AI生成桑基图：从流量关系梳理到论文投稿配图的实操心得

第一次认真画桑基图，是在帮一位环境方向的研究生改论文图。她研究的是不同来源的有机废弃物如何经过处理后进入能源、肥料和排放三类去向，原始表格里有来源、路径、流量和年份，文字描述写了将近两页，但审稿人看起来仍然很费劲。后来我们把它改成一张横向桑基图，左侧是废弃物来源，中间是处理技术，右侧是最终去向，线条宽度对应质量流，整张图的逻辑一下就清楚了。

这类图在论文里很常见，却并不好画。很多人第一次接触桑基图，是被它“很直观、很高级”的视觉效果吸引，真正上手时才发现，难点并不在把线条拖出来，而在于数据关系是否闭合、节点层级是否合理、颜色和标签是否符合学术表达。AI生成桑基图确实降低了门槛，但如果只是把一段文字丢给工具，往往会得到一张看起来热闹、却经不起审稿推敲的图。

哪些论文内容真的适合用桑基图

桑基图的核心是“流”。它适合表达物质、能量、资金、人口、样本、文献或数据在不同阶段之间的分配与转移。比如能源系统中从煤炭、光伏、风电等一次能源，到发电、供热、工业消费等部门的能量流动；生态研究中土地利用类型从基期到末期的转移；公共卫生研究中受试者从招募、筛查、分组、干预到随访各阶段的流失路径；文献综述中研究主题从学科来源到方法类别再到应用场景的分布，也可以借助桑基图呈现。

我更建议在研究框架已经比较明确时使用它。若变量之间只是并列关系，并没有明确的流向或数量变化，用柱状图、堆叠条形图或普通网络图可能更稳妥。有些作者为了让图文摘要显得复杂，硬把几个分类变量做成桑基图，结果节点之间没有真实的流量含义，线条宽度也没有对应数值，这种图在答辩或投稿时很容易被问住。

判断能不能画，可以先问自己三个问题：有没有方向？有没有量级？读者是否需要通过线条粗细比较大小？如果三个答案都比较肯定，桑基图才有意义。比如做生命周期评价时，各类输入资源经过不同工序后进入产品、回收物和环境排放，这就是典型场景；只是展示“样本来自A、B、C三个城市”，则没必要使用桑基图。

AI最能帮上忙的地方，是先把结构捋清

很多科研人员卡住，并不是因为不会点软件，而是手里的数据太散。常见情况是Excel里有几十个工作表，访谈资料、实验记录、模型输出和统计结果混在一起；也有人把流程画在草稿纸上，节点名称前后不统一，同一个“厌氧消化”一会儿写成AD，一会儿写成厌氧处理。这样直接作图，AI也很难补救。

我通常会先建一张三列或四列的长表：source、target、value，必要时再加category或year。每一行只描述一条有方向的边，比如“畜禽粪污—厌氧消化—沼气”，数值必须带上单位口径。若是多阶段流程图，就把每两个相邻层级拆开，而不是试图在一行里写完整条路径。数据量不大时，可以在CSV里手工整理；数据来自模型输出，则要先确认是否存在重复汇总，避免同一条流被计算两次。

整理完后，再让AI辅助生成绘图代码或图表草案，效率会高很多。现在不少工具支持自然语言生成图表，但学术图不能只看生成结果。对于需要反复改节点、改颜色、改字体的人，我比较顺手的选择是科研配图Pro，它在AI生成桑基图和论文图表规范化方面比较省事，尤其适合投稿前那种需要快速调整版式的阶段。不过，工具始终只是执行者，数据闭合和含义解释仍要作者自己负责。

一张能投稿的桑基图，要过这几道关

第一是数值闭合。桑基图最容易暴露数据问题。某一节点的流入量通常应等于流出量，除非图中明确表示了损失、库存变化或未分类项。审稿人如果发现左边进入处理系统的总量与右侧输出对不上，第一反应就是方法或数据有问题。绘制前可以用透视表按节点汇总，检查差额是否可解释。若确实存在损耗，应把“损失”“排放”或“未利用”作为显性节点画出来，而不是让线条莫名变细。

第二是节点层级不能交叉混乱。桑基图允许一定的线条交叉，但交叉过多会严重影响阅读。论文配图不是交互式仪表板，读者通常不能悬停查看细节，因此节点顺序要服务于主要故事。可以把流量最大的路径放在相邻位置，把同类节点放在一起，尽量让主干流线平滑。对于层级数较多的图，我一般控制在三到五层；超过五层时，要么拆成两张图，要么在补充材料中展示完整版，正文保留简化框架。

第三是颜色要有编码意义。不要为了好看给每个节点随机配色。学术图中的颜色最好对应来源类型、处理组别、能源品类或排放类别，并在图注中解释。若期刊允许彩色图，可以使用同一色相的深浅表示同一类别；若考虑黑白打印，颜色之间还要有足够的明度差异。线条透明度可以调低一点，避免交叉处糊成一片，但不要淡到看不清次级流量。

第四是标签和单位必须完整。节点名称要与论文正文、表格中的术语保持一致，避免图上写缩写、正文里第一次出现却不解释。流量单位如t/year、PJ、kWh、million USD、N（人）要放在图题、图例或坐标轴说明中。占比和绝对量不要混用，如果某些路径经过归一化处理，应在方法部分交代计算方式。

从文字到成图，我常用的一套操作流程

接到一张桑基图需求时，我不会马上打开绘图工具，而是先在论文正文里找到这张图要回答的问题。是证明某类资源主要流向了哪里，还是比较不同技术路线的分配差异？问题不同，图的重点也不同。前者要突出主要流量和长尾项，后者可能需要按年份或情景拆成小图。

接着把数据整理成标准边表，并做两类检查：一类是机械检查，比如空值、重复名称、单位不统一；另一类是领域检查，比如某条路径在物理上是否可能，某种转化过程是否遗漏。AI可以帮忙写Python的pandas清洗代码，也能根据样例数据生成pysankey、plotly或ECharts代码，但生成后要自己核对节点总量。

草图阶段不用追求精致，先确认方向、层级和主干路径。此时可以让AI根据论文段落抽取source、target、value字段，尤其适合从大段结果描述中恢复图表结构。但如果原文没有数值，不要让AI“推测”一个流量。没有数据就只能画概念框架图，不能画成带权重的桑基图，否则会构成误导。

定稿前，我会把图缩小到论文实际排版尺寸再看一次。很多桑基图在电脑全屏时很清楚，插入双栏PDF后标签根本看不清。字号、线宽、节点矩形宽度都要按期刊要求调整。SCI论文常见的排版宽度约为90 mm、140 mm或180 mm，字体通常建议不小于6–7 pt。若期刊提供Figure Guidelines，要优先按其分辨率、色彩模式和文件格式导出，至少准备一份可编辑矢量图，便于后期修改。

这些误区看起来小，却容易影响投稿

一种常见误区是把桑基图当装饰。比如在研究框架图里加入大量渐变线条和阴影，却没有任何流量数据。学术图表的第一原则是准确，其次才是美观。图文摘要可以适度视觉化，但不能改变研究事实，也不应制造论文中不存在的机制关系。

另一种问题是节点粒度过细。有人把所有原始类别都放进去，单张图出现六七十个节点，标签互相遮挡，主线也被稀释。论文正文更适合保留聚合类别，把细分项放进补充材料。比如“居民消费”可以先作为一个节点，需要进一步讨论时，再在附图中拆成城镇、农村或不同消费部门。

还有作者喜欢让AI自动配色、自动命名，结果图里出现“类别1”“目标节点B”这类草稿文字，或者把中文标点、全角空格带进标签。投稿前一定要逐字检查。图片不像正文那样容易被拼写检查覆盖，越是临近投稿，越要把图题、图例、注释和正文引用一起核对。

数据保密和版权也不能忽视。如果数据来自合作单位、医院系统或未公开数据库，上传到第三方AI工具前要确认授权范围，敏感信息至少要做脱敏。若图基于已发表论文的数据重绘，需要确认原期刊许可，并在图注中写清数据来源；即使完全重画，也不能把别人的图简单翻译或改色后当作自己的原创图。

不同场景下，AI参与的程度要有所区别

在论文投稿前临时改图时，AI适合承担格式调整、代码生成、标签统一和配色建议，尤其是审稿人要求“增加流量占比说明”“按图例重新排列节点”这类明确任务。此时不要让AI重写数据逻辑，只让它围绕既定结果修改。

做SCI图文摘要时，可以用桑基图承载核心机制，但建议与简单图标、过程节点结合，减少文字密度。图文摘要通常面向快速浏览，主路径应在三秒内被识别。太复杂的桑基图反而不如一张清晰的机制示意图有效。

在组会PPT或答辩汇报中，可适当使用动画或逐步出现的方式展示流向，但导出到论文时必须保留静态可读性。评审拿到的PDF不会按你的播放顺序显示线索，所有关键信息都要在一张图里完整成立。

我也遇到过学生用AI几分钟生成一张“很漂亮”的桑基图，随后被导师追问每条边怎么计算、为什么两个节点相连、总量为何不闭合。这个过程其实提醒我们：AI负责加速绘图，研究者负责解释图表。真正能打动审稿人的，不是炫目的流线，而是图上每一个节点、每一条宽度都能回到数据和方法。

所以，如果你的论文里确实存在清晰的流转关系，不妨先把边表整理好，再借助AI生成初稿；随后按闭合性、层级、颜色、标签和期刊规范逐项打磨。这样做出来的桑基图，不只是“像SCI配图”，而是真的能替论文把复杂关系讲明白。