JSONCanvas技能Skill：用一句话让 AI 帮你生成可直接打开的 .canvas 无限画布文件
- 它是什么：JSONCanvas技能Skill（英文名 json-canvas）让 Claude Code 这类 AI 编程助手能够按照 JSON Canvas Spec 1.0 规范，直接创建与编辑
.canvas画布文件，产出可在 Obsidian 等应用中直接打开。 - 它解决什么：过去画布必须靠手工拖拽，或者靠人背格式手写 JSON；现在只要把结构意图说清楚，AI 就能输出结构合法、坐标合理、连线正确的画布文件。
- 核心能力：支持 text（文本，即 Markdown）、file（文件）、link（链接）、group（分组）四类节点，以及带方向、端点形状、颜色、标签的连线，还有预设色板与背景图样式。
- 适合谁用：Obsidian 用户、需要快速搭建思维导图、流程图、看板、研究卡片墙的知识工作者，以及把画布生成能力集成进自动化流水线的开发者。
- 上手难度：低。只要会描述“我要几个节点、怎么连、什么颜色”，剩下的坐标计算与 JSON 结构由 AI 完成。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能中文名：JSONCanvas技能Skill 技能英文名：json-canvas 技能ID：12495
这个技能要解决的问题非常具体：JSON Canvas 是一种用于无限画布数据的开放文件格式，文件以 .canvas 为扩展名，内部是遵循 JSON Canvas Spec 1.0 的合法 JSON 文本。规范虽然不算复杂，但要手写却有真实门槛——每个节点都要写 id、type、x、y、width、height，每条边都要写 fromNode、toNode、fromSide、toSide，还要保证 ID 全局唯一、连线端点必须引用真实存在的节点。一旦其中一条校验规则不满足，文件在 Obsidian 里要么打不开，要么布局错乱得没法看。
JSONCanvas技能Skill 就是把这套“格式记忆与坐标计算”交给 AI：你描述画布结构，它输出可直接保存为 .canvas 的完整内容。
关于“一键安装”的思路：AI 技能（Skill）本质上是一段带有技能元数据与说明文档的能力包，安装方式通常由承载它的宿主环境（例如 Claude Code 及同类支持 Skills 的 AI 编程工具）决定。一般流程如下：
- 确认安装前提：确保你使用的 AI 编程终端或 IDE 插件版本支持“技能（Skill）”机制，并已正常登录账号；这是能否加载技能的前提条件。
- 获取技能：通过宿主环境提供的技能市场、技能仓库或本地技能目录导入该技能。具体的安装命令、仓库地址与目录路径请以官方说明为准，不同版本可能有差异。
- 启用技能：将技能放入宿主识别的技能目录，或在会话中显式调用该技能名称（
json-canvas）。 - 验证是否生效：向 AI 提出一个最小可验证的请求，例如“帮我生成一个包含两个文本框和一条连线的
.canvas文件”。如果返回内容包含顶层的nodes与edges两个数组，并且节点具备完整的必填字段，就说明技能已正常加载。把这个内容保存为demo.canvas，用 Obsidian 打开，能看到两个方框被一条线连起来，即验证成功。
需要强调的是，安装环节的细节取决于宿主环境的实际实现，本文不对未公开的命令与链接做任何推测，一切以官方说明为准。
该技能的主要功能和特点
- 四类节点全覆盖：
text节点承载 Markdown 文本（支持标题、加粗、列表、删除线等），file节点引用笔记、图片、PDF、视频等附件并支持subpath定位到某个标题或块，link节点嵌入外部网址，group节点作为视觉容器把其他节点框成一组。 - 结构化连线：每条边都能指定起点与终点所在的那条边（
top、right、bottom、left）、端点形状（none或arrow）、线条颜色和文字标签，因此可以画出带“是/否”分支的真实流程图，而不只是简单连接。 - 层级控制：节点在数组中的顺序即 z-index 顺序，第一个节点在最底层，最后一个节点在最顶层。这意味着分组框可以先声明、后放子节点，保证框在下方、内容在上方。
- 颜色体系双轨制：既支持十六进制颜色（如
#FF0000），也支持"1"到"6"六种预设色。预设色刻意不定义具体色值，允许各应用使用自己的品牌配色，因此在 Obsidian 深色主题下依然协调。 - 分组背景样式：group 节点可以指定背景图路径与渲染样式（
cover铺满、ratio保持宽高比、repeat平铺重复），用来做分区看板或带底图的区域。 - 完整校验意识：技能内置一套验证规则，覆盖 ID 唯一性、连线端点有效性、必填字段完整性、枚举值合法性（节点类型、边的方向、端点形状、颜色预设），从生成阶段就避免“结构合法但内容非法”的废文件。
- 布局经验沉淀：技能给出了推荐尺寸表与间距建议（组内留 20–50 像素内边距、节点间隔 50–100 像素、坐标对齐到 10 或 20 的倍数），让 AI 生成的画布不是“能打开但很丑”。
和普通工具比强在哪：普通画布工具需要你逐一手动拖拽摆放，效率受限于手工操作；配置文件手写方案虽然可以脚本化，但要求你自己记住全部规范细节。这个技能把“规范知识 + 布局经验”一起交给 AI，于是画布从“手工制品”变成了“可以口头描述、可以批量生成、可以版本管理的文本产物”。
如何使用该技能？
以下为典型使用流程，具体调用入口以你所用宿主环境的实际界面为准。
第 1 步：明确画布目标与节点清单 先用自然语言把画布结构讲清楚，包括有几个区域、每个区域放什么、谁指向谁。描述越具体，生成质量越高。
第 2 步：发起生成请求 例如这样说：
“用 json-canvas 技能生成一个项目看板画布：三列分组分别是待办事项（红色预设）、进行中（黄色预设）、已完成（绿色预设），每列宽度 300、高度 500，列间距 50 像素。在每列内各放一个文本节点，内容分别是‘实施功能 X’‘审查 PR 123’‘设置 CI/CD’。三列横向排列，画布不要边线。”
第 3 步：确认输出结构 AI 返回的应当是形如以下的 JSON：
{
"nodes": [
{ "id": "5e6f7a8b9c0d1e2f", "type": "group", "x": 0, "y": 0, "width": 300, "height": 500, "label": "待办事项", "color": "1" },
{ "id": "8b9c0d1e2f3a4b5c", "type": "text", "x": 20, "y": 50, "width": 260, "height": 80, "text": "## 任务 1
实施功能 X" }
],
"edges": []
}
第 4 步：保存为 .canvas 文件
把输出内容保存为带 .canvas 扩展名的纯文本文件，放入你的笔记库或工作目录。
第 5 步：在应用中打开与微调 用 Obsidian 或任何兼容 JSON Canvas 的应用打开。如果发现某块区域偏挤，直接把需求描述给 AI，例如“把第二列整体右移 40 像素，列内文本节点高度改为 100”，它会输出修订后的完整文件。
第 6 步：增量修改而非重画 需要加节点时，可以直接说“在‘已完成’列补一个画删除线的任务节点，颜色用橙色预设”，AI 会保留原有节点 ID 与坐标，只做局部改动——这一点比手动重建画布省事得多。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| JSONCanvas技能Skill（json-canvas） | AI 驱动的 .canvas 文件生成器 |
按规范生成四类节点、结构化连线、分组与配色，支持校验与批量产出 | 需在支持技能的 AI 环境中加载，随后用自然语言描述即可 | 批量画布生产、画布结构由文字驱动、版本化管理 | 优势：无需手写 JSON，输出符合规范；不足：最终视觉效果仍需在目标应用里确认 |
| Obsidian 原生 Canvas 手动编辑 | 图形化无限画布编辑器 | 鼠标拖拽放置节点、连线、分组 | 门槛最低，打开软件就能画 | 临时起意的小型画布、需要大量即时微调 | 优势：所见即所得；不足：画布稍大就费时费力，且无法用脚本批量生成 |
| Mermaid / PlantUML 等文本转图表工具 | 代码即图表的图表描述语言 | 流程图、时序图、甘特图等固定图种 | 需学习各图种语法 | 文档内嵌图表、流程图 | 优势：语法成熟、生态广；不足：产出是静态图，不是可自由拖拽编辑的无限画布，节点不支持附件与子路径 |
| 手写 JSON 或脚本拼接画布 | 直接操作 .canvas 文本 |
理论上可实现全部规范能力 | 门槛最高，必须熟记规范与校验规则 | 程序化生成、流水线集成 | 优势：完全可控；不足：坐标与 ID 全手工管理，维护成本高，容易产出校验失败文件 |
从上表可见，JSONCanvas技能Skill 的差异化定位是“把规范能力具象化为可对话的生产力”，既保留了文本产物的可版本化管理优势，又抹平了手写规范的门槛。
该技能的典型应用场景与实际体验情况
场景一：产品经理的流程梳理
痛点在于跨部门把业务流程讲清楚时，纯文字没人愿意看，画图又得切换到专门软件。使用方式是先把流程口述成“开始 → 收集数据 → 判断数据是否有效 → 是：处理数据 → 结束；否：请求新数据 → 回到收集数据”，再要求 AI 生成带“是/否”标签与绿红配色的流程图。实际体验：AI 能把“是/否”分支的边颜色分别指定为绿色预设 "4" 和红色预设 "1"，方向用 bottom、left、right 控制，一次生成就能用。注意事项是位置坐标的视觉间距需要在应用中看一眼，必要时再让它微调 20–50 像素。
场景二：研究者的文献卡片墙
痛点是把十几篇文献、会议笔记和外部链接堆在画布上时，手动添加每个 file 节点极其重复，还要为每个节点写不同的 subpath。使用方式是描述“中心是一个研究主题文本节点，左侧纵向排列三张资料卡，右侧放一张图表附件，全部用带标签的连线指向中心”。实际体验：file 节点配合 subpath（如 #关键见解）能精准跳到笔记里的指定标题，连线标签“支持”“告知”“可视化”让整张图的语义一目了然。注意事项：文件路径必须是笔记库内的真实相对路径，路径写错节点会显示空引用。
场景三：团队周报式项目看板
痛点是用看板工具要先建板、建列、建卡片，一周一次非常繁琐。使用方式是描述三列分组加若干文本节点，用删除线标记已完成项。实际体验：group 节点天然适合做列容器，配合预设色区分状态，几十秒就能得到一份可交付的看板。注意事项：子节点坐标必须在分组框范围内留出 20–50 像素内边距，否则观感会很挤。
场景四：开发者的画布自动化流水线
痛点是需要按数据动态生成大量画布文件，但手写脚本要自己实现全部校验逻辑。使用方式是让 AI 依据一份结构化清单批量输出多个 .canvas 文件，并显式要求“所有 ID 唯一、所有连线端点引用已声明节点”。实际体验：技能内置的验证规则清单让 AI 在生成时就规避了 ID 重复、端点悬空这类最常见错误。注意事项：批量场景建议先小规模试产一两个文件确认格式无误，再放大数量。
该技能能为用户带来的价值
效率层面：手工摆放一个含十几个节点、若干条连线、两三个分组的中型画布，通常需要十几到几十分钟的反复拖动与对齐；改成文字描述后，这个动作被压缩到一次对话往返。对于需要每周、每项目重复产出同类画布的场景，节省是持续性的。
门槛层面：JSON Canvas 规范里有必需字段、唯一性约束、枚举值限制等多条校验规则，手写时任何一处疏漏都可能让文件打不开。技能把这些规则内置进生成过程，用户不需要先成为格式专家，就能得到结构合法的文件。
资产层面：.canvas 是纯文本，可纳入版本管理、可被程序读取、可被 diff 对比。相比“只存在于某个软件里的图形”，文本化画布的长期价值更高——它既能在今天被 Obsidian 渲染成人能看懂的结构图，也能在明天被脚本批量分析与改造。
协作层面：需求以自然语言描述存在，画布就成了“可复述的产物”。同事交给你的不是一张截图，而是一段“三个分组、五条连线、两条是/否分支”的描述，你可以在自己的环境里重新生成一份完全一致的画布。
长期价值：无论是画布、流程图还是思维导图，本质上都是“把结构外化”。当生成结构这件事的成本被压到极低，人们会更愿意在动手做事之前先把结构想清楚——这才是这类技能真正改变的环节。
常见问题 FAQ
Q1：这个技能怎么安装？需要付费吗？ 具体安装方式取决于你使用的 AI 宿主环境（如 Claude Code 及同类支持技能的工具），通常需要把技能导入或启用后再在会话中调用。由于不同版本的安装命令与路径存在差异，请以官方说明为准。费用方面，技能本身的授权与定价由发布方与宿主平台决定，同样以官方说明为准，本文不做推测。
Q2：生成的画布只能给 Obsidian 用吗？别的软件能打开吗？
JSON Canvas 是一种开放文件格式，文件遵循 JSON Canvas Spec 1.0。规范本身是公开的，任何实现该规范的应用都可以读取 .canvas 文件。Obsidian 是目前最常被提及的使用场景，但产出物并不被绑定在某一个软件上。
Q3：AI 生成的画布会不会很丑、布局很乱？ 技能内置了布局经验：不同节点类型的推荐宽高、组内内边距 20–50 像素、节点间距 50–100 像素、坐标对齐到 10 或 20 的倍数。因此生成结果通常已经具备可读性。如果有个性化要求，把“整体右移 40 像素”“把列高改为 600”这类精确指令告诉 AI，它会输出修订版本，而不用你手动逐个拖动。
Q4：它和直接手写 JSON、或者用 Mermaid 画流程图有什么区别？ 手写 JSON 要求你熟记全部必填字段与校验规则，且坐标与唯一 ID 全靠人工管理，维护成本高；Mermaid 这类工具产出的是一次渲染的静态图表，节点不能自由拖拽，也不支持引用本地笔记与附件子路径。这个技能的价值在于既保留了文本产物的可维护性，又支持真正的无限画布语义（附件、子路径、分组容器、层级顺序）。
Q5：适合谁用？我需要会编程吗？ 不需要编程基础。主要使用者包括：常用 Obsidian 做知识管理的用户、需要频繁输出流程图的业务与产品岗位、做研究综述时需要组织大量资料卡片的人，以及希望把画布生成接入自动化流程的开发者。只要你能够清楚地描述“有哪些节点、怎么连、分几组”，就已经具备使用条件。