前两天有个朋友尝试用AI做架构图，说效果很拉胯，前段时间被GPT Image 2的炸裂效果刷屏，正好今天实测一波。

主题是生成一张“Hermes Agent vs OpenClaw 总体架构差异”的技术对比图。

选了几款国内外生图领域的代表选手：ChatGPT（Image 2）、Gemini思考模式（Pro模式太拥挤被自动降级了）、即梦Seedream 5.0 lite、通义万相2.7 Pro

第一轮：基础提示词

即梦：图片最简单，而且有明显奇怪的文字，效果比较糙。（下面这张是四张里效果最好的）

通义万相：文字处理比即梦稍好一些，但整体美观度一般，内容提炼不够，看着也很乱。

Gemini：效果挺不错，内容简洁清晰，较前面两个明显上了个档次。（思考模式出的图，由于Pro模式太拥挤被降级了，所以没能看到Pro的效果，但降级的效果都已经碾压即梦和万相了）

GPT Image2：的确 很强，整体质感明显领先。

怎么样？效果是不是很明显，提示词是完全一样的。

第二轮：提示词扩展到4000字

由于第一版提示词比较基础，对于架构差异的表述没有太深入，所以第二轮把提示词做了扩展，加入更详细的对比内容。

即梦：超字数，直接无法生成。（结合第一轮的情况，也就没报多大希望，所以直接放弃了）

Gemini：Pro额度缘由，这次没能跑起来。

通义：能生成，但内容提炼和最终效果明显差一截。

GPT Image2：提示词越详细，输出越详细，质量依然最稳，而且内容提炼总结得也很不错。

写作最后

效果很明显：ChatGPT > Gemini > 通义万相 > 即梦

（这个结果仅代表架构图这个场景，我在其他生图场景中，同样的提示词，有时候能明显感觉即梦会比万相好）

但是ChatGPT和Gemini都需要科学上网，国内用户不太友善。

不过对于这种结构性的内容，还有个更实用的替代方案：用AI直接生成静态网页。WorkBuddy这些龙虾类智能体工具都能轻松做到，代码直接输出，结构清晰还不会画歪。

不过如果想在一个固定尺寸里展示，提示词上可能得多调调。

下面是我用WorkBuddy参照前面两轮提示词的内容做的静态页面截图效果。