如何用Excalidraw+AI快速绘制技术流程图？附免费Token

如何用 Excalidraw + AI 快速绘制技术流程图？

在一次深夜的架构评审前，团队群里突然弹出一条消息：“谁能半小时内画个微服务调用链图？明天一早要用。”没人接话——不是不会画，而是太耗时。手动拖拽组件、对齐连线、调整风格……光是准备图表就快耗尽了创造力。

这其实是很多工程师都经历过的场景：想法已经清晰，却卡在“如何把它画出来”这一步。直到我开始用Excalidraw + AI的组合，整个过程从 40 分钟缩短到不到 5 分钟。更关键的是，我不再需要“会画画”，只要“会说话”。

从一句话到一张图：AI 是怎么做到的？

你有没有试过对工具说：“画一个前后端分离的系统，前端 React，后端 Node.js，数据库 MongoDB”——然后它真的就给你生成了一张结构清晰的架构草图？这不是未来，而是现在就能实现的工作流。

Excalidraw 本身是个极简的手绘风白板工具，但它真正的爆发点，在于和大语言模型（LLM）的结合。你可以把它理解为：你的大脑负责思考，AI 负责把思考“翻译”成图形，而 Excalidraw 提供画布和笔墨。

比如，输入这样一段提示：

“请画一个电商系统的部署架构，包含用户 App、API 网关、订单服务、库存服务、MySQL 主从库、Redis 缓存，以及 Kafka 消息队列。”

AI 会在后台完成这些事：
- 解析实体：识别出 App、网关、服务、数据库等 7 个核心组件；
- 判断类型：决定哪些是矩形服务、哪些是数据库图标、哪些是消息中间件；
- 推断关系：自动建立“App → 网关 → 订单服务 → 数据库”的调用链；
- 估算布局：为每个元素分配大致坐标，避免重叠；
- 输出标准 JSON：交给前端批量渲染。

最终结果可能不完美，但已经是一个可编辑的初稿。你只需要花一分钟拖动几个框、改改颜色，就能拿去开会了。

为什么是 Excalidraw？它到底特别在哪？

市面上绘图工具不少，但 Excalidraw 的设计理念很不一样。它不追求“精确”或“美观”，而是强调“草图感”和“低门槛”。这种“不完美”的风格，反而让它在创意协作中脱颖而出。

它的底层技术其实挺巧妙。前端基于 React + TypeScript 构建，状态管理用 Zustand，轻量又高效。绘图引擎依赖 Rough.js —— 这个库的精髓在于给每条线加一点随机扰动，让直线看起来像是手画的。比如设置roughness: 2，线条就会有轻微抖动；用fillStyle: "hachure"就能模拟手绘阴影。

更重要的是，所有图形元素都是以 JSON 存储的。这意味着你可以像写代码一样操作图形。一个矩形节点本质上就是一个对象：

{ "type": "rectangle", "x": 100, "y": 200, "width": 160, "height": 60, "label": "Order Service", "strokeColor": "#000", "backgroundColor": "#fff" }

这种数据结构化的特性，正是 AI 集成的基础。AI 不需要学会“画画”，它只需要输出符合格式的 JSON，剩下的交给 API 批量渲染即可。

实时协作 + 插件生态：不只是个人效率工具

很多人第一次用 Excalidraw 是冲着“手绘风”去的，但留下来是因为它的协作能力。你可以生成一个共享链接，拉上产品、后端、前端一起在线编辑。每个人的操作实时同步，还能看到对方的光标位置——有点像 Figma 和 Google Docs 的结合体。

而且它是完全开源的（MIT 协议），你可以自己部署，不用担心数据外泄。这对于涉及敏感架构的团队尤其重要。我们有个客户做金融系统，他们直接把 Excalidraw 部署在内网，外部 AI 功能关闭，只保留本地绘图和内部协作。

插件系统也让它极具扩展性。比如你可以写个简单的插件，一键添加“Kubernetes Pod”模板，或者集成公司内部的组件库。下面这个例子展示了一个自定义插件，点击按钮就能插入一个带标签的服务框：

export default (excalidrawAPI: any) => { return { icon: "📦", label: "Add Service Box", execute: () => { const newElement = { type: "rectangle", x: 100, y: 100, width: 160, height: 60, fillStyle: "hachure", strokeWidth: 2, roughness: 2, strokeColor: "#000", backgroundColor: "#fff", id: `service-${Date.now()}`, groupIds: [], }; excalidrawAPI.addElements([newElement]); excalidrawAPI.zoomToFit(); }, }; };

这段代码虽然简单，但它打开了自动化的大门。如果把这个execute函数里的逻辑换成调用 AI 接口，你就有了一个“AI 架构助手”：输入文字，自动生成多个关联组件。

AI 绘图背后的关键：提示词工程与参数调优

当然，AI 并非开箱即用就能精准输出。如果你只是说“画个系统架构”，它可能会给你一个过于笼统甚至错误的结果。这时候，提示词设计（prompt engineering）就成了关键。

一个好的 prompt 应该明确以下几点：
-角色定义：告诉 AI 它要扮演什么角色；
-输出格式：强制要求返回 JSON；
-字段规范：说明节点和边的具体结构；
-风格约束：是否使用特定图标或布局方式。

例如，我们在后端服务中使用的 system prompt 是这样的：

你是一个技术架构图生成器。请根据用户描述，输出一个 JSON 对象，包含 nodes 和 edges 字段。
nodes: 列表，每个元素有 id, label, type, x, y（坐标可估算）
edges: 列表，每个元素有 from, to, label
type 可选：rectangle, circle, database, cloud
请不要添加额外说明，只返回 JSON。

配合合理的参数设置，效果会稳定得多：

实际项目中，我们还发现上下文长度也很重要。如果描述复杂系统，建议使用至少 8K 上下文的模型，否则容易截断输出。

下面是 Python 后端调用的一个典型实现：

import openai import json def generate_diagram(prompt: str) -> dict: system_msg = """ 你是一个技术架构图生成器。请根据用户描述，输出一个JSON对象，包含nodes和edges字段。 nodes: 列表，每个元素有id, label, type, x, y（坐标可估算） edges: 列表，每个元素有from, to, label type可选：rectangle, circle, database, cloud 请不要添加额外说明，只返回JSON。 """ response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": system_msg}, {"role": "user", "content": prompt} ], temperature=0.6, max_tokens=1024, top_p=0.9 ) try: content = response.choices[0].message.content.strip() return json.loads(content) except Exception as e: print("Parse error:", e) return {"nodes": [], "edges": []} # 使用示例 diagram_data = generate_diagram("画一个电商系统：用户通过App访问，后端是Spring Boot，连接MySQL和Redis") print(json.dumps(diagram_data, indent=2))

这个函数返回的 JSON 可以直接被前端消费，调用addElements()批量渲染。我们通常还会加上加载动画和失败重试机制，提升用户体验。

实际应用场景：谁在用？用来做什么？

我们观察到，Excalidraw + AI 的组合在以下几种场景中特别有价值：

1. 技术方案快速原型

以前开架构会前，工程师得提前一两天准备 PPT 和图表。现在，会议开始前 10 分钟，主讲人输入一句描述，AI 生成初稿，大家边讨论边修改。思维不再被工具打断。

2. 远程头脑风暴

分布式团队最怕“你说我听”。有了共享画布，产品经理可以一边讲需求，一边让 AI 生成 UI 草图；开发则即时补充技术限制。所有人“共视共绘”，沟通效率翻倍。

3. 新人培训材料制作

新人入职常抱怨“文档看不懂”。一位 SRE 工程师用 AI 生成了整个监控系统的调用拓扑图，并嵌入 Wiki 页面。他说：“以前要解释半小时的链路追踪，现在一张图就明白了。”

4. 故障复盘与根因分析

线上出问题后，团队可以用 AI 快速还原事发时的系统状态图，标注异常节点和影响路径。比起纯文字报告，视觉化呈现更容易达成共识。

部署建议与最佳实践

虽然官方版本开箱即用，但在企业级使用中，有几个坑值得注意：

• 隐私优先：涉及核心架构时，务必使用私有化部署版本，禁用外部 AI 接口。也可以对接内部 LLM，如通义千问、ChatGLM 等国产模型。
• 模板复用：建立常用组件库，比如“标准三层架构”、“K8s 部署模板”，减少重复劳动。
• 权限控制：协作房间应区分“编辑”和“只读”角色，避免误删重要内容。
• 版本管理：.excalidraw文件本质是 JSON，可纳入 Git 管理。每次修改都有记录，支持回滚。
• 网络容灾：AI 请求可能超时，前端需做好降级处理，比如保留上次成功结果或提示手动绘制。

最后：让 AI 成为你笔下的墨水

Excalidraw 本身并不惊艳，AI 绘图也不是新概念。但当两者结合时，产生了一种奇妙的化学反应：它降低了表达的门槛，让思想可以直接流向画布。

你不再需要纠结“这个框放左边还是右边”，也不必记住“数据库图标长什么样”。你只需要专注于“我想表达什么”。至于“怎么画”，交给 AI 就好。

目前，Excalidraw 完全免费且开源，GitHub 上已有超过 3 万个 star。如果你使用的是集成了国产 LLM 的定制版本（比如某些国内团队 fork 的分支），部分平台还提供每日免费 AI 调用额度，注册即可获得 Token。

立即尝试：https://excalidraw.com
GitHub 项目地址：https://github.com/excalidraw/excalidraw

下次当你又有“谁能帮我画个图”的念头时，不妨试试对自己说一句：“画一个 XX 系统的架构图”——然后看着它慢慢成形。你会发现，真正重要的从来不是工具，而是那个想要被表达的想法。