把论文交给这个 Skill，多版框架图摆在面前，你来挑！

用 AI 画论文框架图，最烦的是什么？

不是画不出来，而是想改一个地方，却连原本满意的部分也一起变了。

于是，画图变成了反复试：

最近，我测试了一个专门做论文框架图的 Skill：Paper Framework Figure Studio Pro。

它不急着出图，而是先理解论文、提出几种结构，再由人选方向，继续细化。

下面就用一篇论文，看看这套流程是怎么跑的。

01｜画图之前，先把论文拆清楚

一篇论文往往不止一种画法。动手前，要先想清楚：这张图讲什么？哪个模块最重要？读者应该按什么顺序看？

测试开始时，我给了它一个明确要求：

S0：任务要求

这样做，是为了避免它被原图影响，最后只是换个风格重画一遍。

S0 的任务，是先梳理论文内容。

在 SemiDFL 的测试中，它区分了有标签、无标签和混合三类客户端，再拆解伪标签、扩散模型、数据混合、验证和聚合等环节，同时整理公式、变量、模块连接和跨轮次反馈关系。

它还列出了几条不能画错的要求：不能增加中央服务器，不能把共识数据空间画成中央共享数据库，也不能把三类客户端混成一类。

S0：论文结构分析与关键约束

这些内容确定后，后面的绘图和检查才有依据。作者也应该在这一步确认：AI 对论文的理解有没有偏差。

02｜S1：先选讲法，再选画法

完成论文分析后，进入 S1。这一步仍然不画图，而是提出不同的表达方案。

这次，它给出了四个方向：

C01：突出相互作用。 重点展示共识数据空间和共识模型空间如何相互促进。

C02：突出执行顺序。 讲清楚一轮训练是怎样完成的。

C03：突出分层关系。 将数据空间和模型空间分开呈现。

C04：突出客户端差异。 展示三类客户端如何进入同一套框架。

S1：四个候选方向

这不是四种画风，而是四种讲述论文的方法。

选择哪一种，取决于你最想让读者记住什么：核心机制、训练流程，还是不同参与者的关系。

方案确定后，Skill 会继续整理模块关系、布局、连线、图中文字和变量位置，并记录哪些内容不能出现，再进入绘图阶段。

03｜S2：生成第一轮候选图

到了 S2，才真正开始出图。这一轮，我只要求生成 C01 和 C02，先比较两种表达方式。

中间遇到了图片生成额度限制。它没有把任务写成完成，而是记录：

恢复后，我们才继续完成两张候选图。

这个细节值得保留：流程可以中断，但完成到哪一步、哪些还没做，需要说清楚。

S2：第一轮候选图

拿到图片后，接下来不是让 AI 自己决定哪张最好，而是由人提出取舍。

04｜S3：把“我更喜欢这样”变成修改要求

我给出的反馈很直接：

这些反馈并不专业，却是实际使用时很自然的表达。

S3 要做的，就是把它们整理成明确的修改要求：保留 C01 的结构，借鉴 C02 的箭头，减少装饰。

这样，下一轮就不只是“再画好看一点”，而是有了具体依据：哪些保留，哪些调整，哪些删除。

不过，记下要求还不够。下一轮图片生成后，仍要对照检查，看看它有没有真正改到位。

05｜S4—S5：按选定方向，生成第二轮候选

进入 S4 后，Skill 先把前面的选择整理成正式绘图说明，再交给 S5 生成。

这次形成了两个方案：

F01：简洁的双共识框架。 重点展示共识数据空间与共识模型空间的相互作用，突出论文的核心机制。

F02：精简的单轮训练流程。 按执行顺序展开，更强调一轮训练中各个环节如何连接。

S5：第二轮正式候选图

到这里，整个过程是：

每一轮都有明确任务，不必每次都从“帮我画一张框架图”重新开始。

需要说明的是，拿到候选图，还不等于完成了论文插图。文字、公式、箭头和模块关系，仍需要作者核对。

06｜这次测试，最值得保留的是什么？

对我来说，这个 Skill 值得关注的，不只是能生成几张图，而是把几个容易混在一起的决定分开了：

论文讲了什么，先确认；图要突出什么，再选择；最后才调整布局、箭头和装饰。

对于模块多、参与角色多、存在反馈关系的方法，这种顺序尤其值得借鉴。因为框架图一旦把角色、连线或执行顺序画错，读者就可能误解方法。

当然，流程清楚，不代表图片一定正确。AI 负责提出方案和继续绘图，人仍要负责核对内容、选择方向和确认修改结果。

比起反复换提示词，我更愿意先把两个问题说清楚：

把这两点定下来，再让 AI 继续画，修改才有明确方向。