企业官网建设流程全解析

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成

导读

本文深入讲解 SenseNova-Skills 开源仓库中sn-infographic信息图生成技能的venn-diagram（韦恩图）布局——一种通过 2～3 个半透明重叠圆圈来表达概念关系、共性与差异的可视化范式。文章将以 venn-diagram 布局定义 为核心骨架，完整还原其结构、适用场景、视觉元素与文本放置规范，并结合仓库源码揭示它在sn-infographic「内容分析 → 布局/风格选择 → 提示词扩展 → 多轮生成」流水线中的真实调用机制，帮助读者掌握该布局的选用条件、设计要点与可落地的提示词写法。

一、布局定位：venn-diagram 是什么

venn-diagram 是sn-infographic技能内置的 87 种布局定义之一（见 SKILL.md 的 References 说明），其核心思想用一句话概括：用重叠的圆圈展示元素之间的关系（relationships）、共同点（commonalities）与差异（differences）。

在布局体系中，它属于"关系型"（relationships）内容的候选方案。仓库中的 内容分析框架 明确将 "Connections, overlaps, influences"（连接、重叠、影响）这类内容类型映射到venn-diagram与hub-spoke两种布局，并推荐corporate-memphis、data-visualization两种风格作为搭配。也就是说，当用户需要表达"几个概念之间有哪些交集、哪些各自独有"时，venn-diagram 就是最贴切的空间语言。

二、结构规范：圆圈如何组织信息

原文档对 venn-diagram 的结构给出了明确的五项约束，这是该布局的信息架构骨架：

从结构规范看，该布局刻意控制圆圈数量在 2～3 个：两圆模型适合"A 与 B 的交集/差异"这类二元关系，三圆模型则能在两两交集之外增加"三者共有"的中央语义层；超过三个圆会导致交集区域组合爆炸、文本可读性急剧下降，因此不建议扩大规模。

在信息架构层面，这五个区域构成了完整的分区体系——任何一条内容都可以被精确归入"仅属 A""仅属 B""A∩B""A∩B∩C"等唯一区域，从而避免信息歧义。这正是 venn-diagram 相比普通并列列表的核心优势：用空间位置本身编码集合归属。

三、适用场景：什么时候该选 venn-diagram

原文档列出五类典型场景，结合仓库的 内容分析框架 可以进一步归纳为"关系型内容"这一大类的子集：

1. 概念关系（Concept relationships）——解释两个或多个概念之间的关联与交集，例如"人工智能 ∩ 大数据 = 机器学习的前提条件"。
2. 技能重叠（Skill overlaps）——对比多岗位/多角色的技能矩阵，重叠区表达共需技能，独有区表达差异化能力。
3. 市场细分（Market segments）——展示多个目标客群或产品线的交叉覆盖，中心区表达所有细分共有的核心诉求。
4. 对比分析（Comparative analysis）——在对比差异之外，同时强调双方共性（这是纯对比布局如 binary-comparison 无法覆盖的维度）。
5. 寻找共同点（Finding common ground）——用于沟通、谈判、团队协作场景，可视化各方共识与分歧。

值得注意的是，这类内容在 布局与风格选择规则 中对应relationships数据类型：其首选布局是hub-spoke，而venn-diagram与jigsaw、multi-focal并列作为替代布局。因此 venn-diagram 的典型触发条件是"关系以集合交集为主、以双方/三方共有为核心"，而如果关系是"一个中心主题向外辐射多个节点"，则hub-spoke更合适。

四、视觉元素设计：让重叠关系一眼可读

原文档规定了五项视觉要素，这些要素共同保证"重叠关系"在视觉上成立：

这三条视觉规范在生成提示词时需要转化为可执行的语言指令。仓库的 提示词扩展系统提示词 提供了几条与 venn-diagram 高度相关的约束：

• 语义图标对应（Semantic Icon Correspondence）：提示词中必须具体描述每个图标的视觉内容（例如"在 'Python' 文本旁绘制一条绿色蟒蛇插画"），不能只写"一个图标"——这正好适配 venn-diagram "区域内图标"的要求；
• 禁用十六进制色码：颜色必须用描述性名称（如 sage green、deep navy blue、terracotta），这与"每圆独立配色"要素直接呼应——提示词应写"珊瑚红圆 + 深海军蓝圆 + 暖黄圆"而非任何 hex 值；
• 文本加引号协议：图中要出现的文字必须用引号包裹，避免模型将标签误判为风格描述。

五、文本放置规范：信息该落在哪里

原文档给出五条文本放置准则，这决定了 venn-diagram 的信息层级：

1. 标题置顶（Title at top）——主标题位于画面上方，统领整张图；
2. 圆圈标签置于外侧或边缘（Circle labels outside or on edge）——集合名称不进入圆内部，避免与内容条目争夺空间；
3. 条目放入对应区域（Items in appropriate regions）——每条信息严格落入其集合归属区（独有区 / 交集区 / 中心区）；
4. 重叠区域标签（Overlap region labels）——交集区除放置条目外，还可用一个短标签概括该交集的语义（如"共享技能"）；
5. 按需添加图例（Legend if needed）——当颜色与概念的映射无法自说明时，用图例兜底。

这些准则与 基础提示词模板 中的文本要求一致：主标题要醒目可读、关键概念要加粗或用对比色突出、标签大小适中、所有硬数据（数字/日期/专有名词）以视觉区分的形态呈现。落实到 venn-diagram 上，交集区的条目恰恰应优先使用"数据徽章/加粗"形态，因为它承载着该布局最有价值的信息。

六、推荐风格搭配：不同语境的 venn-diagram

原文档给出了三种推荐风格搭配，每种对应一种内容气质：

此外，仓库的 内容分析框架 还为 relationships 类型补充推荐了data-visualization风格（data-visualization），适合带数据指标的集合分析场景。风格与布局是独立采样的（见下文第七节），因此 venn-diagram 可以与上述任一风格自由组合。

七、在 sn-infographic 生成流水线中的真实角色

venn-diagram 不是孤立的设计模板，它深度参与sn-infographic的自动生成管线。以下结合仓库源码还原它的调用链路。

7.1 布局选择：加权随机采样中的候选身份

布局与风格选择规则 定义了布局的入选机制：Worker Agent 先对user_prompt做内容分析得出data_type，再查表获得主布局（match_score=1.0）与替代布局（match_score=0.7），最后按权重随机抽取：

• relationships数据类型：主布局hub-spoke，替代布局jigsaw、multi-focal、venn-diagram；
• 采样时主布局以 10 份权重、每个替代布局以 9 份权重、外加 3 个随机无关布局各 1 份进入候选池（layout-style-selection.md），再shuf取首个。

这意味着venn-diagram 在关系型内容中具有约 9/（10+9×3）≈ 24% 的独立命中概率（另含随机项的小概率），是最常被抽中的关系类布局之一；用户也可以直接在请求中说明"用韦恩图/重叠圆圈表达"，Main Agent 会将其作为显式布局偏好传递（对应 SKILL.md 的参数提取规则）。

7.2 提示词扩展：布局定义如何进入生成提示词

选定布局后，Worker Agent 在 Step 2.3 执行提示词扩展时，会直接拼接所选布局文件的内容进入系统提示词（SKILL.md Step 2.3）：

cat "$SKILL_DIR/references/prompts-expand-system.md" cat "$SKILL_DIR/references/layouts/${LAYOUT}.md" # LAYOUT=venn-diagram 时即本文档 cat "$SKILL_DIR/references/styles/${STYLE}.md" cat "$SKILL_DIR/references/base-prompt.md"

也就是说，venn-diagram.md 中的"Structure / Visual Elements / Text Placement / Recommended Pairings"四个小节，会被原样注入给文本优化模型，作为扩写提示词时的硬性约束；随后 基础提示词模板 中的{{LAYOUT}}与{{LAYOUT_GUIDELINES}}占位符再由最终生成提示词填充。SKILL.md 特别强调这两步之间"只读被选中的那一个布局文件"，并且选择阶段（Step 2.1）只对布局名称做加权随机、不读取文件内容做"最优比较"（SKILL.md）——这是为了在保证多样性的同时控制 LLM 调用成本。

7.3 内容分析阶段：关系型内容的判定依据

布局能否命中 venn-diagram，取决于 Step 2.0 内容分析输出的data_type。仓库的 分析框架 要求从"数据如何与自身关联"（data_structure）、"什么与什么相连"（key_relationships）等维度判定类型；当内容呈现明显的集合交叉、重叠、相互影响特征时，relationships类型成立，venn-diagram才进入候选池。因此准备输入内容时，应尽量显式描述"A 与 B 共有 X、A 独有 Y、B 独有 Z"这类结构化关系，帮助分析模型做出正确归类。

7.4 运行时参数：适合 venn-diagram 的宽高比

生成参数由 运行时参数映射 推断。对关系/对比类内容，仓库的推断规则中较贴合的画面比例包括：

• 1:1（avatar、icon、logo mark、square cover）——三圆对称结构在正方形画布上最均衡；
• 5:4（near-square desktop card、comparison board、compact infographic panel）——对比/关系展板首选；
• 4:3（presentation slide、dashboard、classroom chart）——课堂/幻灯片场景。

若用户未显式指定，Worker 默认按16:9推断；在 prompt 中提示"对比展板 / comparison board"等场景词，可让推断更贴近上述方形比例，为三圆重叠结构留出充足的空间。

八、与相邻布局的取舍：什么时候不用 venn-diagram

venn-diagram 擅长"交集"，但对其他关系形态并非最优，仓库提供了可直接对照的相邻布局：

判断口诀：有"交集/共同部分"要强调，选 venn-diagram；只有"差异对比"，选 binary-comparison；只有"核心辐射"，选 hub-spoke。若内容同时涉及多重关系，也可以依赖技能的多轮生成（max_rounds=2~8）让 VLM 评审与重绘机制（SKILL.md Step 3）自动择优。

九、实战要点小结

要把 venn-diagram 布局用好，在 SenseNova-Skills 生态中可按以下清单操作：

1. 输入侧：在需求中显式给出集合结构（如"列出 A、B、C 三者各自独有与两两共有的能力"），并可按需注明"使用韦恩图/venn diagram"以触发显式布局偏好；
2. 布局侧：理解relationships数据类型下venn-diagram是权重较高的替代候选（layout-style-selection.md），无需手工指定也有约四分之一命中概率；
3. 提示词侧：遵循 提示词扩展系统 的"语义图标描述 + 描述性颜色名 + 文本加引号"三条铁律，让半透明圆、交集区图标与边界标签真正落地；
4. 参数侧：对比/关系内容可提示5:4或1:1比例，并通过max_rounds开启 VLM 多轮评审，让重叠区域的文本清晰度获得机器把关；
5. 落地侧：最终生成提示词由 基础提示词模板 承载，{{LAYOUT_GUIDELINES}}即由 venn-diagram 布局文件的四个小节填充——想深度定制输出，直接研读该布局定义文件即可。

综上，venn-diagram 是sn-infographic处理关系型内容的高频布局：它以"空间位置编码集合归属"的独特优势，在概念关系、技能矩阵与市场细分等场景中表现突出；而其从候选池加权采样、到 Step 2.3 拼接注入、再到最终生成提示词模板占位符填充的完整链路，也体现了 SenseNova-Skills 将"设计规范文本"直接作为可控生成约束的工程思路。读者既可以把本文档当作设计参考，也可以把它作为深入理解sn-infographic自动化管线的入口。

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成