让数据自己开口说话：从 ChartGen 聊到 AI 图表选型的门道

※ 数据在爆炸，能把数据讲清楚的图依然稀缺——这就是 AI 图表生成工具存在的理由。

AI 能替你画图，但不能替你想清楚「为什么要这张图」。下面五个问题按顺序过一遍，九成的烂图在第二问就会现出原形：

• 这页想让人记住什么？先写结论再配图。「上季度华南增长最快」和「各区域销售一览」是两张完全不同的图。
• 读者是谁？老板只看趋势与结论，财务盯构成与明细，运营要能对上自己那行数据——同一份数据至少有三种画法。
• 数据是什么形状？时间序列、类别占比、两组变量的关系、地理分布……形状决定图形族，而不是反过来。
• 精度要求多高？汇报示意图允许示意化；进入决策依据或对外披露，就必须逐数核对。
• 最终出现在哪？投影仪上的低对比配色、A4 黑白打印、手机竖屏小图，约束条件完全不同。

主流图表库（如 Apache ECharts）收录的图形远不止这些，但日常办公八成需求都落在这八种之内。每张卡片附一条「反例」，都是真实世界里高频出现的翻车现场：

拿不准时回到那个坐标系问一句：我到底在做比较、看趋势、拆构成、找分布，还是查关系？答案会直接指向图形族，这也是各类可视化词汇表（如英国金融时报的 Visual Vocabulary 项目）组织图表知识的方式。

无论哪家产品，「自然语言进、可用图表出」背后大致都是同一条流水线。看懂它，你才知道该在哪几个节点上人工介入：

※ 上图为品类通用范式示意；ChartGen 各环节的具体实现（是否支持上传 Excel、能否改代码级配置）以官网说明为准。

评估这类工具时有两个加分项值得专门留意：一是数据编辑能力——发现某列名识别错了能不能顺手改掉；二是图形语法的透明度——能否导出 Vega-Lite 这类声明式图表规范，让你脱离工具本身继续精修。前者决定容错率，后者决定天花板。

第一道关：数据幻觉。生成式模型可能补出不存在的数值，或在数据缺失处自行插值。铁律是：成图后抽三四个关键数字回源核对，尤其是最大值、合计与最新一期。

第二道关：坐标轴的花招。纵轴截断、双轴错位、排序混乱，都能让同一份数据讲出相反的故事。AI 默认美化未必符合你的汇报伦理，发布前亲自检查一遍轴与基线。

第三道关：可读性与无障碍。红绿搭配对色盲读者不友好，投影场景下浅色系几乎隐形。图表库生态里成熟的设计规范值得借鉴，别让 AI 的随机审美决定你的专业形象。

第四道关：图文一致。最尴尬的事故是标题写着「利润创新高」，图上曲线明明在下坠。结论句与图形指向一致，比任何炫技都重要。

反过来，审计底稿、临床数据、监管报送这类高精度强合规场景，现阶段仍应以传统 BI 与人工复核为主，AI 只适合打草稿。

• 先把数据洗干净再喂：表头清晰、一行一记录、无合并单元格，AI 的字段映射成功率立刻上一个台阶。
• 先说结论再贴数据：提示词写成「展示近六个月留存率的下降趋势」而不是「画个图」，意图解析质量天差地别。
• 指定图形族与单位：明确要求「百分比保留一位小数」「纵轴单位万元」，减少来回返工。
• 让它附上数据处理注释：哪些列参与了计算、是否剔除异常值，要求写出来才好复核。
• 导出前核对三个数字：最大值、合计、最新期——三十秒的习惯，挡住大部分事故。

图表的历史远比计算机古老：从威廉·普莱费尔十八世纪末发明折线图与柱状图算起，人类琢磨「怎么画图才诚实」已经两百多年，Wikipedia 的 Chart 词条梳理了这条脉络。AI 改变的只是作图的成本，没有改变作图的伦理——这件事，永远归你管。