企业官网建设流程全解析

1. 为什么实验方案示意图值得单独花时间搞定

做实验的人都有一个共识：方案写得好不好，一半看逻辑，一半看图。你可以在组会上用二十分钟讲清楚一个复杂的实验流程，但如果你甩出一张画得乱七八糟的示意图，听众的注意力会瞬间从“你的实验设计有多巧妙”转移到“这个箭头怎么指到那边去了”。更现实的问题是，很多实验方案在评审、汇报、论文投稿阶段，审稿人或者评委第一眼看的就是图。图不清楚，后面内容再扎实，印象分先扣一半。

我做了这么多年实验方案设计和科研绘图，踩过的坑不比谁少。早期用PPT硬画，对齐靠肉眼，箭头靠手拖，改一版图比做一轮实验还累。后来转向AI辅助绘图，效率确实上来了，但中间也交了不少学费。这篇文章就把我用AI工具绘制专业实验方案示意图的完整思路、工具选型、实操步骤和避坑经验全部摊开讲。不管你是刚进实验室的研究生，还是需要频繁做方案汇报的工程师，或者只是偶尔要画一张流程示意图的职场人，这篇内容都能直接拿来用。

核心关键词就三个：AI工具、实验方案示意图、绘图。我会围绕这三个词，把从“脑子里有想法”到“手里有成品图”的全过程拆解清楚。你不需要有美术功底，也不需要精通什么专业绘图软件，只要能把实验逻辑说清楚，剩下的交给合适的工具和正确的流程。

2. 实验方案示意图到底在画什么

2.1 先搞清楚示意图的类型和用途

很多人一上来就问“用什么工具画图”，这个问题其实问反了。你应该先问“我要画的是哪种图”。实验方案示意图不是一个单一概念，它至少涵盖以下几种类型：

• 流程型示意图：展示实验步骤的先后顺序，比如“样品预处理→反应→分离→表征→数据分析”。这种图的核心是逻辑链清晰，箭头方向明确。
• 装置型示意图：展示实验装置的结构和连接关系，比如反应釜、管路、传感器、数据采集系统的布局。这种图对空间关系和比例有一定要求。
• 机理型示意图：展示反应机理、信号通路、材料结构变化等抽象过程。这种图往往需要示意化的粒子、分子、能级、界面等元素。
• 对比型示意图：展示不同实验条件、不同组别之间的差异，比如对照组和实验组的流程对比。
• 综合型示意图：把上述几种类型组合在一起，常见于论文的Graphical Abstract或基金申请书的方案图。

不同类型的图，对工具的要求完全不同。流程型示意图用AI文本生成工具就能快速出草稿，装置型示意图可能需要结合专业绘图软件，机理型示意图则对图形元素的丰富度和可定制性要求更高。所以第一步不是打开工具，而是明确你的图属于哪一类。

2.2 一张合格的实验方案示意图应该满足什么标准

我总结了一个“四看”标准，每次画完图都拿这四条过一遍：

一看逻辑是否自洽。箭头从哪来、到哪去，有没有断头路，有没有循环死锁，分支条件是否标注清楚。逻辑不自洽的图，画得再漂亮也是废图。

二看信息层级是否分明。主流程、辅助步骤、条件标注、结果输出，这些信息的视觉权重应该不一样。主流程用粗线大框，辅助信息用细线小字，条件标注用不同颜色或线型区分。如果所有元素都长一个样，读者眼睛会累。

三看是否可独立阅读。好的示意图应该做到：把图单独截出来发给一个同领域的人，对方不看正文也能大致理解你的实验方案。这意味着图里的标注、图例、缩写说明要到位。

四看是否适配目标场景。组会汇报的图可以稍微随意一点，论文投稿的图必须符合期刊的格式要求（分辨率、字体、线宽、配色），基金申请书的图则要兼顾信息密度和视觉美观。同一个实验方案，面向不同场景可能需要画不同精细度的版本。

2.3 AI工具在绘图流程中到底扮演什么角色

这里必须说清楚一个认知：目前的AI工具，无论是文本大模型还是图像生成模型，都不能“一键生成一张可以直接投稿的实验方案示意图”。谁要是告诉你可以，那要么是他要求极低，要么是他没投过稿。

AI工具真正能帮上忙的环节是这几个：

• 逻辑梳理和结构化：你把实验方案用自然语言描述出来，AI帮你整理成清晰的步骤列表、分支条件、输入输出关系。这一步用文本类AI工具就能完成，而且效果很好。
• 草图生成和布局建议：一些AI绘图工具可以根据文字描述生成流程图的初步布局，你在这个基础上调整比从零开始快得多。
• 图形元素生成：对于机理型示意图中需要的特殊图形元素（比如某种纳米颗粒、细胞结构、装置轮廓），可以用AI图像生成工具单独生成素材，再导入到专业绘图软件中组合。
• 代码化绘图：对于需要精确控制、频繁修改的图，用Python、MATLAB、TikZ等代码化绘图方式，AI可以帮你写代码框架，你改参数就行。这种方式在科研绘图里越来越流行，因为可复现性强，改一版图只需要改几行代码。
• 格式转换和优化：比如把草图转成矢量图、调整配色方案、统一字体和线宽等。

理解了这个分工，你就不会对AI工具有不切实际的期待，也能更高效地把它嵌入到自己的绘图流程里。

3. 工具选型：不同场景下我用什么

3.1 文本类AI工具：用来做逻辑梳理和绘图代码生成

我日常用得最多的是Kimi、DeepSeek这类网页版文本AI工具。它们在这个流程里的核心价值不是“画图”，而是“帮我想清楚要画什么”以及“帮我写绘图代码”。

具体怎么用？举个例子。我有一段实验方案的文字描述：“取5g样品，加入50mL去离子水，在60摄氏度水浴中搅拌30分钟，然后离心分离，取上清液用紫外分光光度计在254nm处测吸光度，同时做空白对照。”

我把这段话丢给AI，让它帮我整理成流程图的节点和连接关系。它会输出类似这样的结构：

开始 → 称取5g样品 → 加入50mL去离子水 → 60℃水浴搅拌30min → 离心分离 → 取上清液 → 紫外分光光度计测254nm吸光度 → 记录数据 → 结束 空白对照 → 同上流程（不加样品） → 对比分析

这个结构直接就是流程图的骨架。我再根据这个骨架去画图，比边想边画快得多。

另一个重要用途是生成绘图代码。比如我想用Python的matplotlib画一张实验流程示意图，我可以直接让AI写代码框架：

import matplotlib.pyplot as plt import matplotlib.patches as mpatches fig, ax = plt.subplots(figsize=(12, 8)) ax.set_xlim(0, 10) ax.set_ylim(0, 8) ax.axis('off') # 定义流程框 boxes = [ (1, 6.5, '称取样品'), (3.5, 6.5, '加入溶剂'), (6, 6.5, '水浴搅拌'), (8.5, 6.5, '离心分离'), (8.5, 4, '取上清液'), (6, 4, '紫外测定'), (3.5, 4, '记录数据'), ] for x, y, text in boxes: rect = mpatches.FancyBboxPatch((x-0.8, y-0.4), 1.6, 0.8, boxstyle="round,pad=0.1", facecolor='#E8F4F8', edgecolor='#2C7FB8', linewidth=1.5) ax.add_patch(rect) ax.text(x, y, text, ha='center', va='center', fontsize=10) plt.tight_layout() plt.savefig('flowchart.png', dpi=300, bbox_inches='tight')

这段代码跑出来就是一个基础流程图。你在这个基础上调整坐标、颜色、箭头，比在PPT里拖框快得多，而且改起来方便。AI写代码的能力在这类任务上已经相当可靠了，你只需要把需求描述清楚。

注意：AI生成的代码不一定一次就能跑通，常见问题是坐标重叠、箭头方向不对、中文字体显示为方块。中文字体问题需要在代码里指定字体，比如plt.rcParams['font.sans-serif'] = ['SimHei']。坐标问题就手动调几个数字的事，比重新画一遍省力得多。

3.2 代码化绘图工具：Python、MATLAB、TikZ怎么选

代码化绘图是我最推荐科研人员掌握的技能，因为它的可复现性太重要了。你投出去一篇论文，审稿人让你改图，你如果用的是PPT画的，改一版可能要半小时；如果是代码画的，改个参数重新跑一遍，十秒钟的事。

Python + matplotlib：适合流程型示意图、简单的装置示意图、数据对比图。优势是免费、生态丰富、AI辅助写代码方便。劣势是复杂图形元素的绘制比较繁琐，需要一定的编程基础。

MATLAB：适合工程类的装置示意图、信号流图、控制系统框图。优势是矩阵运算和图形处理能力强，Simulink本身就能画系统框图。劣势是正版授权费用不低，而且代码风格和Python差异较大。

TikZ（LaTeX绘图包）：适合论文投稿用的高质量矢量图，尤其是机理型示意图和需要精确排版的图。优势是输出质量极高、字体和正文完美统一、完全矢量可缩放。劣势是学习曲线陡峭，写代码像在写天书。不过现在有AI辅助，你可以让AI帮你写TikZ代码，自己改参数就行，门槛降低了不少。

我个人的选择策略是这样的：

3.3 AI图像生成工具：用来做素材，不是做成品

AI图像生成工具（比如各种文生图模型）在实验方案示意图这个场景里，定位是“素材生成器”，不是“成品输出器”。原因很简单：这些工具生成的图像是位图，分辨率有限，文字标注基本不可控，而且科学准确性无法保证。你让它画一个“三颈烧瓶”，它可能给你画出一个长得像烧瓶但结构完全不对的东西。

但它可以用来生成一些装饰性、示意性的图形元素。比如：

• 机理示意图中的抽象粒子、细胞、分子结构
• 装置示意图中的设备轮廓、图标
• 论文Graphical Abstract中的背景元素

生成这些素材后，导入到Illustrator或Inkscape里，和你的流程框、箭头、文字标注组合在一起，才能形成一张完整的示意图。这个组合过程目前AI还替代不了，需要人工判断和调整。

实操心得：用AI生成素材时，提示词里要加上“scientific illustration, clean lines, white background, vector style”这类限定词，生成出来的图更接近科研绘图的风格。生成后不要直接用，一定要在矢量软件里重新描一遍或者做矢量化处理，否则放大后模糊，投稿会被拒。

3.4 在线绘图平台：快速出图的首选

如果你不想写代码，也不想装专业软件，在线绘图平台是最快上手的选择。draw.io、ProcessOn、Lucidchart这些工具都有丰富的流程图模板和组件库，拖拖拽拽就能出一张像样的图。

AI功能在这些平台上的集成也越来越深。比如有些平台支持“用自然语言描述流程，自动生成流程图”，你输入一段文字，它帮你把框和箭头摆好，你只需要微调位置和样式。这个功能对于流程型示意图来说，效率提升非常明显。

但这类平台的局限性也很明显：复杂图形元素的定制能力弱，输出格式和分辨率有限制，免费版通常有水印或数量限制。所以我的建议是：快速原型用在线平台，最终成品用代码化工具或专业矢量软件。

4. 完整实操流程：从文字描述到成品图

4.1 第一步：把实验方案写成结构化文字

这一步看起来简单，但很多人跳过或者做得潦草，导致后面画图时反复改。我的做法是，在打开任何绘图工具之前，先用纯文本把实验方案写成“节点+连接+条件”的结构。

具体格式可以参照这个模板：

[实验名称]：XXX材料的水热合成与表征 [节点列表]： N1: 称取前驱体A（2.5g） N2: 加入去离子水（30mL） N3: 磁力搅拌（30min，室温） N4: 加入沉淀剂B（5mL） N5: 转移至水热釜 N6: 水热反应（180℃，12h） N7: 自然冷却至室温 N8: 离心分离（8000rpm，10min） N9: 洗涤（去离子水+乙醇，各3次） N10: 干燥（60℃，24h） N11: 表征（XRD、SEM、TEM） [连接关系]： N1 → N2 → N3 → N4 → N5 → N6 → N7 → N8 → N9 → N10 → N11 [分支条件]： N4之后可选：是否调节pH（是→加pH调节步骤；否→直接进N5） [输入输出]： 输入：前驱体A、去离子水、沉淀剂B 输出：目标材料粉末、表征数据

这个结构写出来之后，画图就是“填空”了。而且这个文本本身也可以直接放进实验方案文档里作为流程说明，一举两得。

4.2 第二步：用AI工具生成初版布局

把上一步的结构化文字丢给AI工具，让它帮你生成流程图的布局建议。你可以这样提问：

“请根据以下实验流程节点和连接关系，帮我设计一张流程图的布局方案。要求：主流程从左到右或从上到下，分支条件用不同颜色标注，输入输出放在图的边缘位置。请给出每个节点的坐标建议和连接线的走向。”

AI会输出一个布局方案，包括每个框的位置、箭头的连接方式、分支的标注位置。你拿着这个方案去绘图工具里摆框，比自己在空白画布上想要快得多。

如果你用的是支持自然语言生成流程图的在线平台，直接把结构化文字粘贴进去，它自动生成初版。生成后重点检查三件事：箭头方向对不对、分支条件有没有漏、文字有没有被截断。

4.3 第三步：精修图形元素和视觉样式

初版布局出来之后，进入精修阶段。这个阶段的核心工作是：

统一视觉风格。所有流程框用同一种圆角矩形，同一种边框粗细，同一种填充色。主流程框和辅助框用颜色区分，比如主流程用浅蓝色填充，辅助步骤用浅灰色填充，条件判断用菱形框加浅黄色填充。

调整线型和箭头。主流程用粗实线箭头，辅助关系用细虚线箭头，反馈回路用不同颜色的箭头。箭头的大小要统一，不要有的粗有的细。

优化文字排版。框内的文字要居中，字号要统一，中英文混排时注意字体搭配。如果框内文字太多，考虑拆成两个框或者用缩写加图例说明。

添加图例和标注。图例放在图的角落，说明颜色和线型的含义。关键步骤可以加编号，方便正文引用。输入输出用不同形状的框标注，比如输入用平行四边形，输出用圆角矩形。

这个阶段是最耗时的，但也是决定图“专业感”的关键。我的经验是，初版布局可能只花十分钟，精修可能要花半小时到一小时。但这一小时值得花，因为一张精修过的图可以用在很多场合，反复利用。

4.4 第四步：输出和格式适配

图精修完之后，根据使用场景输出不同格式：

• 组会汇报：导出PNG或JPG，分辨率150-200dpi即可，文件不要太大。
• 论文投稿：导出矢量格式（PDF、EPS、SVG），或者高分辨率位图（TIFF，300-600dpi）。具体看期刊要求。
• 基金申请书：通常要求嵌入Word文档，导出高分辨率PNG或EMF格式。
• 网页或演示文稿：导出SVG或高分辨率PNG，保证缩放不模糊。

注意：论文投稿的图，字体通常要求Arial或Helvetica，字号不小于8pt，线宽不小于0.5pt。这些细节在精修阶段就要注意，不要等投稿了再改。

5. 常见问题与排查技巧实录

5.1 为什么AI生成的流程图总是差点意思

这是最常见的问题。AI生成的流程图，逻辑通常没问题，但视觉上总感觉“不够专业”。原因主要有三个：

一是间距不均匀。AI生成的布局，框与框之间的距离往往不一致，有的挤在一起，有的隔太远。解决办法是手动调整，或者用绘图工具的“对齐分布”功能统一间距。

二是箭头走线不规整。AI生成的箭头经常斜着走或者绕远路。解决办法是尽量用正交线（水平或垂直），需要拐弯的地方用直角拐弯，不要用斜线。

三是配色太花哨。AI默认的配色方案往往颜色太多、饱和度太高，看起来像儿童画。解决办法是限制配色数量，整张图不超过四种颜色，用同一色系的不同深浅来区分层级。

5.2 中文字体显示异常怎么处理

用Python matplotlib绘图时，中文字体经常显示为方块。解决办法是在代码开头加上：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False

SimHei是Windows系统自带的黑体，Microsoft YaHei是微软雅黑，Arial Unicode MS是Mac系统常用的中文字体。根据你的系统选择对应的字体名称。如果还是不行，检查系统是否安装了该字体，或者用字体文件的绝对路径指定。

用TikZ绘图时，中文字体需要ctex宏包支持，在导言区加上\usepackage{ctex}即可。

5.3 图改了很多版，怎么管理版本

这是科研绘图的隐形痛点。一张图改了七八版，最后不知道哪版是最新的，哪版是投稿用的。我的做法是：

• 代码化绘图的，用Git管理代码，每次修改commit一次，注释写清楚改了什么。
• 非代码化绘图的，文件名加上日期和版本号，比如实验流程图_20250115_v3.pdf。
• 最终投稿版单独建一个文件夹，里面只放最终版和对应的源文件。
• 在实验记录本里记一笔：某年某月某日，图改了什么，为什么改。

这个习惯看起来麻烦，但当你需要回溯“为什么当时把那个箭头去掉了”的时候，你会感谢自己。

5.4 常见问题速查表

5.5 几个我踩过的坑

坑一：过度依赖AI生成，不检查科学准确性。有一次我用AI生成了一张机理示意图，图很漂亮，但里面一个关键步骤的箭头方向反了。幸好我在组会前检查了一遍，不然就闹笑话了。AI不懂你的实验，它只懂图形布局，科学逻辑必须你自己把关。

坑二：在PPT里画图，改到崩溃。早期我用PPT画流程图，每次改一个框的位置，所有箭头都要重新调。后来改用代码化绘图，改坐标数字就行，效率天差地别。如果你还在用PPT画复杂的实验方案图，强烈建议换工具。

坑三：忽略图的“可独立阅读性”。有一次我投了一篇论文，审稿人反馈说“图1中的缩写没有定义，无法理解”。我回去一看，图里用了五六个缩写，但图注里只解释了其中两个。后来我养成了一个习惯：图里出现的每一个缩写、每一个符号，要么在图内有说明，要么在图注里解释清楚。

坑四：配色不考虑色盲读者。红绿搭配是最常见的配色方案，但红绿色盲读者无法区分。后来我改用蓝色和橙色搭配，或者用不同线型（实线、虚线、点线）来区分，而不是只靠颜色。

6. 进阶技巧：让示意图更上一层楼

6.1 用AI辅助生成TikZ代码画高质量矢量图

TikZ是LaTeX的绘图包，输出质量极高，特别适合论文投稿。但TikZ代码写起来很繁琐，一个简单的流程图可能要写几十行。现在有了AI辅助，你可以让AI帮你写TikZ代码框架，自己改参数就行。

比如你让AI写一个简单的流程框图：

\documentclass[tikz,border=10pt]{standalone} \usepackage{ctex} \usetikzlibrary{shapes.geometric, arrows, positioning} \begin{document} \begin{tikzpicture}[ node distance=2cm, box/.style={rectangle, rounded corners, draw=blue!60, fill=blue!10, thick, minimum width=3cm, minimum height=1cm, align=center}, arrow/.style={->, thick, >=stealth, blue!60} ] \node[box] (n1) {称取样品}; \node[box, right=of n1] (n2) {加入溶剂}; \node[box, right=of n2] (n3) {水浴搅拌}; \node[box, below=of n3] (n4) {离心分离}; \node[box, left=of n4] (n5) {紫外测定}; \draw[arrow] (n1) -- (n2); \draw[arrow] (n2) -- (n3); \draw[arrow] (n3) -- (n4); \draw[arrow] (n4) -- (n5); \end{tikzpicture} \end{document}

这段代码编译出来就是一张干净的矢量流程图。你改改节点文字、调整一下node distance参数、换个颜色，就能快速生成不同版本的图。AI写TikZ代码的准确率已经不错了，复杂图形可能需要微调，但比从零学TikZ快得多。

6.2 用Python脚本批量生成系列示意图

如果你需要画一组风格统一的示意图（比如论文里有五张流程图），用Python脚本可以保证风格完全一致。你可以定义一个绘图函数，把节点列表和连接关系作为参数传进去，批量生成。

def draw_flowchart(nodes, edges, filename): fig, ax = plt.subplots(figsize=(12, 8)) ax.set_xlim(0, 10) ax.set_ylim(0, 8) ax.axis('off') for node in nodes: x, y, text = node['x'], node['y'], node['text'] rect = mpatches.FancyBboxPatch((x-0.8, y-0.4), 1.6, 0.8, boxstyle="round,pad=0.1", facecolor='#E8F4F8', edgecolor='#2C7FB8', linewidth=1.5) ax.add_patch(rect) ax.text(x, y, text, ha='center', va='center', fontsize=10) for edge in edges: start = (edge['from'][0], edge['from'][1]) end = (edge['to'][0], edge['to'][1]) ax.annotate('', xy=end, xytext=start, arrowprops=dict(arrowstyle='->', color='#2C7FB8', lw=1.5)) plt.tight_layout() plt.savefig(filename, dpi=300, bbox_inches='tight') plt.close()

这个函数定义好之后，你只需要准备不同的节点和连接数据，就能批量出图。风格完全统一，改样式只需要改函数里的参数。

6.3 用AI图像工具生成机理示意图的装饰元素

机理示意图里经常需要一些“看起来像那么回事”的图形元素，比如纳米颗粒、细胞、分子链、能带结构等。这些元素用绘图软件手画很费时间，用AI图像生成工具可以快速出素材。

提示词可以这样写：

“Scientific illustration of a spherical nanoparticle with surface ligands, clean vector style, white background, blue and gray color scheme, no text, high detail”

生成后导入Inkscape或Illustrator，用“描摹位图”功能转成矢量，再和你的流程框组合。这样既有了丰富的图形元素，又保证了矢量输出的清晰度。

注意：AI生成的图形元素在科学准确性上不能保证，比如纳米颗粒的尺寸比例、分子结构的键角等。这些元素只适合做示意性装饰，不能替代精确的科学图示。如果你的图需要严格的科学准确性，还是建议用专业软件手绘或从数据库导出。

6.4 配色方案的选择和优化

配色是决定图“专业感”的关键因素之一。我总结了几条实用原则：

原则一：限制颜色数量。整张图的主色调不超过三种，加上黑白灰，总共不超过五种颜色。颜色太多会显得杂乱。

原则二：用同一色系的不同深浅表示层级。比如主流程用深蓝色，辅助步骤用浅蓝色，背景用极浅的蓝色。这样既有层次感，又不会花哨。

原则三：避免高饱和度颜色。纯红、纯绿、纯蓝看起来刺眼，降低饱和度后看起来更舒服。可以用在线配色工具生成低饱和度的配色方案。

原则四：考虑色盲友好。避免红绿搭配，改用蓝橙搭配。如果必须用颜色区分，同时加上不同的线型或图案。

原则五：参考目标期刊的配色风格。不同期刊对配色的偏好不同，有的喜欢简洁黑白，有的接受彩色。投稿前翻几篇该期刊的近期论文，看看他们的图用什么配色，跟着学。

7. 不同场景下的实战建议

7.1 组会汇报：快比好重要

组会汇报的示意图，核心要求是“能说清楚”。你不需要花一小时精修一张图，用在线绘图平台十分钟出一张，逻辑清楚、箭头明确就够了。配色用默认的就行，字体用系统默认的就行。组会上大家关注的是你的实验逻辑，不是你的绘图水平。

但有一个细节要注意：投影仪的色彩还原往往很差，浅色填充和细线在投影上可能看不清。所以组会用的图，对比度要高一些，线要粗一些，字号要大一些。

7.2 论文投稿：细节决定成败

论文投稿的图，要求就严格多了。除了前面说的字体、线宽、分辨率要求，还有几个容易忽略的点：

• 图注要完整。图注应该包含图的标题、各部分的说明、缩写定义、误差棒含义等。审稿人可能只看图和图注就判断你的工作质量。
• 子图标注要规范。多个子图用(a)(b)(c)标注，标注位置要统一，通常在左上角。
• 比例尺要标注。涉及显微图像的图，必须标注比例尺。
• 统计信息要完整。如果图中有数据对比，要标注样本量、误差类型、显著性水平。

7.3 基金申请书：信息密度和美观的平衡

基金申请书的方案图，读者是评审专家，他们时间有限，需要在短时间内理解你的实验方案。所以这类图的要求是：信息密度高，但视觉上不能太拥挤。

我的做法是：主流程用大框粗线，辅助信息用小字放在旁边，用不同颜色区分不同模块。整张图控制在A4纸的一半到一页之间，太大了评审看不完，太小了看不清。

7.4 教学演示：可读性优先

如果你是用示意图做教学演示，比如给本科生讲实验流程，那图的可读性比专业性更重要。字号要大，颜色要鲜明，箭头要粗，步骤编号要清楚。可以适当加一些图标或示意图，帮助学生理解。

8. 我个人的工具组合和工作流

说了这么多，最后分享一下我目前最顺手的工具组合和工作流：

日常快速出图：Kimi/DeepSeek梳理逻辑 → draw.io拖拽出图 → 导出PNG。全程不超过二十分钟。

论文投稿用图：Kimi/DeepSeek生成Python代码框架 → 本地跑代码调参数 → 导出PDF矢量图 → 在Inkscape里做最终微调。一张图从开始到定稿大约一到两小时。

机理示意图：AI图像工具生成素材 → Inkscape描摹转矢量 → 和流程框组合 → 调整配色和排版。这种图最耗时，但效果也最好。

需要频繁修改的图：直接用Python脚本或TikZ代码，改参数重新跑。前期投入时间多，后期改图几乎零成本。

这个工作流不是固定的，你可以根据自己的习惯和项目需求调整。核心思路是：让AI做它擅长的事（逻辑梳理、代码生成、素材生成），你做你擅长的事（科学判断、视觉审美、最终把关）。两者配合好了，画实验方案示意图这件事就从“苦差事”变成了“顺手活”。

最后再分享一个小技巧：每次画完图，把它发给自己或者同事看一眼，问一句“你能看懂这张图在说什么吗”。如果对方三秒内能说出你的实验流程，这张图就合格了。如果对方犹豫了，说明图里还有需要改进的地方。这个“三秒测试”比任何标准都管用。