Baoyu Infographic

核心用法

baoyu-infographic 是一款结构化信息图生成工具，采用「布局×风格」双维度设计系统。用户输入文本内容后，工具通过 7 步工作流完成从内容分析到成品输出的全流程：

1. 内容分析（Step 1-2）：解析主题、数据类型、受众与语调，生成结构化内容大纲，严格保留原始数据（自动脱敏敏感信息）
2. 组合推荐（Step 3）：基于 21 种布局（时间线、对比矩阵、层级金字塔、漏斗图等）和 22 种视觉风格（手绘、赛博朋克、学术复古、3D 粘土等）智能匹配，支持关键词快捷触发
3. 用户确认（Step 4）：强制确认环节，需用户批准布局×风格组合、画幅比例、语言及图像后端后方可生成
4. 图像生成（Step 5-6）：按优先级调用 Codex imagegen、运行时原生工具或外部后端，支持参考图风格迁移，输出前自动备份旧文件

显著优点

• 模块化设计自由度高：21×22=462 种组合，配合关键词快捷入口（如「高密度信息大图」自动推荐 dense-modules 布局），覆盖 timeline、对比图、技术示意图等全场景
• 数据保真机制：结构化内容阶段禁止摘要改写，数据点、引文必须原样复制，仅脱敏密钥类信息
• 工程化输出规范：强制 prompt 文件留存（prompts/infographic.md）、自动备份策略、slug 命名冲突解决，确保可复现性
• 多后端兼容：Codex、Hermes、baoyu-imagine 等自动探测与降级，支持 preferred_image_backend 偏好锁定

潜在缺点与局限

• 强制确认门槛：默认必须人工确认 Step 4，批量自动化场景需显式传入 --no-confirm
• 文本渲染依赖模型：信息图内含大量标签、数据值，若后端模型文字生成能力弱（如早期扩散模型），易出现乱码或不清文字；规则明确禁止后期代码覆盖修复，只能重跑生成
• 无矢量输出：仅支持栅格图（PNG），不支持 SVG/AI/PDF 等可编辑格式，后续修改需重新生成
• 中文生态适配：22 种风格以西方视觉语言为主（Cyberpunk、Corporate Memphis 等），中式信息图常用风格（国潮、水墨、卷轴）未内置

适合人群

• 内容创作者、教育工作者、产品经理：需将复杂文本快速转化为社交媒体/演示文稿友好的视觉摘要
• 技术文档工程师：需生成技术示意图、API 流程图、架构拆解图
• 数据记者：需高密度数据叙事，但接受栅格图输出限制

常规风险

• 敏感信息泄露：内容分析阶段虽脱敏密钥，但用户若粘贴含 PII 的原始文本，结构化内容仍会保留；建议预清理
• 版权与参考图：--ref 引入的参考图若涉第三方版权，生成结果可能受风格迁移后的衍生风险
• 后端可用性：若运行时无原生图像工具且未安装任何后端，生成流程将阻塞，需用户介入选择

核心用法

baoyu-infographic 是一款专业的信息图生成 Agent Skill，采用「布局 × 风格」双维度设计体系。用户只需提供原始内容（文本、数据或主题描述），Skill 将自动完成内容分析、结构重组、视觉设计与图像生成全流程。

标准工作流程包含七个步骤：首先加载用户偏好配置（EXTEND.md），随后分析内容特征并保存结构化数据，基于内容类型推荐 3-5 组布局×风格组合，经用户确认后生成完整提示词文件，最终调用图像生成后端输出出版级信息图。整个过程强调数据忠实性——所有统计数据和引文原文保留，仅做视觉化呈现而不进行语义改写。

21种布局涵盖线性流程、二元对比、矩阵比较、层级结构、树状分支、中心辐射、结构拆解、Bento网格、冰山模型、问题-解决桥梁、漏斗转化、等距地图、数据仪表盘、元素周期表、漫画叙事、故事山、拼图关联、维恩图、蜿蜒路线图、环形循环、高密度模块等，适配从时间线到复杂技术文档的各类信息结构。

22种视觉风格包括手工纸艺、黏土动画、日式可爱、童话水彩、黑板手绘、赛博朋克霓虹、 bold 图形漫画、复古学术、孟菲斯企业风、技术蓝图、折纸几何、像素艺术、UI线框图、地铁线路图、宜家说明书、Knolling 平铺、乐高积木、实验室精密风、莫兰迪手账、复古波普网格、手绘教育风、复古弹出拼贴等，满足从严肃学术到潮流创意的多元审美需求。

---

显著优点

结构化设计方法论：不同于通用的「一句话生图」模式，该 Skill 建立了完整的信息图设计知识体系，将专业设计师的布局决策和风格选择过程编码为可复用的 Agent 工作流，大幅降低高质量信息图的制作门槛。

内容保真机制：强制要求保留源数据原文，禁止在视觉化过程中进行摘要或改写，这对于需要精确呈现统计数据、技术规格、法律条款等敏感内容的场景尤为重要。

灵活的后端适配：内置完善的图像生成工具链解析逻辑，支持 Codex 原生 imagegen、Hermes image_generate、baoyu-imagine 等多种后端，并可通过 EXTEND.md 持久化用户偏好。

生产级输出规范：自动生成完整的项目文件结构（source、analysis、structured-content、prompts、infographic.png），支持版本备份与可追溯复现，符合专业内容生产的工作流要求。

智能推荐系统：基于内容类型自动匹配最佳布局×风格组合，同时允许关键词快捷触发（如「高密度信息大图」自动推荐 dense-modules 布局），兼顾自动化效率与人工干预空间。

---

潜在缺点与局限性

确认步骤的刚性约束：默认策略要求用户必须在 Step 4 确认组合/比例/语言/后端选择后才能进入生成阶段，虽可通过 --no-confirm 显式跳过，但频繁确认可能打断批量工作流。对于追求极致效率的自动化场景，这一设计可能显得保守。

文本渲染的不可控性：明确禁止在生成后对位图进行文本修复（如使用 ImageMagick、Pillow、Canvas 等叠加修改），这意味着若 AI 图像后端出现拼写错误或文字模糊，必须完全重新生成。对于含大量精确文本的信息图，这可能带来迭代成本。

纯 Markdown 的维护复杂度：Skill 本体为 50 个 Markdown 文件（约 2800 行），布局与风格定义分散在 references/ 目录下，版本更新时需确保引用路径一致性，对非技术用户而言自定义扩展存在一定门槛。

依赖外部图像后端：核心能力绑定 Codex imagegen 或 baoyu-imagine 等第三方工具，若运行时未配置可用后端，Skill 将降级为「提示词生成器」而非完整解决方案。

---

适合的目标群体

• 教育工作者与培训师：需要快速制作课程大纲、流程图解、知识图谱等教学素材
• 内容运营与社交媒体管理者：生产小红书、微信公众号、LinkedIn 等平台的高密度信息长图
• 产品经理与 UX 设计师：输出用户旅程图、功能结构图、数据仪表盘原型
• 技术写作者与文档工程师：将复杂 API 文档、架构说明转化为可视化技术图解
• 咨询顾问与行业分析师：制作市场趋势、竞品对比、战略框架等商业演示材料
• 学术研究团队：生成论文插图、研究流程图、数据可视化摘要

---

使用风险

性能风险：多步骤工作流（分析→结构化→提示词生成→图像生成）在复杂内容场景下可能耗时较长，特别是调用外部图像后端时受网络延迟和队列深度影响。

依赖项风险：图像生成质量完全取决于所选后端的文本渲染能力和对复杂布局的理解力，不同后端（如 DALL-E、Midjourney、Stable Diffusion 衍生服务）在长文本、小字体、密集排版场景表现差异显著。

数据隐私风险：虽然 Skill 本身不直接收集用户数据，但内容分析和图像生成过程可能通过工具调用传递至外部服务，涉及敏感商业数据或个人信息时，需评估后端服务商的数据处理条款。

版本兼容性风险：Skill 版本 1.58.0 与检查报告中的 1.117.2 存在版本差异提示，实际使用时应核对运行时兼容性，避免引用路径或工具接口变更导致的功能异常。