diagram-generator 技能包实测:先选对格式再画图

画图这件事,最费的从来不是画本身,而是选工具。流程图用 Mermaid 三行搞定,非要塞进 Draw.io 里拖一个下午;网络拓扑四层嵌套,用 Mermaid 画出来挤成一团浆糊;头脑风暴想随手涂个草图,结果对着精确对齐的框线图发呆——工具选错,后面全是返工。更麻烦的是,很多 AI 画图方案只会闷头输出,根本不管你要的这张图到底适合什么格式。

diagram-generator 是 matthewyin 维护的开源图表技能包,干的就是把「选型」这一步自动化:先按决策矩阵在 Draw.io、Mermaid、Excalidraw 三个格式里替你拿主意,再把你的一句话需求转成结构化 JSON 规格,校验通过后才交给 MCP 服务器生成文件。社区数据不错:收藏 88.3k、安装 30.6k,当前版本 1.1.7,整包只有 24.7 kB。下面进正题,先给下载,再一层层拆。

百度网盘下载:https://pan.baidu.com/s/1Gylzi_Qz_7-CF1oE0LzGiA?pwd=x7x0(提取码:x7x0)

通过网盘分享的文件:matthewyin-diagram-generator-1.1.7.zip
链接: https://pan.baidu.com/s/1Gylzi_Qz_7-CF1oE0LzGiA?pwd=x7x0 提取码: x7x0 复制这段内容后打开百度网盘手机App,操作更方便哦

一、基本信息

这一章把关键参数汇总成一张表,装之前扫一眼,能避免大部分预期落差。

技能名称 diagram-generator
维护方 matthewyin(个人开发者,来源可信度 T3)
定位 三格式一体的图表生成技能——先帮你选对格式,再按 JSON 规格校验并生成
版本 1.1.7
社区数据 收藏 88.3k · 安装 30.6k · 未分类目
安全认证 CLS 安全扫描中,页面暂无认证结论
运行环境 需配置 mcp-diagram-generator MCP 服务器(npx 一行命令即可拉起)
启动命令 自然语言描述需求 → 按 JSON 规格生成
包体大小 24.7 kB(zip)
下载安装 matthewyin-diagram-generator-1.1.7.zip(网盘,提取码 x7x0)
标签 diagram · drawio · mermaid · excalidraw · flowchart · architecture · visualization · 技能包

二、它解决什么问题

先说清楚它治的病。市面上的 AI 画图方案大多是「一把梭」:不管你说什么需求,一律吐某个固定格式的代码或文件。结果就是上文那批返工现场——本该嵌进 Markdown 文档的时序图被做成了需要专门软件打开的 XML;本该精细分层的网络拓扑被塞进了不支持嵌套的语法里,靠手动挪框硬凑。格式选错,后续的维护成本会一直跟着你:XML 文件在 Git 里 diff 出来一坨乱码,团队协作根本没法 review。

diagram-generator 的思路是把画图拆成两段:先选型,再生成。选型段内置一张决策矩阵,综合嵌套深度、样式精细度、版本控制友好度、目标场景(Word、PPT、代码仓库、白板协作)给出格式建议;生成段则强制走结构化 JSON 规格——图型、元素、层级、连线全部显式声明,再由校验器和 MCP 服务器把关后才落盘。这个设计的直接收益是确定性:同一份规格,重跑一百次输出结构一致,不会像纯提示词方案那样时好时坏。

当然,它的适用位置也得说清楚:这是一个「规格先行」的工作流,你要先想清楚图里有什么、层级怎么分,它才能按规格执行。想要「一句话随便聊聊就出图」的即兴体验,它反而不如裸提示词方案快——但出图质量的下限,它明显更高。

一句话设计哲学:把「选对格式」从人的经验题变成机器的决策题,把「画对内容」从模糊的提示词变成可校验的规格。

三、核心功能

1. 三格式选型:决策矩阵替你拿主意

这是整个技能最有辨识度的部分。内置的 format-selection-guide.md 用一张九维矩阵对比 Draw.io、Mermaid、Excalidraw:快速生成、手动编辑、版本控制、代码文档、复杂嵌套、自定义样式、手绘风、导出选项,逐项打分。落到具体图型上,推荐关系非常明确:

图型 推荐格式 理由
简单流程图 Mermaid 语法紧凑,嵌入 Markdown 与 GitHub 直接渲染,git diff 干净
复杂流程图(10+ 节点) Draw.io 自动布局扛不住大图,需要精细定位与样式控制
时序图 / 类图 / ER 图 Mermaid UML 类图支持最成熟,代码仓库文档首选
网络拓扑 Draw.io 环境→数据中心→分区→设备的四层嵌套只有它扛得住
系统架构图 Draw.io 分层容器、自定义图标、多页多格式导出(PDF/PNG/SVG)
白板草图 / 头脑风暴 Excalidraw 手绘风、自由绘制,协作氛围比精确度重要

矩阵之外还有一条决策树兜底:要手绘风→Excalidraw;嵌套 4 层以上→Draw.io;要精细定位样式→Draw.io;要嵌文档或快速迭代→Mermaid;都没提→默认 Draw.io。使用场景还能覆盖默认值,比如明确说「放 Word 里」就偏向纵向布局,说「白板协作」就切 Excalidraw。

2. JSON 规格先行:schema 校验防错

格式定了,第二步是把需求转成 JSON 规格:format 声明格式,diagramType 声明图型,elements 数组里放容器、节点和连线,每个元素带唯一 ID,复杂图还能显式声明 geometry 坐标。MCP 服务器拿到规格后先做 schema 校验,通过才生成文件。这里有个值得点赞的细节——layers 和 lanes 两种规格特性只有 Draw.io 生成器实现了,如果你把 layers 配上 Mermaid 格式,校验器会直接报错,而不是静默丢掉特性后照画不误。宁可报错也不静默降级,这在对「输出可预期」要求高的场景里是实打实的好设计。

硬性规则也很清楚:elements 必须是数组、ID 必须唯一、连线(edge)只能放在顶层、嵌套容器的子坐标相对直接父容器计算。这些规则全写进了 json-schema-guide.md,11.8 kB 的篇幅把每种图型的字段讲了个遍,出错时照着排错清单核对即可。

3. 11 份 references:按图型各管一段

references 目录下按图型拆了六份 playbook:flowchart、architecture、swimlane、uml、network-topology、excalidraw,每份只讲一类图的布局规则与易错点,外加 layout-quality-guide 讲间距与连线可读性、network-topology-examples 给网络拓扑的 JSON 实例。工作流是按需加载——画时序图只读 playbook-uml.md,不碰其他文件。这种「一个图型一份操作手册」的结构,既省 token,也让每类图的规则足够细:比如网络拓扑必须遵循环境→数据中心→分区→设备的层级次序,泳道图默认横向布局。对维护者来说,新增图型就是新增一份 playbook,扩展路径干净。

四、真正有价值的地方

1. 选型决策自动化,这是同类里少见的切入点。大多数画图工具解决「怎么画」,它先解决「用什么画」。决策矩阵、决策树、按图型推荐表三层设计,把老手积累的格式经验写成了机器可执行的规则,新手也能一次选对。

2. JSON 规格先行,输出确定性高。图的结构、层级、连线全部显式声明,schema 校验不通过不落盘。对比纯提示词生成,同一规格重复执行结果一致,批量出图、团队协作时这份确定性价值极大。

3. 报错优先于静默降级。不支持的特性组合(如 Mermaid + layers)直接校验报错,绝不默默丢掉你的分层要求然后输出一张残缺的图。宁可不画,也不画错——这个纪律在 AI 工具里难得。

4. 文档工程做得扎实。24.7 kB 的包里塞了 11 份 references,选型、交互问询、schema、布局质量、六类图 playbook 各司其职,按需加载。三层结构(SKILL.md 主流程 → 格式指南 → 图型 playbook)读起来像一份小型技术文档,维护和扩展都有章法。

5. 输出可编辑、可版本控制。Mermaid 是纯文本嵌 Markdown,git diff 干净;Draw.io 有 GUI 编辑器兜底,生成后可手工微调;Excalidraw 是 JSON 格式。三种格式都能二次加工,不是「生成一次就死」的一次性图片。

五、绕不开的问题

1. 输出依赖外部工具打开。生成的是 .drawio / .mmd / .excalidraw 源文件,不是渲染好的图片。Mermaid 能在 GitHub 直接渲染,但 Draw.io 和 Excalidraw 文件要用各自的编辑器打开导出,想要一张 PNG 还得手动导一遍。

2. 学习成本压在 JSON 规格上。想画复杂图,得理解 elements、layers、lanes、geometry 这些字段和层级规则。日常简单图无所谓——AI 会帮你写规格——但想精确控制布局,json-schema-guide 那 11.8 kB 你迟早要啃。

3. 无认证结论,暂处观察期。CLS 安全扫描还在进行中,页面没有给出评分与结论。包体小、无脚本代码,风险直观上不高,但在结论落地前,建议在隔离环境里先试用。

4. 未分类目,曝光少反馈慢。技能挂在未分类目下,意味着发现渠道窄、社区反馈和迭代速度可能受限。88.3k 收藏说明需求真实存在,但个人开发者维护的长期更新节奏要打个问号。

5. 复杂图仍需人眼把关布局。schema 校验能保证结构合法,保证不了「好看」。节点重叠、连线交叉这类观感问题,校验器管不了——它提供了 layout-quality-guide 和显式 geometry,但最终调整还是人的活。

6. MCP 依赖是前置门槛。必须先配好 mcp-diagram-generator 服务器(npx 拉起)才能干活,首次使用会生成 .diagram-config.json 和默认输出目录。配置不熟的用户要先过这一关,装完技能不等于能用。

六、官方风险表与解读

风险项 级别 说明
代码执行 🟢 低 技能以生成文件为主,自身不含可执行脚本,实际生成由 MCP 服务器完成
格式校验 🟡 中 依赖 schema 校验器,若上游 schema 变更,旧规格可能出现兼容性问题
来源可信度 🟡 T3 个人开发者发布,暂无认证结论,更新与响应速度依赖维护者个人节奏

解读:这张表的整体风险画像偏轻——没有网络外发、没有危险函数,最重的两条都在「依赖与来源」侧而不是「行为」侧。schema 校验那条要留意版本升级:1.1.7 之后如果字段定义变化,旧规格文件可能要跟着改。一条实用纪律:认证结论落地前,先在沙箱或非关键项目里试用,确认输出符合预期后再进入日常工作流;生成的重要图源文件记得进 Git,规格和产出都有据可查。

七、适合谁,不适合谁

类型 是否适合 理由
技术文档作者 ✅ 适合 Mermaid 直嵌 Markdown 与 GitHub,时序图类图 ER 图一次到位
运维与网络工程师 ✅ 适合 四层嵌套的网络拓扑是 Draw.io 的主场,playbook 规则非常细
架构师 ✅ 适合 分层架构图、多页导出、显式坐标控制,专业交付够用
产品与项目协作 ✅ 适合 泳道图、流程图快速生成,选型不用纠结
头脑风暴用户 ✅ 适合 Excalidraw 手绘风白板草图,氛围优先
只要成品图片的人 ⚠️ 一般 输出是源文件,还要手动导入编辑器导出 PNG,多一道工序
想零配置即用的新手 ❌ 不适合 MCP 服务器配置是前置门槛,装完技能还需一步环境搭建

八、落地路径

  1. 下载解压:从文末网盘链接取 matthewyin-diagram-generator-1.1.7.zip,解压后确认 SKILL.md 和 references 目录 11 份文件齐全。
  2. 配置 MCP:在 agent 环境里配置 mcp-diagram-generator 服务器(npx -y mcp-diagram-generator),重启环境后确认 get_config、generate_diagram、init_config 三个工具可用。
  3. 跑通最小流程:用一句简单需求(如「画一个用户登录流程图」)走完 intake→选型→规格→生成的全链路,确认输出落在 diagrams/{format}/ 目录。
  4. 试一次格式决策:描述一个不指定格式的需求,观察它的选型逻辑是否符合你的直觉;不符合就显式指定格式,用使用场景覆盖默认值。
  5. 上强度:试一张四层嵌套的网络拓扑或分层架构图,检查容器层级、geometry 坐标和连线走向,对照 layout-quality-guide 调整间距。
  6. 固化工作流:把常用图型的规格模板存下来,输出目录按项目自定义,重要图源文件纳入版本控制。

九、文件构成与安装

文件/目录 大小 作用
SKILL.md 8.1 kB 主流程:六步工作流、格式默认表、JSON 骨架、质量门禁与排错清单
skill-card.md 2.6 kB 技能卡片:触发条件与能力摘要
package.json 0.2 kB 包元数据
references/format-selection-guide.md 5.9 kB 三格式九维决策矩阵、决策树与按图型推荐表
references/json-schema-guide.md 11.8 kB JSON 规格全字段说明与示例,包内最大的文档
references/interaction-intake-guide.md 3.2 kB 交互问询模板:图型、格式、方向、用途四要素
references/layout-quality-guide.md 2.0 kB 显式坐标、间距与连线可读性规则
references/playbook-flowchart.md 3.0 kB 流程图与决策树布局规则
references/playbook-architecture.md 2.5 kB 分层架构图规则
references/playbook-swimlane.md 1.5 kB 泳道图与跨团队流转规则
references/playbook-uml.md 3.3 kB 时序图、类图、ER 图规则
references/playbook-network-topology.md 6.1 kB 网络拓扑规则(Draw.io 与 Excalidraw 双版本)
references/playbook-excalidraw.md 2.4 kB 白板草图与手绘风规则
references/network-topology-examples.md 8.7 kB 网络拓扑 JSON 实例集

安装建议:技能本体是纯 Markdown 文档,解压放到技能目录即可,真正的运行时是 MCP 服务器那一侧。建议按需加载——不要一口气读完所有 references,画哪类图读哪份 playbook,省 token 也省心。想自定义输出路径,跑一次 init_config 后改配置文件就行,drawio、mermaid、excalidraw 三种格式可以各指各的目录。

十、常见问题

1. 它能直接输出 PNG 或 SVG 图片吗?

不能直接出图。它输出 .drawio、.mmd、.excalidraw 源文件,需要导入对应编辑器渲染导出。Mermaid 内容可以直接贴进 GitHub 渲染,Draw.io 桌面版和网页版都能导出 PDF/PNG/SVG,这是「源文件优先」设计的代价。

2. 三个格式必须装三个工具吗?

不用。生成侧只需要一个 mcp-diagram-generator MCP 服务器,三种格式都由它产出。只有当你想人工编辑或导出图片时,才需要对应编辑器。

3. 我不知道该用什么格式怎么办?

这正是它擅长的场景。不指定格式直接描述需求,它会走 format-selection-guide 的决策矩阵帮你选;也可以在需求里写明「放 GitHub 文档里」或「要精细控制布局」这类用途,选型会跟着使用场景走。

4. 为什么我的 layers 规格在 Mermaid 下报错?

不是 bug。layers 和 lanes 只有 Draw.io 生成器实现,其他格式的组合会被校验器直接拒绝。要么换 Draw.io,要么把分层结构拍平成普通节点——校验器宁可报错也不静默丢弃你的分层要求。

5. 复杂嵌套图的坐标怎么控制?

给容器和节点显式声明 geometry。注意子元素坐标相对直接父容器计算,容器尺寸要装得下子元素加内边距;网络拓扑必须按环境→数据中心→分区→设备的次序嵌套。细节全在 layout-quality-guide 和 json-schema-guide 里。

6. 安全认证没下来,敢不敢在生产环境用?

谨慎乐观。包内全是 Markdown 文档,没有可执行脚本,攻击面很小,实际执行由 MCP 服务器完成。但 CLS 结论未出前,建议先在非关键环境试用,重要项目等认证落地再接入。

7. 能编辑已存在的 drawio/mmd/excalidraw 文件吗?

能。技能声明支持对已有 .drawio、.mmd、.excalidraw 文件的修改,只需告知目标文件和要改的内容。这让它不只是「从零生成」,日常维护存量图表也能接。

8. 和直接让 AI 吐 Mermaid 代码比好在哪?

好在三处:选型不靠猜、规格可校验、输出结构确定。直接吐代码的方案遇到复杂嵌套经常画出残图,而且每次结果不一致;它把结构变成显式规格,校验不过不落盘,复杂图的成功率和可维护性都高一截。

结语

diagram-generator 是那种把「经验」做成「规则」的技能:24.7 kB 的包,11 份 references,把画图前最容易被跳过的选型决策自动化,再用 JSON 规格和校验器把生成质量兜住。它不完美——输出要二次加工、MCP 配置有门槛、认证还没下来——但「先选对格式再画图」这个切入点,确实踩中了 AI 画图方案最普遍的痛点。如果你经常和流程图、架构图、网络拓扑打交道,值得一试。

通过网盘分享的文件:matthewyin-diagram-generator-1.1.7.zip
链接: https://pan.baidu.com/s/1Gylzi_Qz_7-CF1oE0LzGiA?pwd=x7x0 提取码: x7x0 复制这段内容后打开百度网盘手机App,操作更方便哦

关键词:diagram-generator、Skills技能包、Draw.io、Mermaid、Excalidraw、流程图、架构图、网络拓扑、JSON规格、图表生成

百度网盘下载:https://pan.baidu.com/s/1Gylzi_Qz_7-CF1oE0LzGiA?pwd=x7x0(提取码:x7x0)

THE END
喜欢就支持一下吧
点赞26 分享
评论 抢沙发
头像-知了AI
欢迎您留下宝贵的见解!
提交
头像-知了AI

昵称

取消
昵称表情代码快捷回复

    暂无评论内容