一支由软件架构师组成的小团队，把近4000条全新提示词喂给自家的AI架构图工具，得到约7700张评分图表，覆盖全部18种图表类型。结果：95%到100%的图表没有实质错误，每一张都能在屏幕上画出来。但团队自己说，走到这一步的过程"很让人谦卑"。

他们做的是CloudSketch AI，一款把自然语言描述转成架构图的工具。动手之前，团队只有一个担心：不是慢，不是丑，而是"自信地画错"。演示里每个AI画图工具都好看，你输入惯用的五条提示词，出来五张漂亮的图。麻烦从第37条提示词开始——德国的一套薪资系统、马哈拉施特拉邦的一个农场、带热修复和三个发布分支的Git工作流。他们想看的正是这里。

测试怎么设的

每种图表类型写40条从未见过的提示词，然后封存。一组只跑一次，之后只要改了任何代码，这组就不再算数，必须重写一组。这条规则让他们搭进去很多个晚上，也是他们相信这些数字的唯一理由。

提示词的地区配比是刻意的：每组10条设在印度，20条在世界其他地区，10条不带国家。其他地区权重翻倍，因为那是他们最弱的地方。AI评审把每张图判为通过、偏弱或失败，"无实质错误"指通过或偏弱，同时始终并列报告只算通过的严格分。每张图还要在真实浏览器里用网站同款Mermaid版本渲染，画不出来就算失败，文字再聪明也没用。一种类型要两组新提示词在同一份代码上都拿到95%以上才算过关，一次侥幸不算数。

三种读者，三档细节

同一套系统，走进不同会议室需要不同的图。每张图可以写给三类人看：

  • 技术版：给工程师，真实组件名、协议、端口一应俱全
  • 管理者版：大白话，发生什么、谁来做、哪里会出错
  • 投资者版：价值与流向，钱和客户往哪走

细节还分三档：极详细档展示全部，标准档保留主路径，高管档只给CEO看大图——他大概还是会要求字号再大点。AI只写完整那张图，两个更小的档位由普通代码裁剪出来，所以彼此永远一致，切换不花成本。

测试覆盖范围也说清楚了：每条提示词跑两次，一次技术版、一次管理者版，每组共80张图。评审打的是完整图，也就是极详细档。投资者版和标准、高管两档在这些组里没有单独评分，是下一步的事。

哪里崩了

早期分数看着健康，直到有人手工打开几张图，发现有些根本没渲染出来。评审读的是代码，对此一无所知。那个下午很糟糕。从那以后，每次运行结束都要在浏览器里把每张图画一遍，空白即失败，没有例外。

Mermaid有AI不知道的硬规则。一天之内他们撞上三个：桑基图拒绝任何非纯ASCII字符，名字里一个卢比符号，图就什么都不显示；多系列柱状图会把柱子叠在一起且不显示图例；Git图拒绝不可能的步骤，比如把分支合并进自己。模型无从知晓这些，现在都在代码里提前修掉。

提示词里的例子会被照抄。甘特图说明里曾写"例如住房项目的RERA审批"，很快RERA就出现在跟住房毫无关系的计划里。UPI出现在客户旅程图、双向箭头出现在网络图，也是同样的道理。现在他们只写规则，不写例子。

过了94%之后，代码比更多文字管用。网络图、泳道图、桑基图、图表和Git图最后那几分，从来不是靠更好的提示词拿到的，每多一条指令只是把错误挪到别处。真正有效的是小而无聊的代码：没有跳过防火墙的连线，每一步都在泳道内，流量数字真的加得起来。

评审自己也会错。它误读过用例图的箭头方向，也数错过甘特图日期。所以凡是代码能测量的事实——日期、总数、时长——他们自己测，再把数字交给评审。

印度以外的提示词几乎是每组最弱的部分。单位、法规、本地名称，这些小东西把模型绊倒，新组里因此放了两倍。

还有些错误跟画图无关，是知识问题。项目计划的甘特图轻松通过，作物季节和节日的计划却一直失败：模型根本不知道收成到底什么时候发生，也不知道什么必须等它结束。这没法靠更好的布局解决，所以甘特图只对项目计划作承诺，其余标为beta。

本周还有个小插曲：一张薪资图把SQL Server连接标成了"TDS/TCS"。TDS是数据库协议，TCS是印度的一种税。模型看到"薪资"和"税"，好心地混在了一起。现在这也成了一条代码规则。

他们不声称什么

这是自家测试，由AI评分，没有独立第三方核查，请就当它是一份内部的、AI评分的测试来看。"无实质错误"不等于完美：严格分从77.5%到97.5%，偏弱的图能用，但放到客户面前之前仍值得看一眼。有些类型只是勉强过线——流程图、状态图、泳道图、优先级图、桑基图和Git图都是以很小的差距越过95%。投资者版和更小的细节档还没有单独评分。

你的提示词也不是他们的提示词。测试集只是样本。团队的建议是：拿一套你烂熟于心的系统去描述，在技术、管理者、投资者三个视图和高管、标准、极详细三档之间切换，对照你知道的事实检查。模板库里的每张图都展示了生成它的原始提示词。