Gemini 3.1 Flash Lite Image + MCP

很多人用AI画图最痛苦的就是没法精准微调，想改个细节得把整段提示词重新写一遍，结果画风全变了。最近我们在公司尝试把 Gemini 的 Interactions API 通过 MCP 协议接入到 Codex 里，解决了这个“无状态”的痛点。

简单来说，这个方案让 AI Agent 具备了 stateful（有状态）的图像编辑能力。以往是“生成-丢弃-再生成”，现在变成了真正的“对话式修改”。比如先让它画个赛博朋克厨房，没问题后直接跟一句“加个霓虹灯拉面招牌”，它会在原图基础上修改，而不是重新随机生成一个厨房。

技术实现上，这套工作流由两个部分组成：一个是基于 FastMCP 搭建的服务器，负责调用 Google 的 API；另一个是 Codex 的 skill 配置，告诉 Agent 什么时候该调用哪个工具。

这里最核心的逻辑在于 Interactions API 的 interaction_id：

1. 第一次调用 create 接口并设置 store=True，服务器会返回一个 interaction_id。
2. 随后的修改请求只要携带这个 ID，模型就能在服务端维持视觉上下文。
3. 每次编辑都会产生一个新的 ID，必须用最新的 ID 才能接续对话，否则会产生版本分叉。

在实操部署中，有几个细节坑需要注意：

• 比例锁定：长宽比（如 16:9 或 1:1）必须在首次生成时确定，后续编辑不能更改，否则像素连续性会崩掉。
• 思考等级（Thinking levels）：API 文档里写了 minimal 和 medium，但实际调用 gemini-3.1-flash-lite-image 时，这两个值会报 HTTP 400 错误。目前实测只有 low（快速草图）和 high（复杂渲染/精准文字）可用。

如果你想在自己的 Codex 环境里跑起来，可以参考这个项目的结构：

# 核心逻辑在 server.py 中，通过 FastMCP 暴露工具
# 部署后在 Codex 中配置对应的 skill 即可

这种有状态的编辑能力在公司内部做 UI 原型快速迭代时效率极高，不用在 Prompt 调优上浪费时间，直接像指挥美工一样说话就行。