如何教 AI 做好一张图？我拆了一个 Skill，找到了 4 个关键

AI 画的图，常常有一种奇怪的感觉。

每个元素似乎都没有错：标题有了，图例有了，数据也准确。可它们放在一起，就是不像一张真正完成的图。

颜色很多，却看不出重点；每个数据点都标了数字，反而什么也读不清；同一个地区在不同图里换了颜色，读者每次都得重新认一遍。

我们通常把这种差距归结为两个字：审美。

仿佛审美只能意会，无法说明，更无法教给 AI。

直到我拆开一个名为 dataviz 的技能，才发现它尝试解决的并不是“如何配出一组漂亮颜色”，而是一个更根本的问题：

如果 AI 已经会画图，我们能不能把人制作一张好图时的判断过程，也教给它？

同一份数据的“AI 初稿”和“规范化成稿”对比：左侧颜色杂乱、标签拥挤；右侧重点清楚、留白充足。

---

它不是绘图软件，而是“制图教练”

你可以把这个技能理解成一份交给 AI 的制图工作指南。

我们平时可能只会说：“帮我把这些数据画成图，好看一点。”它则把“好看一点”展开成了具体要求：先弄清楚要表达什么，再选图、用色，画完以后还要检查。

如果 AI 是制图员，dataviz 就像旁边的教练，提醒它每一步应该考虑什么。

其中最让我有收获的，可以归纳成四个问题。即使不用这个技能，下次让 AI 做图时，也值得问一遍。

我们就拿一个常见场景来说：手上有华东、华南、华北、华西四个地区过去 12 个月的销售数据，想让 AI 帮忙做张图。

---

01｜你想让读者看见什么？

如果只说“帮我画张图”，AI 拿到数据后，可能就直接动手了。

dataviz 要求它先停下来，问一个问题：读者想从数据里看见什么？

如果读者想观察一年中的变化，折线图更合适；如果只想比较本月四个地区的高低，条形图更直接；如果只关心全国总销售额，也许根本不需要图，只需要一个醒目的数字。

这一步看似简单，却拦住了大量“为了画图而画图”的结果。

所以，比起“把销售数据做成图”，更有用的一句话是：“我想让读者一眼看出，这个月哪个地区卖得最多。”

问题说清楚了，AI 才有依据决定该保留什么、突出什么。

图表类型不是由数据字段机械决定的，而是由分析问题决定的。

同一份数据对应三种问题——“看总数”“比高低”“看趋势”，分别对应指标卡、条形图和折线图。

---

02｜颜色是在传递信息，还是只是热闹？

在四地区销售图中，颜色的任务是区分地区。

例如：华东固定为蓝色，华南固定为青绿色，华北固定为黄色，华西固定为紫色。

一旦确定，在同一份报告的其他图表里也应该保持一致。即使某张图只展示两个地区，华东仍然应该是蓝色。

否则，读者刚记住“蓝色代表华东”，下一张图里蓝色却变成了华西。

这就是技能里很重要的一条规则：

颜色跟随实体，不跟随排名。

但如果我们要表达的是销售额从低到高，用同一种颜色由浅到深，通常比摆出一排彩虹色更容易理解。

颜色要跟着表达目的走。动手配色前，先问一句：这里需要读者区分地区，还是看出数值大小？

还有一个容易忽略的问题：你觉得分得清，不代表别人也分得清。

两种看起来差别很大的颜色，对部分色觉障碍读者来说，可能很接近；浅色的线放在白底上，也可能很难看清。

所以，dataviz 附带了配色检查工具，让 AI 实际检查颜色能否区分、与背景的对比是否足够。

发现问题后，还可以给线条直接写上地区名称，或用不同形状的数据点辅助区分。这样读者不必只靠认颜色来理解图表。

能计算的质量问题，就不让 AI 凭感觉回答。

配色也可以做检查：哪些颜色容易混淆，哪些放在背景上不够清楚，都值得在交付前确认。

---

03｜所谓“好看”，能不能说得具体一点？

图表选对、颜色通过，不代表作品已经完成。

线太粗、点太小、网格线太重，仍然会让数据难以阅读。

我们常给 AI 的修改意见是：“再高级一点”“再简洁一点”。但这些话很难让它知道，究竟应该改哪里。

这个技能把要求写得很具体。换成日常语言，大致就是：

• 网格线淡一点，别抢走数据的注意力；
• 线条和数据点要清楚，但不必一味加粗、放大；
• 不要给每个数据点都贴数字，只标真正重要的位置；
• 标签放不下就调整位置，别把文字挤在一起或裁掉；
• 图里有多个地区，就让读者能找到各自对应哪条线。

拿四个地区的销售趋势来说，12 个月一共有 48 个数据点。如果全部标上数字，读者很可能先看到一团文字，反而看不清走势。

如果这张图想说明“华东在下半年增长明显”，就可以重点标出转折处和年末数值。其余数字是否需要展示，要看它们对理解这个结论有没有帮助。

这些规则不会决定图表必须长成同一种样子，却建立了一条清晰的质量底线：

数据可以醒目，网格线、坐标轴和容器应该后退。

---

04｜AI 画完以后，有没有真的检查过？

配色检查通过了，也不代表最终的图就没有问题。文字可能重叠，标题可能被截断，图例也可能挤成一团。

所以，技能的最后一步不是“保存文件”，而是要求 AI 打开页面或查看截图。

这一步很像我们做完 PPT 后，把它全屏放一遍。编辑时觉得没问题的地方，真正展示出来，往往就能看出不对劲。

回到那张销售图：地区名称有没有挤在一起？月份有没有显示完整？想强调的增长趋势，第一眼能不能看出来？

尤其是放进公众号的图，还值得在手机上看一遍。电脑上清楚的字，缩到手机屏幕里，可能已经读不出来了。

发现问题就修改，然后再看一次实际效果。

这不是“生成一次就结束”，而是“生成—检查—修改—复查”。

---

从一张图表，再往前走一步

审美当然有主观部分。

有人喜欢克制，有人喜欢活泼；品牌选择冷色还是暖色，也不存在唯一答案。

但“是否误导、是否清楚、是否一致、是否能被不同用户读取”，并不完全是主观感受。

dataviz 让我看到，很多原本藏在经验里的判断，其实可以拆开说明：先明确问题，再安排颜色和视觉重点，最后检查实际效果。

下次让 AI 做图时，我们也可以把“帮我做得好看一点”，换成更具体的要求：

我想比较本月四个地区的销售额，让读者一眼看出谁最高。请选合适的图表，减少不必要的装饰，让重点清楚。完成后查看成图，检查文字是否重叠、标签是否完整、颜色是否容易区分。

这段话当然不能代替完整的技能，但它让 AI 知道了我们要什么，也给出了检查结果的依据。

这个技能真正做的，是把人的制图经验，整理成 AI 可以执行、也可以自我检查的工作方法。

这或许也是 AI 技能最值得期待的形态。

不是只告诉 AI“做什么”，而是进一步教会它：

怎样做，以及怎样知道自己真的做好了。