当「AI 生成插图」被误解成 Midjourney 式出图，或「有个 Canvas 就能画」时，DrawFig 的差异在于：AI 操作的是带拓扑语义的图结构文档（节点/边/标注各有身份），而非像素层或通用白板笔迹；并一路导出 TikZ，贴合论文工作流。
AI 画图，我们给的是可编辑矢量图——不是一张像素图
发布日期： 2026-06-12
分类： 产品理念
预计阅读时间： 12 分钟
标签： 矢量图、可编辑矢量图、AI 画布、drawfig、学术绘图、图论绘图、TikZ 导出、论文插图
引言：「AI 画图」正在说两件完全不同的事
2024 年以来，「用 AI 画图」几乎成了默认表述。但打开不同产品，你得到的可能是
三种完全不同的东西：
- 一张 1024×1024 的 PNG——节点文字改不了，线条调不了，放大发糊；这是 AI 文生图；
- 一块 通用白板或设计 Canvas——Figma、Miro、Excalidraw、甚至 HTML5
<canvas>：能画、能拖，但 AI 往往只帮你「出一张 SVG/截图」，不懂你的图在表达什么结构（哪是顶点、哪条边、拓扑对不对）；
- 或者一套 图结构文档里的矢量对象——每个节点、每条边、每段标注都是带 ID 的独立元素，拖得动、改得动、导出后仍是矢量，且 AI 改的是「结构」而不是「像素或笔迹」。
DrawFig（drawfig）从第一天起，选择的永远是第三种。
我们不是「AI 文生图」工具，也不是「再做一个空白 Canvas 让你自己拖」。我们提供的是：
面向科研制图的结构化矢量文档 + AI 画布操作——你用自然语言描述拓扑与布局，AI 把意图编译成可执行的图操作（建点、连线、标号、对齐），落在 mxGraph 图模型上；你拿到的是
可编辑、可导出 TikZ、可反复改拓扑的图稿，而不是一张像素图，也不是一堆难以维护的松散路径。
这篇文章想把这个区别讲透：为什么仅有「矢量 Canvas」还不够；DrawFig 真正的差异化在哪里；以及它和文生图、通用白板、纯手动 draw.io 分别差在哪一步。
一、先分清：矢量图 vs 像素图，差别不只是「清不清楚」
1.1 像素图（Raster）：好看，但往往是「死图」
像素图由固定分辨率的色点阵列构成——PNG、JPEG、WebP，以及大多数「AI 文生图」模型的默认输出，都属于这一类。
优点： 表现力强，照片、插画、复杂光影可以一步到位。
对学术场景的核心问题：
| 问题 |
具体表现 |
| 不可结构化编辑 |
想把节点 B 改成 C？通常只能重新生成整张图，或进 Photoshop 手抠 |
| 缩放失真 |
论文双栏放大、印刷 300 dpi 时，线条和文字边缘发虚 |
| 与 LaTeX 字体不一致 |
位图里的字体与正文 Computer Modern / Times 无法统一 |
| 无法导出 TikZ |
审稿人要求矢量终稿时，位图需要整图重画 |
| 版本迭代成本高 |
导师说「加一条边、改一个标签」= 往往从头再来 |
一句话：
像素图适合「定稿后的展示」，不适合「还在改结构的科研制图」。
1.2 矢量图（Vector）：每个元素都有「身份」
矢量图用数学描述几何——圆是圆心+半径，线段是端点坐标，文字是字体轮廓。SVG、PDF 矢量层、TikZ 代码、draw.io 的
.drawio 文件，本质都是矢量。
对学术场景的核心价值：
- 任意缩放不失真：投稿、答辩投影、海报打印，线条始终锐利；
- 元素级编辑：移动一个节点，相连的边自动跟随；改标签不影响拓扑；
- 与论文工作流对齐：可导出 TikZ，嵌入 LaTeX 与正文同编译；
- 可 diff、可协作：图稿是结构化数据，不是一张 flatten 后的图片。
DrawFig 的画布基于成熟的 draw.io 引擎，底层是
mxGraph 图结构模型：每个顶点（vertex）、边（edge）、文本（text）都是带 ID 的单元格（cell），边知道连的是哪两个点——
这是「图文档」，不是一屏像素，也不是一堆互不关联的钢笔路径。
1.3 一张表看懂：你真正需要哪一种？
| 维度 |
像素图 / AI 文生图 |
通用 Canvas / 白板 |
DrawFig 结构化图文档 |
| 输出形态 |
栅格图像（PNG 等） |
多为 SVG/JSON，结构语义弱 |
图模型 + TikZ/SVG/PDF |
| AI 的角色 |
直接「画像素」 |
常生成静态 SVG 或贴图 |
理解拓扑，执行建点/连线/标号等 op |
| 改一个节点标签 |
困难 |
一般可以，但 AI 难增量改 |
双击或 setVertexLabels |
| 改拓扑（加边/删点） |
困难 |
手工为主，AI 易「重画一张」 |
拖拽或自然语言 增量 op |
| 图论语义（K5、二分图…） |
无 |
无专用表达 |
graphBrief 等结构化描述 |
| 论文 / LaTeX |
\includegraphics |
很少原生 TikZ |
TikZ 双向导入导出 |
| 适合场景 |
插画、概念艺术 |
设计稿、头脑风暴 |
图论图、算法图、架构拓扑、论文插图 |
仅有「矢量 Canvas」不够——科研制图还要「结构可解析、改稿可增量、终稿可进 LaTeX」。DrawFig 把这三件事和 AI 绑在一起，才是差异化所在。
一点五、「Canvas」三个字，我们指的不是同一回事
很多人听到 Canvas，会想到：
| 大家说的 Canvas |
本质 |
和 DrawFig 的关系 |
| HTML5 Canvas |
浏览器里的 像素位图 API，画完就是色点 |
我们 不用 这条路出图 |
| Figma / Miro 白板 |
设计协作 Canvas，对象可拖，但偏 UI/流程美学 |
我们聚焦 论文级图论与拓扑，不是 UI 设计 |
| Excalidraw 等手绘 Canvas |
矢量笔迹，风格像手绘白板 |
我们偏 精确节点/边/权重，并导出 TikZ |
| draw.io 手动编辑器 |
同款 mxGraph 矢量引擎，纯手拖 |
DrawFig 在其上 加 AI 结构规划 + 学术导出 |
| DrawFig AI 画布 |
自然语言 → 图操作计划 → mxGraph cell |
这是我们的产品层：AI 懂结构，不是懂像素 |
所以：
「有个 Canvas 就能画」不是护城河。 护城河是——
- 图结构优先：存的是顶点、边、标签与连接关系，不是 flatten 后的外观；
- AI 操作的是语义：说「加一条 A→D 的边」会执行
insertShapes / 改 graphBrief，而不是重新 rasterize 一张图；
- 学术闭环：同一文档可视觉编辑、可导出 TikZ、可再导入修改，与 LaTeX 字体与编译链对齐；
- 图论原生：完全图、二分图、带权有向图、函数曲线等有 一等公民 的描述与展开，不是让 LLM 猜坐标。
一句话：别人给你一块布；我们给你一份「可编译、可改拓扑、可进论文」的图结构文档，AI 是这份文档的协作者。
二、DrawFig 的 AI：操作图结构，不是渲染像素、也不是「重画一张 SVG」
这是最容易被误解的一点：DrawFig 与 Midjourney 等不同，也和「在通用 Canvas 里贴一张 AI 生成的 SVG」不同。
2.1 「AI 画布」= 自然语言 → 图操作计划 → 图结构 cell
DrawFig 的 AI 能力（AI 画布 / AI 操作）走的是
「规划—执行」 管线——AI 的输出是
操作列表或 graphBrief，不是图像文件：
-
你在对话框里描述意图（中英文均可）
例：「画一个有 6 个节点的有向图，A→B→C，A→D，使用层次布局。」
-
AI 画布服务解析为结构化计划
返回
actions（逐步操作）、graphBrief（图论/流程图/函数图等 带类型语义 的简图描述）、或完整的 draw.io XML。
-
浏览器内插件在图文档上执行
创建矩形网格图、插入形状、设置箭头模式、对齐顶点、修改标签……每一步都落在 mxGraph 的 vertex/edge cell 上，边仍绑定端点。
-
你继续手工微调
AI 出的是「80 分初稿」，剩下 20 分用拖拽、对齐、样式面板完成——没有「生成一张图然后结束」这一步，也没有「换 prompt 整图重抽」。
和「通用 Canvas + AI」的典型差别：后者常把 LLM 输出当作
一整块 SVG/PNG 贴上去；DrawFig 让 LLM 输出
可审查、可单步撤销的图 op，与侧栏手工按钮同一套语义。技术栈上，
ai-canvas-service 的
/v1/plan 负责规划 JSON；
drawfigure-ai-canvas.js 负责执行——
AI 说的「加边」和你点的「连线」改的是同一份图结构。
2.2 AI 能做什么：结构化、可组合、可审查
当前 AI 画布擅长的是
有明确结构的图，例如：
| 类型 |
示例描述 |
AI 输出 |
| 图论图 |
完全图 K5、二分图 K(3,4)、带权有向图 |
顶点 + 边 + 标签，可继续拖布局 |
| 流程图 |
开始→判断→两个分支→合并→结束 |
flowchart 展开为形状与连线 |
| 函数曲线 |
y=sin(x)，x 从 -π 到 π，带坐标系 |
采样折线 + 坐标轴，仍是矢量 |
| 示意图 |
客户端→网关→三后端→数据库 |
schematic 拓扑，节点可逐个改文案 |
| 增量编辑 |
「把选中的顶点标号改成 v1,v2,v3」 |
setVertexLabels 等 op，不重建整图 |
支持的操作包括（节选）：创建图网格、插入形状、删除选中、设置样式、图论箭头模式、顶点对齐与分布、插入旁注文本、调用编辑器动作等。
每一个 op 都对应图文档里真实 cell 的增删改，而不是对一张位图做滤镜，也不是替换整个 SVG 图层。
2.3 AI 不做什么：我们不替你「文生图」
以下需求
不是 DrawFig AI 画布的设计目标：
- 「画一张赛博朋克风格的论文封面插画」→ 请用文生图工具；
- 「生成一张看起来很像 Nature 配图的照片级细胞图」→ 请用 BioRender 等专业生物插画平台；
- 「给我一张 4K 渲染的概念艺术图」→ 那是像素生成模型的工作。
DrawFig 专注
结构可解析、元素可编辑、终稿可矢量导出 的学术与工程制图。把 AI 用在「理解拓扑与布局意图」，而不是「猜测像素颜色」，这是我们刻意的产品边界——也是与「AI 绘图 hype」划清界限的地方。
三、为什么「可编辑」和「矢量」必须绑在一起？
有人可能会问：AI 能不能先生成矢量 SVG，再导入编辑？理论上可以，但实践中科研用户要的是
端到端可控：
3.1 从 AI 初稿到定稿：典型五步（全程矢量）
自然语言描述
↓
AI 画布生成矢量初稿（节点/边/标签均为独立对象）
↓
可视化微调（拖拽、对齐、统一线宽与字体）
↓
导出 TikZ / SVG / PDF（矢量路径保留）
↓
嵌入 LaTeX 论文，与正文同编译
任意一步都可以
回到图文档改结构，而不是「导出 PNG 后死路一条」。导师说「把节点 D 移到左边、加一条虚线边」——在 DrawFig 里这是分钟级操作；若起点是 AI 文生图的 PNG，往往意味着重抽或进 PS；若起点是「AI 贴一整张 SVG」，往往只能手工找路径改，
拓扑一改就牵一发动全身。
3.2 与 TikZ / LaTeX 工作流同频
理工科论文大量用 LaTeX。TikZ 是事实上的矢量制图标准——代码即图形，编译即 PDF。
DrawFig 提供
双向通道：
- 导出 TikZ：画布样式映射为
\tikzpicture 代码，粘贴进论文；
- 导入 TikZ：已有代码可反向载入编辑器可视化修改（文件 → 从 TikZ 代码导入），再导出——全程不经过位图中间态。
这意味着：AI 帮你搭骨架，TikZ 帮你交终稿，中间没有「先 PNG 再 trace 回矢量」的损耗环节。
3.3 位图输入也能回到矢量（img2graph）
如果你手里只有
白板照片、扫描草图、截图，DrawFig 的 img2graph 路径会把位图
重建 为图文档里的 vertex/edge——目标仍是
可编辑图结构，不是「给你一张 traced PNG」。
这与 AI 画布互补：
- img2graph：位图 → 图结构（重建拓扑）
- AI 画布：语言 → 图结构（从零或增量生成）
- 手工编辑：图结构 → 图结构（精细控制）
三条路径汇到
同一份 mxGraph 图文档，而不是三种互不相通的文件格式。
四、和常见「AI 绘图」产品比：我们差在哪里，又强在哪里
4.1 vs 通用 AI 文生图（Midjourney / SD / DALL·E 等）
|
文生图 |
DrawFig |
| 输出 |
像素 |
矢量对象 |
| 改稿 |
重 prompt / inpainting |
元素级编辑 + AI 增量指令 |
| 论文可用性 |
需高分辨率导出，字体难统一 |
TikZ/SVG/PDF 矢量直出 |
| 图论/精确拓扑 |
弱，易 hallucinate 连线 |
强，graphBrief / 图论专用 op |
我们强的不是「画得像不像照片」，而是「结构对不对、能不能改、能不能进 LaTeX」。
4.2 vs 通用 Canvas / 白板（Figma、Miro、Excalidraw、部分「AI 画板」）
|
通用 Canvas |
DrawFig |
| 对象模型 |
形状/笔迹/Frame，语义因工具而异 |
vertex / edge / label，拓扑一等公民 |
| AI 典型输出 |
整图 SVG、截图、设计建议 |
actions / graphBrief / drawioXml |
| 改拓扑 |
手工拖；AI 常需整图重来 |
增量 op，边随端点自动更新 |
| 图论场景 |
无 K5、二分图等原生描述 |
graphBrief: graph / complete / grid… |
| 论文终稿 |
很少 TikZ |
TikZ 双向 |
差异不在「能不能拖」，而在「AI 和你的图有没有共同语言——结构、拓扑、可导出代码」。
4.3 vs 传统在线流程图工具（Visio / ProcessOn / draw.io 纯手动）
|
纯手动工具 |
DrawFig |
| 上手 |
要会拖节点 |
自然语言可生成初稿 |
| 文档模型 |
矢量（同类引擎） |
同类引擎 + 图论/学术扩展 |
| 学术导出 |
一般仅 PNG/PDF |
TikZ + 图论布局 + 函数图 |
| AI |
多数无或仅辅助 |
AI 画布：结构级 op，与手工同语义 |
DrawFig 不是取代 draw.io，而是在其
同一套图结构引擎 上叠加
学术场景 + AI 结构规划 + TikZ 闭环——格式仍兼容
.drawio，但产品心智是「论文图结构文档」，不是「又一个空白画布」。
4.4 vs 「AI 生成后再 SVG」的中间方案
有些工具声称「AI 生成 SVG」。但若 SVG 里是
<image> 嵌位图、或路径过复杂不可编辑，本质仍是「换壳的像素图」。
DrawFig 的验收标准更简单：
生成后，你能否单独选中一个节点、改它的文字、拖它的位置，并让相连的边正确跟随？
能——才是我们说的「可编辑矢量 AI 制图」。不能——无论文件后缀是什么，对科研用户价值都有限。
五、三个真实场景：图结构 + AI 如何串起来
场景 A：算法论文里的有向加权图
需求： Dijkstra 示例图，6 个节点、7 条带权有向边，节点标签 A–F，要进 LaTeX 双栏。
像素文生图路径： prompt 多轮 → 得到 PNG → 文字 OCR 常错 → 放大糊 → 无法 TikZ → 导师打回。
DrawFig 路径：
- 对话：「节点 A–F，边 A→B(4) A→C(2) …，圆形节点，权重标在边上。」
- AI 画布生成矢量初稿，约 10 秒。
- 手动微调对齐、统一线宽。
- 导出 TikZ，粘贴进
figure 环境，与正文同编译。
全程图结构可编辑，任意一步可回编辑器改拓扑。
场景 B：系统架构图（答辩 PPT + 论文各要一版）
需求： 客户端 → API 网关 → 三个微服务 → 两个数据库；答辩要彩色，论文要黑白。
DrawFig 路径： AI 生成 schematic 拓扑 → 复制图层改配色 → 论文版导出黑白 TikZ，PPT 版导出 SVG。
同一源文件，不是两张无关的 AI 出图。
场景 C：白板草图进论文
需求： 组会白板上拍的函数图像草图，要变成正式插图。
DrawFig 路径： img2graph 重建曲线与坐标轴为图 cell → 编辑器里修正刻度与标签 → 导出 TikZ。
输入可以是位图，工作态和终稿仍是结构化矢量。
六、技术心智模型（给关心实现细节的读者）
用一张简图概括 DrawFig 与「像素 AI 绘图」的数据流差异：
【常见 AI 文生图】
文本 prompt → 扩散/自回归模型 → 像素矩阵 → PNG/JPEG
（结构信息丢失，不可编辑）
【通用 Canvas + AI】
文本 prompt → LLM → 整段 SVG/PNG → 贴到白板
（拓扑语义弱，改结构常需重生成）
【DrawFig AI 画布】
文本 prompt → LLM 规划(JSON actions / graphBrief / drawioXml)
→ 浏览器执行 → mxGraph 图 cell（vertex/edge）
→ 用户编辑 → TikZ / SVG / PDF / .drawio
（结构保留，增量可改，论文可导出）
几个值得记住的实现要点：
- 规划与渲染分离：模型只产出「做什么」，不产出像素或整图 SVG；渲染由编辑器图引擎完成。
- graphBrief 多范式：grid、complete、graph、flowchart、schematic、function 等 带类型，服务端展开为 draw.io XML 再插入——不是让模型猜 (x,y)。
- 连线路由分场景：AI 画布默认连线是 无端点折点的直线（
edgeStyle=none，两顶点直连）；需要时可设 curved=1 画平滑曲线。图论图（graphTheoryNode）遵循这一约定，不用带 waypoint 的正交/折线路由；流程图、示意图才用 orthogonalEdgeStyle 走直角折线。函数图 kind=function 的采样折线是另一类——用密集采样点逼近曲线，不是图论边的 waypoint。
- 安全边界：若计划含
canvasScript，需用户显式授权；服务端过滤危险关键字。
- 部署灵活：可经门户同源反代
/api/ai-canvas/v1/plan，适合内网/华为云私有化。
七、常见疑问（FAQ）
Q1：DrawFig 完全不能出 PNG 吗？
可以导出 PNG，但那是
从矢量渲染出来的快照，用于预览或必须位图投稿的场合。
主路径始终是矢量；需要印刷或 LaTeX 时，请用 TikZ、SVG 或 PDF。
Q2：AI 生成的图质量不如手画精细怎么办？
预期就是如此：AI 负责
结构与初布局，精细排版（对齐、字体、线型、标注位置）交给编辑器。这比「AI 一张图定终身」更符合真实科研改稿节奏。
Q3：和 ChatGPT「画个图」、或 Figma AI 有什么区别？
ChatGPT 常给出
代码/ SVG 字符串/ 图片——你要自己粘贴、对齐、改拓扑。Figma AI 强在
界面设计，不保证图论语义与 TikZ 终稿。DrawFig 的 AI 直接写入
mxGraph 图文档，后续手工编辑、增量 op、TikZ 导出是
同一对象模型 上的连续操作。
Q4：我已经会用 draw.io，为什么还要 DrawFig？
引擎同源，但 DrawFig 补的是 draw.io 默认没有的
学术闭环：AI 结构规划（graphBrief / actions）、图论专用能力、TikZ 双向、img2graph 重建拓扑。若你只偶尔画一张简单框图，draw.io 足够；若论文里图多、改稿频、要 TikZ，DrawFig 省的是
结构与导出 上的重复劳动。
Q5：免费吗？TikZ 导入也要积分吗？
画布本身免费： 拖拽编辑、图论工具、SVG/PNG/PDF 等常见格式导出、本地保存——
无需注册即可使用。
以下需登录并按积分扣费（账户
每日自动赠送 30 积分，可累积；邀请好友注册另得 100 积分）：
| 操作 |
积分 |
| TikZ 导入 |
5 积分/次 |
| TikZ 导出 |
3 积分/次 |
| AI 画布 |
5 积分/次 |
因此 TikZ 导入
不是无限免费——在每日赠送额度内可用（例如全部用于导入，约 6 次/天）；用完可等次日补充、邀请好友或联系管理员。完整规则见
定价与支持。
Q6：适合华为云 / 私有化部署吗？
DrawFig 架构上分为静态前端、门户、AI 画布服务、img2graph 等组件，支持通过环境变量与反代在同域或内网部署——适合高校、实验室、企业内网
希望数据不出域、仍要 AI 辅助矢量制图 的场景。部署细节可参考仓库
README-DEPLOY.md。
八、结语：别只比「有没有 Canvas」，要比「图结构能不能活过改稿」
「AI 画图」正在变成泛滥的营销词；「矢量 Canvas」也几乎人手一块。对科研与工程用户，真正该问的是：
- 这张图的 拓扑 AI 懂不懂、改不改得动？
- 导师让改一个标签、加一条边，是 增量 op 还是 重画一整张？
- 投期刊时，能不能 TikZ 进 LaTeX、与正文字体一致？
- 半年后复现论文，打开的是 图结构源文件，还是一张旧 PNG？
DrawFig 的回答：
我们交付的是「图结构文档 + AI 结构协作者 + 论文级导出」——不是像素图，也不是一块空白 Canvas。
每个节点、每条边、每段标注仍然独立、可拖、可改、导出后仍是矢量——但更重要的是：
它们组成的是一份有拓扑语义的图，AI 操作的是这份结构，而不是在像素或松散 SVG 上再盖一层效果。
欢迎打开
DrawFig 编辑器，用一句话描述拓扑，在
图结构文档 里改到定稿，再一键导出 TikZ。
结构用 AI，文档用图模型，定稿用 TikZ——这才是学术制图在 AI 时代该走的那条路。
延伸阅读
关于 DrawFig
DrawFig（
drawfig.com）面向科研与工程制图：在 draw.io 图结构引擎之上，提供
AI 结构规划、图论专用能力、
TikZ 双向 与 img2graph 拓扑重建——不是文生图，也不是通用白板。画布编辑免费；TikZ 与 AI 按积分扣费（每日赠送 30 积分）。