共计 2893 个字符，预计需要花费 8 分钟才能阅读完成。
Custom Image API Skill：CodeX 调用 skill，让只有 Chat 接口的工具间接调用图片模型，该工具由 AI 生成，在 CodeX 做过测试完整可用。其他工具需要做一定的配置，根据相关工具的 skill 扩展来针对处理。最后有下载链接
一、背景：Chat 接口和图片接口不在同一条调用链上
很多 AI 工具的模型调用链默认面向对话模型，通常只会调用兼容 OpenAI 风格的：
POST /chat/completions例如：中转平台提供了当前顶流图片生成模型，gpt-image-2 模型。但 CodeX 等工具无法直接使用。因为 gpt-image-2 往往提供的是另一组 OpenAI 兼容接口：
POST /images/generations
POST /images/edits 这就导致：即使底层 provider 支持图片模型，上层工具也可能没有原生的图片请求入口，不能直接把一次对话调用转换为图片生成调用，更不能稳定地处理图片 URL、Base64 或图片二进制响应。
custom-image-api 的核心作用，就是在这两套协议之间提供一个轻量的桥接层：
上层工具的自然语言请求
-> 工具识别到图片生成指令
-> Skill 或本地脚本
-> OpenAI 兼容的 /images/generations 或 /images/edits
-> 图片 URL/Base64/ 二进制响应
-> 本地图片文件
-> 返回给上层工具展示或继续处理 因此，它不是把图片模型“伪装成 Chat 模型”，而是让原本只有 Chat 调用能力的工具，通过 Skill/ 插件或本地脚本间接调用图片专用接口。
二、它解决了什么问题
图片接口接入时，除了请求路径不同，还存在一组重复工作：
根据 Codex profile 找到模型和 provider；
拼接 /images/generations 或 /images/edits 接口地址；
从环境变量或 Codex 的 auth.json 读取认证信息；
生成请求使用 JSON，图片编辑请求使用 multipart/form-data；
兼容 URL、Base64、Data URI 和直接图片响应；
把返回的图片下载、解码、识别格式并保存到本地；
避免 API Key 出现在命令输出、错误信息和共享技能目录中。
custom-image-api 集中处理了这些协议细节。它是一套可被工具调用的适配 Skill。对于 Codex，它表现为 custom-image-api Skill；对于其他工具，也可以直接复用其中的 Python 脚本和配置约定。
从能力边界看，它把“上层只支持 Chat”与“底层支持图片接口”解耦了：
上层工具：负责理解用户意图、触发 Skill、展示结果
|
v
桥接层：负责配置、认证、请求编码、响应解析、文件保存
|
v
图片 provider：负责真正的 image2 或其他图片模型推理 这里的 image2 可以理解为图片模型的具体名称，例如某个 provider 上配置的 gpt-image-2；真正决定能否使用的，是 provider 是否暴露兼容的图片接口。
custom-image-api/
├── SKILL.md # Skill 的行为说明和调用约定
├── agents/
│ └── openai.yaml # 在 Codex 中显示的名称、描述和默认提示词
├── references/
│ └── setup.md # 可移植安装和配置说明
└── scripts/
├── generate_image.py # 实际执行生成、编辑、下载和保存
└── self_test.py # 不访问网络的协议和兼容性测试 其中最重要的是 generate_image.py。它使用 Python 标准库完成 HTTP 请求、TOML 配置读取、multipart 编码、Base64 解码和图片文件保存，因此没有额外的第三方 Python 依赖。
四、运行前提
需要满足以下条件：
已安装并启用支持个人 Skill 的 Codex。
Python 3.11 或更高版本。脚本使用标准库 tomllib 读取 config.toml。
一个支持以下接口的 OpenAI 兼容图片服务：
POST /images/generations
POST /images/edits
图片服务返回 URL、Base64、Data URI，或直接返回 image/* 响应。
五、CodeX 安装 Skill
将完整的 custom-image-api 目录复制到个人 Skill 目录：
Windows：
%USERPROFILE%\\.codex\\skills\\custom-image-api\\macOS/Linux：
~/.codex/skills/custom-image-api/ 复制完成后，重新启动一个 Codex task，使 Skill 元数据重新加载。不要把 API Key、auth.json、个人 config.toml、生成图片或机器相关的绝对路径复制到 Skill 目录中。
六、配置 Codex
在 Codex 的 config.toml 中配置一个图片 provider 和 custom-image profile。示例：
[model_providers.team-image]
name = "team-image"
base_url = "https://image-api.example.com/v1"
env_key = "TEAM_IMAGE_API_KEY"
[profiles.custom-image]
model_provider = "team-image"
model = "gpt-image-2" 然后在本机设置 TEAM_IMAGE_API_KEY 环境变量。密钥不应写入 Skill、提示词或团队共享配置。
如果 provider 使用 Codex 已有的 OpenAI 认证，也可以配置：
[model_providers.openai-image]
name = "openai-image"
base_url = "https://api.openai.com/v1"
requires_openai_auth = true
[profiles.custom-image]
model_provider = "openai-image"
model = "gpt-image-2" 此时脚本会从 Codex 的 auth.json 读取已经保存的 OPENAI_API_KEY。脚本还兼容 experimental_bearer_token，但不建议在共享模板中使用，因为它会把凭据直接放进 config.toml。
Endpoint 地址如何解析
脚本会根据 base_url 自动得到最终接口：
base_url
生成接口
编辑接口
https://hosthttps://host/v1/images/generationshttps://host/v1/images/edits
https://host/v1https://host/v1/images/generationshttps://host/v1/images/edits
已包含 /images/generations 或 /images/edits 按资源替换按资源替换
因此 provider 的 URL 可以配置在 host 根路径，也可以配置在 /v1 路径。
七、安装验证
先运行离线自测：
