生成与编辑图像
生成一张图片，再编辑它并查看 token 用量。
使用 OpenAI Images API 的 gpt-image-2 生成和编辑图片。调用前查 GET /openai/v1/models?api=images；原生模型目录分别声明 openai.images.generations 和 openai.images.edits。
1. 准备终端
准备 Python 3.10+ 和 uv。将 Praxis 云 API Key 放入环境变量 PRAXIS_API_KEY，不要写入代码或日志。
test -n "$PRAXIS_API_KEY"期望：退出码为 0。退出码 1 表示变量未设置，先设置再继续。示例默认使用 https://api.deepraxis.ai。切换环境时，将 PRAXIS_API_BASE 设为相应 API 域名，不带末尾斜杠或 API 路径。
2. 生成并编辑
在可写目录运行。示例会产生两次图像调用费用：生成一次、编辑一次，并保存 circle.png 与 circle-edited.png；使用新目录避免覆盖同名文件。示例关闭自动重试。
保存为 images.py，运行 uv run -q --no-project --with openai --with anthropic --with google-genai python images.py。
import base64
import os
from pathlib import Path
from openai import OpenAI
client = OpenAI(api_key=os.environ['PRAXIS_API_KEY'],
base_url=os.environ.get('PRAXIS_API_BASE', 'https://api.deepraxis.ai') + '/openai/v1',
timeout=180, max_retries=0)
models = client.models.list(extra_query={'api': 'images'})
print('X-Request-Id:', models._request_id)
assert 'gpt-image-2' in [model.id for model in models]
def save(response, filename):
print('X-Request-Id:', response._request_id)
assert len(response.data) == 1 and response.data[0].b64_json
image = base64.b64decode(response.data[0].b64_json, validate=True)
assert image.startswith(b'\x89PNG\r\n\x1a\n'), 'Expected PNG output'
Path(filename).write_bytes(image)
assert response.usage is not None, 'Usage was not reported'
print(filename, len(image), 'bytes; usage:', response.usage.model_dump())
save(client.images.generate(model='gpt-image-2',
prompt='A single blue circle centered on a plain white background.',
n=1, size='1024x1024', quality='low'), 'circle.png')
with open('circle.png', 'rb') as image:
save(client.images.edit(model='gpt-image-2', image=image,
prompt='Change the blue circle to a red circle. Keep the white background.',
n=1, size='1024x1024', quality='low'), 'circle-edited.png')期望：两个文件都是非空 PNG，每次响应包含一张图片和 token 用量，退出码 0。打开图片：第一张应为白底蓝圆，第二张应为白底红圆。文件签名检查验证格式，不代替画面检查。
3. 查看图像费用
gpt-image-2 按 token 计价，不是每张固定价。文本输入、图像输入、图像输出分别计价；编辑还会产生输入图像 token。查看响应中的用量，以及模型目录中的实时价格；账户汇总见用量与费用。
若目录断言失败，先停止生成，选择当前可用的图像模型。若输出断言失败，保留请求 ID 和响应错误，不要为排查文件问题反复生成。