednictvím úprav
  8. Kde AI prototypování končí

Aktualizováno 2. listopadu 2026 — Modely pro generování obrázků. Model gpt-image-1, pro který byl tento kurz původně napsán, byl ukončen 23. října 2026. Modely gpt-image-1.5, gpt-image-1-mini a chatgpt-image-latest budou vyřazeny z provozu 1. prosince 2026. Příklady nyní využívají gpt-image-2.5-sunburst, který nabízí nejvyšší přesnost při úpravách; gpt-image-2.5-flare je rychlejší pro standardní generování. Obě modely také podporují nastavení kvality xhigh a max. Modely GPT Image vždy vracejí obrázky v base64: parametr response_format ze 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.