做实验的人都懂，画示意图这件事有多磨人。尤其是写论文、写基金本子、做毕业答辩PPT的时候，导师一句“把实验方案画清楚一点”，往往意味着要在PPT或Visio里跟文本框、箭头线纠缠大半天，改一版顺畅的鬼样子。其实现在已经有更顺手的解法：用AI工具配合可编辑的文本化绘图方式，五分钟生成初稿，后面只是微调。这篇文章就把我这半年在“实验方案示意图”上的实操经验完整拆一遍，从示意图分类、工具选型到提示词模板、渲染后处理都讲清楚，科研小白和需要赶论文的老手应该都能用上。

1. 实验方案示意图有哪些类型？先搞清楚要画什么

1.1 四种常见类型

实验方案示意图不是一种图。我在帮人改图时发现，大部分人画不好，不是工具不熟练，而是没想清楚自己画的到底是哪一类图。常见的有四类。

技术路线/流程型最常出现，反映“从样本到结论”的推进逻辑，比如“样本采集→预处理→检测→数据分析→模型构建”。这类图的核心是层次和先后顺序，要重点处理箭头方向、分组框和泳道。

原理/结构示意型用来表达实验装置、芯片结构、材料层级，比如微流控装置拆解、反应容器内物质流向、催化剂分层结构。这类图对尺寸比例和连接关系要求更高，AI直接画容易比例失调，需要一定的手工修正。

分组对比型是生物医学实验里的高频需求，比如药物浓度梯度、对照组/模型组/给药组、不同时间点采样。这类图本质上是矩阵或表格的图形化，重点在于分组的对称性和标签清晰度。

系统架构/数据管道型偏工程实验和计算方向，表达模块之间的关系和数据流向，类似软件架构图。做生物信息学、深度学习、自动化平台的人经常遇到。

这四种类型的绘制难点各不相同：流程型难在层级容易乱，结构型难在比例难把控，分组型难在元素重复多，架构型难在模块关系表达。画图前先给自己做一次分类，能省掉后面大量返工。

1.2 专业示意图的三个标准

我自己判断一张示意图“专不专业”，只看三点：逻辑主线是否一眼能看懂，视觉语言是否全图统一，输出是否方便后期修改。

逻辑主线对应的是图的叙事顺序。技术路线图应该从左到右或从上到下，符合阅读习惯；分组对比图应该以“处理因素”为行、以“检测指标”为列，而不是随意摆放。很多初稿不专业，问题就出在逻辑顺序没设计好。

视觉语言统一指的是箭头样式、框线粗细、字体字号、配色方案在全图中保持一致。我见过不少初稿，箭头一种粗一种细，字体有的黑体有的宋体，配色调得快成彩虹。这会让审稿人觉得图不严谨，哪怕数据是真的。

可修改性是我后期最看重的一点。实验方案在写作过程中一定会改：加一组样本、删一个指标、调整一个步骤，这些改动都要能快速反映到图上。这也是我为什么最后放弃了“AI直接生成图片”的路线，因为文生图得到的是像素图，改一处可能要重画整张图。后面我会重点展开。

1.3 AI介入的边界

AI能帮的忙，可以从三个层次来看：替你从零开始想结构、替你把结构转成可渲染的代码、替你把代码结果做美化建议。

但从“AI画一张神图”这个角度来说，现阶段文生图类工具并不适合做严谨的科研示意图。原因很简单：这类模型生成的文字经常乱码，框线连接会飘，分支结构会多出诡异的节点。如果你只是要一个封面概念图，文生图完全没问题；如果要投稿或进实验记录本，必须走“文本/代码→渲染→矢量后处理”的路线。

把边界说清楚，后面就不会在错误的工具上浪费时间。AI最适合的角色，是当那个“能把人话翻译成图结构”的助手，而不是完全替你决定图长什么样的自动画家。

2. AI工具怎么选：文生图、对话生成代码、矢量后处理三分法

2.1 三类AI工具各自适合什么

我把科研绘图会用到的AI工具分成三类，这个分类是我自己长期用下来的结论。

第一类是文生图工具，典型代表是Stable Diffusion、Midjourney、DALL·E，国内有通义万相、即梦等。这类工具适合画概念示意图、机制卡通图、封面图，不适合画带大量精确文字标注的流程图。它们的审美能力很强，但逻辑能力很弱，你让它画“三个抗体加两个细胞，箭头指向一个蛋白条带”，它能把细胞形状画得天花乱坠，但文字和连接关系经常出错。

第二类是对话式AI，典型代表是DeepSeek、Kimi、ChatGPT、通义千问等。它们的核心能力不是“画图”，而是“把自然语言描述转成结构化的绘图代码”。这正好命中实验方案示意图的需求：你负责讲清楚逻辑，它负责把逻辑翻译成Graphviz、Python matplotlib或SVG代码。这是我当前最常用的一条路，速度和可控性都很好。

第三类是辅助美化工具，比如Inkscape、Adobe Illustrator、draw.io。AI在这里的角色是“建议师”。你提出“配色灰度化”“统一线宽”，它给你方案；或者你直接把AI渲染出来的图导入这些工具，手动微调节点位置。

2.2 为什么我推荐“对话式AI+代码渲染”路线

直接说结论：实验方案示意图的核心是逻辑准确、文字清晰、结构可复现，这三点恰好是代码化绘图的优势。

代码绘图最大的好处是“图和描述是同一份文件”。你拿到的不是一张死图，而是一套生成规则。改实验步骤时，改代码里的节点文字，重新渲染一遍就得到新版，不用从头画。这个能力在论文修改阶段太重要了。论文返修时审稿人让你补一个时间点，你在代码里插入一个节点，三十秒出图，而不是在绘图软件里手动拖半天。

再一个是格式可控。Graphviz能精确控制节点层级，matplotlib能精确控制坐标和字体，输出EPS、PDF、SVG这种矢量格式，放大到多大都不会糊。期刊对图的清晰度要求通常是300dpi以上，矢量图在转PDF导出时天然满足要求。

第三个优点是对话式AI可以多轮修正。你可以不断追问“第三步顺序不对”“第四个节点颜色换一下”“箭头改成虚线”，它会针对性地调整代码。这个迭代体验和文生图工具的“重新随机生成”完全不同，省心太多。

2.3 工具选型速查表

这套选型不是“只有唯一正确答案”。如果你用PPT已经很熟练，那完全可以用AI帮你写文字框架，然后照着框架在PPT里画，效率也比自己硬想高很多。关键在于：别让工具绑架你，而是让工具配合你的工作流。

2.4 至少需要会一点点的“代码基础”

走这条路最大的门槛，其实是心理上的。很多做实验的人听说“代码渲染”就头大，觉得又要学一门编程语言。真相是，你不需要会编程，你只需要会“看懂插入节点的那几个字段”。

Graphviz的dot语言，核心语法就是“节点A -> 节点B”这种写法；matplotlib画图，核心操作是“添加一个矩形、写一行文字、连一条线”。这些语法半小时就能上手。更重要的是，你不需要自己写，AI帮你写，你只要会检查它写得对不对。

所以我给这条路的定位是：会复制、会粘贴、会改文字的科研人就能走通。第三章会用完整示例说明，大家感受一下实际成本有多低。

3. 完整实操：用AI把实验方案示意图做出来

3.1 第一步：把实验方案拆成逻辑单元

动手画图之前，先别碰工具，用纯文本把方案写清楚。拿一个我最近帮人改过的例子，这是一个细胞实验的技术路线：

样本来源：某细胞系。 处理方式：对照组、低剂量组、高剂量组。 检测阶段一：细胞活力检测（CCK-8）。 检测阶段二：凋亡相关蛋白检测（Western blot）。 分析输出：统计分析与结论。

我建议用“输入—处理—输出”或者“阶段1→阶段2→阶段3”来搭骨架。你发给AI的提示词，就是这个骨架的文字版。如果骨架不清晰，比如连你自己都说不清哪一步在先、哪一步在后，AI生成的图一定乱。

这里有一个小技巧：拆分的时候尽量把节点控制在8个以内。一张图超过8个主要节点，阅读负担会明显增加。如果实验流程真的很长，可以分总图和子图，总图展示大框架，子图展开某个环节的细节。这个方法在论文插图里也很常见。

3.2 第二步：让AI生成可渲染的Graphviz代码

打开DeepSeek或Kimi，我一般用这个提示词模板：

你是一名生物医学实验室的科研助理，请用Graphviz的dot语言绘制一张技术路线示意图。内容要求：从“细胞培养”开始，依次经过“分组处理（对照组/低剂量组/高剂量组）”到“CCK-8细胞活力检测”和“Western blot蛋白检测”，最后到“数据统计与结论”。要求自上而下的布局，每个节点用一个简洁的中文短语，分支结构清晰，箭头上标注“步骤1”“步骤2”等序号。先输出完整的dot代码，再简单解释每个子图的作用。

注意提示词里的几个关键设计：给角色定位，让AI知道要用专业、规范的措辞；给结构顺序，避免它自由发挥加步骤；给布局方向，默认结果会更稳定；给输出格式要求，明确要求“先输出代码再解释”。

它大概率会输出类似下面的代码：

digraph experiment { rankdir=TB; node [shape=box, style=rounded, fontname="Microsoft YaHei"]; A [label="细胞培养"]; B [label="对照组"]; C [label="低剂量组"]; D [label="高剂量组"]; E [label="CCK-8 细胞活力检测"]; F [label="Western blot 蛋白检测"]; G [label="数据统计与结论"]; A -> B; A -> C; A -> D; B -> E; C -> E; D -> E; B -> F; C -> F; D -> F; E -> G; F -> G; }

这段代码里，digraph表示有向图，rankdir=TB表示从上到下布局，node后面是节点统一样式。能看懂这三行，你就具备改它的能力了。如果AI给的是matplotlib脚本，原理类似，无非是换成创建画布、绘制矩形、添加文字、连接线段这些函数。

3.3 第三步：本地渲染成图

把AI给的dot代码保存成后缀名为.dot的文件，然后安装Graphviz（官网下载、一路默认安装即可），在命令行里执行：

dot -Tpng experiment.dot -o experiment.png dot -Tpdf experiment.dot -o experiment.pdf

就这两条命令。第一条输出位图PNG，适合快速预览；第二条输出矢量PDF，适合排版和投稿。如果你的电脑装了VS Code，还可以装Graphviz Interactive Preview插件，保存代码后按快捷键就能在编辑器里看到实时渲染结果，比命令行更快。

第一次跑通这个流程后你会发现，画图的效率比想象中高太多：从描述到出图，五分钟左右。如果中间发现某个节点位置不对，回到文本里改代码即可，不用对着画布猛拖。

3.4 第四步：在矢量编辑器里做“专业感”修饰

AI初稿基本能保证逻辑正确，但“专业感”还得靠后处理。我的习惯是把PDF导入Inkscape（免费）或Illustrator（收费），做三件事。

统一字体。把所有节点文字改成你正文里用的中文字体，字号统一。图内文字推荐不小于6pt，否则缩印之后看不清。统一配色。期刊图一般是黑白或灰度为主，我用灰度铺底、黑实线框、白底文字，这套组合最安全。如果一定要用彩色，建议用同一色系的深浅变化，不要到处用高饱和颜色。

统一线条。把所有箭头的样式、粗细改成一致，连接线尽量走横平竖直的路径，会显得特别整齐。Graphviz自动生成的曲线有时候角度比较随意，这时需要手动微调节点坐标，或者用dot语言的pos属性固定位置。

3.5 第五步：导出符合期刊要求的文件

不同场景对图的要求不同。做实验记录，PNG就行；投论文，最好用PDF/EPS矢量格式；放PPT，用PNG且dpi不要低于150。投稿前我会再确认三件事：图上所有文字能否被清晰识别，线宽在缩小到单栏宽度后是否依然可见，图注是否与正文内容一致。

有个小技巧：投稿时如果期刊要求“图片文字不小于6pt”，在矢量编辑器里把图缩放到单栏宽度（约8.5cm），然后放大到100%看字清不清楚。这个方法比纠结dpi参数直观得多。我还习惯在导出前把图“灰度化”预览一遍，因为很多期刊印刷时是黑白的，如果灰度模式下分组区分度不够，就说明填充色选得太接近了。

4. 常见问题与排查技巧实录

4.1 高频问题速查表

这张表是踩坑记录，不是什么理论推导。大部分问题都出在“提示词没说清”和“渲染环境没配置好”两类，前者靠经验积累，后者靠检查清单。

4.2 处理文字乱码的底层思路

文字乱码在AI科研绘图中太常见了。它的根源无非是编码和字体两个问题。

编码问题好解决：保存dot文件时用UTF-8编码；Windows下如果另存为ANSI，十有八九要乱码。字体问题也好解决：Graphviz默认字体不一定支持中文，你需要在代码里显式指定，比如fontname="Microsoft YaHei"或fontname="SimHei"。如果用Mac，可以指定"PingFang SC"或"Arial Unicode MS"。

如果AI生成的文本本身写错了，比如把“给药”写成“给约”，这种情况不是渲染问题，而是生成错误。我会在提示词里强调“实验术语必须准确”，同时自己检查一遍。毕竟AI不理解你的实验内容，它只是按你给的字面描述在还原。

4.3 多轮修正的正确用法

用对话式AI画图，最怕的就是“一次生成，不满意就换新对话重来”。正确做法是在同一个对话里不断修正。比如我常用的修正话术：

• “第三个节点和第四个节点之间少了一个平行分支，请补上24h和48h两个时间点。”
• “把第6步到第8步的所有箭头改成虚线，表示非直接作用关系。”
• “所有节点不要圆角，改成直角矩形，风格更硬朗。”

AI会在原代码基础上修改，而不是重写整个结构，这样整体稳定性更好。这比文生图工具体验好的原因就在这：文生图没办法针对某个局部微调，你改一句话它就重画全图，最后结果还是随机的。

4.4 实在画不出来的复杂结构怎么办

有些实验方案的结构图，比如三维装置拆解、微流控芯片流道，AI和代码绘图确实很难一次搞定。这时候我的经验是分两步：先用AI生成等轴示意图的SVG框架，再把SVG导入Inkscape，手动补齐空间层次和标注。

这个方案比从零画快很多，因为AI至少帮你建立了对象的位置关系和基本形状，你只需要修正细节。如果你经常画这类图，建议攒一个自己的SVG素材库，把常见的烧杯、离心管、培养板、注射器做成可复用的矢量件，下次拼图就很快。

5. 让AI绘出来的图在论文里更耐看的几个经验

5.1 最稳妥的配色公式

我不止一次发现，科研示意图好不好看，六成取决于配色。最稳的公式是：白底、黑框、灰阶填充、单一强调色。画分组对比图时，用不同深浅的灰色区分组别；只在强调“处理组vs对照组”时，用一种强调色点出关键路径。这样在灰度打印模式下不会糊成一团，彩印也干干净净。

5.2 提示词里加“比例尺意识”

AI生成代码时不会知道你最后要把图缩到多小。我会提前在提示词里写清楚：“节点文字不超过8个汉字，模块间距均匀，适合A4纸单栏宽度打印。”这个限制会让AI自动压缩节点内容，避免最后缩图时字挤成一堆。这也是新手容易忽略的细节。

5.3 配合“实验记录本地化”的思路

最后分享一个工作习惯。我不会把AI生成的图直接扔进论文，而是先把图和原始dot代码、提示词一起归档到实验记录里。下次写结题报告、基金本子甚至答辩PPT时，调出代码改几个字，十分钟就能出图。这个习惯帮我省了很多重复劳动。

这个经验说起来简单，但确实是踩过几次坑之后才形成的。以前画好一张图就删掉中间文件，结果半年后要改，重新画了整整一下午。现在我会下意识地问一句：这个图以后还会改吗？如果会，就保留完整的“文字描述-代码-图片”三位一体文件。科研里很多东西都是这样，前期多做一步整理，后面能少熬几个夜。