AI 生成的信息图"看着对"就够了吗？Nano Banana 2 信息图的校验流程设计
Nano Banana 2 有一个让人又高兴又紧张的能力：它能生成看起来非常专业的信息图。
高兴是因为以前做信息图需要设计师画半天，现在一句 Prompt 就能出一张水循环图、一张云类型对比图，甚至一张带数据的柱状图。紧张的原因也很直接——它生成的数字和事实可能是错的，而且错得很"体面"，看起来完全像真的。
这篇文章不谈 Nano Banana 2 的信息图有多好看，只谈一个问题：怎么保证它生成的信息图里的内容是对的？
问题出在哪
Nano Banana 2 的信息图能力来自两个地方：一是 Gemini Flash 本身的语言理解能力，二是它能联网检索实时信息。但联网不等于准确。
模型在生成信息图时，本质上是在做两件事：
- 理解你的 Prompt，决定图表的结构和布局
- 填充具体内容（数字、标签、比例关系）
第一件事它做得不错。第二件事就危险了。它可能会：
- 编造不存在的数据
- 用过期的数据（比如用 2023 年的 GDP 冒充 2025 年的）
- 比例关系画错（饼图里 30% 和 50% 的面积差不多大）
- 标签和数据不匹配
Google 的官方示例里那张"水循环信息图"确实好看，但你仔细看会发现，它的标签和箭头更像是"示意"而不是"精确"。用在科普场景还行，拿去做年报或者给客户看的 PPT，就需要格外小心了。
一套校验流程
如果你的团队要在工作中用 AI 生成信息图，建议走这样一套流程：
第一步：结构化输入
不要让模型自己编数据。把数据源写进 Prompt。
比较危险的写法：
"生成一张 2025 年全球手机市场份额饼图"
更安全的写法：
"生成一张饼图，标题'2025 Q3 全球智能手机出货量份额'，数据如下：Samsung 19.4%, Apple 15.8%, Xiaomi 14.1%, OPPO 8.7%, vivo 8.2%, Others 33.8%。数据来源：IDC。"
把具体数字和来源都喂给模型，它出错的空间就小很多。
第二步：视觉比例校验
AI 画的饼图、柱状图，面积比例经常不对。19.4% 和 15.8% 看起来一样大，33.8% 的 Others 可能画得比实际小。
校验方法：导出图片后，用截图工具量一下各区域的像素占比，和实际数据对比。如果偏差超过 5%，需要重新生成或手动修正。
第三步：文字抽检
信息图里的文字全都要过一遍。重点检查：
- 数字是否和你给的数据一致（AI 有时候会"四舍五入"甚至改数字）
- 单位是否正确（%、亿、万等）
- 小数点位置
- 来源标注是否被省略
第四步：来源水印
在最终发布的信息图上加上数据来源标注。这不只是规范问题，也是给读者一个校验的入口。如果读者看到"数据来源：IDC 2025 Q3"，至少可以自己去查。
如果信息图是 AI 生成的，建议额外标注"图表由 AI 辅助生成，数据已人工核实"。
哪些信息图可以放心用，哪些要谨慎
相对安全的场景：
- 流程图（步骤顺序由你指定）
- 对比图（数据由你提供）
- 结构图（层级关系由你定义）
- 概念性示意图（不涉及具体数字）
需要谨慎的场景：
- 带真实数据的统计图（饼图、折线图、柱状图）
- 地理分布图（地图标注容易出错）
- 时间线图（年份和事件的对应关系可能搞混）
- 任何需要"事实正确"的场景
一个折中方案
如果你想兼顾效率和准确性，可以用 Nano Banana 2 做"骨架"，用传统工具（Excel + Figma / Canva）做"血肉"：
- 先用 AI 生成信息图的整体布局和配色方案
- 导出后在 Figma 里替换掉所有文字和数字
- 用 Excel 的图表功能生成精确的图表部分，截图覆盖到对应位置
这样既利用了 AI 的排版和配色能力，又保证了数据的准确性。
参考链接