從一句提示詞到視覺生成引擎：我如何把 AI 助手做成可操作的產品
從一句提示詞到視覺生成引擎：我如何把 AI 助手做成可操作的產品
一段文字可以讓 AI 幫我做出一張封面；但要讓它依不同需求，持續交出可用的成果，還需要工作規則、操作介面，以及能處理失敗的流程。
這次，我從 ChatGPT 製作 YouTube 封面的需求出發，逐步整理成 System Prompt、規劃 Custom GPT 的專屬助手，再把工作流程做成本機網站。最後，真的用 OpenAI API，根據人物參考照片，生成兩張不同方向、可各別下載的封面。
這段歷程讓我看見一條很適合教學的路：先用對話找到方法，再把方法變成規則，接著把規則包進使用者能操作的產品。 第一階段：從一段文字開始，先做出想要的結果
起點很單純：我想做 YouTube 封面。
在 ChatGPT 裡，我可以描述主題、提供人物參考圖，再透過對話調整文案、構圖、背景與風格。這個階段最有價值的事情，是先辨認「什麼叫做好」。
人物是否保有辨識特徵？標題在手機上是否清楚？畫面有沒有焦點？圖片能否下載後直接使用？
如果我自己還說不清楚成果的標準，就算把它做成網站，也只是把不確定性搬進另一個介面。
所以，入門不必急著寫程式。先把一個真實任務做完，記下哪些描述有效、哪些地方需要修改，這些才是後續可以重複使用的方法。 第二階段：把 ChatGPT 的建議，整理成工作說明書
做出一張滿意的圖片之後，我開始問：每次都要重新解釋一次嗎？
我想要的已經不只是 YouTube 封面，而是一位知道平台差異的視覺助手：輸入主題與用途，選擇性提供人物、產品、場景或風格參考圖，助手就能規劃適合的圖片。
這時候，就可以把有效的方法整理成一份 System Prompt，也就是給 AI 的固定工作說明書。在 Custom GPT 的設定介面，實際填入的是 Instructions；這裡用 System Prompt 稱呼這份可重複使用的規則。
工作說明書至少要交代六件事： 角色：你是縮圖與封面設計助手。 輸入：主題、用途、選填參考圖。 判斷：理解觀眾、濃縮 Hook、分析圖片的用途。 輸出：兩個有實質差異的創意方向，各自形成完整圖片。 限制：使用繁體中文、保留人物特徵、不編造效果承諾。 驗收：標題可讀、尺寸合用、參考一致、圖片可各別下載。
例如，我把「給我兩種風格」改成更明確的要求：A/B 必須在構圖、主體呈現或視覺敘事上有差異，不能只是換背景顏色，也不能把兩張成品拼成一張對照圖。
這一步的重點，是把原本靠對話補充的要求，變成每次工作都能遵循的規則。 第三階段：用 Custom GPT，打造一位有職務的專屬助手
把這份規則放進 ChatGPT Custom GPT，就能把一般聊天的入口，整理成用途明確的專屬助手。
我把它想成一位「專屬員工」，但這是一個工作設計的比喻：要給它職務、輸入欄位、處理原則、交付規格與驗收標準。
它的職務不是無限延伸地幫忙，而是專心處理視覺內容。使用者提供需求，它依照固定規則工作；遇到缺少關鍵資訊時，再提出必要問題。
要讓輸出更穩定，不能只寫「你是一位專家」。更重要的是具體描述：什麼可以自行判斷、什麼必須遵守、最後要交出什麼。 穩定輸出，指的是交付規格與品質更可預期，不是每次生成完全相同的圖片。
本次對話留下了 Custom GPT 指令設計；沒有驗證 GPT 是否已在帳號中完成建立或發布。後續實際完成並驗收的，是獨立本機網站及 OpenAI API 生圖流程。 第四階段：當需求固定，介面就有機會取代反覆打字
接著，我想把這位助手變成一個網站。
因為對使用者來說，很多操作其實不必靠打字表達：YouTube 或 Instagram，可以用選單；參考照片，可以用上傳欄位；A/B 比較，可以並排呈現；下載與歷史紀錄，可以直接點按。
網站因此有了清楚的工作區：左側提供主題、用途、參考圖與生成模式，右側顯示進度、兩個方向與下載入口，另外保留創作歷史及可展開的策略說明。
操作需求 對話中的做法 網站中的做法 --- --- --- 指定用途 每次輸入平台名稱 選擇平台預設 提供人物 上傳後再解釋用途 圖片欄位搭配類型選單 比較方向 在對話中前後查看 A/B 結果並排 再取成品 回頭搜尋對話 從歷史紀錄開啟 失敗處理 重新描述問題 顯示狀態，續跑未完成方向
好的 UI/UX，讓使用者把注意力放在需求與成果，而不是記住每一步指令。
本次已完成這些操作入口，但尚未進行正式使用者研究，因此不以具體百分比宣稱效率提升。 第五階段：先分清楚示範模式、訂閱服務與 API
開發中有一個很重要的轉折：網站做出來了，圖片卻和 ChatGPT 裡的成果差很多。
原因是當時選到「教學示範模式」。這個模式只用固定版型排字，把原照片放進畫面，並沒有請 AI 理解照片或生成新場景。
介面能操作，不代表 AI 已經接上。
接著，我希望直接使用既有 ChatGPT 訂閱生圖。查證後才確認：ChatGPT 與 OpenAI API 的計費分開，網站呼叫 API 不能直接扣抵 ChatGPT 訂閱額度。OpenAI 官方計費說明
因此，網站最後保留四種不同定位的模式：
模式 實際做什麼 本次狀態 --- --- --- 教學示範 固定版型展示操作流程 已驗證，不是 AI 生圖 ChatGPT 訂閱協作 複製指令到 ChatGPT，生圖後手動匯回 指令、匯入與保存流程已驗證 OpenAI API 網站直接呼叫模型，生成 A/B 已完成真實生圖驗收 Gemini API 另一個服務供應商的串接入口 已實作，尚未用真實金鑰驗收
這也提醒我：ChatGPT 是使用者操作的產品，語言模型負責理解與規劃，圖像模型負責產圖，API 則是網站呼叫服務的介面。把這幾件事分清楚，才能選對實作方法。 第六階段：AI 管創意，程式管規格與流程
這個網站採用混合架構：讓需要判斷的部分交給 AI，把必須一致的部分留給程式。
AI Skill 負責主題理解、觀眾分析、Hook、參考圖理解、構圖、視覺策略與提示詞。程式負責平台尺寸、圖片驗證、服務供應商選擇、任務狀態、重試、歷史保存與下載。
Skill 在這個產品裡，是可維護的指令與輸出契約，不代表一定要安裝到某個聊天產品裡才能運作。
策略模型先交出結構化 JSON，程式確認 A/B 欄位、標題長度與方向差異後，再呼叫圖像模型。實作中，OpenAI 策略請求也加上嚴格 JSON schema，避免模型交付的格式與程式期待不一致。
本機版目前使用的尺寸預設如下。這是產品的交付設定，不代表各平台唯一允許的尺寸：
用途 本機版交付尺寸 --- --- YouTube 封面 1280 × 720 Facebook／Instagram 貼圖 1080 × 1350 PPT 簡報封面 1920 × 1080
模型產圖後，下載功能再依目標尺寸輸出；比例不一致時保留留白，避免直接裁掉文字或人物。這是尺寸控制，仍不能取代人對內容品質的檢查。 一張照片，讓我看見真正的產品工作