可视化领域经验的重要性

我们现在在做可视化能力，比如生成 HTML 视频、信息图，发现只靠 AI 自由发挥，很难稳定产出高质量的内容。效果能不能达到要求，很多时候还是要领域专家在过程中不断调整和判断。

专家的判断只留在当次沟通里

什么样的效果算好，哪里需要调整，现在都需要可视化领域专家参与判断。这样的探索要投入大量人力，而且很多判断只在当次沟通中出现，没有留下来。因此下一次探索新的可视化能力，相似的问题又要重新走一遍。

所以我们想在构建能力的过程中，把专家判断的依据、调整的方法和实际案例整理下来，让后面的探索直接用，少重复投入。

要整理的，是之前各项可视化能力构建中，视觉、交互、动画、布局这些方面的判断依据。

能量化的，写成可测量的标准。涉及审美和表达效果的，就结合优秀案例和问题案例，说明好在哪里、差在哪里，适用于什么场景。AI 拿到这些，就有了专家的一部分判断和调整能力，相当于先把领域专家数字分身里能复用的部分蒸馏出来，专家重复介入的比例也能降下来。

这也是能力上线后能批量、稳定运行的基础。以信息图为例，后面正式使用时，我们希望用户提交内容后，AI 结合已有的领域经验完成生成和效果检查，不用专家逐张介入。这些经验可以慢慢整理成 Skill、设计规范和自动化检查方法。

我们还在探索 7×24 小时的自动化 Agent Loop，希望需求进来之后，AI 能持续完成需求澄清、方案设计、开发、验证和交付，减少人在各环节之间接力。要做到这个程度，每个环节都需要对应的领域经验。

需求澄清，面对组件库开发、信息图生成、客户端交互这些不同的需求，该问什么，哪些信息必须明确，怎样才算具备开工条件，都需要具体的方法。

开发可视化组件库，AI 要了解适用的设计范式，包括微内核、插件化、分层组件化、模块化，以及事件监听、消息通信、帧循环这些机制，还要知道什么情况下用哪个。

验证，性能、视觉、交互和非视觉功能，检查方法各不相同，AI 要知道具体查什么、怎么查、依据什么判断达到了要求。

这些都要结合实际项目慢慢积累。需求澄清、开发和验收的能力完善了，能无人值守完成的任务范围才能扩大。

具体的领域判断，要由可视化设计师、可视化产品经理这些专家来提供。我们擅长的是做系统平台，帮他们更快地整理案例、评价效果、提炼和验证经验。某一个 Skill 只是这个过程的产物，我们想要的是能持续、快速沉淀十个、百个领域经验的能力，让后面每一次能力探索都更快。

沉淀下来的经验，还要方便大家查看、理解和查找，也要能按场景调用，用到可视化生成、需求澄清、开发和验收里。经验积累多了，系统要能持续管理和更新，让已有经验在不同场景里复用。

流程上参考 RSI 的思路：案例生成，自动检查，专家评价和纠正，提炼候选规则，回放验证，更新 Skill 或检查方法，然后再生成，让这一圈一直转下去。新规则先用已有案例和没参与提炼的案例验证，通过了再用，出现退化能恢复旧版本。

这些现在还是计划。后面先从已有的可视化能力里选一个场景做试点，把历史案例、专家反馈和判断标准整理出来，用相同的需求和验收标准，对比接入领域经验前后的完成周期、人工投入和实际质量。