Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Dizainas: Maketai ir greitas prototipavimas

Paskaita 8 iš 12 Atnaujinta 2026 m. lapkričio 2 d. Kūrėjas
Šiame puslapyje
  1. Dizainas: Maketai ir greitas prototipavimas
  2. Vartotojo sąsajos maketai
  3. Kelių vizualinių krypčių tyrinėjimas
  4. Pakuočių prototipavimas
  5. Automatizuotos nuotaikų lentos (Moodboards)
  6. Nuoseklūs piktogramų rinkiniai
  7. Maketo tobulinimas redaguojant
  8. Kur baigiasi DI prototipavimas

Atnaujinta 2026 m. lapkričio 2 d. — Vaizdų modeliai. gpt-image-1, modelis, kuriam iš pradžių buvo skirtas šis kursas, buvo nutrauktas 2026 m. spalio 23 d.. gpt-image-1.5, gpt-image-1-mini ir chatgpt-image-latest bus pašalinti 2026 m. gruodžio 1 d.. Pavyzdžiuose dabar naudojamas gpt-image-2.5-sunburst, kuris užtikrina didžiausią tikslumą redaguojant; gpt-image-2.5-flare yra greitesnis standartiniam generavimui. Abu modeliai taip pat palaiko xhigh ir max kokybės nustatymus. GPT Image modeliai visada grąžina vaizdus base64 formatu: senesnių DALL·E modelių parametras response_format daugiau nepriimamas ir buvo pašalintas iš kodo. Šaltinis: Vaizdų generavimas (OpenAI).

Dizainas: Maketai ir greitas prototipavimas

GPT Image keičia dizaino etapą ne tiek savo išvesties kokybe, kiek maža kaina, kurią tenka sumokėti atmetus rezultatą. Anksčiau tyrinėti tris pagrindinio puslapio vizualines kryptis dizaino įrankyje užtrukdavo dieną; dabar tai trunka kelias minutes. Tai leidžia tau išbandyti šešias kryptis ir be jokio gailesčio atsisakyti penkių. Šioje pamokoje sužinosi, kaip pasinaudoti šia laisve nepainiojant tyrinėjimo su galutiniu produktu.

Vartotojo sąsajos maketai

Sugeneruotas maketas skirtas pasirinkti kryptį, o ne būti pjaustomas į komponentus. Todėl tavo užklausa turi siekti vizualaus patikimumo: realistiški sąsajos komponentai, aiški tipografija, profesionalūs tarpai, nuosekli spalvų paletė ir nurodytas norimas tikslumo lygis – šiuo atveju „aukštos raiškos atvaizdas Figma/Sketch stiliumi“. Atkreipk dėmesį, kaip funkcija pasirenka skiriamąją gebą: 1024×1536 portretinis formatas mobiliems įrenginiams, 1536×1024 kraštovaizdis – darbalaukiui. Generuojant mobiliojo ekrano maketą kraštovaizdio rėmelyje, gautum vaizdą, visiškai nepanašų į tikrą įrenginį.

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"
)

Kelių vizualinių krypčių tyrinėjimas

Projekto pradžioje klausimas yra ne „kuris maketas yra teisingas?“, o „kurias estetines šeimas verta parodyti klientui?“. Funkcija explore_directions kaip tik ir atsako į šį poreikį, išlaikydama koncepciją pastovią – mokymų platformos pagrindinis puslapis – ir keisdama tik dvi ašis: meno kryptį ir spalvų paletę. Siūlomi trys keliai nėra subtilūs variantai: korporatyvinis minimalizmas baltoje ir tamsiai mėlynoje spalvoje, šiuolaikiškas spalvingumas violetine ir oranžine, bei prabangus tamsus stilius juodoje ir elektros mėlynoje spalvoje taikosi į tris skirtingas prekės ženklo pozicijas. Būtent šis diapazonas daro pristatymą naudingą.

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"
)

Pakuočių prototipavimas

Pakuotės yra sritis, kurioje nauda yra pati didžiausia, nes fizinis prototipas yra brangus ir paruošiamas vėlai. Čia esanti užklausa sąmoningai atskiria tris įvestis – produktą, stilių ir reikalingus elementus – tada nustato pastovią scenografiją: 3/4 vaizdas, objektas guli ant paviršiaus, fotorealistinis atvaizdas su minkštais šešėliais. Du pavyzdžiai iliustruoja šios struktūros gebėjimą apdoroti labai skirtingus dalykus be jokių sunkumų: kraftinio popieriaus maišelis ekologiškai arbatai su rankraščio stiliaus tipografija ir skaidriu langeliu vienoje pusėje bei baltas ir auksinis kremo indelis su auksiniais užrašais kitoje.

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"
)

Automatizuotos nuotaikų lentos (Moodboards)

Nuotaikų lenta perteikia sumanymą prieš pateikiant sprendimą. Užuot rankiniu būdu kuręs lentą, surinkdamas nuorodas, tu apibūdini temą ir vizualines sudedamąsias dalis, o tada prašai asimetriškos tinklelio kompozicijos Pinterest stiliumi. Šiuolaikiškos bendradarbystės erdvės pavyzdys rodo naudingą detalumo lygį: tu ne tik įvardiji vietą, bet ir išvardiji šviesų interjerą su augalais, skandinaviškus baldus, medžio ir betono tekstūras, atpalaiduotą žmonių buvimą bei terakotos, šalavijo žalumo ir kreminės baltos spalvų paletę. Šie penki įvesties duomenys suteikia rezultatui darnumą.

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"
)

Nuoseklūs piktogramų rinkiniai

Viena piktograma yra lengva; nuoseklus rinkinys – sunkus, nes nuoseklumas priklauso nuo detalių, nematomų naiviam modeliui. Funkcija icon_set jas padaro aiškias: ji kiekvienai piktogramai iš naujo įveda temą ir stilių, reikalauja permatomo arba balto fono, centravimo, vienodo linijos storio ir kvadratinių proporcijų, bei primena modeliui, kad vaizdas priklauso rinkiniui. Penkioms B2B SaaS programėlės piktogramoms – skydeliui, vartotojams, nustatymams, pranešimams, analitikai – būtent šis priminimas neleidžia gauti penkių skirtingų grafinių stilių. Naudojant trumpinį (slug) užtikrinami švarūs failų pavadinimai, tvarkant kabutes ir tarpus.

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"
)

Maketo tobulinimas redaguojant

Norint ištaisyti vieną sritį, iš naujo generuoti visą maketą reiškia prarasti viską, kas kitur jau buvo patenkinama. Toliau pateikta darbo eiga vyksta kitaip: pirmiausia sugeneruojamas visas projektų valdymo programėlės pagrindinis puslapis, tada kaukėje atidaromas langas tarp 8 % ir 45 % aukščio – tai yra, žemiau antraštės ir virš funkcijų blokų – kad būtų pergeneruota tik hero sekcija. Antraštė, navigacija ir trys blokai lieka visiškai identiški tarp v1 ir v2 versijų, todėl palyginimas yra sąžiningas: matai savo pakeitimo efektą ir nieko daugiau.

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")

Kur baigiasi DI prototipavimas

Turi aiškiai suprasti čia kuriamų darbų statusą. Sugeneruoti maketai yra vizualiniai tyrinėjimai, o ne gamybai paruošti failai: tekstas atrodo gerai, bet gali turėti nedidelių klaidų, komponentai nėra interaktyvūs nei eksportuojami į Figma, o nuoseklumas tarp kelių to paties vartotojo srauto ekranų nėra garantuotas. Dizaineris, gavęs šiuos vaizdus kaip galutinį rezultatą, būtų teisėtas prieštarauti.

Jų vertė slypi kitur ir yra didžiulė: jie padeda patvirtinti kryptį prieš investuojant į galutinį dizainą. Pasirinkti tarp trijų krypčių per valandą, o ne per tris dienas, ateiti į susitikimą su klientu turint vaizdus, o ne būdvardžius, atmesti netikusią idėją, kol ji nesugaišo savaitės gamybos laiko – štai ką iš tikrųjų tau suteikia DI prototipavimas.

Kad tuo įsitikintum, susikurk savo projekto starto įrankį: scenarijų, kuris iš techninės užduoties sugeneruoja tris pagrindinio puslapio vizualines kryptis, kiekvienai jų priskirtą nuotaikų lentą ir lyginamąjį HTML katalogą, leidžiantį jas pateikti greta.