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.

Nano Banana Pro über die Image-Generator-API nutzen

Für den API-Zugriff auf Nano Banana Pro über Pipe2 verwendest du dieselbe Pipeline image-generator und setzt input.model auf gemini-3-pro-image. Nano Banana Pro ist der Name im Katalog; in der Anfrage bleibt die Pipe2-Modellkennung stehen. SDK-Methoden, Lauf-ID, Abfrageschleife und zurückgegebenes Bild-Asset folgen dem oben gezeigten Ablauf. Authentifiziere dich mit deinem Pipe2-Token.

Behalte für einen Bildvergleich den Prompt aus dem Beispiel bei und ändere nur das Modell. Die bestehende Anfrage mit GPT Image 2 und fast ist der günstigere Integrationstest. Schätze die geänderte Anfrage mit EstimatePipelineCost, bevor du Nano Banana Pro startest. Bei diesem Modell wählt quality: 'fast' eine 1K-Ausgabe, während auto oder hd eine 2K-Ausgabe wählen. Beide Größen liegen in derselben Preisstufe; fast senkt den Preis hier also nicht wie bei GPT Image 2. Die Pipeline bietet für Nano Banana Pro keine 4K-Ausgabe an.

Ein Textprompt genügt; zusätzlich kannst du bis zu 14 reference_images übergeben. Erkläre im Prompt die Rolle jedes Referenzbilds. Sende bei diesem Modell keine reference_videos: Nano Banana Pro unterstützt in Image Generator keine Videoeingaben. Setze enhance_prompt auf false, wenn bei einer Anfrage ohne Referenzen dein Wortlaut unverändert bleiben soll. Beschreibe für ein gezieltes Layout die Position aller Elemente, setze exakten Bildtext in Anführungszeichen und prüfe das erzeugte Bild vor der Verwendung.

Die GPT Image 2 API über Pipe2 nutzen

Das obige Beispiel ist bereits für den Zugriff auf GPT Image 2 über die Pipe2-API eingerichtet: Sende pipeline_slug: 'image-generator' mit input.model: 'gpt-image-2' und einem Textprompt. Authentifiziere dich mit deinem Pipe2-Token. Speichere die zurückgegebene Lauf-ID und frage den Status mit denselben SDK-Methoden ab, bis du das Bild-Asset des abgeschlossenen Laufs abrufen kannst. Die Modellwahl ändert diesen Ablauf nicht.

Wähle quality: 'fast' für die niedrige Qualitätsstufe aus dem Integrationsbeispiel, auto für die mittlere oder hd für die hohe Stufe. Das sind die Eingabewerte von Pipe2; übergib sie genau so und ersetze sie nicht durch die Namen der Qualitätsstufen. Schätze die geänderte Anfrage, bevor du die Qualität erhöhst. GPT Image 2 akzeptiert bis zu fünf reference_images und unterstützt in dieser Pipeline keine reference_videos. Erkläre bei Referenzen den Beitrag jedes Bildes und prüfe das Ergebnis auf unbeabsichtigte Änderungen, besonders an Schrift und Produktdetails.

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.