Excalidraw AI：当白板开始“提问”，设计协作进入新阶段
在一场远程产品评审会上，产品经理对着麦克风说：“画一个用户注册流程，包含邮箱验证。” 几秒钟后，屏幕上浮现出一组手绘风格的节点和箭头——但紧接着，一个弹窗出现了：“您是指前端表单流程，还是包含后台验证和邮件发送的完整链路？”
这不是科幻场景，而是 Excalidraw 最近上线的 AI 功能带来的真实体验。它标志着一种转变：AI 不再只是执行命令的工具，而成了会“追问”的协作者。
传统绘图工具的问题在于“太听话”。你输入一句“做个系统架构”，它要么报错，要么凭猜测生成一堆无关方框。这背后是人与机器之间长期存在的鸿沟：人类擅长模糊表达，机器却依赖精确指令。而 Excalidraw 的突破，正是试图弥合这一断层。
这个开源的手绘风白板工具原本就以极简著称——无需安装、打开浏览器即用，图形自带轻微抖动的“手写感”，让人放松警惕，更愿意自由表达。如今加入 AI 后，它的定位悄然发生了变化：从一个被动记录想法的画布，进化为能主动参与构思的智能伙伴。
那么，它是怎么做到“听懂模糊描述”并“知道什么时候该问”的？
核心在于其前端架构与大语言模型（LLM）的协同设计。Excalidraw 本身采用 TypeScript 构建，所有图形元素都以结构化的 JSON 对象存储。比如一个矩形，不只是视觉上的方块，还携带了位置、尺寸、样式甚至版本号等元数据：
const rectangleElement = { type: "rectangle", version: 184, versionNonce: 123456, isDeleted: false, id: "AeE-123xyz", fillStyle: "hachure", strokeWidth: 2, strokeStyle: "rough", roughness: 2, opacity: 100, x: 100, y: 100, width: 200, height: 100, strokeColor: "#000", backgroundColor: "#fff" };这种高度结构化的内部表示，使得任何自动生成的内容都能无缝融入现有画布。更重要的是，它为 AI 提供了一个清晰的目标输出格式——不需要创造新语法，只需生成符合规范的 JSON 列表即可。
真正的智能来自外部集成的 LLM 模块。当用户输入一段自然语言时，系统并不会立刻动手画图，而是先让 AI “判断自己能不能做”。这个过程类似人类接到模糊任务时的心理活动：“他说的‘系统’到底指什么？”
下面这段伪代码揭示了其决策逻辑：
def generate_diagram_from_text(user_input: str, canvas_context: dict): prompt = f""" 分析以下描述，判断是否足够生成图表。如果信息不足，请提出最多两个澄清问题； 如果足够，请输出对应的 Excalidraw 元素数组（type, label, position）。 描述："{user_input}" 当前画布元素数量：{len(canvas_context.get('elements', []))} 输出格式： {{ "is_ambiguous": true/false, "questions": ["问题1", "问题2"], "elements": [...] }} """ response = call_llm_api(prompt) if response["is_ambiguous"]: return {"status": "awaiting_clarification", "questions": response["questions"]} else: inject_elements_into_excalidraw(response["elements"]) return {"status": "success", "generated_count": len(response["elements"])}关键就在is_ambiguous字段。这不是简单的关键词匹配，而是基于语义理解的风险评估。例如，“微服务架构”听起来专业，但缺乏具体上下文时，AI 明白此时贸然绘制可能会偏离预期。于是它选择暂停执行，转而发起对话。
这种“不确定就提问”的机制，恰恰是当前多数 AI 工具所缺失的能力。很多所谓“AI 绘图”功能一旦接收到请求，哪怕只有三个字，也会强行输出结果，最终造成误导或返工。而 Excalidraw 的做法更接近人类协作中的“积极确认”习惯：你不明白就说出来。
整个系统的运作流程可以概括为这样一个闭环：
[用户输入] ↓ (自然语言) [AI 处理前端] ←→ [LLM API Gateway] ↓ (结构化元素) [Excalidraw Core Engine] ↓ (Canvas 渲染) [Browser Viewport] ↑↓ (WebSocket) [Collaboration Server] ↔ [Other Clients]这里有几个值得注意的设计细节：
- 轻客户端 + 强后端：大部分语义解析压力由 LLM 承担，前端只负责组装请求和渲染结果，保证了跨设备兼容性。
- 上下文感知：AI 不仅看当前输入，还会参考已有画布内容。比如已存在“订单服务”，再提“关联支付模块”时，会自动尝试建立连接关系。
- 多轮对话支持：一次交互不是终点。用户回答追问后，AI 能延续之前的意图继续补全，形成渐进式构建。
实际使用中，这种能力带来了显著效率提升。假设你要画一个典型的登录流程：
- 输入：“画个登录页面”
- AI 反馈：“您希望包含哪些字段？例如用户名、密码、验证码？”
- 回复：“用户名、密码、记住我选项”
- 系统立即生成三个文本标签加输入框，并横向对齐排布
- 接着提示：“是否需要添加‘忘记密码’链接或第三方登录按钮？”
整个过程像极了一个经验丰富的设计师在引导你完成构思。相比传统方式需要手动拖拽十几个元素、反复调整间距，这种方式节省了至少 80% 的初始建模时间。
而且，这种互动不仅提升了个体效率，更改变了团队协作模式。在远程会议中，口头描述常常因歧义引发误解。而现在，一人发言，AI 实时可视化，所有人同步看到进展。一旦出现理解偏差，AI 还会主动打断澄清，避免后续大规模返工。
当然，这样的系统也面临挑战。最现实的问题是延迟——LLM 响应通常需要 1~3 秒，在高频交互场景下容易打断思维流。为此，Excalidraw 团队采用了加载占位符和预测性缓存策略：当你输入“数据库”时，即便还没提交，后台可能已经开始预加载常见模式模板。
另一个敏感问题是隐私。企业级用户往往不愿将内部架构图上传至公共模型。对此，Excalidraw 支持本地化部署路径，允许组织接入私有 LLM 实例，或通过差分隐私技术脱敏后再处理。
此外，提示词工程（prompt engineering）也成为影响效果的关键因素。同样是“画一个三层架构”，不同的 prompt 设计可能导致输出差异巨大。经过多次迭代，团队发现有效的指令需明确三点：输出格式约束、领域知识限定、风格一致性要求。例如：
“请将下列描述转化为 Excalidraw 兼容的元素列表。每个元素包含 type、label、x/y 坐标。布局优先纵向排列，风格保持手绘粗糙感。不使用颜色编码。”
这类精细化控制大幅提升了生成结果的可用性。
对比其他工具也能看出 Excalidraw 的独特定位。像 PlantUML 或 Mermaid 虽然支持文本生成图表，但必须严格遵循 DSL 语法，学习成本高；Figma AI 或 Microsoft Designer 更偏向视觉设计，缺乏对技术图表的专业支持。而 Excalidraw 正好卡在一个精准的细分市场：面向技术人员的快速原型表达。
这也解释了为什么它能在开发者社区迅速流行。无论是画 API 调用链、状态机转换，还是简单的 ER 图，用户都不再需要切换工具或记忆语法。一句话就能启动创作，配合追问机制确保准确性，真正实现了“零门槛表达”。
未来的发展方向也很清晰。随着多模态模型成熟，语音输入将成为可能——你说完一段话，AI 自动转录并生成草图。甚至手绘涂鸦也能被识别补全：潦草画个圆圈，AI 主动问：“这是代表用户还是服务器？” 并推荐标准图标替换。
更进一步，AI 还可承担“质检员”角色。比如检测到两个服务之间没有错误处理路径，主动提醒：“是否考虑超时重试机制？” 这种从“辅助绘制”到“辅助思考”的跃迁，才是智能白板的终极形态。
回到最初的问题：我们为什么需要一个会提问的白板？
答案或许在于，最好的工具不只是放大人的能力，更是弥补人的局限。人类善于发散联想，却容易忽略细节；擅长模糊沟通，却难以精确传递结构关系。而 AI 正好相反。当两者结合，形成“人提意图，AI 求证，共同产出”的协作范式，才真正释放了创造力。
Excalidraw 正在实践这条路径。它没有追求炫酷的全自动生成功能，而是专注于解决最痛的环节：如何让想法安全地跨越从模糊到具体的鸿沟。
在这个意义上，那个小小的提问弹窗，不只是技术实现，更是一种哲学体现——
真正的智能，不是假装什么都懂，而是敢于承认‘我不确定’。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
