ChatGPT Image Bridge

ChatGPT Image Bridge bietet textbasierten Agenten einen portablen Bild-Workflow:

1. Generieren oder bearbeiten Sie ein Rasterbild mit dem angemeldeten Codex- und ChatGPT-Konto des Benutzers.

2. Speichern Sie es direkt unter <project>/assets/generated/, wenn der Aufrufer project_root angibt.

3. Untersuchen, vergleichen, transkribieren oder bewerten Sie es über einen separaten OpenAI-Vision-Durchgang.

4. Geben Sie die Vision-Ergebnisse als Klartext zurück, den jedes primäre Modell verwenden kann.

Das Repository ist ein Agent Plugins 1.0-Paket. Seine tatsächliche Tool-Grenze ist standardmäßiges MCP, sodass es nicht an Factory, DeepSeek Harness, Codex, Cursor, VS Code oder einen anderen einzelnen Host gebunden ist.

[!IMPORTANT] Dies ist eine unabhängige, experimentelle Brücke. Sie verwendet die lokal installierte Codex-app-server-Schnittstelle und die integrierte imagegen-Fähigkeit, die keine stabile öffentliche Provider-API darstellen. Ein Codex-Update kann ein Adapter-Update erfordern. Dieses Projekt ist weder mit OpenAI verbunden noch von OpenAI unterstützt.

Was es bereitstellt

• imagegen_status: Überprüfen Sie die lokale Codex-Anmeldung, die Bildberechtigung und das Vision-Modell.

• generate_image: Generieren Sie ein Bild und speichern Sie es optional in einem aktiven Projekt.

• generate_image_edit: Bearbeiten Sie ein bis vier lokale oder Data-URL-Referenzen.

• get_image_job: Stellen Sie eine Generierung wieder her, die das normale MCP-Timeout des Hosts überlebt.

• analyze_image: Wandeln Sie einen generierten Job, einen lokalen Bildpfad oder eine Data-URL in modelllesbare visuelle Beweise um.

Erfolgreiche Jobs behalten immer eine kanonische Kopie im Plugin-Datenverzeichnis. Die Angabe eines absoluten project_root schreibt zusätzlich eine eindeutig benannte, nicht überschreibende Kopie nach assets/generated/.

Related MCP server: vision-router-mcp

Anforderungen

• macOS, Linux oder Windows mit Python 3.11 oder neuer.

• uv auf PATH für den portablen Plugin-Launcher.

• Eine lokal installierte Codex-Ausführungsdatei. Das macOS-ChatGPT-Bundle wird automatisch erkannt; andernfalls setzen Sie codex auf PATH oder legen Sie CODEX_BIN fest.

• Ein ChatGPT-Konto, das bei Codex angemeldet ist, mit Bildgenerierung und einem Modell, das Bildeingabe bewirbt.

Die Brücke entfernt bewusst API-Schlüssel-Umgebungsvariablen aus dem Codex-Unterprozess. Sie ist darauf ausgelegt, die lokale ChatGPT/Codex-Anmeldung des Benutzers zu verwenden, nicht stillschweigend einen API-Schlüssel auszugeben.

Jede Installation verwendet die eigene lokale Codex-Anmeldung und Kontoberechtigung des Empfängers. Das Plugin bündelt oder überträgt niemals die Anmeldung, das Abonnement, Cookies oder Token des Herausgebers.

Lokal ausführen

uv sync
uv run chatgpt-image-bridge-mcp --stdio

Für den MCP Inspector:

uv run mcp dev src/chatgpt_image_bridge_mcp/server.py

Für einen nur auf localhost beschränkten Streamable-HTTP-Endpunkt:

uv run chatgpt-image-bridge-mcp --http --port 8788

Der Endpunkt ist http://127.0.0.1:8788/mcp. Der HTTP-Modus hat in dieser Alpha-Version keine portable Authentifizierung und akzeptiert nur Loopback-Bindungen. Verwenden Sie für normale Installationen stdio. Eine zukünftige authentifizierte Netzwerkbereitstellung sollte ein separates, ausdrücklich geprüftes Feature sein.

Als Agent-Plugin installieren

Die portablen Paket-Einstiegspunkte sind:

• plugin.json

• mcp.json

• skills/chatgpt-image-workflow/SKILL.md

Laden Sie das Repository-Verzeichnis in einen beliebigen Agent-Plugins-1.0-Client. Der Client stellt PLUGIN_ROOT und ein beschreibbares PLUGIN_DATA bereit; mcp.json startet den Server mit uv über stdio.

Agent Plugins standardisiert das Paket, nicht einen universellen Installationsbefehl. Bis sich Clients auf die Verteilungs-UX einigen, bleibt Git die zuverlässigste Quelle der Wahrheit.

Hosts, die ein separates integriertes Bildtool bereitstellen, können dieses Tool namentlich auswählen, bevor sie MCP konsultieren. Wenn das integrierte Tool abonnementbeschränkt ist, wählen Sie explizit das generate_image-Tool dieses Plugins oder seinen Server-Namespace. Siehe Client-Hinweise.

Das OpenAI/Codex-Kompatibilitätspaket erstellen

Das aktuelle Plugin-Verzeichnis von OpenAI verwendet eine separate .codex-plugin/plugin.json-Paketform. Generieren Sie ein eigenständiges Kompatibilitätsartefakt aus derselben Quelle, anstatt eine zweite Serverimplementierung zu pflegen:

python3 scripts/build_openai_plugin.py

Das Ergebnis ist dist/openai/chatgpt-image-bridge-mcp/. Es enthält denselben Server und dieselbe Workflow-Fähigkeit sowie die Manifeste .codex-plugin/plugin.json und .mcp.json von OpenAI. Dies als generierte Ausgabe zu belassen, vermeidet Verhaltensabweichungen zwischen dem herstellerübergreifenden Paket und dem OpenAI-spezifischen Installationsartefakt.

Der Builder kopiert nur eine explizite Release-Allowlist und lehnt symbolische Links, Python-Bytecode oder den lokalen Checkout-Pfad ab. Dadurch ist das Kompatibilitätsartefakt aus einem sauberen Git-Checkout reproduzierbar und verhindert, dass ignorierte Entwicklerdateien in ein Release gelangen.

Als einfaches MCP konfigurieren

Clients, die MCP, aber nicht Agent Plugins unterstützen, können denselben Server direkt starten. Passen Sie die äußere Konfigurationsform an den Host an:

{
  "command": "uv",
  "args": [
    "run",
    "--project",
    "/absolute/path/to/chatgpt-image-bridge-mcp",
    "--locked",
    "--no-dev",
    "chatgpt-image-bridge-mcp",
    "--stdio"
  ],
  "env": {
    "CHATGPT_IMAGE_BRIDGE_MCP_DATA_DIR": "/absolute/writable/path/chatgpt-image-bridge-mcp",
    "UV_PROJECT_ENVIRONMENT": "/absolute/writable/path/chatgpt-image-bridge-mcp/venv"
  }
}

Beabsichtigter Modell-Workflow

Für die Generierung:

1. Rufen Sie imagegen_status einmal auf.

2. Rufen Sie generate_image mit dem visuellen Prompt und dem absoluten Root des aktiven Projekts auf.

3. Verwenden Sie den zurückgegebenen relative_saved_path in der Website oder Anwendung.

4. Wenn die Aufgabe visuelles Urteilsvermögen erfordert, rufen Sie analyze_image mit der zurückgegebenen job_id auf.

5. Verwenden Sie die geschriebene Analyse weiterhin als visuellen Beweis. Ersetzen Sie das Rasterbild nicht durch SVG oder CSS, nur weil das primäre Modell nur Text kann.

Für ein vorhandenes Bild rufen Sie analyze_image mit genau einer Quelle auf: job_id, image_paths oder image_data_urls.

Konfiguration

Standardmäßig folgt der lokale Pfadzugriff dem vertrauenswürdigen Stdio-Modell von MCP: Ein Aufrufer kann jeden Pfad benennen, den der Kontoinhaber lesen kann, während generierte Projektkopien auf assets/generated/ beschränkt sind. Für gemeinsame oder weniger vertrauenswürdige Harnesses setzen Sie CHATGPT_IMAGE_BRIDGE_MCP_ALLOWED_ROOTS auf ein oder mehrere genehmigte Projektverzeichnisse.

Der Codex-Unterprozess erhält eine minimale Betriebsumgebung, anstatt die Host-Prozessumgebung zu erben. Fügen Sie keine Geheimnisse zu CHATGPT_IMAGE_BRIDGE_MCP_CODEX_ENV_ALLOWLIST hinzu.

Entwicklung

uv sync
uv run ruff check src tests scripts
uv run pytest
uv build
python3 scripts/build_openai_plugin.py

Die Tests verwenden eine Fake-Konto-Laufzeit und tätigen keine Provider-Aufrufe oder kostenpflichtige Bildanfragen. Ein separater Live-Smoke-Test ist erforderlich, um einen bestimmten Codex-Build und eine Kontoberechtigung nachzuweisen.

Bevor Sie ein Release veröffentlichen, führen Sie die obigen Befehle aus einem sauberen Checkout aus und verifizieren Sie eine echte Generierung plus ein analyze_image-Follow-up mit dem gepackten Plugin in mindestens einem MCP-Host. Die Laufzeitkompatibilität kann sich unabhängig von diesem Repository ändern, da die Codex-app-server-Brücke experimentell ist.

Lizenz

MIT. Siehe LICENSE.