在开发和测试AI大模型应用时，我们经常需要调用API来生成图片。通常的做法是打开代码编辑器，写一段Python脚本，引入requests库，甚至安装官方的SDK。
但如果你只是想快速测试一下提示词（Prompt），或者想要一种极其轻量级的方式，这种做法就显得有些“杀鸡用牛刀”了。
今天给大家分享一个“极客范儿”的操作：完全不写任何代码，仅用一行Shell命令，结合curl和jq，直接调用大模型接口并保存生成的图片！
核心原理
这个操作的核心在于利用Linux/macOS系统自带的强大命令行工具：
curl：用于发送HTTP请求，与大模型API进行通信。jq：一个轻量级且极其强大的命令行JSON处理器。我们用它来动态构造请求体，并解析返回的JSON数据。base64：大模型接口通常将图片以Base64编码格式返回，我们使用自带的解码工具将其还原为真实的图片文件。- 管道符
|：将前一个命令的输出作为后一个命令的输入，实现流水线作业。
实战演练
话不多说，直接上命令！你可以直接复制以下代码到你的终端（Terminal）中运行。
# 1. 设置环境变量（请替换为你自己的API地址和密钥）GATEWAY="https://api.openai.com"KEY="sk-xxxxxxxxxxxxxxxxxxxxxxxx"PROMPT="一个穿宇航服的女孩，水彩风格"OUT="out.png"# 2. 一行命令执行请求、解析并保存图片curl-sS"$GATEWAY/v1/responses"\-H"Authorization: Bearer$KEY"\-H"Content-Type: application/json"\-d"$(jq-n--argm"gpt-image-2"--argp"$PROMPT"'{ model: $m, input: $p, tools: [{type: "image_generation"}] }')"\|tee/tmp/resp.json\|jq-r'.output[] | select(.type=="image_generation_call") | .result'\|base64-d>"$OUT"代码拆解与原理解析
这看似复杂的一长串命令，其实逻辑非常清晰。我们一步步来拆解：
1. 动态构造JSON请求体
jq-n--argm"gpt-image-2"--argp"$PROMPT"'{ model: $m, input: $p, tools: [{type: "image_generation"}] }'这里利用了jq的-n（不读取输入）和--arg参数，安全地将我们的 Shell 变量传入，构造出标准的JSON格式请求体。这比使用echo拼接字符串要安全和优雅得多，完全不用担心引号转义的问题。
2. 发送API请求
curl-sS"$GATEWAY/v1/responses"-H"..."-H"..."-d"$(上一步构造的JSON)"使用curl发送 POST 请求。-sS参数让 curl 保持静默，但会在发生错误时显示错误信息。
3. 日志记录（可选但推荐）
|tee/tmp/resp.jsontee命令非常实用，它像一个三通管道，既把结果输出到文件/tmp/resp.json以便我们后续排查问题，又把内容继续传递给下一个命令。
4. 提取Base64图片数据
|jq-r'.output[] | select(.type=="image_generation_call") | .result'这是jq展现真正实力的时刻！它直接深入 JSON 层级结构，过滤出type为image_generation_call的节点，并提取其中的result字段（即图片的Base64字符串）。-r参数表示输出原始字符串，不要带双引号。
5. 解码并保存图片
|base64-d>"$OUT"最后，通过系统的base64命令（macOS自带base64 -D或base64 -d，Linux为base64 -d）将字符串解码，并重定向保存为真正的图片文件$OUT。
总结
通过curl+jq的组合，我们可以极其高效地完成 API 测试和轻量级自动化任务。这种方式不仅免去了配置开发环境的烦恼，还非常适合集成到各种 CI/CD 脚本或自动化工作流中。
如果你觉得这个技巧有用，不妨在你的终端里试一试吧！你平时还有哪些提高效率的“神仙命令行”操作？欢迎在评论区留言交流！
