一、先厘清概念：AI 制图的两条技术路线

提到“AI 制图”，多数新手的第一反应是“输入一句话、输出一张画”。这确实是最直观的形态，但并不是全部。从工程视角看，当前大模型支持的制图能力可以归纳为两条路线：

路线一：文生图（自然语言 → 位图）。基于扩散类生成模型，模型根据文字描述直接输出像素图像，适合插画、海报、概念氛围图等对“艺术表现力”要求高的场景。

路线二：代码生成式绘图（自然语言 → 绘图代码 → 成图）。大模型并不直接画图，而是生成 SVG、前端绘图脚本、数据可视化代码等“可执行的绘图指令”，由浏览器或本地运行环境渲染成图，适合流程图、架构图、数据图表、示意图等对“准确性、可修改性”要求高的场景。

对新手而言，建议以路线二为主线入门，路线一作为补充，理由有三：

1. 可控性强：代码绘图的每一个元素——坐标、颜色、字号、间距——都是显式参数，不满意就改参数重渲染，而不是“抽卡式”地反复碰运气；
2. 文字渲染可靠：文生图模型普遍存在图中文字乱码的问题，而代码绘图里文字就是普通文本节点，所见即所得；
3. 可复现、可沉淀：绘图代码可以进版本管理、可以批量套模板，一次调通的样式后续可以反复复用，这对需要长期产出图表、文档插图的人价值极大。

二、环境准备：新手起步需要什么

新手起步的门槛其实很低，按下面的顺序搭建即可：

1. 一个大模型对话入口。任意主流大模型的网页对话端都能完成“描述需求 → 生成代码/图像”的闭环，零安装成本；
2. 一个能“边对话、边运行、边预览”的环境（进阶）。实践中的一个重要经验是：制图效果不只取决于模型本身，还取决于“模型 + 运行环境”的组合。相比在聊天窗口里反复复制粘贴代码，使用具备“对话、代码生成、即时运行预览”一体化能力的智能编程环境，能把迭代周期从“分钟级”压到“秒级”，对新手的正反馈极强。这也是为什么同样的模型，在不同工作流下体验差异会非常大；
3. 本地渲染能力。一个现代浏览器足以预览 SVG 与前端绘图脚本；涉及数据图表时，安装任意主流编程语言环境即可，生态中成熟的可视化库非常多；
4. API 化调用（可选）。当需求从“个人偶尔画一张”升级为“系统集成、批量生成”时，可以选用云服务商提供的大模型与图像生成类服务（例如百度智能云等主流云平台均提供此类通用能力），建议先用小规模请求验证效果与成本，再决定是否放量。

另外提醒一句：不同大模型在“图文理解、代码生成、指令遵循”三项能力上的表现差异明显，而制图恰好同时依赖这三项。建议用同一组测试提示词在两三个模型之间横向对比一次，再固定自己的主力组合，不要盲从单一推荐。

三、通用工作流：五步从想法到成图

无论走哪条路线，这套五步工作流都适用：

第一步：定义需求，而不是定义画面。 先回答四个问题：这张图给谁看？用在哪里（文档/幻灯片/网页/印刷）？核心信息是什么（一个流程、一组数据、一个概念）？有什么硬约束（尺寸、配色规范、语言）？新手最常见的失败原因，就是跳过这一步直接“想到什么写什么”。

第二步：写结构化提示词。 把第一步的答案翻译成模型能精确理解的指令，模板见下一节。

第三步：首次生成，接受“不完美”。 第一版成图的作用是校准方向，不要指望一步到位。

第四步：单变量迭代。 每轮只提一个修改点（例如“只把配色换成冷色系”），避免“既要改布局又要改风格还要加元素”的多变量修改——那是新手返工率最高的操作。

第五步：导出与交付。 需要后续编辑选矢量格式（如 SVG），需要插入文档或网页选位图格式（如 PNG），并按目标载体调整分辨率。

四、提示词模板：把需求翻译成模型指令

一个经过大量实践验证的提示词骨架如下：

【任务】为（使用场景）绘制一张（图表类型/图像类型）
【主体】必须呈现的核心元素：……
【结构】元素间的顺序/层次/从属关系：……
【风格】整体风格、配色（可给具体色值）、字体要求
【约束】画布尺寸与宽高比、留白要求、使用语言、禁止出现的内容
【输出】交付形式（SVG 代码 / 可运行的绘图脚本 / 图像文件）

三个高频技巧：

1. 用名词和数字，少用形容词。“专业一点、好看一点”几乎不携带信息，“深蓝 #1E3A8A、圆角 8px、字号 16”才能被精确执行；
2. 给参照样例。贴一段你认可的旧代码或旧图的结构描述，让模型“照着这个骨架改”，比从零描述高效得多；
3. 限定输出格式。明确要求“只输出完整可运行的代码”，可以显著减少模型输出的闲聊与截断。

五、实战示例一：生成一张 SVG 流程图

以“数据处理流程图”为例，提示词可以这样写：

请生成一段 SVG 代码，绘制横向流程图，要求：
1. 三个节点：数据采集 → 清洗加工 → 可视化展示；
2. 节点为圆角矩形，浅蓝底、深蓝边框，内部文字居中；
3. 画布 600×200，节点等距，箭头同色系；
4. 只输出完整 SVG 代码，保存为 .svg 文件后可直接用浏览器预览。

模型返回的代码通常可以直接使用，形如：

<svg width="600" height="200" xmlns="http://www.w3.org/2000/svg">
  <defs>
    <marker id="arrow" markerWidth="10" markerHeight="10"
            refX="8" refY="3" orient="auto">
      <path d="M0,0 L8,3 L0,6 Z" fill="#3b82f6"/>
    </marker>
  </defs>
  <rect x="20"  y="70" width="140" height="60" rx="8"
        fill="#e8f1ff" stroke="#3b82f6"/>
  <text x="90"  y="105" text-anchor="middle" font-size="16">数据采集</text>
  <rect x="230" y="70" width="140" height="60" rx="8"
        fill="#e8f1ff" stroke="#3b82f6"/>
  <text x="300" y="105" text-anchor="middle" font-size="16">清洗加工</text>
  <rect x="440" y="70" width="140" height="60" rx="8"
        fill="#e8f1ff" stroke="#3b82f6"/>
  <text x="510" y="105" text-anchor="middle" font-size="16">可视化展示</text>
  <line x1="160" y1="100" x2="230" y2="100" stroke="#3b82f6" marker-end="url(#arrow)"/>
  <line x1="370" y1="100" x2="440" y2="100" stroke="#3b82f6" marker-end="url(#arrow)"/>
</svg>

后续所有调整——加节点、换配色、改尺寸——都只是对这段代码做局部修改，把报错或新需求直接回喂给模型即可。

六、实战示例二：让模型生成数据图表脚本

数据图表的思路完全一致：把“数据 + 图型 + 样式要求”一次性交代清楚，让模型输出可运行的绘图脚本。示意如下：

# 示意代码：不同可视化库的 API 命名略有差异，但流程一致
data = {"周一": 120, "周二": 98, "周三": 143, "周四": 87, "周五": 156}
fig = 绘图库.创建画布(宽=8, 高=5)
fig.柱状图(x=data.keys(), y=data.values(), 主色="#3b82f6")
fig.设置标题("一周内容发布量")
fig.设置坐标轴标签(x轴="星期", y轴="发布量")
fig.保存("weekly.png", 分辨率=200)

关键在于提示词中要写明：数据来源与结构、图表类型及选择理由（趋势用折线、对比用柱状、占比用环形）、配色与尺寸、是否需要数值标签。如果脚本运行报错，直接把完整报错信息粘贴回对话，模型通常一轮就能修好。

七、常见问题与排查清单

1. 文生图里文字全是乱码：这是该类模型的普遍短板，含文字的图（流程图、图表、带标注的示意图）一律改走代码绘图路线；
2. 风格每轮都在漂移：把风格描述固化成一段“系统提示”，每轮对话都携带，不要只靠单次指令；
3. 代码跑不起来：检查运行环境版本，并把报错栈完整回喂，而不是凭感觉重新描述需求；
4. 构图失控、元素挤在一起：在提示词中显式声明画布尺寸、间距、留白，并要求模型“先给出布局方案再输出代码”；
5. 合规与版权：企业场景下使用生成图像前，务必确认所用服务的授权范围与内容合规要求，涉及内部数据时优先选择满足数据安全约束的部署方式。

八、进阶方向

跑通单张图之后，可以沿三个方向深化：一是模板化与批量化，把调通的绘图代码沉淀为模板，用脚本批量替换数据与文案；二是工程化集成，把绘图能力嵌入文档系统或前端工程，实现“数据变更、图表自动更新”；三是服务化调用，通过云上大模型服务的 API（配套使用对象存储保存产物、日志服务追踪调用、监控告警保障稳定性等通用云产品能力）把制图能力封装成内部服务，供团队复用。

结语

AI 制图的核心心法可以浓缩成两句话：把制图需求翻译成结构化语言，用迭代而不是一步到位的方式逼近目标。工具与模型会不断更替，但“定义需求 → 结构化提示 → 单变量迭代 → 沉淀模板”这套方法论是长期稳定的。按本文的路径练习三五张图，新手完全可以跨过门槛，进入稳定产出的阶段。