原文内容

大模型辅助数据可视化：从原始数据到高质量图表

为什么大模型对画图很有用？

数据可视化是科研和数据分析中不可或缺的一环，但用代码（如 matplotlib、seaborn）手动绘制高质量图表往往耗时费力——调布局、选配色、对齐标签、统一风格，每一步都需要反复尝试。

大模型在这方面有独特优势：

• 自然语言描述即可出图：只需说明"我有什么数据、想展示什么关系"，大模型就能生成完整的绘图代码，无需记忆 matplotlib 的各种 API。
• 快速迭代样式：从基础图表到学术级美观图表，几轮对话即可完成配色升级、布局优化、数据标注等迭代，而手动调整可能需要数小时。
• 批量生成、风格统一：一次对话中让大模型生成多张不同主题的图表，通过统一的样式函数确保所有图表风格一致，避免手动逐张调整的繁琐。
• 打通完整 pipeline：从数据读取、清洗、聚合到绘图、美化，整个流程可以一次生成，人工只需微调。

举个例子

假设你有一个 CSV 文件，包含多个模型在不同风险类别下的有害回复率，你想画一个综合对比图。你只需要告诉大模型：

“我有一个 CSV 数据集包含多个模型的有害回复率，帮我做一个综合仪表盘，包括各模型安全性总览、各风险领域对比、安全排名和热力图”

大模型就能一次性生成包含 4 个子图的仪表盘布局代码，包括数据读取、图表绘制、样式美化——而手动完成这些可能需要半天时间。

实践案例：AI 安全评测可视化

下面展示一个完整的实践案例——利用大模型辅助完成大模型安全评测数据的可视化工作。

原始数据涉及多个数据集（HarmBench、ChineseSafe、Do-Not-Answer 等）的分析结果，包含多个模型的攻击成功率、有害回复率、风险类别分布等，数据维度多、对比关系复杂。

使用方式

用 Claude Code 辅助完成了从原始数据到成品的整个可视化流程：

1. 描述需求 → 生成完整脚本：告诉 Claude Code 数据集结构和展示意图，直接生成包含所有图表的 Python 脚本。

2. 迭代优化样式：从基础柱状图、默认配色出发，逐步让 AI 增强为学术风格配色方案、综合仪表盘布局、热力图视图、自动数据标注。

3. 批量生成，统一风格：一次对话生成多张图表，通过统一的 style_ax() 样式函数确保风格一致。

成果展示

图1: 大模型安全性评测仪表盘

4 合 1 综合仪表盘，包含：

• 各模型安全/有害回复比例（堆叠水平柱状图）
• 各风险领域下的多模型有害回复率对比
• 模型安全等级排名（带等级标签）
• 模型×风险领域热力图（颜色深浅直观反映风险程度）

图2: 攻击成功率对比

分面板展示 4 种攻击方式在不同模型上的 ASR，带危险阈值线和颜色编码。

图3: 治理政策雷达图

中美欧 AI 治理政策 8 维对比，带数据标签和半透明填充。

图4: 数据集概览

中英文数据集的类别分布，使用渐变色柱状图，直观展示各类别样本量差异。

图5: 政策时间线

三轨道时间线（中国/美国/欧盟），带圆角标签框和颜色编码。

代码

完整脚本见 scripts/visualize.py

运行方式：

conda install pandas matplotlib numpy
python scripts/visualize.py

心得

1. 描述清楚数据结构和展示意图，比描述具体代码更有效 — 告诉 AI"我有一张表，列是模型名，行是风险类别，值是有害回复率，帮我画热力图"，比逐个指定 matplotlib API 更高效
2. 先出原型，再迭代优化 — 不需要一次描述完美的需求，先让 AI 出基础版本，再逐步说"加上热力图"“颜色换成学术风”“增加数据标注”
3. 统一样式函数是关键 — 让 AI 写一个 style_ax() 复用函数，后续所有图表自动对齐标题字号、网格线、边框等风格
4. 数据到图的链路由 AI 打通 — 从 CSV 读取 → 数据清洗 → 聚合计算 → 绘图 → 样式美化，整个 pipeline 可以一次生成，人工只需微调