StoryGraph · 数据叙事信息图引擎

§0 为什么现有工具不够用

市面上的信息图工具解决了"怎么画得好看"的问题，但没解决更前置的问题：

> "我手里有一堆数据，但我该讲什么故事？"

• Canva / Figma 给你 1000 个模板，但你选哪个？为什么选这个？
• 别人的信息图工具问你要布局（21 种）、风格（22 种），但从不问你的数据在说什么
• 你花了 2 小时做了一张漂亮的图，发出去发现——没人看懂你想表达什么

StoryGraph 的核心思路：从数据出发，先找故事，再设计图。

传统工具：选布局 → 选风格 → 填数据 → 调颜色 → 导出
StoryGraph：输入数据 → AI 分析故事 → 推荐叙事结构 → 匹配图表类型 → 确定视觉风格 → 生成

§1 数据输入方式

不需要用户先把数据处理成"适合做图"的格式。支持原始数据直接丢进来：

§2 核心流水线：六步从数据到信息图

数据输入 → 数据清洗 → 故事发现 → 叙事设计 → 视觉实现 → 多端输出
  (你)      (自动)     (AI核心)   (AI核心)   (规则+AI)    (自动)

2.1 数据清洗（自动，无需用户参与）

• 识别列的数据类型（数值/百分比/日期/分类/文本）
• 检测异常值并询问用户（"第三季度营收显示为 0，是数据缺失还是确实为 0？"）
• 统一单位和格式
• 标注数据质量（完整/有缺失/有异常）

2.2 故事发现（AI 核心，这就是跟其他工具的区别）

AI 会问三个问题来发现数据中的故事：

1. 变化：什么在增长？什么在下降？拐点在哪？
2. 对比：A 和 B 的差距在哪？谁领先？差距在缩小还是扩大？
3. 意外：有什么反直觉的发现？有什么与常识不符的数据？

然后输出 故事提案（2-3 个角度供用户选择）——

📊 基于你的数据，我发现了 3 个可能的故事角度：

【角度 A】增长背后的隐忧
  核心叙事：营收三年翻倍，但客户留存率从 78% 跌至 61%——增长的质量在下降
  适合受众：内部管理层、投资人
  关键图表：双轴趋势图（营收 vs 留存率）、客户流失漏斗

【角度 B】从量到质的转型
  核心叙事：虽然营收增速放缓，但利润率从 15% 提升至 22%，说明业务在从追求规模转向追求效率
  适合受众：投资人、年报读者
  关键图表：利润率趋势、成本结构变化

【角度 C】客户价值的重新定义
  核心叙事：流失的是低价值客户，高价值客户留存率反而上升了 12%
  适合受众：销售团队、市场营销
  关键图表：客户分层对比、LTV 变化

选一个角度，或者告诉我你想强调什么？

2.3 叙事设计（AI 核心）

基于用户选择的故事角度，匹配合适的叙事结构。

7 种叙事结构（不是 21 种布局——叙事是"讲什么"，布局是"怎么排"）：

每种叙事结构有 2-4 种子布局变体（约 20 种布局），根据数据密度和受众自动选择。

> 与 baoyu-infographic 的 21 种独立布局不同：StoryGraph 的布局是叙事结构驱动的。先定故事怎么讲，再定画面怎么排。避免"选了个好看的布局，但故事讲不清楚"。

2.4 图表类型智能匹配（规则引擎）

基于数据语义推荐图表类型：

核心规则：
- 禁止饼图（已列入规则，有大量认知科学研究支持条形图阅读精度远高于饼图）
- 禁止 3D 图表（透视变形误导数值判断）
- Y 轴必须从 0 开始（除非是折线图且差异微小，从 0 开始会把差异压缩到难以辨认——此时必须在图中明确标注"Y 轴未从零开始"）
- 颜色不超过 5 种（超过 5 个类别时用灰度+一个强调色）

2.5 视觉风格系统

不走"22 种独立风格"路线。改为 4 维叠加系统，组合更灵活：

自动推荐逻辑：
- 给投资人 → 专业蓝 + 极简 + 扁平几何 + 无衬线
- 给社交媒体 → 活力橙 + 标准 + 手绘风 + 圆体
- 给内部会议 → 沉稳灰 + 详实 + 毛玻璃 + 无衬线
- 给学术场合 → 自然绿 + 标准 + 扁平几何 + 衬线

用户当然可以手动覆盖任何维度。

§3 受众感知系统

不是所有信息图都要给所有人看。同一个数据，面对不同受众讲法完全不同。

5 种受众画像

多平台自适应

同一份信息图，自动适配不同平台：

§4 品牌风格注入

用户可以提供品牌素材，让信息图看起来像"自家出的"而不是"模板生成的"：

1. 上传 Logo → 自动提取主色和辅色
2. 提供品牌色值 → #1A56DB / #F59E0B / #10B981
3. 提供字体名称 → "我们用思源黑体，英文用 Inter"
4. 提供参考图 → "照这个风格的配色来做"

AI 会生成一份品牌风格卡，后续所有信息图自动应用：

brand_profile:
  primary_color: "#1A56DB"
  secondary_color: "#F59E0B"
  accent_color: "#10B981"
  background: "#F8FAFC"
  font_cn: "思源黑体"
  font_en: "Inter"
  corner_style: "圆角 8px"  # 直角/圆角/微圆角
  icon_style: "线性"  # 线性/面性/手绘

§5 AI 生成内容的置信度标注

信息图中经常出现 AI 生成的结论或预测。为了防止"看起来像事实但其实是推测"，引入置信度体系：

在信息图中，💡 和 🔮 标注的结论会以小字标注"AI 分析，供参考"。

§6 数据可溯源

信息图中的每一个数据点，都能在图上找到来源：

• 底部标注数据来源："数据来源：2024-2025 公司内部销售系统"
• 图表中的数据点支持"点击查看原始数据"（交互版）
• 导出时附数据源清单（CSV 或 JSON）

这项功能解决的实际痛点：你做了一份信息图发给老板，老板追问"这个数字哪来的？"——你不用再回去翻原始文件。

§7 完整输出模板

# {信息图标题}

## 数据故事摘要
{一句话总结核心叙事}

## 受众与场景
- 目标受众：{高管/投资人/社交媒体/学术/客户}
- 使用场景：{年报/路演/公众号/内部汇报/……}
- 阅读时间预算：{30 秒 / 2 分钟 / 5 分钟}

## 数据来源
- 主要数据：{文件名 / URL}
- 数据时间范围：{YYYY-MM 至 YYYY-MM}
- 数据质量：{完整 / 有 XX 缺失 / 含 XX 异常值已标注}

## 叙事结构
- 结构类型：{趋势推演 / 对比揭秘 / 问题拆解 / 流程解码 / 排名聚焦 / 分布揭示 / 关系网络}
- 故事线：{3-5 步叙事弧}

## 图表清单
| 序号 | 图表类型 | 呈现数据 | 在叙事中的角色 |
|------|---------|---------|-------------|
| 1 | 双轴折线图 | 营收 vs 留存率 | 核心矛盾——引出故事 |
| 2 | 堆叠柱状图 | 客户分层变化 | 解释矛盾——提供证据 |
| 3 | 对比条形图 | 高/低价值客户留存 | 解决方案——指明方向 |

## 设计参数
- 色调板：{专业蓝}
- 密度级：{标准}
- 图形语言：{扁平几何}
- 字体：{思源黑体 + Inter}

## 置信度标注
| 标注等级 | 数量 | 涉及内容 |
|---------|------|---------|
| ✅ 数据事实 | 8 | 营收数字、客户数等 |
| 📊 统计结论 | 4 | 留存率变化、增长率等 |
| 💡 AI 洞察 | 2 | 留存下降原因推测 |
| 🔮 预测推演 | 1 | 2026 年营收预测 |

## 多平台版本
- [x] 公众号长图 (9:16)
- [x] 小红书 (3:4)
- [ ] LinkedIn (1.91:1)
- [ ] PPT 嵌入 (16:9)

## 数据溯源清单
{附原始数据引用，支持导出}

§R 核心铁律

1. 故事优先于美观：先确认数据在讲什么故事，再设计视觉。宁可图丑但故事清楚，不要图美但不知所云。
2. 数据不撒谎：Y 轴从 0 开始（仅一个例外且必须标注）；不通过视觉比例误导结论；不隐藏不利数据。
3. 饼图禁令：任何场景下都不使用饼图。替代方案：横向柱状图、堆叠柱状图、华夫图。
4. 置信度透明：AI 生成的洞察和预测必须在图上标注，不混同于数据事实。
5. 可溯源：每个数据点都能找到原始出处。
6. 受众是尺子：同一份数据面对不同受众，信息密度、语言风格、视觉复杂度完全不同。永远先问"给谁看"。
7. 先提案再设计：必须给用户 2-3 个故事角度选择，不跳步直接生成。用户确认角度后才进入设计阶段。
8. 生成≠完成：每张信息图生成后，AI 必须自查——"如果我是受众，30 秒内能说出这张图在讲什么吗？"如果不行，打回重做。

§A 结构化异常处理

§B 常见错误与纠正

§C 与其他工具的定位区别

§D 版本历史