Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Dizains: Maketi un ātra prototipēšana

Nodarbība 8 no 12 Atjaunota 2026. gada 2. novembris Programmētājs
Šajā lapā
  1. Dizains: Maketi un ātra prototipēšana
  2. Lietotāja saskarnes maketi
  3. Vairāku vizuālo virzienu izpēte
  4. Iepakojuma prototipēšana
  5. Automatizēti noskaņu dēļi (Moodboards)
  6. Konsekventas ikonu kopas
  7. Maketa pilnveidošana, rediģējot
  8. Kur beidzas AI prototipēšana

Atjaunināts 2026. gada 2. novembrī — Attēlu modeļi. gpt-image-1, modelis, kuram sākotnēji bija rakstīts šis kurss, tika pārtraukts 2026. gada 23. oktobrī. gpt-image-1.5, gpt-image-1-mini un chatgpt-image-latest tiks izslēgti 2026. gada 1. decembrī. Piemēros tagad tiek izmantots gpt-image-2.5-sunburst, kas nodrošina visaugstāko precizitāti rediģēšanai; gpt-image-2.5-flare ir ātrāks standarta ģenerēšanai. Abi modeļi atbalsta arī xhigh un max kvalitātes iestatījumus. GPT Image modeļi vienmēr atgriež attēlus base64 formātā: parametrs response_format no vecākiem DALL·E modeļiem vairs netiek pieņemts un ir izņemts no koda. Avots: Attēlu ģenerēšana (OpenAI).

Dizains: Maketi un ātra prototipēšana

GPT Image maina dizaina posmu mazāk ar savu izvades kvalitāti, bet gan ar zemo izmaksu, kas saistīta ar tā noraidīšanu. Trīs vizuālu virzienu izpēte mājaslapai agrāk prasīja dienu dizaina rīkā; tagad tas aizņem dažas minūtes. Tas ļauj tev izpētīt sešus virzienus un bez vilcināšanās atteikties no pieciem. Šī nodarbība parāda, kā izmantot šo brīvību, nejaukot izpēti ar ražošanu.

Lietotāja saskarnes maketi

Ģenerēts makets kalpo virziena izvēlei, nevis sagriešanai komponentos. Tāpēc tavam uzvedinājumam ir jātiecas uz vizuālu ticamību: reālistiski UI komponenti, skaidra tipogrāfija, profesionālas atstarpes, konsekventa krāsu palete un norāde par sagaidāmo precizitātes līmeni — šajā gadījumā „augstas precizitātes attēlojums Figma/Sketch stilā”. Ņem vērā, kā funkcija izvēlas izšķirtspēju: 1024×1536 portreta režīmā mobilajām ierīcēm, 1536×1024 ainavas režīmā darbvirsmām. Mobilā ekrāna ģenerēšana ainavas rāmī radītu maketu, kas neizskatās pēc reālas ierīces.

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"
)

Vairāku vizuālo virzienu izpēte

Projekta sākumā jautājums nav „kurš ir pareizais makets?”, bet gan „kuras estētiskās ģimenes ir pelnījušas, lai tās parādītu klientam?”. Funkcija explore_directions precīzi atbild uz šo vajadzību, saglabājot koncepciju nemainīgu — tiešsaistes mācību platformas mājaslapa — un mainot tikai divas asis: māksliniecisko virzienu un krāsu paleti. Trīs piedāvātie ceļi nav smalkas variācijas: korporatīvs minimālisms baltā un tumši zilā krāsā, mūsdienīgs krāsains dizains purpursarkanā un oranžā krāsā, kā arī premium tumšs stils melnā un elektriski zilā krāsā ir vērsti uz trim dažādām zīmola pozīcijām. Tieši šis diapazons padara prezentāciju noderīgu.

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"
)

Iepakojuma prototipēšana

Iepakojums, iespējams, ir joma, kur ieguvums ir visdramatiskākais, jo fizisks prototips ir dārgs un tiek saņemts par vēlu. Uzvedinājums šeit apzināti nošķir trīs ievades — produktu, stilu un nepieciešamos elementus — un pēc tam uzliek nemainīgu inscenējumu: skats 3/4 leņķī, atstājot uz virsmas, fotoreālistisks attēlojums ar maigām ēnām. Divi piemēri ilustrē diapazonu, ko šī struktūra spēj apstrādāt bez aizķeršanās: kraftpapira maisiņš bioloģiskajai tējai ar rokraksta tipogrāfiju un caurspīdīgu logu vienā pusē, balts un zelta krēma trauciņš ar zelta burtiem otrā pusē.

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"
)

Automatizēti noskaņu dēļi (Moodboards)

Noskaņu dēlis nodod nodomu pirms risinājuma parādīšanas. Tā vietā, lai veidotu dēli ar rokām, apkopojot atsauces, tu apraksti tēmu un vizuālās sastāvdaļas, pēc tam pieprasi asimetrisku režģa kompozīciju Pinterest stilā. Mūsdienu kopstrādes telpas piemērs parāda noderīgo detaļu līmeni: tu nenosauc tikai vietu, bet uzskaiti gaišo interjeru ar augiem, skandināvu mēbelēm, koka un betona tekstūrām, atslābinātu cilvēku klātbūtni, kā arī terakota, salvijas zaļo un off-white krāsu paleti. Šīs piecas ievades piešķir rezultātam tā konsekvenci.

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"
)

Konsekventas ikonu kopas

Viena ikona ir vienkārša; konsekventa kopa ir sarežģīta, jo konsekvence balstās uz detaļām, kas ir neredzamas naivam uzvedinājumam. Funkcija icon_set padara tās eksplicītas: tā katrai ikonai atkārtoti ievada tēmu un stilu, pieprasa caurspīdīgu vai baltu fonu, centrētu kadru, vienmērīgu līnijas biezumu un kvadrātveida proporcijas, kā arī atgādina modelim, ka attēls pieder kopai. Piecām B2B SaaS lietotnes ikonām — informācijas panelis, lietotāji, iestatījumi, paziņojumi, analītika — tieši šis atgādinājums novērš piecu dažādu grafisko stilu iegūšanu. Sluga izmantošana nodrošina tīrus failu nosaukumus, apstrādājot apostrofus un atstarpes.

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"
)

Maketa pilnveidošana, rediģējot

Visa maketa atkārtota ģenerēšana, lai labotu vienu apgabalu, liek zaudēt visu, kas citur jau bija apmierinošs. Tālāk aprakstītā darbplūsma rīkojas citādāk: tā vispirms ģenerē pilnu projektu vadīšanas lietotnes mājaslapu, pēc tam atver logu maskā starp 8% un 45% no augstuma — tas ir, zem galvenes un virs funkciju blokiem — lai atkārtoti ģenerētu tikai hero sadaļu. Galvene, navigācija un trīs bloki paliek stingri identiski starp v1 un v2, padarot salīdzinājumu godīgu: tu redzi savu izmaiņu efektu un neko citu.

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 beidzas AI prototipēšana

Tev ir skaidri jāapzinās šeit radītā statuss. Ģenerēti maketi ir vizuālas izpētes, nevis ražošanas faili: teksts ir labi attēlots, bet var saturēt nelielas kļūdas, komponenti nav nedz interaktīvi, nedz eksportējami uz Figma, un konsekvence starp vairākiem ekrāniem vienā lietotāja plūsmā nav garantēta. Dizainerim, kurš saņemtu šos attēlus kā galīgo rezultātu, būtu tiesības iebilst.

To vērtība slēpjas citur, un tā ir ievērojama: tie kalpo, lai apstiprinātu virzienu pirms ieguldījumu veikšanas gala dizainā. Izvēlēties starp trim ceļiem stundas, nevis trīs dienu laikā, ierasties uz klienta tikšanos ar attēliem, nevis adjektīviem, novērst viltus labu ideju pirms tā patērē nedēļu ražošanā — tieši to tev faktiski nopērk AI prototipēšana.

Lai pārliecinātos pats, izveido savu projekta uzsākšanas rīku: skriptu, kas, pamatojoties uz īsu uzdevumu, ģenerē trīs vizuālus virzienus mājaslapai, katram no tiem asociētu noskaņu dēli un salīdzinošu HTML katalogu, kas ļauj tos prezentēt blakus.