Σχεδιασμός: Mockups και Γρήγορη Δημιουργία Πρωτοτύπων
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα εικόνων. Το
gpt-image-1, το μοντέλο για το οποίο γράφτηκε αρχικά αυτό το μάθημα, διακόπηκε στις 23 Οκτωβρίου 2026. Ταgpt-image-1.5,gpt-image-1-miniκαιchatgpt-image-latestθα αποσυρθούν την 1η Δεκεμβρίου 2026. Τα παραδείγματα χρησιμοποιούν πλέον τοgpt-image-2.5-sunburst, το οποίο προσφέρει την υψηλότερη ακρίβεια για επεξεργασία· τοgpt-image-2.5-flareείναι ταχύτερο για τυπική δημιουργία. Και τα δύο μοντέλα υποστηρίζουν επίσης τις ρυθμίσεις ποιότηταςxhighκαιmax. Τα μοντέλα GPT Image επιστρέφουν πάντα εικόνες σε base64: η παράμετροςresponse_formatαπό τα παλαιότερα μοντέλα DALL·E δεν γίνεται πλέον δεκτή και έχει αφαιρεθεί από τον κώδικα. Πηγή: Image generation (OpenAI).
Σχεδιασμός: Mockups και Γρήγορη Δημιουργία Πρωτοτύπων
Το GPT Image αλλάζει τη φάση του σχεδιασμού λιγότερο μέσω της ποιότητας του αποτελέσματός του και περισσότερο μέσω του χαμηλού κόστους απόρριψής του. Η διερεύνηση τριών οπτικών κατευθύνσεων για μια αρχική σελίδα έπαιρνε παλιά μια μέρα σε ένα εργαλείο σχεδιασμού· τώρα παίρνει λίγα λεπτά. Αυτό σας επιτρέπει να εξερευνήσετε έξι κατευθύνσεις και να εγκαταλείψετε τις πέντε χωρίς δισταγμό. Αυτό το μάθημα σας δείχνει πώς να χρησιμοποιήσετε αυτή την ελευθερία χωρίς να συγχέετε την εξερεύνηση με την παραγωγή.
Mockups Διεπαφής Χρήστη
Ένα παραγόμενο mockup serves για να επιλέξετε μια κατεύθυνση, όχι για να κοπεί σε components. Το prompt σας πρέπει επομένως να στοχεύει στην οπτική αξιοπιστία: ρεαλιστικά components UI, καθαρή τυπογραφία, επαγγελματική απόσταση μεταξύ των στοιχείων, μια συνεπή χρωματική παλέτα και μια δήλωση του αναμενόμενου επιπέδου πιστότητας—σε αυτή την περίπτωση, «απόδοση υψηλής πιστότητας στο στυλ του Figma/Sketch». Σημειώστε πώς η συνάρτηση επιλέγει την ανάλυση: 1024×1536 portrait για κινητά, 1536×1024 landscape για επιτραπέζιους υπολογιστές. Η δημιουργία μιας οθόνης κινητού σε ένα landscape πλαίσιο θα παρήγαγε ένα mockup που δεν μοιάζει καθόλου με πραγματική συσκευή.
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"
)
Εξερεύνηση Πολλαπλών Οπτικών Κατευθύνσεων
Στην αρχή ενός έργου, το ερώτημα δεν είναι «ποιο είναι το σωστό mockup;» αλλά «ποιες αισθητικές οικογένειες αξίζει να παρουσιαστούν στον πελάτη;». Η συνάρτηση explore_directions απαντά ακριβώς σε αυτή την ανάγκη διατηρώντας την έννοια σταθερή—μια αρχική σελίδα για μια πλατφόρμα ηλεκτρονικής μάθησης—και μεταβάλλοντας μόνο δύο άξονες: την καλλιτεχνική διεύθυνση και τη χρωματική παλέτα. Οι τρεις προτεινόμενες διαδρομές δεν είναι λεπτές παραλλαγές: το εταιρικό μινιμαλιστικό σε άσπρο και ναυτικό μπλε, το μοντέρνο πολύχρωμο σε μωβ και πορτοκαλί, και το premium σκούρο σε μαύρο και ηλεκτρικό μπλε στοχεύουν σε τρεις διαφορετικές θέσεις brand. Αυτό το εύρος είναι που κάνει την παρουσίαση χρήσιμη.
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"
)
Δημιουργία Πρωτοτύπων Συσκευασίας
Η συσκευασία είναι πιθανότατα ο τομέας όπου το κέρδος είναι πιο δραματικό, επειδή ένα φυσικό πρωτότυπο είναι ακριβό και φτάνει αργά. Το prompt εδώ διαχωρίζει σκόπιμα τρεις εισόδους—το προϊόν, το στυλ και τα απαιτούμενα στοιχεία—και στη συνέχεια επιβάλλει μια σταθερή σκηνοθεσία: μια όψη 3/4 που ακουμπά σε μια επιφάνεια, φωτορεαλιστική απόδοση με απαλές σκιές. Τα δύο παραδείγματα αναδεικνύουν το εύρος που χειρίζεται αυτή η δομή χωρίς δισταγμό: μια χάρτινη σακούλα kraft για βιολογικό τσάι με χειρόγραφη τυπογραφία και ένα διαφανές παράθυρο στη μία πλευρά, ένα λευκό και χρυσό βάζο κρέμας με χρυσά γράμματα στην άλλη.
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"
)
Αυτοματοποιημένα Moodboards
Ένα moodboard μεταφέρει μια πρόθεση πριν δείξει μια λύση. Αντί να χτίζετε έναν πίνακα με το χέρι συγκεντρώνοντας αναφορές, περιγράφετε το θέμα και τα οπτικά συστατικά, και στη συνέχεια ζητάτε μια ασύμμετρη σύνθεση πλέγματος στο στυλ του Pinterest. Το παράδειγμα ενός μοντέρνου χώρου coworking δείχνει το χρήσιμο επίπεδο λεπτομέρειας: δεν ονομάζετε απλώς τον χώρο, αλλά καταγράφετε το φωτεινό εσωτερικό με φυτά, τα σκανδιναβικά έπιπλα, τις υφές ξύλου και σκυροδέματος, τη χαλαρή ανθρώπινη παρουσία και μια παλέτα από τερακότα, πράσινο φασκόμηλο και υπόλευκο. Αυτές οι πέντε είσοδοι προσδίδουν συνοχή στο αποτέλεσμα.
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"
)
Συνεπή Σύνολα Εικονιδίων
Ένα μεμονωμένο εικονίδιο είναι εύκολο· ένα συνεπές σύνολο είναι δύσκολο, επειδή η συνοχή βασίζεται σε λεπτομέρειες αόρατες σε ένα αφελές prompt. Η συνάρτηση icon_set τις καθιστά ρητές: επανεισάγει το θέμα και το στυλ για κάθε εικονίδιο, απαιτεί διαφανές ή λευκό φόντο, κεντραρισμένο κάδρο, ομοιόμορφο πάχος γραμμής και τετράγωνες αναλογίες, και υπενθυμίζει στο μοντέλο ότι η εικόνα ανήκει σε ένα σύνολο. Για τα πέντε εικονίδια μιας εφαρμογής B2B SaaS—dashboard, users, settings, notifications, analytics—είναι αυτή η υπενθύμιση που σας εμποδίζει να λάβετε πέντε διαφορετικά γραφικά στυλ. Η χρήση ενός slug εξασφαλίζει καθαρά ονόματα αρχείων, διαχειριζόμενη αποστρόφους και κενά.
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"
)
Βελτίωση ενός Mockup μέσω Επεξεργασίας
Η επαναδημιουργία ολόκληρου του mockup για τη διόρθωση μιας μόνο περιοχής σας κάνει να χάσετε όλα όσα ήταν ήδη ικανοποιητικά αλλού. Η παρακάτω ροή εργασίας proceeds διαφορετικά: πρώτα δημιουργεί μια πλήρη αρχική σελίδα για μια εφαρμογή διαχείρισης έργων, και στη συνέχεια ανοίγει ένα παράθυρο στη μάσκα μεταξύ 8% και 45% του ύψους—δηλαδή, κάτω από την κεφαλίδα και πάνω από τα μπλοκ λειτουργιών—για να ξαναπαίξει μόνο την ενότητα hero. Η κεφαλίδα, η πλοήγηση και τα τρία μπλοκ παραμένουν αυστηρά ίδια μεταξύ των εκδόσεων v1 και v2, καθιστώντας τη σύγκριση ειλικρινή: βλέπετε την επίδραση της αλλαγής σας, και τίποτα άλλο.
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")
Πού Σταματά η Δημιουργία Πρωτοτύπων με ΤΝ
Πρέπει να είστε σαφείς σχετικά με το καθεστώς αυτού που παράγετε εδώ. Τα παραγόμενα mockups είναι οπτικές εξερευνήσεις, όχι αρχεία παραγωγής: το κείμενο αποδίδεται καλά αλλά μπορεί να περιέχει μικρά σφάλματα, τα components δεν είναι ούτε διαδραστικά ούτε εξάγονται στο Figma, και η συνοχή σε πολλαπλές οθόνες στην ίδια ροή χρήστη δεν είναι εγγυημένη. Ένας σχεδιαστής που λαμβάνει αυτές τις εικόνες ως τελικό παραδοτέο θα είχε δίκιο να αντιδράσει.
Η αξία τους βρίσκεται αλλού, και είναι σημαντική: χρησιμεύουν για την επικύρωση μιας κατεύθυνσης πριν επενδύσετε στον τελικό σχεδιασμό. Η επιλογή μεταξύ τριών διαδρομών σε μία ώρα αντί για τρεις ημέρες, η άφιξη σε μια συνάντηση με πελάτη με εικόνες αντί για επίθετα, η εξάλειψη μιας ψευδώς καλής ιδέας πριν καταναλώσει μια εβδομάδα παραγωγής—αυτό είναι αυτό που σας προσφέρει πραγματικά η δημιουργία πρωτοτύπων με ΤΝ.
Για να πειστείτε, χτίστε το δικό σας εργαλείο εκκίνησης έργου: ένα script που, από ένα brief, δημιουργεί τρεις οπτικές κατευθύνσεις για μια αρχική σελίδα, ένα συσχετισμένο moodboard για την καθεμία, και έναν συγκριτικό κατάλογο HTML που σας επιτρέπει να τις παρουσιάσετε τη μία δίπλα στην άλλη.