运维养龙虾--用Excalidraw Skill 手绘各种配图:从安装 Skill 到批量生成配图

news2026/4/19 22:48:20
本文参考 GitHub Awesome Copilot 的 excalidraw-diagram-generator Skill结合实战经验教你如何用 AI 一键生成手绘风格的技术图表。一、前言为什么需要 AI 绘图作为程序员我们经常需要绘制技术架构图、流程图、状态图用于文档撰写、方案汇报或视频创作。以往要么用复杂工具调整样式要么纯手搓手绘耗时又费力。传统绘图的问题脱离工作流图表通常在外部工具中创建以静态图片形式存入 Wiki 或 PPT与代码和设计决策分离易于过时当系统变更时更新图表变得困难导致图表迅速失去准确性耗时费力一张复杂的架构图可能需要 30 分钟以上才能画好解决方案Excalidraw AI Skills实现AI 生成框架 人工优化的高效模式二、Excalidraw 简介Excalidraw 是一款在 GitHub 上拥有 115K Star 的开源项目主打手绘风格图形绘制。核心特性特性说明手绘风格线条、图形具有手写质感适用于技术文档、视频素材和团队沟通丰富素材库社区提供大量预设素材可直接加载使用开源免费采用 MIT 协议支持个人和商业用途多平台适配支持在线使用、离线部署、npm 包集成具备 PWA 离线功能协作与导出支持多人实时协作、端到端加密可导出 PNG、SVG 等格式在线体验直接访问 https://excalidraw.com支持中文界面无需安装。三、excalidraw-diagram-generator Skill 详解3.1 什么是 SkillSkill 是 GitHub Copilot 的扩展能力通过自然语言指令让 AI 执行特定任务。excalidraw-diagram-generator是 GitHub 官方技能库中的一个 Skill能让 AI 瞬间把你的文字描述变成漂亮的手绘图。3.2 Skill 的核心能力自然语言绘图用中文或英文描述需求AI 自动生成 Excalidraw 图形元素支持多种图表类型流程图、架构图、时序图、思维导图、系统拓扑图等输出标准格式生成.excalidrawJSON 文件可直接在 Excalidraw 中打开编辑流式响应AI 生成过程中逐元素解析并立即绘制体验流畅3.3 技术实现原理用户输入自然语言描述 ↓ AI 服务GPT-4/Claude 等处理 ↓ 生成 Excalidraw JSON 格式数据 ↓ 渲染到画布 / 保存为 .excalidraw 文件Excalidraw JSON 结构示例[ { type: rectangle, x: 100, y: 100, width: 120, height: 60, text: Web Server }, { type: arrow, points: [[220, 130], [280, 130]], startArrowhead: null, endArrowhead: arrow } ]四、安装与配置4.1 在 Claude Code 中使用安装 Skill# 在 Claude Code 中输入 /skill add excalidraw-diagram-generator唤醒 Skill/excalidraw-diagram输入指令描述你的需求画一个微服务架构图包含 API 网关、用户服务、订单服务、 商品服务、MySQL 数据库和 Redis 缓存4.2 在 VS Code GitHub Copilot 中使用配置 MCP 服务器在.vscode/mcp.json中添加{ servers: { excalidraw: { type: http, url: https://mcp.excalidraw.com } } }启用 Agent 模式打开 GitHub Copilot Chat切换到 Agent 模式使用 Skill/excalidraw-mcp-diagramming create me an azure diagram of an azure frontdoor setup flow from user to afd to backend4.3 在workbuddy安装/skill add excalidraw-diagram-generator✅ 安装成功 excalidraw-diagram-generator 已安装项目详情来源github/awesome-copilot(11.3K installs)安装位置~/.workbuddy/skills/excalidraw-diagram-generator/安全状态✅ SAFE - 通过安全扫描 文件清单excalidraw-diagram-generator/ ├── SKILL.md (23KB) # 技能定义和使用说明 ├── scripts/ │ ├── add-arrow.py (9.5KB) # 添加箭头连接线 │ ├── add-icon-to-diagram.py (13KB) # 添加图标 │ └── split-excalidraw-library.py (5.4KB) # 分割图标库 └── templates/ ├── flowchart-template.excalidraw ├── er-diagram-template.excalidraw ├── sequence-diagram-template.excalidraw ├── mindmap-template.excalidraw ├── class-diagram-template.excalidraw ├── business-flow-swimlane-template.excalidraw ├── />案例 2微服务架构图需求描述生成一个电商系统架构图包含以下组件 - 前端 Web 应用 - API 网关Kong/Nginx - 用户服务、商品服务、订单服务 - MySQL 数据库主从架构 - Redis 缓存集群 - 消息队列RabbitMQ 关系说明 - 用户服务与订单服务之间有调用关系 - 商品服务依赖 Redis 缓存 - 订单服务通过消息队列异步处理 布局方式从左到右的横向分层排列生成要点使用不同颜色区分服务层、数据层、缓存层箭头表示调用方向和数据流向标注服务间的依赖案例 3OAuth 2.0 PKCE 授权流程时序图需求描述创建一个 OAuth 2.0 PKCE 流程的时序图 展示浏览器、API 网关和 Entra ID 认证服务器之间的交互生成内容包含code_verifier/code_challenge的生成授权请求Authorization Request令牌交换Token ExchangeAPI 网关的令牌验证步骤安全边界标注六、高效 AI 指令的三大特征1. 明确性避免模糊描述明确组件和关系。❌不好的示例画一个系统架构图✅好的示例画一个电商系统架构图包含以下组件 前端 Web 应用、API 网关、用户服务、商品服务、 订单服务、MySQL 数据库和 Redis 缓存2. 结构性指定布局方式和层次结构。布局方式为从左到右的横向排列分为三层 - 接入层API 网关、负载均衡 - 服务层用户服务、订单服务、商品服务 - 数据层MySQL、Redis、Elasticsearch3. 上下文完整提供足够的逻辑关系和依赖说明。关系说明 - 用户服务调用订单服务查询用户订单 - 商品服务依赖 Redis 缓存商品信息 - 订单服务异步写入 MySQL通过消息队列解耦七、进阶技巧7.1 批量生成配图对于技术博客或文档可以批量生成系列配图请为我生成以下 5 张图 1. 系统整体架构图 2. 用户注册流程图 3. 订单处理时序图 4. 数据库 ER 图 5. 部署拓扑图 风格要求统一使用蓝色系手绘风格7.2 迭代优化AI 生成的图表可能需要多次调整// 第一轮生成基础框架 画一个 Kubernetes 集群架构图 // 第二轮添加细节 在刚才的图上添加 Ingress Controller 和 Cert-Manager // 第三轮调整样式 将所有 Pod 节点改为圆角矩形使用绿色系7.3 结合代码生成图表从代码注释或 API 定义自动生成图表根据以下 API 端点生成调用流程图 GET /api/users - 获取用户列表 POST /api/users - 创建用户 GET /api/orders - 获取订单列表 POST /api/orders - 创建订单八、本地部署与二次开发8.1 Docker 部署# 使用官方镜像 docker run -d -p 3000:80 excalidraw/excalidraw:latest # 或使用 Sealos 应用商店一键部署8.2 npm 集成到 React 项目npm install excalidraw/excalidraw # 或 yarn add excalidraw/excalidrawimport { Excalidraw } from excalidraw/excalidraw; function App() { return ( div style{{ height: 500px }} Excalidraw / /div ); }8.3 AI Excalidraw 开源项目如果你想构建自己的 AI 绘图工具可以参考AI Excalidraw开源项目GitHubhttps://github.com/co-pine/ai-excalidraw在线体验https://www.lzkz.top/tool/excalidraw技术栈React 19 TypeScript ViteTailwind CSS v4Excalidraw 绘图引擎支持 OpenAI、智谱 AI、阿里百炼等 API九、安全与隐私数据安全建议敏感架构图建议部署本地 LLM如 Mistral、Llama3避免数据上传至第三方本地存储使用本地部署的 Excalidraw 实例数据保存在浏览器 localStorage企业环境配置私有 MCP 服务器确保数据不流出内网十、总结Excalidraw 结合 AI Skills 解决了手绘技术图耗时长的痛点对比项传统手绘AI Excalidraw绘制时间30 分钟1-2 分钟修改成本高需重画低AI 重新生成风格一致性依赖个人技能自动统一协作效率低高实时协作核心价值将可视化表达变为通用能力降低绘图门槛使图表更容易在设计阶段创建和更新从需要后期更新的静态文档转变为实际工作完成方式的一部分推荐使用场景技术设计文档配图架构评审会议技术博客/视频创作团队协作白板参考资源Excalidraw 官网GitHub Awesome Copilot - excalidraw-diagram-generatorAI Excalidraw 开源项目Excalidraw MCP 文档

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2512578.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…