AI实现的技术路线

7.1

语言到结构再到图形

最适合课程与管理场景的起点，是把自然语言转换为明确结构，再由确定性工具渲染。输入可以是教材段落、业务规则、会议纪要或学生口述。模型先提取实体、关系、顺序和条件，输出中间表示；人检查语义后，系统再生成流程图、概念图或表格。这个分层避免把内容理解、布局选择和像素绘制混在一次不可检查的生成中。模型可以有创造性，但图的关键关系应当能被逐项检查。

中间表示可以非常简单：节点编号、节点类别、显示名称、来源、连接起点、终点、关系类型、条件和确认状态。比如一条连接写明从“检索政策”到“检查版本”，关系是执行顺序，来源是课程教师确认的操作规范。后来更换布局时，语义可以保持不变；后来发现政策版本判断应更早出现，也可以修改关系而不必重新手绘所有元素。稳定编号还能支持中文与英文标签保持一致。

Mermaid等文本图形工具适合表达许多常见流程和结构，其官方文档列出相应语法与限制。[34]但一种工具不能自然覆盖所有需求。复杂的数量关系需要图表语法，精确空间需要坐标或建模工具，丰富的版式可能需要矢量编辑。报告建议先决定语义结构，再选择渲染器；不要因已经熟悉某种语法，就把所有问题改造成它擅长的形状。

7.2

数据到代码再到可复算图表

第二条路线从结构化数据出发。模型帮助解释字段、提出分析问题、生成清洗与绘图代码，人检查字段口径和变换步骤，再执行代码得到图。LIDA展示了利用大模型组织自动可视化流程的研究方向。[21]Data Formulator则通过高层概念与视觉通道的绑定，帮助用户表达意图，并展示变换后的数据以供检查。[22][23]这些系统提供了设计启发，不应被误解为所有自动图表已经具备可靠事实判断。

实际流程需要保留输入数据、转换脚本、输出数据和图表规范四种对象。只有图片而没有变换记录，读者无法判断重复订单是否被计了两次；只有代码而没有字段解释，也无法确认“收入”是否包含税费和佣金。一个可信的AI助手应能回答：“这根柱子用了哪些记录？采用什么过滤条件？缺失值怎么处理？为什么选择这个时间粒度？”这些问题比询问模型是否有信心更有用。

Vega-Lite等声明式语法可以明确编码与转换，使数据、映射和呈现更容易分离。[35]Python或其他分析语言则适合复杂计算。无论采用哪一种，都需要实际执行，而非把模型写出的代码当成已经得到的结果。执行后还应选取少量数据点手算核查，检查异常范围、排序与单位。对于高风险决策，还需要独立复核和真实业务验证。

7.3

草图与图像作为输入

第三条路线允许人先画。教师可以拍下一张白板，学生可以提交粗糙流程，设计人员可以上传空间草图。多模态模型帮助转录标签、识别候选节点、整理层级并提出疑问。这里最大的价值不是把笔迹变整齐，而是降低表达入口：人可以先用擅长的形式组织想法，再借AI转成可编辑结构。系统应保留原图与识别结果的对应，允许逐项纠正。

图像输入也会发生误读。箭头交叉不一定相连，近邻不一定表示从属，手写否定词一旦漏掉就可能反转含义。建议识别阶段输出两类内容：已经看清的观察与需要确认的解释。比如“看到A与B之间有一条线”是观察，“A导致B”是解释。让用户确认关系意义之后再清洁排版，可以减少把识别错误固化成漂亮成品的风险。

对学生作业，可以采用先解释再整图的顺序。模型先复述自己读到的结构，提出最多三项关键疑问，学生回答后再生成规范图。教师可以比较原图与整理图之间哪些概念发生变化，避免工具把不成熟但有价值的想法自动改成常见模板。保存这些差异，也能成为评价学生思考过程的材料。

7.4

图像生成与视觉推理的区别

文生图能够帮助探索服务场景、空间气氛、产品外观和故事分镜，适合需要形象联想的任务。精确流程、统计图、公式与政策文字则需要其他控制机制。一幅图看似符合“酒店AI系统”的风格，并不能证明其中的按钮、数字与连接正确。建议把生成图中的艺术部分与文字数据层分离，关键文字用可编辑排版加入，关键关系由结构文件决定。

Visual Sketchpad研究让多模态模型使用线条、框和标记等工具产生视觉中间材料，再基于这些材料继续解题。[20]它表明绘图动作可以进入AI推理流程，而不只是最后输出阶段。但这类基准结果仍针对特定模型和任务，不能证明AI拥有与人相同的心像体验，也不能保证它在真实课程或企业中具有同样收益。技术能力、认知解释与应用成效需要分别讨论。