ChatGPT サブスクで agent が自分で画像を作る CLI

一言ひとことでいうと、Claude Code が「画像がぞうが1枚まい必要ひつよう」になったときに、**自分じぶんでその画像がぞうを描くかく**ようにするものです。人間にんげんが ChatGPT で画像がぞうを作ってつくってから貼り戻すはりもどす必要ひつようもなければ、そのためだけに OPENAI_API_KEY を別途べっと用意よういする必要ひつようもありません。

1. 初心しょしん：agent を「人ひとが絵えを描くかくのを待つまつ」ところで止めないとめない

Claude Code のような agent に、プロジェクトを本当にほんとうにエンドツーエンドでやらせようとすると、いずれ同じおなじ壁かべにぶつかります。画像がぞうが1枚まい必要ひつようになるのです。

README の hero banner、app の仮かりアイコン、landing page の挿絵さしえ、prototype の mockup、いくつかの sprite……コードは書けてもかけても、絵えは描けないかけない。するとフローはここで途切れますとぎれます。

• あるいは OPENAI_API_KEY を渡してわたして公式こうしきの画像がぞう API を使わせるつかわせる——追加ついかの鍵かぎ、追加ついかの課金かきん、追加ついかの設定せっていが必要ひつようで、しかもあなたの ChatGPT サブスクとは別会計べつかいけいです。
• あるいはあなたが自分じぶんで ChatGPT を開きひらき、画像がぞうを生成せいせいし、ダウンロードしてプロジェクトに貼り戻すはりもどす——agent はその場ばで待ちぼうけまちぼうけ、「自律じりつ」の2文字もじは跡形あとかたもなくなります。

chatgpt-imagegen の初心しょしんは、この壁かべを取り払うとりはらうことです。agent が画像がぞうを必要ひつようとしたら、自分じぶんで作るつくる。人手ひとでによる引き継ぎひきつぎはゼロ。 使うつかうのは、あなたがもともと持っているもっている ChatGPT サブスクです。API key は不要ふよう、gateway service を立てるたてる必要ひつようもありません。

2. コマンド一発いっぱつで、agent が使えるつかえる

これは**単一たんいつファイル・依存いぞんゼロ**の Python CLI（標準ひょうじゅんライブラリのみ使用しよう）で、skill として導入どうにゅうすれば、agent はそのまま呼び出せますよびだせます。

chatgpt-imagegen "a watercolor cat sitting on a windowsill" -o assets/cat.png
# -> assets/cat.png  (1,344,804 bytes)

agent 向けむけに最適化さいてきかした細部さいぶも揃っていますそろっています。--quiet のとき stdout は**保存先ほぞんさきパスだけ**を出力しゅつりょく（OUT=$(...) で受け取りうけとりやすい）、進捗しんちょくバーは stderr へ。さらに各 backend にはプロセス横断おうだんの並行へいこうロックがあり、agent が batch fan-out してもアカウントを叩き潰しませんたたきつぶしません。

3. 核心原理かくしんげんり：2つのバックエンド、2つの課金かきんバケット

これはプロジェクト全体ぜんたいでいちばん重要じゅうような設計せっけいです。同じ ChatGPT サブスクでも、実はじつは2つの画像生成がぞうせいせいエントリがあり、消費しょうひするのは**別々べつべつの上限じょうげんバケット**です：

デフォルトは auto：まず web を試すためす（Codex 枠わくを節約せつやく）、ブラウザが使えないつかえない（chrome-use が未導入みどうにゅう / 未みログイン）場合ばあいだけ codex にフォールバックします。この戦略せんりゃくの意味いみは——計量枠けいりょうわくを使わずつかわずに済むすむなら、使わないつかわない。

なぜ web バックエンドには本物ほんもののブラウザが必要ひつようなのか？

直感的ちょっかんてきには、「通常会話つうじょうかいわで画像がぞうを出すだす」なら、その backend-api/* インターフェースへ直接ちょくせつ POST すればよさそうです。でも、それはできません：コンシューマー版ばんのこれらのインターフェースは、Cloudflare の人間確認にんげんかくにん + sentinel の proof-of-work の奥おくにいるためです——ページ内ページないの sentinel/sdk.js がその場ばで token を計算けいさんし、裸はだかの bearer リクエストはエッジで弾かれますはじかれます。

この関門かんもんを通れるとおれるのは、ログイン済みログインずみの本物ほんもののブラウザだけです。これが web バックエンドが Chrome を操作そうさし、直接ちょくせつ API を呼ばないよばない理由りゆうのすべてであり、また通常つうじょうのヘッドレス driver ではなく chrome-use（本物ほんものの Chrome 接続せつぞくで、反 bot 検証けんしょうを通過つうかできる）を使わなければつかわなければならない理由りゆうでもあります。

4. image 模型もけい、効果こうかは本当にほんとうにいい

枠わくを節約せつやくすることは画質がしつを下げるさげることではありません——web バックエンドが使っているつかっているのは、ChatGPT のウェブ画面がめんにあるあのネイティブ画像生成器がぞうせいせいきそのものなので、効果こうかは app で手打ちてうちするのと同じおなじです。下したの 3 枚まいはいずれもこのツールの**実際じっさいの出力しゅつりょく**です（文ぶんから画像がぞう + 画像がぞうから画像がぞうの両方りょうほうあり）：

文ぶんから画像がぞう	画像がぞうから画像がぞう：水彩すいさいの猫ねこを金色きんいろの光ひかりの油絵あぶらえに	画像がぞうから画像がぞう：logo を木きの看板かんばんに貼るはる

5. 画像がぞうから画像がぞうへ：参考画像さんこうがぞうを1枚まい渡すわたす

参考画像さんこうがぞう（-i）を1枚まい渡すわたすと、ゼロから描くかくのではなく**画像がぞうを編集へんしゅう**します——画像がぞうを ChatGPT の入力欄にゅうりょくらんにドラッグして、描き直してかきなおしてもらうのと同じおなじです。2つのバックエンドはそれぞれ実装じっそうが異なりますことなります：

• web：参考画像さんこうがぞうを chrome-use upload 経由けいゆで composer の標準ひょうじゅん <input type="file"> に注入ちゅうにゅうし、それから編集指示へんしゅうしじを送りますおくります——サイトごとの適配てきはいはゼロ、Codex の枠わくも消費しょうひしません；
• codex：参考画像さんこうがぞうを input_image のコンテンツブロックとしてリクエストに詰めつめ、画像がぞうツールを強制的きょうせいてきに発火はっかさせます。

# logo をサイバーパンクなネオン看板に変える
chatgpt-imagegen "これをサイバーパンクなネオン看板にして" -i logo.png -o neon.png

ちょっと面白いおもしろい仕組みしくみの落とし穴おとしあな：「生成せいせいされたその画像がぞう」をどう見分けるみわけるか

web バックエンドは実際じっさいのページを操作そうさしているので、DOM から生成画像せいせいがぞうを見つけ出すみつけだす必要ひつようがあります。ここには直感ちょっかんに反するはんするポイントが3つあります：

1. 新版しんばん ChatGPT の画像がぞうは backend-api/estuary/content を通りとおり、もう古いふるい oaiusercontent ではありません；
2. 画像がぞうから画像がぞうのとき、アップロードした**参考画像さんこうがぞうはユーザーの吹き出し内ふきだしないに全くまったく新しいあたらしい src で再表示さいひょうじされます**——うっかりすると「自分じぶんがアップロードした元画像もとがぞう」を結果けっかとして取ってとってしまいます；
3. 生成画像せいせいがぞうは**独立どくりつした画像がぞうカード**で、アシスタントメッセージの要素ようそには包まれてつつまれていません。

したがって正しいただしい判定はんていは：<main> の中なかで画像がぞうホスティングのドメインに一致いっちする新しいあたらしい画像がぞうを探しつつさがしつつ、ユーザーの吹き出しふきだしに属するぞくする画像がぞうはすべて除外じょがいすることです。

6. agent のために生まれたうまれた設計思想せっけいしそう

これらの原則げんそくをつなげると、このプロジェクトの設計方針せっけいほうしんはこうなります：

• 単一たんいつファイル・ゼロ依存いぞん・純標準じゅんひょうじゅんライブラリ——agent が持ってもってくればそのまま動きうごき、pip install も、仮想環境かそうかんきょうも、常駐じょうちゅうプロセスもありません；
• skill としてインストール可能かのう——npx skills add leeguooooo/chatgpt-imagegen -g により、Claude Code / Codex / Cursor などから直接ちょくせつ呼び出せますよびだせます；
• デフォルトで節約せつやく——auto モードは優先ゆうせんして計量けいりょうされない web を使いますつかいます；本当にほんとうに速さはやさが必要ひつようなとき、またはヘッドレス環境かんきょうでは codex を使いますつかいます；
• 結果けっかはワークスペースへ保存ほぞん——agent が受け取るうけとるのは保存済みほぞんずみのファイルパスで、そのまま repo に入りますはいります；
• 会話かいわを自動じどうアーカイブ——web バックエンドは、毎回まいかいの画像生成がぞうせいせいの会話かいわを ChatGPT Project（デフォルトは imagegen）に分類ぶんるいし、あなたの履歴りれきを汚しませんよごしません。

一言ひとことでいうと：これは人間向けにんげんむけの画像がぞうツールに CLI をかぶせたものではなく、「agent が自分じぶんで足りないたりない資源しげんを作るつくる」ことのために、最初さいしょから設計せっけいされたものです。

7. 上手じょうず

# skill として（おすすめ、agent 用）
npx skills add leeguooooo/chatgpt-imagegen -g

# または独立 CLI（依存ゼロ、単一ファイル）
git clone https://github.com/leeguooooo/chatgpt-imagegen

あとはあなたの agent に「README 用ようの hero 画像がぞうを描いてかいて」と一言ひとこといえばOK——残りのこりは agent が自分じぶんでやります。

ツール repo：chatgpt-imagegen ｜ 裏側うらがわのブラウザ自動化じどうかエンジン：chrome-use。

余談よだん：この記事に出てくるでてくる、あえてヘタに描いたかいた落書き風らくがきふうの原理図げんりずと、上にある数枚すうまいの**見栄えみばえのいい**サンプル画像がぞうは、全部ぜんぶこのツール自身じしんが出力しゅつりょくしたものです。ヘタなのは説明せつめいスタイルで、きれいなのはその本当ほんとうの実力じつりょく——このギャップそのものが、いちばん良いよいデモになっています。