API zur KI-Bildgenerierung: ein TypeScript-Beispiel

Eine API zur KI-Bildgenerierung macht aus einem Prompt in einem programmatisch gestarteten Lauf ein Bild. Starte mit Pipe2 den Image Generator, frage die zurückgegebene Lauf-ID ab und lies die Bild-URL aus den Assets des abgeschlossenen Laufs. Das TypeScript-Beispiel nutzt die derzeit günstigste gültige Kombination aus Modell und Qualität.

Ein Bild mit dem TypeScript SDK generieren

Installiere @pipe2-ai/sdk, hinterlege ein persönliches Pipe2-Zugriffstoken in PIPE2_TOKEN und führe dieses Modul mit Node aus. Der Prompt nennt genau ein Motiv, eine Umgebung und eine Lichtstimmung, sodass sich das erste Ergebnis leicht beurteilen lässt.

import { createClient } from '@pipe2-ai/sdk';

const input = {
  model: 'gpt-image-2',
  prompt: 'A small red paper boat on a rain-darkened stone step, soft morning light, editorial product photograph, no text.',
  quality: 'fast',
};
const client = createClient(process.env.PIPE2_TOKEN);
const { run_pipeline } = await client.RunPipeline({
  pipeline_slug: 'image-generator',
  input,
});

while (true) {
  const { pipeline_runs_by_pk: run } = await client.GetPipelineRun({
    id: run_pipeline.run_id,
  });
  if (run?.status === 'completed') {
    console.log(run.assets?.[0]?.url);
    break;
  }
  if (run?.status === 'failed') throw new Error(run.error_message ?? 'Image generation failed');
  await new Promise((resolve) => setTimeout(resolve, 3000));
}

Die darin enthaltene Pipeline-Anfrage lautet exakt:

{
  "pipeline_slug": "image-generator",
  "input": {
    "model": "gpt-image-2",
    "prompt": "A small red paper boat on a rain-darkened stone step, soft morning light, editorial product photograph, no text.",
    "quality": "fast"
  }
}

Die Dokumentation des TypeScript SDK behandelt Installation, Authentifizierung, Pipeline-Operationen, Asset-Uploads, Subscriptions und Guthabenabfragen.

Den Ablauf aus Start, Abfrage und Asset verstehen

RunPipeline erwartet einen Pipeline-Slug und ein JSON-Eingabeobjekt. Statt die Verbindung bis zum fertigen Bild offen zu halten, liefert die Methode Kennungen für einen asynchronen Lauf. Bewahre run_pipeline.run_id auf; GetPipelineRun ruft damit den neuesten Status ab.

Die Schleife behandelt beide Endzustände. Ein Lauf mit completed kann erzeugte Assets enthalten; das Beispiel gibt die URL des ersten Assets aus. Bei failed kann error_message vorliegen und sollte zusammen mit der Lauf-ID protokolliert werden. Produktionscode braucht zusätzlich ein Gesamtzeitlimit und sollte einen nicht auffindbaren Lauf als Fehler behandeln. Für laufende Aktualisierungen stellt das SDK außerdem WatchPipelineRun als asynchrones Iterable bereit.

Mit der günstigsten gültigen Anfrage beginnen

Das Beispiel fixiert gpt-image-2 und quality: 'fast'. Im aktuellen Image-Generator-Katalog ist dies die günstigste gültige Kombination; sie entspricht der niedrigen Qualitätsstufe des Modells. Damit lassen sich Authentifizierung, Anfrageform, Statusabfrage und Asset-Verarbeitung prüfen, bevor mehr Guthaben in ein finales Bild fließt.

Fast ist eine Kostenentscheidung, keine Zusage für ein veröffentlichungsfertiges Ergebnis. Rufe vor einer größeren Serie EstimatePipelineCost mit demselben pipeline_slug und input auf. Wiederhole die Schätzung, sobald sich Modell, Qualität oder Anzahl der Referenzbilder ändern. Maßgeblich für die Kosten ist der aktive Katalog.

Nur die benötigten Bildparameter wählen

Ein Prompt allein genügt. Image Generator kann zusätzlich Referenzbilder, ein unterstütztes Referenzvideo, Seitenverhältnis, Qualitätsstufe, Modellwahl und eine Prompt-Verbesserung entgegennehmen. Die Grenzen hängen vom Modell ab; lies deshalb das Pipeline-Schema, statt identische Medienunterstützung bei allen Engines vorauszusetzen.

Beschreibe bei reiner Textgenerierung Motiv, Komposition, Licht und Stil in einem kurzen Fließtext. Setze wörtlich darzustellende Bildtexte in Anführungszeichen und prüfe sie im Ergebnis. Erkläre bei Referenzen, wofür jedes Bild dient und welche Merkmale stabil bleiben müssen. Die fünf gemeinsamen Seitenverhältnisse sind 1:1, 16:9, 9:16, 4:3 und 3:4.

Mit Auto darf Pipe2 eine kompatible Engine auswählen. Lege ein Modell nur dann fest, wenn dein Produkt eine dokumentierte Fähigkeit benötigt oder du einen kontrollierten Vergleich durchführst. Der Vergleich der KI-Bildgeneratoren zeigt, wie Prompt, Referenzen, Format und Zahl der Versuche konstant gehalten werden.

Tokens, Fehler und Ausgabe-URLs sicher behandeln

Erzeuge den SDK-Client mit einem Pipe2-Token aus der Laufzeitumgebung. Schreibe es nicht in den Quellcode, committe es nicht und gib es nicht in Browserprotokollen aus. Die Anfrage nennt den Pipe2-Pipeline-Slug; ein separater Zugangsschlüssel des Modellanbieters wird vom Client nicht gesendet.

Speichere die Lauf-ID vor dem Polling, damit ein neu gestarteter Worker denselben Auftrag fortsetzen kann. Behandle die Asset-URL als Anwendungsdatum: speichere sie bei Bedarf dauerhaft, prüfe vor dem Zugriff auf Index null, ob ein Asset vorhanden ist, und melde Fehler, statt endlos neu zu versuchen. Für Prompts und Medien von Nutzern gelten außerdem die normalen Regeln deiner Anwendung zu Berechtigung, Moderation und Aufbewahrung.