Hot Mods 图片修改 GPT 完整提示词解析：基于 DALL·E 的创意图像增强系统实现指南

本篇技术指南围绕开源仓库 GPTs 中泄露的官方 GPT「Hot Mods」完整系统提示词展开，剖析它如何通过 DALL·E 工具与多模态输入能力，在保持原图基本结构与配色的前提下实现"大胆、狂野"的创意视觉修改。读者阅读后将理解该类图片处理 GPT 的提示词三层架构（系统层、工具层、用户指令层）、DALL·E text2im 参数契约与内容安全策略，并能基于此模式搭建自己的图像增强 GPT。

一、Hot Mods 是什么：文档背景与核心定位

Hot Mods 是由 ChatGPT（OpenAI 官方）创建的图片处理 GPT，其公开介绍只有一句话："Let's modify your image into something really wild. Upload an image and let's go!"（上传一张图片，我们一起把它改造成真正狂野的样子）。它属于图片输入（image input）+ 图片生成（image generation）双模态 GPT：用户上传图片，GPT 理解内容后调用 DALL·E 重新生成一张"改装修饰"后的版本。

该 GPT 的完整系统提示词被收录在本仓库 prompts/Hot Mods.md，与仓库内同批泄露的 Cosmic Dream.md、Coloring Book Hero.md 等 GPT 共享同一套基础模板（GPT-4 架构声明、dalle 工具、myfiles_browser 工具），差异仅体现在最末端的用户自定义指令上。因此，解析 Hot Mods 的提示词结构，实际上也等于掌握了 OpenAI 官方图片类 GPT 的通用工程范式。

从提示词末尾的用户指令可以提炼出 Hot Mods 的核心设计原则：

"The GPT will assist users in visualizing modifications or decorations to their images. It will maintain the image basic integrity and color while providing creative visual enhancements. Be very creative, but preserve high concepts."

即：保持图像基本完整性与色彩 → 提供创造性视觉增强 → 大胆创意但不丢失原图的高层概念（high concepts）。这三点构成了整份提示词的"灵魂"，而前面大段的系统与工具指令都是为了约束这个目标的实现过程。

二、系统提示词完整结构：三层架构拆解

Hot Mods 的系统提示词可清晰划分为三层，每一层承担不同职责：

层级	内容	职责
系统层	模型身份、知识截止、当前日期、图像输入能力声明	定义模型基础能力边界
工具层	# Tools 下的 dalle 与 myfiles_browser	声明可调用的函数与参数契约、安全策略
用户指令层	"Here are instructions from the user..." 之后的段落	定义该 GPT 的行为目标与风格取向

2.1 系统层：基础身份声明

You are ChatGPT, a large language model trained by OpenAI, based on the GPT-4 architecture.
Knowledge cutoff: 2022-01
Current date: 2023-11-11
Image input capabilities: Enabled

四个关键字段的作用分别是：

• 架构声明：明确模型基座为 GPT-4，保证后续工具调用行为符合该架构的能力模型；
• 知识截止时间：告知模型训练数据的时效边界，2022-01 之前的训练数据是它的"世界知识"上限；
• 当前日期：系统注入的对话发生时间（2023-11-11），用于纠正模型对"今天"的认知偏差；
• 图像输入能力：Enabled 声明允许本 GPT 接收图片输入——这是 Hot Mods 能够"先读图、再改图"的前置条件。与仓库中 dalle instructions - gpt4.md 记录的官方 DALL·E 指令相互印证，图像能力开关是图片类 GPT 的标配。

2.2 工具层：dalle 的 text2im 参数契约

工具层首先给出 DALL·E 调用的总则（编号 1–10 的安全与质量策略，详见下一节），随后以 TypeScript 风格定义 namespace dalle 中的 text2im 函数签名：

type text2im = (_: {
size?: "1792x1024" | "1024x1024" | "1024x1792",
n?: number, // default: 2
prompt: string,
referenced_image_ids?: string[],
}) => any;

各参数的含义与工程要点如下表：

参数	类型	取值/默认值	说明
size	字符串枚举	"1024x1024"（默认方形）、"1792x1024"（宽幅）、"1024x1792"（全身竖幅肖像）	注释明确要求"每次请求都必须包含"此参数，且按用户诉求选择：宽图用 1792x1024，全身肖像用 1024x1792
n	number	默认 2	生成图片数量。注释约定"用户未指定数量时生成 1 张"（与总则第 5 条"单次最多 1 张"对应，schema 默认值与策略约定存在张力，实际以策略 5 为准）
prompt	string	必填	详细的图像描述。总则要求约 100 词；若用户要求修改上一张图，不应简单加长 prompt，而应重构（refactor）以整合用户的新建议
referenced_image_ids	string[]	可选	当用户引用此前生成的图片时，必须填入该图元数据中的 gen_id，用于 DALL·E 基于已有图做连续编辑

这套 schema 与仓库中其他官方图片 GPT（Cosmic Dream.md、Coloring Book Hero.md、Sticker Whiz.md）完全一致，说明它是 OpenAI 在 2023-11 时期统一注入图片类 GPT 的 DALL·E 工具契约。其中 referenced_image_ids 字段正是 Hot Mods 实现"改图"（而非凭空生图）的机制关键——用户上传原图后，模型可将原图关联到 DALL·E 的编辑流程中。

2.3 工具层：dalle 的十条内容安全与生成策略

dalle 工具注释中逐条列出了生成前的强制策略（编号 1、2 在原文中缺失，从编号 3 开始），这些策略共同构成图片生成的"行为红线"：

1. 语言强制：prompt 必须使用英文，必要时翻译（策略 1）；
2. 禁止请示：不要请求用户许可，直接生成（策略 3）；
3. 禁止泄露描述：生成前后都不得列出或引用图像描述（策略 4）；
4. 数量上限：即使被要求多张，单次也只生成 1 张（策略 5）；
5. 公众人物限制：不得生成政治人物或其他公众人物图像，改为推荐其他创意（策略 6）；
6. 在世艺术家保护：不得以 1912 年之后仍有作品的艺术家（如毕加索、弗里达·卡罗）风格创作；仅当艺术家最新作品早于 1912 年（如梵高、戈雅）时才能点名。违规时执行替代流程：(a) 用三个能概括其风格特征的形容词替换艺术家名；(b) 补充相关艺术运动或时代背景；(c) 点明艺术家主要媒介（策略 7）；
7. 人群多样性：涉及人物时必须用直接术语为每个人注明 DESCENT（族裔）与 GENDER（性别），且所有族裔出现概率均等（如 Caucasian、Hispanic、Black、Middle-Eastern、South Asian、White），禁止使用 "various" 或 "diverse" 这类模糊词；不得篡改迷因、虚构角色起源；不得生成冒犯性内容；对传统上易出现偏见的场景（如特定职业）必须明确且无偏地指定性别与种族（策略 8）；
8. 真人规避：不得包含真实人物姓名或暗示性引用；若被要求生成名人，保持性别与体型、做最小化修改以避免泄露身份（即使用户要求不修改也要改）；仅在人物仅以文字形式出现在图中时才原样保留；替代称谓需去头衔化：不说 president/prime minister/chancellor 而说 politician，不说 king/queen/emperor/empress 而说 public figure，不说 Pope/Dalai Lama 而说 religious figure（策略 9）；
9. 版权角色规避：不得直接/间接命名或描述受版权保护的角色，应改写为具有不同颜色、发型等视觉特征的具体新角色，且不得在回复中讨论版权政策（策略 10）；
10. 描述篇幅：最终发往 DALL·E 的 prompt 应非常详细，约 100 词。

这些策略在仓库的官方 DALL·E 指令文档 dalle instructions - gpt4.md 中同样出现（如"1912 年后艺术家""约 100 词"等），证实其为 OpenAI 平台级统一策略，而非 Hot Mods 独有。理解这一层，对复刻合规的图片 GPT 至关重要——策略即约束，约束即产品质量下限。

三、myfiles_browser 工具：上传文件检索能力

Hot Mods 还挂载了 myfiles_browser 工具，用于检索当前会话中上传的文件，函数契约如下：

函数	签名	行为
search	search(query: str)	对会话内上传的文件执行查询并展示结果
click	click(id: str)	在搜索结果列表中打开位置 id 对应的文档
back	back()	返回上一页，用于从文档内容退回搜索结果
scroll	scroll(amt: int)	在打开的页面中按给定数值上下滚动
open_url	open_url(url: str)	按文件 ID（通常是 UUID）打开文档；URL 必须是文件 ID 而非路径
quote_lines	quote_lines(start: int, end: int)	从打开的文档中截取行号区间 start 到 end（含端点）的文本；引用单行时令 start = end

该工具赋予 Hot Mods 处理"附带说明文档的图片上传"的能力，例如用户同时上传图片与参考说明文字时，模型可检索并引用文件内容辅助理解修改意图。其函数签名与仓库内同批 GPT（如 Coloring Book Hero.md）完全一致，属于 OpenAI 官方模板的统一组成部分。

四、用户指令层：Hot Mods 的行为目标

工具层之后，提示词以标准话术收尾：

"You are a 'GPT' – a version of ChatGPT that has been customized for a specific use case... your name is Hot Mods."

并附上对"GPT"这一术语的澄清（用户问及 GPTs 时默认指上文定义的定制版 ChatGPT）。紧接着是本文档唯一一段"个性化指令"：

The GPT will assist users in visualizing modifications or decorations to their images. It will maintain the image basic integrity and color while providing creative visual enhancements. Be very creative, but preserve high concepts.

逐句拆解这段指令的工程含义：

• visualizing modifications or decorations：明确产品定位——帮用户"可视化"对图片的修改或装饰，即用户口述意图（如"把背景换成太空""给车加火焰特效"），模型负责可视化落地；
• maintain the image basic integrity and color：修改的底线约束——保留原图的基本结构和配色，防止生成结果与原图"面目全非"，这是区别于纯文生图 GPT 的关键；
• creative visual enhancements + preserve high concepts：方向与上限约束——在"大胆创意"与"保留高层概念"之间取平衡：可以狂野，但原图承载的核心语义（主体、场景、情绪）不能被丢弃。

将三者叠加，即得到 Hot Mods 的完整行为模型：读原图 → 提取 high concepts → 在保留结构与配色的前提下注入创意 → 调用 DALL·E 重构生成。

五、同类 GPT 对比：Hot Mods 在图片处理家族中的位置

仓库同时收录了多个图片处理 GPT，对比可凸显 Hot Mods 的差异化设计：

GPT	核心指令	与 Hot Mods 的差异
Super Describe.md	分析上传图并生成克隆图，先给详细英文 prompt 再生成 4 张 DALL·E 图	目标是对原图"高保真克隆"，关注风格、配色、技法精确还原，并保留原宽高比
img2img.md	两阶段自动流程：Step 1 逐行描述图像（固定字段模板），Step 2 自动用 DALL·E 重建	强调结构化描述（格式、色调、纹理、文字等字段）与自动化执行，目标同样是重建而非装饰
Hot Mods	保留基本完整性与配色，提供创意视觉增强	目标是"改造/装饰"而非"复刻"，创意自由度最大，但受 high concepts 约束
Coloring Book Hero.md	把任意想法变成黑白轮廓涂色页	属于强风格约束类，输出被限定为低复杂度黑白线稿

从这组对比可以看出：Hot Mods 的独特价值在于它处于"忠实复刻"（Super Describe / img2img）与"彻底风格化"（Coloring Book Hero）之间——既要保留原图可识别性，又要实现视觉上的大胆升级。这一平衡正是其"modify"（修改）与"decorate"（装饰）定位的精髓。

六、从提示词到实践：复刻 Hot Mods 类图片 GPT 的工程清单

基于上述三层结构，可以总结出搭建同类"图片改造 GPT"的最小工程清单：

1. 开启图像能力：在 GPT 配置中启用图片输入与 DALL·E 生图能力，对应系统提示词中的 Image input capabilities: Enabled；
2. 完整继承 DALL·E 工具契约：text2im 的 size（三种枚举必填）、n（默认 2，单次生成 1 张）、prompt（约 100 词、修改场景需重构而非加长）、referenced_image_ids（编辑场景回填原图 gen_id）；
3. 保留全部安全策略：英文 prompt、禁问许可、禁列描述、禁公众人物、1912 年后在世艺术家规避及三段式替代流程、族裔/性别均衡标注、真人身份脱敏、版权角色改写；
4. 按需挂载 myfiles_browser：如需处理附带文档/说明文件，挂载 search/click/back/scroll/open_url/quote_lines 六函数；
5. 撰写个性化指令：明确"保留什么"（basic integrity and color）与"增强什么"（creative enhancements + preserve high concepts）两个约束维度，这是决定 GPT 风格与行为上限的核心段落。

原文档完整提示词可直接在 prompts/Hot Mods.md 中查阅，官方 DALL·E 通用指令对照版见 dalle instructions - gpt4.md。

七、总结

Hot Mods 看似只是一份简短的 GPT 定义，实则浓缩了 OpenAI 图片类 GPT 的标准工程范式：系统层声明能力边界，工具层以 text2im 参数契约 + 十条安全策略约束生成过程，用户指令层以"保留完整性/配色 + 创意增强 + 保留 high concepts"三原则定义产品人格。理解这套三层架构，不仅能完整读懂 Hot Mods 本身，更能直接迁移到任意"读图-改图"类 GPT 的搭建实践中——这也是本仓库收录这份泄露提示词的学术价值所在。