你让 AI 画个图,老被气到?先别怪模型笨——大概率是你让它干了一件本就容易翻车的活。
微软 Research 刚开源了个小工具 Flint(514 star,MIT)。它没吹自己多强,但把”AI 为什么画不好图”这件事讲透了。摆两种做法出来对比,一下就清楚。
旧做法:让 LLM 直接手写图表代码。你要一张图,模型就去憋一大段 Vega-Lite 的 JSON,或者一段 matplotlib。这东西又长又碎、语法讲究得要命,模型写错几乎是常态——轴标错位、图例乱套、颜色对不上,运气差直接甩你一段报错。更阴间的是它经常错得很自信:图是出来了,可能把”国家”这种字段悄悄当成了数值轴,你不逐个核对根本发现不了。你以为换个更强的模型能救?换了往往还是错,只是错得花样不同。
Flint 的做法:中间加一层”可视化中间语言”。模型不再直接写渲染代码,改成写一份简单、人也能顺手改的 Flint 规格,再交给编译器生成正确的图。规格里有 70 多种”语义类型”——Rank(排名)、Price(价格)、Temperature(温度)、Country(国家)之类,你让模型讲清楚”这个字段到底是什么”,而不用它去猜该配什么编码、什么图例。剩下的尺寸、间距、标签、图例,Flint 照着数据量和画布自动调。而且这份规格人也能读能改:嫌配色、想换个标签,你自己动手改一行就行,不用回去啃 Vega-Lite 的文档。一份规格能编译成 30 多种图,还能落到 Vega-Lite、ECharts、Chart.js 三个后端;它也带了个 MCP server,专门给 agent 用:选模板、校验、打开可交互的图。它最实在的用处,就是给那些要自动出图的 agent、报表、dashboard 兜底——让”AI 生成的图”从”看运气”变成”基本靠谱”。
两种做法一摆,病根就清楚了:AI 画图不稳,问题出在我们让它去当渲染引擎,而这本该是编译器的活。Flint 反着走——让模型只描述意图,把琐碎又容易错的渲染,交给确定性的编译器。这跟这两年那些真正管用的招——structured output、JSON schema、给它一套 DSL——是同一个思路:治 LLM 输出不稳,靠的是把目标收窄、结构化,指望换个更大的脑子来兜底,往往找错了方向。这条原则,比 Flint 这个工具本身更值得记。你手里但凡有个会让 LLM 自动生成代码、SQL、配置的流程,都能拿这句话回头检查一遍:是不是让它写了太底层的东西,能不能给它一个更收窄、更结构化的目标去接。
当然,别把它当银弹。东西还很新,Python 版还是预览、包都没正式发;”支持 30 多种图”说的是编译目标的覆盖面,不代表你要的那张一定完美;而且它冲着 agent / MCP 设计,不是在 ChatGPT 里点一下就好用,你得自己接进去。这些我没实测,是照着公开仓库讲的。
转给那个天天让 AI 画图、又天天被气到的朋友。
关注 @svtransit1 · 写给真在用 AI 的人
链接 · 👇 第一条评论
#AI #AI工具 #数据可视化 #MCP #Flint
原始来源：https://github.com/microsoft/flint-chart
关注 @svtransit1 · 每 3 小时一篇 AI 前线 · RSS