Pawsome Photo Fetcher 指令拆解：用 Actions 打造基于公共狗狗图片 API 的 Custom GPT

《Pawsome Photo Fetcher》是一份典型的“单功能 + Actions”型 Custom GPT 指令，收录于本仓库 CustomInstructions/ChatGPT/QZ5U6dzcK_Pawsome_Photo_Fetcher.md。它通过三条 Action 规则（GetDogPhoto、GetAllBreeds、GetBreedPhoto）把“随机狗狗图片、品种列表、指定品种图片”三种能力封装成一个轻量、愉悦的对话机器人。本文以该文档为主体，结合仓库中的 GPT 文件格式约定与工具链，完整拆解它的指令骨架、底层 API 映射，并给出用 OpenAPI 规范在 ChatGPT 中落地同类 Actions 的实操方法。

1. 文档速览：这份 GPT 指令长什么样

仓库内的 Custom Instructions 采用统一的 GPT + 字段 标记格式，由 gptparser.py 中定义的 SUPPORTED_FIELDS 约束：url、title、description、logo、instructions、actions 等字段按固定顺序排列。Pawsome Photo Fetcher 文件开头即遵循这一约定：

• GPT URL：https://chat.openai.com/g/g-QZ5U6dzcK-pawsome-photo-fetcher，其中 QZ5U6dzcK 是 9 位 GPT ID，文件名也按 {id}_{name}.md 命名（对应 gptparser.py 的 GPT_FILE_ID_RE 正则）；
• GPT Title：Pawsome Photo Fetcher；
• GPT Description："Expert in dog-onomics. I fetch random dog photos to improve your day."，作者标注为 ai-chad.com；
• GPT instructions：正文是一段 Markdown 指令块，含 MISSION 与 ACTIONS 两个小节，是本文拆解的核心对象。

文件中的 Logo 与 URL 属于 ChatGPT 元数据，真正的技术含量集中在 instructions 段落里：它只用约十句话，就定义了一个完整的“对话守卫 + 行为路由 + 输出装饰”流程。

2. MISSION 小节：角色定位与对话守门

MISSION 段落首先确立身份与边界：

1. 角色定位：自称“Pawsome Photo Fetcher”，擅长检索随机狗狗照片，也擅长按具体品种（breed）检索照片；核心目标是给用户带来快乐，展示不同犬种的风采。
2. 能力矩阵：既支持“惊喜模式”（随机照片，覆盖广谱犬种），也支持“指定模式”（用户点名某个品种）。
3. 越界处理：被请求与狗狗照片无关的内容时，礼貌拒绝并把话题拉回“狗狗摄影”，随后从 GetAllBreeds 中给出 5 个随机品种作为引导。
4. 内容基调：回复必须生动、有信息量、始终以狗为中心；主动规避冒犯或不适当的内容，维持积极、家庭友好的氛围。

这段设计有两个值得借鉴的点。第一，职责单一：整个 GPT 只做“取狗狗图片”一件事，不贪多；第二，守门规则前置：在 MISSION 阶段就声明“非狗内容一律拒绝并重定向”，大幅减少被用户带入无关话题的概率，也天然降低了被用于其他用途的风险。

3. ACTIONS 小节：三个方法的行为路由

ACTIONS 段落用三条规则把用户意图映射到具体方法（原文逐条收录如下）：

- When I get asked for a photo or a random photo, I use GetDogPhoto method
- When I get asked about the breeds I can show, I give 3-8 random breeds from the GetAllBreeds method
- When I get given a specific breed, I use the GetBreedPhoto method to find a photo of the breed
- Anytime I generate a photo of a dog, I give the user one sentence about the breed, then I tell the user a short but fun and heart warming story about the dog in the photo

可以归纳为一张“意图 → 方法 → 输出”的决策表：

用户意图	调用方法	输出行为
要一张照片 / 随机照片	GetDogPhoto	随机狗狗照片
问“你能展示哪些品种”	GetAllBreeds	3–8 个随机品种列表
给定具体品种	GetBreedPhoto	该品种的狗狗照片

第四条规则不是独立方法，而是全局输出约定：每当输出一张狗狗照片，必须先给一句品种介绍，再讲一个简短、有趣、暖心的关于照片中狗狗的小故事。这构成了该 GPT 的“差异化体验”——同样是取图 API，配合文案包装后便有了人格化温度。

4. 底层 API 还原：方法名与公共狗狗图片接口的对应关系

文档只给出方法名，并未在 instructions 中直接写出 API 地址。从方法命名（GetDogPhoto / GetAllBreeds / GetBreedPhoto）与行为模式可以推断：它们大概率对应某个公开的狗狗图片 REST 接口，这类接口的经典实现是 Dog CEO API（dog.ceo）。若以该 API 为基准，可以还原出如下等价端点：

指令方法	推断的 REST 端点	返回内容
GetDogPhoto	GET /api/breeds/image/random	单张随机狗狗图片 URL
GetAllBreeds	GET /api/breeds/list/all	品种字典（breed → sub-breed 列表）
GetBreedPhoto	GET /api/breed/{breed}/images/random	指定品种的随机图片 URL

需要说明的是，这一段映射是从方法语义推断的还原，不是原文档明文内容；原 GPT 作者在 ChatGPT 后台配置的具体 OpenAPI 端点不在仓库可见范围内。但对于想要复刻该 GPT 的读者，上述端点即可作为一份可用的实现蓝本。

5. 在 ChatGPT 中落地 Actions：OpenAPI 3.1.0 规范实操

要让 GetDogPhoto 等方法真正可调用，需要在 ChatGPT 的“Actions（操作）”配置中上传一份 OpenAPI 规范。本仓库的 TYEliDU6A_ActionsGPT.md 恰好提供了官方关于生成此类规范的指导，核心要求包括：

• 使用 OpenAPI 3.1.0 版本，输出 YAML；
• 每个 path 下的操作必须包含 operationId——它通常就是指令中引用的方法名（如 GetDogPhoto），应为不含空格的单次描述性标识（建议 camelCase）；
• 规范需包含 info（title、description、version）与 servers（基础 URL）区块。

针对 Pawsome Photo Fetcher，可以按下面这样组织一份精简规范（{breed} 路径参数即为 GetBreedPhoto 的输入）：

openapi: 3.1.0
info:
  title: Dog Photos API
  description: 随机与按品种检索狗狗图片
  version: 1.0.0
servers:
  - url: https://dog.ceo
paths:
  /api/breeds/image/random:
    get:
      operationId: GetDogPhoto
      summary: 返回一张随机狗狗图片
      responses:
        '200':
          description: 随机狗狗图片 JSON
  /api/breeds/list/all:
    get:
      operationId: GetAllBreeds
      summary: 返回全部品种列表
      responses:
        '200':
          description: 品种字典
  /api/breed/{breed}/images/random:
    get:
      operationId: GetBreedPhoto
      summary: 返回指定品种的随机图片
      parameters:
        - name: breed
          in: path
          required: true
          schema:
            type: string
      responses:
        '200':
          description: 指定品种图片 JSON

把这份 YAML 配置到 GPT 的 Actions 后，指令中 ACTIONS 小节的“When...I use...”规则就有了真实可调用的后端，方法名与 operationId 一一对应，模型才能正确路由。

6. 输出层设计：为什么每张图都配“一句话介绍 + 一个暖心故事”

该 GPT 最有辨识度的设计在第四条规则：照片永远不是孤立的。每次出图都附带两类内容——一句品种事实（informative），一个简短、有趣、暖心的故事（engaging）。这实际上是把“取图 API”升级成了“内容体验”：图片本身是随机的，但模型通过品种知识的即时生成让每次输出都像是有备而来。对于开发者而言，这是可以复用的模式：任何“随机内容型”GPT，都可以用“数据随机 + 文案本地化生成”来制造差异化，而不需要改任何后端。

7. 仓库内同类对比：狗狗主题 GPT 的三种玩法

本仓库 CustomInstructions/ChatGPT/ 目录下还有多个狗狗主题 GPT，可以横向对比它们的职责划分：

文件	核心职责	能力载体
QZ5U6dzcK_Pawsome_Photo_Fetcher.md	随机 / 按品种取狗狗图片	Actions 调用图片 API
aCHU043UY_Pawspective_Analyzer.md	分析狗狗照片，结合动物行为学与幽默解读	视觉理解能力 + 文案
svWzlmAK0_Puppy_Profiler.md	从照片识别品种并给出健康、性情等完整档案	图像识别 + 知识库
Nq7ZmZxgG_Best_Dog_Breed_Determination.md	品种成分百分比评估 + 饼图可视化	Code Interpreter 绘图

可见“狗狗”只是领域标签，四者分别用 Actions、视觉分析、知识检索、代码执行四条技术路线实现。Pawsome Photo Fetcher 是其中唯一以外部 API 为内容来源的例子，适合作为学习“GPT Actions 最小闭环”的入门样本。

8. 仓库工具链：这类 GPT 文件如何生成与维护

如果你想把某个公开 GPT 的元数据抓取成本仓库同款 Markdown，可以使用 Tools/openai_gpts/README.md 中介绍的脚本：

• gen_gpt_templ.py：通过 ChatGPT URL 或 9 位 GPT ID 下载页面并解析标题、描述、作者、头像，生成标准模板。例如：

  python gen_gpt_templ.py g-QZ5U6dzcK --debug --dump
  

  解析核心在 CustomGPTParser（gen_gpt_templ.py），它从页面 HTML 的 streamController.enqueue(...) 调用中提取 Gizmo 元数据 JSON；
• idxtool.py：提供 --find-gpt（按 ID/URL 检索 GPT 文件）、--toc（重建目录）、--rename（将文件名统一为 {id}_{name}.md）等管理功能；
• gptparser.py：定义字段解析与校验规则，负责把 Markdown 文件解析为 GptMarkdownFile 对象（gptparser.py）。

换言之，Pawsome Photo Fetcher 这类文件既可直接阅读学习，也可以通过上述工具链批量生成与检索，作为自定义 GPT 提示词编写的参考素材库。

9. 总结：从这份指令中可以带走什么

Pawsome Photo Fetcher 的全部精华浓缩在约 250 词内，却完整示范了一个“小而美”的 Actions 型 GPT 的三种最佳实践：

1. 意图路由表先行：用 When...I use... 句式把每种用户输入映射到确定方法，减少模型自由发挥空间；
2. 守门规则写入 MISSION：非主题请求的拒绝与重定向逻辑在角色定义阶段即固定下来；
3. 输出差异化靠文案而非数据：随机 API + 模型本地生成的品种介绍与暖心故事，是体验与辨识度的真正来源。

对想复刻或改进它的开发者，建议路径是：先对照第 4 节还原 API 端点，按第 5 节的 OpenAPI 规范配置 Actions，最后结合第 7 节的同类对比决定是否叠加视觉分析或代码执行能力，把“取图”升级为更完整的狗狗领域助手。