ChatGPT一鍵生成美觀圖表!長條圖、瀑布圖、甘特圖... 5招實用prompt一次學會
ChatGPT一鍵生成美觀圖表!長條圖、瀑布圖、甘特圖... 5招實用prompt一次學會

「頭痛啊,這些數據一改,又得從頭製作圖表了……」Jeff埋首辦公桌前,苦惱地與難纏的數據資料奮鬥著。
負責公司各類市場調查的Jeff,經常使用Excel整理數據與製作圖表。雖然功能操作難不倒他,但每當數據更新或主管臨時要求修改時,他都得要花上不少時間調整和設計,讓他的工作壓力倍增。
同事Jason注意到他的困擾,關心地問道:「又要改圖表啦?」
「對啊,每次改數據就得重做圖表,看來今晚又要加班了。」
「可以試試看讓AI幫你做圖表呀!」
Jeff聽了半信半疑:「真的嗎?該不會只能畫簡單的長條圖吧?」
Jason笑著說:「不會啦,AI擅長的圖表種類可多了,你趕快試試看吧!」

ChatGPT自動生成數據圖表

我們工作上最常見到長條圖、折線圖、圓餅圖、雷達圖,雖然使用Excel繪製圖表並不難,但是人工製圖會耗費不少時間。加上「資料視覺化」成為主流,用生動的圖表將枯燥的數據轉化為簡單易懂的形式,幾乎是每位上班族的日常任務。然而,圖表報告往往很難一次完成,因為主管或同事的要求,一次又一次手動修改圖表成為很多人的噩夢。

現在有了ChatGPT,製作數據圖表變得輕鬆愉快,工作效率也會顯著提升,就讓我們一起告別圖表恐慌吧!

接著就來介紹如何運用「ChatGPT」自動生成不同類型的數據圖表。

操作步驟

〔STEP 1〕優化資料格式,上傳檔案

首先,在上傳Excel檔案之前,請快速檢查資料格式是否過於複雜。例如,設計過於精美的表格,或是同一儲存格內包含多筆數據,都可能會導致ChatGPT無法正確讀取資料。

如何確保ChatGPT能順利理解資料?

最簡單的辦法是精簡Excel檔案內容,只保留繪製圖表需要的資訊,移除文字備註或無關的美編設計。 此外,若是檔案中資料量過多,建議按照用途、圖表類型或資料屬性,分別存放在不同的工作表中,避免單一工作表過於雜亂。

花幾分鐘優化資料格式,不僅能降低失敗率,也能讓操作更加流暢。

上傳資料後,ChatGPT會顯示「Excel瀏覽視窗」,完整呈現表格內容,接下來就可以開始製作圖表了!

〔STEP 2〕輸入指令

一般來說,ChatGPT繪製數據圖表的指令並沒有固定的形式,只要清楚說明「圖表類型」和「資料範圍」即可。如果不知道該用哪種圖表時,也可以請AI分析資料並提供建議。

以下列出幾種實用的指令:

• 請分析這份Excel檔案適合製作哪種圖表?
• 請根據選取的數據資料,以○○為橫軸、XX為縱軸,繪製一幅長條圖。
• 請將今年度產品一、產品二、產品三的銷售量製作成圓餅圖。
• 請用時間序列圖呈現各項資料的時間變化趨勢。

在輸入指令時,我們可以在「Excel瀏覽視窗」內用滑鼠圈選特定的表格欄位,指定這張圖表參照的資料範圍,以避免AI抓取其他無關的數據。如果檔案本身的資料量不多,可以省略這個步驟。

最後稍待幾秒鐘,ChatGPT就會端出一份美觀的圖表囉!

〔STEP 3〕切換圖表類型

如果想快速比較不同類型圖表的視覺效果,不必重複前面的步驟,只要輸入以下指令:

★輸入:請使用相同的數據,將圖表類型切換成……(某種圖表名稱)。★

ChatGPT支援許多不同用途的圖表,我們可以依照需求自由切換,以下舉出幾種實用的圖表類型。如果需要繪製英文圖表,可以參考下方提供的英文名稱對照。

• 長條圖(Bar Chart)
• 折線圖(Line Chart)
• 圓餅圖(Pie Chart)
• 雷達圖(Radar Chart)
• 瀑布圖(Waterfall Chart)
• 時間序列圖(Time-Series Plot)
• 散布圖(Scatter Plot)
• 甘特圖(Gantt Chart)
• 熱力圖(Heat Map)

一次生成多種圖表的功能非常好用,能幫助我們快速找出最適合表達數據資料的形式。在以前如果想要對照只能一一手動製作,要花上很多時間。現在ChatGPT瞬間就能完成,效率實在驚人!

〔STEP 4〕修復亂碼問題

「文字亂碼」讓不少人對ChatGPT望之卻步。

由於ChatGPT處理繁體中文的內容還不如英文那麼成熟,導致它在製作數據圖表時,時常因為缺乏中文字型而出現亂碼,例如很常見到俗稱豆腐(tofu)的方塊亂碼「◼」。

這個問題不難解決,我們可以在網路上搜尋繁體中文的字型檔,例如有開源授權的「思源黑體」。

把字型檔上傳到ChatGPT,並告訴它:「後續請使用這份字型檔繪製圖表」,如此一來,圖表就能順利顯示中文字囉!

〔STEP 5〕調整格式與設計

ChatGPT生成圖表的速度雖然很快,設計也美觀,但還是有一些小缺陷,像是標題文字太小,或是圖例沒有正常顯示等。遇到這些情況,我們又無法像在Excel那樣用手動調整,該怎麼辦呢?

別擔心,直接用口語描述需要修改的地方,ChatGPT就會生成一張新的圖表。

下面列舉出幾種圖表外觀上常出現的問題,以及實際的指令案例。

• 修改文字內容:請將X軸標題改為「月分」、Y軸標題改為「銷售額」。
• 字體縮小放大:請將圖表內的中文字體放大(或縮小)。
• 移動物件:請將圖例移動至畫面左側。
• 替換顏色:請將產品A的折線顏色改為紅色。
• 資料標籤沒有顯示:請為圖表中的每個數據加上資料標籤,顯示對應的數值。
• 圖例未正常顯示:請新增圖例並放置於右上角。
• 資料點或趨勢線不夠明顯:請加粗趨勢線並將資料點放大,讓它清晰可見。

完成細部調整之後,點擊圖片上方的「下載」按鈕,就能將圖檔儲存到電腦中。

ChatGPT數據圖表案例:長條圖

30個必學的AI行政工作術圖表
圖/ 商周出版

ChatGPT數據圖表案例:雷達圖

30個必學的AI行政工作術圖表
圖/ 商周出版

ChatGPT數據圖表案例:折線圖

30個必學的AI行政工作術圖表
圖/ 商周出版

技巧再升級

〔技巧1〕如何製作動態圖表?

要呈現帶有前後順序或是時間先後特性的數據圖表時,如果能讓圖表「動」起來,會讓簡報或展示變得更為生動。

若想讓數據資料在圖表上依照時間順序逐一展示出來,只要在指令內加上「GIF」這個關鍵字,並描述自己希望呈現的動態效果,ChatGPT就能生成動畫圖檔。

以前面的「歷年銷售量回顧」折線圖為例,我們可以將指令設計如下:

★輸入:請將這份折線圖轉為GIF動態圖表,依照年分先後順序展示數據資料的變化。設計動畫時,讓Y軸範圍保持不變,每一幀對應一年的數據,逐步從右側增加新的數據進來。★

完成後,使用ChatGPT提供的下載連結,就能儲存製作好的精美動態圖表。

延伸閱讀:Kuse.ai教學|Kuse是什麼?好用嗎?中文介面、免費版教學一次看
Notion AI 教學|免費版、Plus 版、商業版、企業版差在哪?Notion AI 會議記錄怎麼用?一表看懂

本文授權轉載自《30個必學的AI行政工作術》,賴彥廷著,商周出版

 看大圖 30個必學的AI行政工作術:搞定會議、行程、簡報、文書、圖表、影音、資料庫,事半功倍,準時
圖/ 商周出版

責任編輯:蘇柔瑋

關鍵字: #ChatGPT #AI工具
往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓