最近在做一篇医疗 AI 方向的论文，需要画一张比较复杂的系统架构图。
这种图和普通的示意图不太一样，既要把系统流程和模块关系表达清楚，又涉及大量节点、箭头、分区和文字。完全从零开始在 draw.io 里搭，工作量其实挺大的。
但我又不太喜欢直接让 AI 一键生成最终图片。
因为科研绘图后续基本一定还要修改。可能导师让你挪一个模块、审稿人要求补一条流程，或者最后投稿时需要调整字号和排版。如果最终只有一张 AI 生成的 PNG，后面会非常痛苦。
所以这次我尝试了一套比较适合自己的方法：
AI 负责构思和搭骨架，draw.io 负责最终编辑，人负责最后的科学表达和细节控制。
Step 1：先让 ChatGPT 把论文内容变成图的结构
我先把已经确定好的系统方法和流程告诉 ChatGPT，让它帮我梳理：
哪些内容应该放在同一个模块里、模块之间是什么关系、信息流应该怎么走，以及整张图大概应该采用什么布局。
在逻辑基本确定之后，再让 GPT 生成一版参考图。
这一步我并不追求直接生成最终成图。
它更像是一个视觉草稿。
比如我这张图最后被拆成了：
① Guideline Knowledge Base
② Patient Case Processing
③ Guideline Selection & Path Localization
④ Evidence Retrieval & Module Generation
先把这几个大区块和内部流程确定下来，比直接在 draw.io 里面面对一张白纸轻松很多。
Step 2：把参考图转换成可以编辑的 draw.io
这是整个流程里我觉得最省时间的一步。
我使用了 @六只六只. 同学分享的 draw.io skill，让 AI 根据参考图重新生成 draw.io 文件。
转换以后，框架、节点、文字、箭头和大致配色都已经存在，我不需要再从零创建几十个文本框和流程节点。
当然，这一步生成出来的结果不会完全等于最终稿。
比如箭头可能有一些错位，节点尺寸不统一，部分连线逻辑需要重新整理。
但相比于从空白画布开始，它已经完成了大量机械性的排版工作。
Step 3：让 GPT 单独生成科研图标
转换成 draw.io 以后，我发现还有一个问题：
原参考图里的小图标很难一起还原。
而这类计算机、AI论文的系统框架图，经常会使用一些视觉化的小图标，比如 PDF、数据库、Embedding、医生、患者、决策树、检索等。
所以我没有让 AI 重新生成整张图，而是把任务进一步拆小：
让 GPT 单独生成一套 PNG 图标。
之后再根据需要把图标一个个放回 draw.io。
这样有一个很明显的好处：
某个图标不好看，只需要重新生成那一个，不需要重新画整张图。
Step 4：最后由自己完成精修
最后这一步还是人工。
我会继续在 draw.io 里调整：
节点间距、对齐、字体、字号、箭头路径、图标大小、模块边界、视觉层级以及整体配色。
同时还会重新检查一个更重要的问题：
这张图有没有准确表达论文的方法，而不是单纯看起来好看。
最后才得到现在这一版系统架构图。
为什么我更喜欢这种半自动方法？
之前我也尝试过直接让 AI 一张图生成到底，但科研图上经常遇到几个问题。
第一，修改成本很高。改一个局部之后，AI可能顺手把其他已经正确的地方一起改掉。
第二，精细排版不容易控制。节点位置、箭头、间距这种东西，人手调整往往更快。
第三，科研论文的图很少一次定稿。后面导师修改、论文返修甚至换期刊，都可能需要继续编辑，因此可编辑性非常重要。
所以现在我的思路不是让 AI 替我完成科研绘图，而是把任务拆开：
ChatGPT 做信息整理和视觉草稿 → Skill 完成 draw.io 初步搭建 → GPT 补充图标 → 人工完成科学内容核查和最终排版。
这种方式对我来说最大的价值，不是把画图这件事完全自动化，而是把大量从 0 到 1 的机械工作交给 AI，同时把最后的修改权留在自己手里。这个思路也和 AIhelpU 对经验帖的要求比较一致，即明确 AI 做了什么、人又负责检查和修改什么，而不是把判断本身交给 AI。
如果要总结成几个可以直接复用的建议：
- 不要一开始就要求 AI 生成最终科研图。先让它帮你整理信息结构和布局。
- 尽量把最终产物变成可编辑格式。科研图后续修改几乎不可避免。
- 把复杂任务拆小。框架、图标、排版分别交给最适合的工具，人最后负责科学准确性和视觉一致性。
目前这套流程我自己用下来还挺顺手，尤其适合系统架构图、技术路线图、AI workflow 这一类节点比较多的科研图。
