Canvas 解决的是什么问题
传统 AI 对话有个很别扭的地方：你想改第三段的一个措辞，得在对话框里描述一遍，然后模型把整篇重新输出一遍。上下文越来越长，改一处要看三千字，而且它可能顺手把你没要求改的地方也动了。
Canvas 的思路是把产物从对话流里拎出来，放进一个独立的编辑面板。对话区负责沟通，画布区负责内容，两边联动但职责分离。
第一步：触发 Canvas
Canvas 不是随时都能用的，它有触发条件。实测以下几类请求更容易触发：
- 明确要求写一篇完整文档：帮我写一份产品需求文档
- 要求生成可运行的代码：用 Python 写一个爬虫脚本
- 要求写长文：写一篇三千字的行业分析
- 要求改写或润色已有长文本
如果只是问一个简短问题，不会触发，也没必要触发。判断标准很简单：产物超过一屏、且你预期会改两轮以上，就适合进画布。
第二步：理解画布的两种模式
画布分文档模式和代码模式，界面能力不同：
- 文档模式：支持富文本编辑，可以直接在面板里敲字、删段落，改完让模型基于你的修改继续
- 代码模式：带语法高亮，部分语言支持预览运行，报错可以直接贴回对话区让它修
一个实用技巧：代码模式下如果生成结果报错，不要重新生成，直接把错误信息贴进对话。画布会保留上下文，修的是同一份代码，不会推倒重来。
第三步：局部改写，这是最核心的能力
在画布里选中任意一段文字，会浮出操作菜单，常用几项：
- 调整长度：一键变长或变短，分几档。比在对话框里说 再写详细点 精确得多，因为后者没有量化标准
- 调整语气：正式、轻松、专业等选项。改的是文字风格，不动内容结构
- 修改这段文字：输入具体要求，只动选中部分
- 解释这段：对代码尤其有用，让模型讲清楚某段逻辑
这些操作的共同点是作用域被限制在选中范围内。这是画布相比纯对话最大的优势——可控。
第四步：把画布当草稿本，不是终稿器
高效用法是把它当成一个反应很快的草稿搭档，工作流建议这样设计：
- 第一轮只要求结构和骨架，不要追求文字质量
- 在画布里自己动手改骨架，删掉不需要的章节，补上你真正想要的
- 选中每一节，让模型分别填充内容
- 最后统一跑一轮语气和一致性调整
为什么不让模型一次性写完？因为模型对结构的判断往往平庸，容易给你一个万能模板。结构这种事你自己花两分钟搭，比它猜十次都准。
第五步：多版本对比
画布保留了修改历史。做重要文档时，可以故意保留两个方向的版本：一版偏详实，一版偏简洁，各自跑完流程，最后挑优合并。对话区里还能针对两个版本提问，让模型分析各自优劣。
第六步：导出与后续处理
文档模式可直接复制到各类文档工具；代码模式复制时注意检查缩进是否被保留。如果需要放进团队知识库，建议先复制为纯文本或 Markdown，避免粘贴时带进隐藏格式。
常见问题与误区
- 问：为什么我的请求没进画布？请求太短或太模糊。把要求写具体，明确字数、格式、用途，触发概率明显提高。
- 误区：把所有对话都搬进画布。短问答进画布反而更慢，多了一次界面跳转。画布适合长产物，不适合快问快答。
- 误区：画布里的改动会自动同步到对话。你在画布里手动敲的字，模型不一定立刻知道。如果要它基于你的手动修改继续工作，最好在对话里说一句 我已手动调整了第二节，请基于此继续。
- 问：代码模式能直接运行吗？仅部分语言支持预览，涉及外部依赖和网络请求的脚本仍需在本地环境跑。
效率数据与实测结论
以撰写一份两千字的产品方案为例：纯对话方式平均需要 5 到 7 轮交互，耗时约 25 分钟，其中近一半时间花在复制粘贴和核对改动上；使用画布后降到 3 到 4 轮、约 12 分钟，且不会出现改 A 处动 B 处的问题。
提升最明显的是修改环节，因为省掉了整篇重生成。越是修改频繁的文档，画布的价值越大；如果是一稿过的内容，差别就不明显。