Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Design: Mockupok és gyors prototípuskészítés

8. lecke 12 közül Frissítve 2026. november 2. Fejlesztő
Ezen az oldalon
  1. Design: Mockupok és gyors prototípuskészítés
  2. Felhasználói felület mockupjai
  3. Több vizuális irány felfedezése
  4. Csomagolástervezés prototípusai
  5. Automatizált hangulatminták (Moodboardok)
  6. Konzisztens ikonkészletek
  7. Mockup finomhangolása szerkesztéssel
  8. Hol áll meg az AI prototípuskészítés

Frissítve: 2026. november 2. – Képmodellek. A gpt-image-1 modellt, amelyre ezt a tananyagot eredetileg írták, 2026. október 23-án megszüntették. A gpt-image-1.5, gpt-image-1-mini és chatgpt-image-latest modellek 2026. december 1-jén kerülnek kivonásra. A példák most a gpt-image-2.5-sunburst modellt használják, amely a legmagasabb pontosságot kínálja szerkesztéshez; a gpt-image-2.5-flare gyorsabb az általános generálásnál. Mindkét modell támogatja az xhigh és max minőségi beállításokat is. A GPT Image modellek mindig base64 formátumban adják vissza a képeket: a régebbi DALL·E modellekből ismert response_format paramétert már nem fogadják el, és eltávolították a kódból. Forrás: Képgenerálás (OpenAI).

Design: Mockupok és gyors prototípuskészítés

A GPT Image kevésbé a kimenet minőségével, mint inkább az elvetés alacsony költségével változtatja meg a tervezési fázist. Korábban egy kezdőlap három vizuális irányának kidolgozása egy napot vett igénybe egy tervezőeszközben; ma ez csak néhány perc. Ez lehetővé teszi, hogy hat irányt vizsgálj meg, és ötöt habozás nélkül elvess. Ez a lecke megmutatja, hogyan használd ezt a szabadságot anélkül, hogy összekevernéd a felfedezést a gyártással.

Felhasználói felület mockupjai

Egy generált mockup célja az irány kiválasztása, nem pedig az alkatrészekre szeletelés. A promptodnak ezért a vizuális hitelességre kell törekednie: realisztikus UI komponensek, olvasható tipográfia, professzionális térközök, konzisztens színpaletta, valamint a várt hűségi szint megadása – ebben az esetben: „nagy felbontású render Figma/Sketch stílusban“. Figyeld meg, hogyan választja ki a függvény a felbontást: 1024×1536 álló mód mobilra, 1536×1024 fekvő mód asztali gépre. Ha fekvő keretben generálsz egy mobilképernyőt, olyan mockupot kapsz, amely semmiképpen sem néz ki valódi eszköznek.

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"
)

Több vizuális irány felfedezése

Egy projekt elején nem az a kérdés, hogy „melyik a helyes mockup?“, hanem hogy „mely esztétikai családokat érdemes bemutatni az ügyfélnek?“ Az explore_directions függvény pontosan ezt a szükségletet elégíti ki: állandóan tartja a koncepciót – egy online tanulási platform kezdőlapja –, és csak két tengelyt variál: a művészeti irányt és a színpalettát. A javasolt három út nem finom variáció: a fehér és navy kék színű vállalati minimalizmus, a lila és narancssárga modern színesség, valamint a fekete és elektromos kék prémium sötét stílus három különböző márkapozíciót céloz meg. Éppen ez a széles spektrum teszi hasznossá a bemutatást.

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"
)

Csomagolástervezés prototípusai

A csomagolás valószínűleg az a terület, ahol a nyereség a legdrámaibb, mivel egy fizikai prototípus drága és későn készül el. Az itt használt prompt szándékosan választja szét a három bemenetet – a terméket, a stílust és a szükséges elemeket –, majd állandó beállítást ír elő: a csomagolás 3/4-es nézete egy felületen pihen, fotorealisztikus render lágy árnyékokkal. A két példa illusztrálja azt a széles skálát, amelyet ez a struktúra gond nélkül kezel: egy kraft papír zsák bio teához, kézírásos tipográfiával és átlátsó ablakkal az egyik oldalon, valamint egy fehér-arany krémes doboz arany betűkkel a másikon.

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"
)

Automatizált hangulatminták (Moodboardok)

Egy hangulatminta (moodboard) a megoldás bemutatása előtt közvetíti a szándékot. Ahelyett, hogy hivatkozások összegyűjtésével kézzel építenéd fel a táblát, írd le a témát és a vizuális összetevőket, majd kérj aszimmetrikus rácsos kompozíciót Pinterest stílusban. A modern coworking tér példája mutatja a hasznos részletességi szintet: nemcsak a helyet nevezed meg, hanem felsorolod a növényekkel teli világos belső teret, a skandináv bútorokat, a fa és beton textúrákat, a lazán dolgozó embereket, valamint a terrakotta, zsályazöld és törtfehér palettát. Ez az öt bemenet adja meg az eredmény koherenciáját.

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"
)

Konzisztens ikonkészletek

Egyetlen ikont könnyű készíteni; egy konzisztens készletet azonban nehéz, mert az egységesség olyan részleteken múlik, amelyek láthatatlanok egy naiv prompt számára. Az icon_set függvény ezeket explicit módon kezeli: minden ikonnál újra befecskendezi a témát és a stílust, átlátszó vagy fehér hátteret, középre igazított keretezést, egységes vonalvastagságot és négyzetes arányokat követel meg, valamint emlékezteti a modellt, hogy a kép egy készlet része. Egy B2B SaaS alkalmazás öt ikonjánál – irányítópult, felhasználók, beállítások, értesítések, analitika – éppen ez az emlékeztető akadályozza meg, hogy öt különböző grafikai stílust kapj. Egy slug használata biztosítja a tiszta fájlneveket, kezelve az aposztrófokat és a szóközöket.

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"
)

Mockup finomhangolása szerkesztéssel

Ha egy teljes mockupot újragenerálsz egyetlen terület javítása érdekében, elveszítesz mindent, ami máshol már megfelelő volt. Az alábbi munkafolyamat másképp jár el: először generál egy teljes kezdőlapot egy projektmenedzsment alkalmazáshoz, majd egy ablakot nyit a maszkon a magasság 8%-a és 45%-a között – vagyis a fejléc alatt és a funkcióblokkok felett –, hogy csak a hero szekciót játsza újra. A fejléc, a navigáció és a három blokk szigorúan azonos marad az v1 és v2 verziók között, így az összehasonlítás őszinte: látod a változtatásod hatását, és semmi mást.

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")

Hol áll meg az AI prototípuskészítés

Tisztáznod kell, mi a státusza annak, amit itt előállítasz. A generált mockupok vizuális felfedezések, nem gyártási fájlok: a szöveg jól jelenik meg, de tartalmazhat kisebb hibákat, a komponensek sem nem interaktívak, sem nem exportálhatók Figmába, és ugyanazon felhasználói folyamat több képernyője közötti konzisztencia sem garantált. Egy tervező, aki ezeket a képeket végleges szállítmányként kapná, jogosan emelne kifogást.

Az értékük máshol rejlik, és ez jelentős: arra szolgálnak, hogy érvényesíts egy irányt, mielőtt befektetnél a végleges designba. Három út között választani egy óra alatt három nap helyett, úgy érkezni egy ügyféltalálkozóra, hogy képeid vannak, nem csak jelzőid, vagy kiszűrni egy hamisan jónak tűnő ötletet, mielőtt egy hetet emésztene fel a gyártás – ez az, amit az AI prototípuskészítés valójában nyújt neked.

Hogy meggyőződj erről, építsd meg a saját projektindító eszközödet: egy szkriptet, amely egy brief alapján generál három vizuális irányt egy kezdőlaphoz, mindegyikhez egy hozzá tartozó hangulatmintát, és egy összehasonlító HTML katalógust, amely lehetővé teszi, hogy ezeket egymás mellett mutasd be.