TikZ vs Matplotlib vs AI：2026 年学术论文配图最佳工具指南

如果你曾向顶会投过稿，一定对这套流程不陌生：用 matplotlib 画训练曲线，用 draw.io 画架构图，再到 Figma 里微调布局，最后花一下午把所有图拼在一起，让字体、线宽和配色方案至少看起来统一。一篇论文下来，你可能要用到三四种不同的工具——每种都有自己的导出格式、坐标系统和学习成本。

这种工具碎片化问题困扰研究者已超过十年。但在 2025 到 2026 年间，这一格局发生了巨大变化。AI 驱动的配图生成器从新奇的技术演示演变为真正实用的研究工具，问题也从"我该学 TikZ 还是 matplotlib？"变成了"AI 在我的配图工作流中应该扮演什么角色？"

本文是一份客观、逐工具的对比评测。我们涵盖了代码类工具（TikZ、matplotlib、ggplot2）、GUI 类工具（draw.io、Figma、Illustrator、Excalidraw）以及新兴的 AI 辅助生成器（BioRender、FigureLabs、PaperBanana）。我们从学习曲线、输出质量、可复现性、效率和价格五个维度对每种工具进行评估，帮助你为下一篇论文选择最佳的工具组合。

核心要点

• 没有任何一款工具能覆盖学术论文中的所有图表类型。 最高效的研究者通常组合使用 2–3 种工具，一种用于数据图表，另一种用于示意图。
• 代码类工具（TikZ、matplotlib）的输出质量最高， 但需要大量时间投入和专业知识。它们仍然是可复现性的金标准。
• GUI 类工具（draw.io、Figma）做单次示意图最快， 但缺乏数据驱动能力，且不同图表之间容易出现风格不统一的问题。
• AI 驱动的工具在 2026 年已经跨过了实用性门槛。 多智能体流水线能够迭代地生成、评审和优化图表，在常见的示意图和数据图表类型上已经能产出出版级质量的成果。
• AI 工具之间的核心差异在于质量保障机制。 单次生成的工具通常需要大量手动修改，而迭代式"评审-优化"方案（如 PaperBanana 的 7 智能体流水线）能以更少的人工干预收敛到更高的质量。

2026 年学术配图工具格局

学术配图工具可分为三大范式，各有其独特的取舍：

代码类工具（TikZ、matplotlib、ggplot2）以可复现性和精确性见长。你编写脚本，将其与数据一同纳入版本控制，随时可以重新生成完全相同的图表。代价是陡峭的学习曲线和较慢的迭代周期。

GUI 类工具（draw.io、Figma、Illustrator、Excalidraw）以速度和视觉灵活性见长。拖拽操作即可立即看到效果。代价是图表无法数据驱动、难以程序化复现，且整篇论文中各图的风格容易不一致。

AI 辅助工具（BioRender、FigureLabs、PaperBanana）以易用性和工作流效率见长。你只需描述需求——通过文本、数据或草图——AI 系统就会生成出版级质量的配图。代价是精细控制能力有所降低，且依赖于生成器的能力范围。

以下是各工具的概览：

代码类工具

TikZ / PGFPlots

TikZ 是 LaTeX 原生配图的金标准。如果你曾看到某篇论文的示意图中字体与正文完美匹配、每条箭头都像素级对齐、配色方案浑然一体——大概率就是用 TikZ 做的。

优势：

• 原生 LaTeX 集成。 字体、数学符号和间距自动与文档匹配，无需后期处理。
• 矢量输出与精确控制。 每个坐标、每条曲线、每个标注都在代码中定义，你获得的正是你所指定的。
• 擅长方法论示意图。 流程图、神经网络架构图、流水线图和状态机是 TikZ 的核心优势领域，效果一眼就能看出专业水准。
• 庞大的社区和示例库。 texample.net 和 tikz.net 等网站提供了数千个可直接参考的示例。TeX Stack Exchange 上几乎每个布局问题都有详细的解答。

劣势：

• 学习曲线极为陡峭。 PGF/TikZ 手册超过 1300 页。即使是经验丰富的 LaTeX 用户也表示，某些在可视化编辑器中几分钟就能完成的布局，在 TikZ 中需要花费数小时。
• 没有所见即所得的反馈。 工作流程是：编写 TikZ 代码、编译文档、查看 PDF、调整坐标、重新编译。这个循环很慢，对于需要目测元素位置的空间布局来说尤为痛苦。
• 需要大量的心算。 正如 Hacker News 用户 semi-extrinsic 在一个广为引用的帖子中所说，TikZ 要求你"进行大量心算来放置元素"——这种认知负担会随着图表复杂度增加而累积。
• 大语言模型难以生成 TikZ 代码。 在 NeurIPS 2024 上发表的 DeTikZify 论文表明，即使是最先进的语言模型，从图表描述生成正确、可编译的 TikZ 代码也十分困难。这限制了 AI 辅助 TikZ 工作流的潜力。

最适用于： 拥有深厚 LaTeX 功底、需要与文档排版完美匹配的像素级精确示意图的研究者。如果你正在撰写一篇理论性很强的论文，其中的形式化示意图将在多篇出版物中被引用，那么 TikZ 的学习投入是值得的。

结论： 对于愿意投入时间的人来说，TikZ 能产出最好看的效果。但在赶截止日期的论文中，时间成本可能令人望而却步。

matplotlib + seaborn

matplotlib 是科学 Python 领域的主力工具。如果你的论文中有训练曲线、消融实验、柱状图或散点图，几乎可以肯定你正在使用 matplotlib——无论是直接使用还是通过 seaborn 的高层 API。

优势：

• 与 Python 生态系统深度集成。 pandas DataFrame、NumPy 数组、Jupyter notebook——matplotlib 天然融入 ML 研究工作流。你可以在同一个脚本中从实验日志直接生成出版级配图。
• 通过 rcParams 实现无限定制。 每一个视觉属性——字号、线宽、刻度格式、图例位置——都可以通过代码配置，没有任何东西被锁在 GUI 后面。
• 面向学术用途的社区样式库。 SciencePlots 库提供期刊专用样式（IEEE、Nature、Science）。tueplots 和 mpl_sizes 库则提供了 NeurIPS、ICML、ICLR 等会议格式的精确尺寸。
• 可复现性。 将绘图脚本与数据一同保存，任何人都可以重新生成你的配图。这越来越成为审稿人的期望，也是一些期刊的硬性要求。

劣势：

• 默认样式不符合出版标准。 这是一个众所周知的长期问题。GitHub issue #19028 请求改善出版默认样式，被以"不予修复"关闭。开箱即用的 matplotlib 图表看起来像课堂作业，而非 camera-ready 的论文。
• 基础样式调整需要大量代码。 调整字号、移除边框线、设置统一边距、对齐子图标签等都需要大段模板代码，且容易出错。一个"简单"的柱状图很容易就需要 40–50 行样式代码。
• LaTeX 字体匹配较为棘手。 启用 text.usetex=True 来渲染 LaTeX 文本需要安装完整的 TeX 环境，会显著降低渲染速度，还会引入一类晦涩的报错。不启用的话，字体就无法与 LaTeX 文档匹配。
• 子图拼接导致不一致。 当你将多个子图组合成一张大图时（消融实验中很常见），要在各子图间保持一致的字号、线宽和标签位置需要仔细的手动协调。

最适用于： 数据密集型论文，包含大量实验图表——训练损失曲线、性能对比、消融实验网格、混淆矩阵。如果你的论文工作流在 Jupyter notebook 中完成，matplotlib 是自然之选。

结论： 数据图表领域当之无愧的主力工具。但如果你在意视觉质量，预计要在样式调整上花费大量时间。搭配 SciencePlots 或 tueplots 可以节省数小时。

ggplot2 (R)

ggplot2 值得简要提及，尤其对于统计学、计算生物学和社会科学领域的研究者而言。其"图形语法"理念以相对简洁的代码就能产出优雅、结构良好的可视化。默认样式比 matplotlib 更接近出版标准，cowplot 和 patchwork 等包使多面板配图变得简单直接。

对 ML/AI 研究者来说，主要限制在于生态锁定：ggplot2 存在于 R 生态中，而大多数 ML 工作流使用 Python。如果你的数据处理流水线已经在 R 中，ggplot2 非常出色。如果你使用 PyTorch 训练模型，在语言之间搬运数据的摩擦通常不值得。

GUI 类工具

draw.io (diagrams.net)

draw.io 是研究者中最受欢迎的免费绘图工具，这是有充分理由的：它基于浏览器、无需安装，且能很好地处理最常见的图表类型。

优势：

• 免费且易于获取。 无需注册账号，任何浏览器都能使用，也有桌面应用和 VS Code 扩展。
• 擅长标准图表类型。 流程图、系统架构图、UML 风格的过程流——draw.io 凭借内置的图形库可以快速完成。
• 支持 SVG 和 PDF 导出。 矢量导出可以无缝集成到 LaTeX 文档中。

劣势：

• 复杂度增加时性能下降。 当图表元素超过几十个时，操作开始变得迟缓。在含有大量连接线的复杂方法论图表中重新排列元素会让人非常沮丧。
• 非数据驱动。 你无法导入 CSV 生成图表，每个元素都需要手动放置。
• 缺少学术专用模板。 图形库偏向软件工程（UML、网络图），而非科学配图。你找不到神经网络层组件、实验流水线模板或统计图表元素。

最适用于： 需要在 30 分钟内完成"够用"的方法论示意图和系统架构概览。许多顶会论文使用 draw.io 配图，尤其是高层级的流水线概览图。

Figma

Figma 已悄然成为注重设计的研究者的心头好，尤其适合协作项目和海报设计。

优势：

• 协作编辑。 多位共同作者可以同时编辑同一张配图。对于多机构合作的论文，大家异步迭代图表时尤为实用。
• 矢量原生，对齐工具出色。 自动布局、智能参考线和组件系统使得在一篇论文的各图之间保持视觉一致变得容易。
• 非常适合润色。 如果你有一张来自 matplotlib 或 draw.io 的粗糙配图，Figma 非常适合做最后的视觉优化——调整颜色、对齐和排版。

劣势：

• 并非为数据可视化设计。 没有内置的图表功能，无法导入数据生成图表。
• 不支持 LaTeX。 数学公式需要变通处理（在外部渲染 LaTeX，导入为 SVG）。
• 团队版需要付费。 免费版对个人使用足够，但协作功能需要付费订阅。

最适用于： 对已有配图进行最终的视觉润色、协作海报设计，以及需要精确控制美观效果但不想写代码的场景。

Adobe Illustrator

Illustrator 是矢量图形领域的行业金标准，许多期刊的制作团队使用它进行最终的配图处理。

优势：

• 完全的设计控制。 在 Illustrator 中没有做不到的事。每条路径、渐变、透明度和文本元素都可以完全调整。
• 行业标准的格式支持。 原生 AI 文件、EPS、PDF——无论出版商要求什么格式，Illustrator 都能导出。

劣势：

• 价格昂贵。 每月 $22（如果作为 Creative Cloud 套件则更多），对于一个可能仅在投稿时才用到的工具来说，这是一笔不小的开支。
• 学习曲线陡峭。 Illustrator 是专业设计工具，用它来高效制作科学配图需要相当的技能。
• 非数据驱动。 与 Figma 一样，无法从数据生成图表。它是润色工具，而非数据可视化的创作工具。

最适用于： 当出版商或导师要求像素级精准的视觉质量时，用于 camera-ready 的配图制作。一些研究者专门将其用于投稿前的最终处理。

Excalidraw

Excalidraw 因其刻意营造的手绘风格而日渐流行。

优势：

• 极简且快速。 在浏览器中即时打开，无需配置，立即开始绘图。
• 适合思考。 手绘风格鼓励你在不纠结细节的情况下随手画下想法，在配图设计的早期阶段很有用。

劣势：

• 绘图工具有限。 正如 Hacker News 用户所指出的，Excalidraw 的工具集是刻意保持简洁的。复杂图表很快会变得难以驾驭。
• 对正式出版来说过于随意。 手绘风格虽然有其魅力，但不适合大多数 camera-ready 投稿。审稿人可能会认为这不够认真。

最适用于： 白板风格的头脑风暴、快速画个想法分享给合作者、在选定更正式的工具之前规划配图布局。不适合最终出版的配图。

AI 驱动的工具

AI 辅助配图生成领域在 2025–2026 年间显著成熟。以下三款工具在学术应用中尤为突出，各自针对不同的细分场景。

BioRender

BioRender 已成为生物学和生命科学插图的事实标准，拥有超过 50,000 个预设的科学图标和拖放式界面。

• 优势： 拥有海量的生物学专用图标（细胞、器官、实验设备、分子结构）。与 Anthropic/Claude 的合作增加了 AI 辅助布局建议功能。机构站点许可证意味着许多大学研究者已经可以免费使用。
• 最适用于： 生物学、生物化学、医学研究和生命科学。如果你需要细胞信号通路图或 CRISPR 机制示意图，BioRender 是不二之选。
• 价格： 个人研究者 $33/月。许多大学提供机构许可证。
• 对 CS/ML 研究者的局限： 图标库以生物学为中心。你找不到 Transformer 注意力模块、GPU 集群图或训练流水线模板。也没有数据绘图功能。对于计算机科学和机器学习论文，BioRender 并非合适的工具。

FigureLabs

FigureLabs 提供了一套多功能的 AI 能力：草图转配图、文本转配图、配图优化和自动矢量化。

• 优势： 功能覆盖面广。草图转配图模式确实很实用——拍一张白板手绘的照片，FigureLabs 就能生成一张干净的出版风格版本。矢量化功能可将位图转换为 SVG。
• 免费方案： 每月 400 积分，根据复杂度不同大约可生成 20–40 张配图。
• 局限： 生成过程是单次的。AI 每次请求只产出一个结果，如果输出不太满意，你的选择只有换个提示词重试或手动编辑。没有内置的质量评审或迭代优化循环。

PaperBanana Paper Visualizer

PaperBanana 采用了截然不同的架构思路：它不是用单个模型一次性生成配图，而是使用一个由 7 个智能体组成的流水线，让专业化的 AI 智能体协作并互相评审。

• 流水线： Retriever（从 NeurIPS/ICLR 配图数据库中检索风格参考） → Planner（规划视觉布局） → Stylist（优化颜色、字体和排版） → Visualizer（生成图像或 matplotlib 代码） → Critic（从四个维度评估：忠实度、简洁性、可读性、美观度） → Vanilla（生成干净的基线版本） → Polish（最终优化）。Critic 智能体可以触发额外的迭代，因此系统在你看到结果之前就已经完成了自我改进。
• 双模式： 从文本描述生成示意图（方法论配图、架构图、流水线概览），以及从原始数据生成数据图表（系统生成并执行 matplotlib 代码，因此输出既是渲染好的图表，也是可复现的源代码）。
• 多轮 AI 评审： 这是核心差异化优势。Critic 智能体根据明确的质量维度评估每次迭代，并提供结构化的反馈来驱动下一次迭代。在实践中，这意味着第三次迭代的质量明显优于第一次——这种动态效果是单次生成工具无法复现的。
• 参考驱动的生成： Retriever 智能体从顶会论文的配图中检索风格参考，为设计决策提供依据。这有助于输出遵循已有的学术视觉规范，而非退化为通用的默认风格。
• 数据图表的透明性： 在数据图表模式下，生成的 matplotlib 代码是可见的、可编辑的、可复现的。你不会被锁定在一张不透明的图片中——你可以拿到代码进一步自定义。
• 定价： 首稿免费，多轮优化按积分计费。
• 最适用于： 需要方法论示意图或统计图表、且希望配备内置质量保障机制的 CS/ML 研究者。迭代评审循环在你不确定自己到底想要什么的时候尤为有价值——系统会自行探索并收敛，而非要求你事先指定所有细节。

试试看：PaperBanana Paper Visualizer

决策矩阵：你该选择哪种工具？

以下是一个基于实际需求的决策树：

• 需要从实验结果绘制数据图表？ 如果你想要完全手动控制，使用 matplotlib；如果你想要 AI 辅助生成且输出代码可复现，使用 PaperBanana 数据图表模式。
• 需要简单的流程图或架构图？ 使用 draw.io。免费、快速，对大多数高层级概览图来说足够好。
• 需要与论文视觉风格匹配的复杂方法论示意图？ 如果你有 LaTeX 功底且时间充裕，使用 TikZ；如果你想借助 AI 辅助并进行迭代优化，使用 PaperBanana 示意图模式。
• 需要生物学或医学插图？ 使用 BioRender。在生命科学图标方面没有其他工具能与之匹敌。
• 需要润色已有配图以达到 camera-ready 标准？ 使用 Figma（免费、支持协作）或 Adobe Illustrator（最大控制力）。
• 需要匹配特定会议格式的可复现图表？ 使用 matplotlib + SciencePlots 或 matplotlib + tueplots。这些库提供了 NeurIPS、ICML、ICLR 以及主要期刊的精确尺寸和样式。
• 需要快速画个想法给合作者看？ 使用 Excalidraw，不必想太多。

混合工作流

最高效的研究者不会死守一种工具。他们组合使用 2–3 种工具，各取所长。以下是我们观察到的两种常见工作流：

工作流 A（示意图 AI 优先，数据图表手动）：

1. 使用 PaperBanana Paper Visualizer，以你方法论部分的文本为输入，生成初始方法论示意图
2. 在 Figma 中微调颜色和对齐
3. 使用 matplotlib 搭配 SciencePlots 编写所有数据图表的脚本
4. 在 LaTeX 中以统一尺寸组合所有配图

工作流 B（手动优先，AI 辅助）：

1. 使用 matplotlib 搭配 tueplots 编写所有数据图表，确保符合会议特定的尺寸规范
2. 对架构图和流水线概览图使用 PaperBanana，这类场景中视觉创意比数据精度更重要
3. 投稿前在 Illustrator 或 Figma 中进行最终润色

核心洞察在于，不同类型的配图有不同的瓶颈。数据图表的瓶颈在于样式和格式——代码类工具搭配样式库可以很好地解决。示意图的瓶颈在于创意布局和视觉设计——这正是 AI 工具提供最大价值的领域。

常见问题

draw.io 做的图能上顶会吗？

可以，取决于图表类型。简单的流程图、系统架构概览图和流水线图用 draw.io 制作后，经常出现在 NeurIPS、ICML 和 ICLR 的论文中。关键在于保持设计简洁：使用统一的配色、仔细对齐元素、导出为 SVG 或 PDF 以确保清晰渲染。draw.io 力不从心的地方是包含大量互连元素的复杂方法论配图——工具本身变得笨重，结果也容易显得千篇一律。

博士生应该学 TikZ 吗？

取决于你的研究领域和预计发表的论文数量。如果你在理论性较强的方向，预计整个博士期间会撰写 5 篇以上包含形式化示意图（状态机、证明结构、算法可视化）的论文，那么学习 TikZ 在整个读博期间会持续带来回报。配图将与 LaTeX 排版完美匹配，而且你可以积累可复用的模板。

如果你在应用 ML 方向，大部分配图是训练曲线和架构概览图，那么 TikZ 的时间投入就较难获得足够的回报。你可能要花 20 小时学习 TikZ 来达到用 draw.io 或 AI 工具 2 小时就能实现的效果。请考虑你的机会成本。

AI 工具能完全取代手动制图吗？

目前还不能，短期内对所有场景也做不到。2026 年的 AI 工具在两个特定任务上表现出色：从文本描述生成示意图（方法论配图、架构概览图），以及从原始数据生成标准数据图表。对于这些常见的配图类型，AI 可以节省数小时的工作。

AI 目前仍然力不从心的场景包括：具有非常规布局的高度定制化可视化、需要精确标注放置的数据密集型配图、训练数据覆盖不足的领域特定规范，以及需要精确匹配已有论文风格的配图。在这些情况下，手动工具——或混合方案——仍然是必要的。

顶级 ML 研究者实际用什么工具？

根据公开分享的工作流和论文源文件来看：matplotlib（搭配自定义样式文件）用于数据图表几乎是通用选择。在示意图方面则更加多元——LaTeX 熟练者用 TikZ，快速草图用 draw.io，Keynote/PowerPoint 用于简单框图（出人意料地常见），以及越来越多地用 AI 工具生成初稿。Figma 和 Illustrator 出现在润色阶段。无论使用何种工具，大多数研究者都对自己的配图工作流表示不满——"配图税"是一个被广泛吐槽的痛点。

AI 生成的配图在 NeurIPS/ICML 可以接受吗？

可以，对于示意图和数据图表而言。主要的 ML 顶会并未禁止 AI 生成的配图。NeurIPS 的论文核查清单要求作者披露 AI 工具的使用情况，这很容易合规。出版商的 AI 政策（来自 Springer Nature、Elsevier、IEEE 等）主要针对的是 AI 生成的逼真照片，禁止可能被误认为真实照片的 AI 生成内容。示意图、流程图和数据可视化——也就是这些工具所产出的配图类型——并不是这些限制的关注重点。不过，请务必查看你目标投稿会议的具体指南，因为政策仍在持续演变中。

结论

不存在所谓的"科学配图最佳工具"——答案取决于你需要什么类型的配图、有多少时间，以及你已经掌握了哪些工具。但 2026 年的工具格局比两年前有了实质性的进步。

对于数据图表，matplotlib 搭配样式库（SciencePlots、tueplots）仍然是通往可复现、出版级质量成果的最可靠路径。对于示意图，权衡已经发生了变化：AI 驱动的工具现在能产出与手工精心制作的配图相媲美的效果，尤其是当 AI 系统包含迭代式质量评审而非单次生成时。

多智能体方案——由 AI 智能体通过多次迭代来生成、评估和优化配图——代表了一个真正的进步。它模拟了人类设计师的真实工作方式：起草、评审、修改。这也是为什么像 PaperBanana 的 7 智能体流水线这样的系统，凭借其专门的 Critic 智能体从忠实度、简洁性、可读性和美观度四个维度进行评估，能持续超越单次生成器。初稿只是起点，而非最终成品。

无论你选择什么工具，目标始终不变：配图要能清晰地传达你的研究、看起来专业，且不要耗费你数周的时间。如果你现在的工作流涉及四种不同的工具、不一致的样式和深夜的字体调试——也许是时候尝试一种不同的方法了。

试试 PaperBanana Paper Visualizer，看看多智能体流水线如何处理你的方法论示意图和数据图表。

---

想了解更多关于 AI 辅助科学配图的内容？请阅读我们的指南：来自博士研究者的实用技巧和 PaperBanana 多智能体架构的工作原理。