推理链（Reasoning Chain）是AI系统和复杂业务逻辑中最常见的结构之一：一个结论往往要经过多步推导，每一步又可能依赖不同的条件分支。当推理链超过五六层时，纯文本描述就很难让人看清整体逻辑了。把推理链画成图，是梳理逻辑、排查错误和向他人讲解的最直接方式。目前最主流的两款工具是Graphviz和Mermaid，它们定位不同、语法不同、适用场景也不同。本文将从原理讲起，带你完成从推理文本到可视化图形的完整过程。
一、推理链为什么适合用有向图表达
推理链的本质是一条或多条有向路径：从前提出发，经过若干推理步骤，最终到达结论。这正好对应图论中的有向无环图（DAG）。每个推理步骤是图中的一个节点，步骤之间的依赖关系则是有向边。用有向图表达推理链有三个明显优势。
第一，依赖关系一目了然。当多个中间结论共同支撑一个最终结论时，文本需要反复使用"根据前面第3步和第5步"这类表述，而图中只需要两条指向同一节点的边。第二，分支逻辑天然可见。条件推理会产生"如果A成立则走左边，否则走右边"的结构，这在图上就是典型的菱形分叉。第三，便于发现逻辑漏洞。如果某个结论没有任何入边，说明它的前提缺失；如果图中出现环，说明推理存在循环论证，这些在文本中很难发现的问题，在图上一眼就能看出来。
建模时建议遵循一个简单规则：节点表示"推理状态或结论"，边表示"推理依据或推导动作"。比如"用户信用评分高于600"是一个节点，"查询征信系统"是从原始数据指向该节点的一条边。保持这个粒度，画出的图既不会太碎，也不会丢失关键信息。
二、用Graphviz绘制推理链：强大但偏工程化
Graphviz是AT&T实验室开发的老牌开源图形可视化工具，核心思想是用DOT语言描述图结构，再由布局引擎自动计算节点位置。它支持多种布局算法，其中dot布局专门针对有向图优化，会自动把节点按依赖层次从上到下排列，非常适合推理链这种纵向推进的结构。
下面是一个信用审批推理链的DOT示例，展示了前提、中间结论、条件分支和最终决策的完整结构：
digraph reasoning_chain {
rankdir=TB; // 从上到下布局
node [shape=box, style="rounded,filled", fillcolor="#E8F4FD"];
edge [color="#555555"];
// 前提层
p1 [label="收入证明已提交", fillcolor="#D5E8D4"];
p2 [label="征信查询完成", fillcolor="#D5E8D4"];
// 中间推理节点
s1 [label="月收入超过2倍月供"];
s2 [label="近两年无逾期记录"];
s3 [label="负债率低于50%"];
// 条件分支
decision [label="三项均满足?", shape=diamond, fillcolor="#FFF2CC"];
// 结论
pass [label="审批通过", fillcolor="#D5E8D4", shape=box];
reject [label="转人工复核", fillcolor="#F8CECC", shape=box];
p1 -> s1;
p2 -> s2;
s1 -> decision;
s2 -> decision;
s3 -> decision;
decision -> pass [label="是", color=green];
decision -> reject [label="否", color=red];
}
将上述内容保存为reasoning.dot文件后，执行命令dot -Tpng reasoning.dot -o reasoning.png即可生成PNG图片。Graphviz的优势在于布局能力极强，节点数量达到上百个时依然能保持清晰的层次结构，还支持用subgraph把同一推理阶段的节点分组框选，用rank=same强制某些节点处于同一水平线。它的短板是语法偏底层，样式调整写起来比较繁琐，且渲染结果需要额外工具查看，不适合直接嵌入网页实时编辑。
三、用Mermaid绘制推理链：轻量且适合协作
Mermaid采用的是完全不同的技术路线：它基于JavaScript实现，用类似Markdown的文本语法描述图表，可以直接在浏览器中渲染成SVG。这意味着只要把Mermaid代码放进HTML页面或支持它的Markdown平台（如GitHub、GitLab、Notion），图就会实时显示出来，不需要安装任何软件。
同样的信用审批推理链，用Mermaid的flowchart语法可以这样写：
flowchart TD
p1[收入证明已提交] --> s1[月收入超过2倍月供]
p2[征信查询完成] --> s2[近两年无逾期记录]
s3[负债率低于50%]
s1 --> decision{三项均满足?}
s2 --> decision
s3 --> decision
decision -- 是 --> pass[审批通过]
decision -- 否 --> reject[转人工复核]
style p1 fill:#D5E8D4
style pass fill:#D5E8D4
style reject fill:#F8CECC
Mermaid的语法明显更简洁：圆角矩形用方括号，菱形判断用花括号，边的标签直接写在箭头中间。它还提供flowchart LR切换为横向布局，用subgraph分组节点，用classDef批量定义样式。对于需要频繁修改、团队协作的场景，Mermaid的即写即渲染特性是杀手级优势——评审推理逻辑时，把代码贴进文档，所有人立刻看到图。
Mermaid的局限在于布局算法相对简单，节点超过几十个后容易出现边的交叉重叠，自动排布的美观度不如Graphviz的dot引擎。另外它的运行依赖浏览器环境，如果要在服务端批量生成图片，需要配合puppeteer之类的无头浏览器或使用mermaid-cli工具。
四、两款工具如何选择
综合来看，两者不是替代关系而是互补关系。可以从三个维度做决策。首先是图的规模：推理链节点在三十个以内，Mermaid完全够用且体验更好；节点上百、需要精细控制层次和分组时，Graphviz更可靠。其次是使用场景：要嵌入Wiki、README、技术文档并保持可维护性，选Mermaid；要生成高质量报告插图或集成到后端流水线自动出图，选Graphviz。最后是团队习惯：如果团队已经在用Markdown协作，Mermaid几乎没有学习成本。
还有一个实用建议：可以把Mermaid当作"草稿工具"，把Graphviz当作"出版工具"。日常梳理推理逻辑时用Mermaid快速迭代，逻辑确认无误后，再把结构翻译成DOT语言，用Graphviz生成正式交付的图片。两者描述的都是"节点加边"的抽象结构，互相转换并不困难，甚至可以写脚本从同一份JSON推理数据同时生成两种格式的代码，实现一次建模、多处渲染。
无论选择哪款工具，核心思路都是一致的：先把推理过程拆解为"前提、推理步骤、结论"三类节点，再明确节点之间的依赖与分支关系，最后用文本语法描述出来交给工具渲染。掌握这个流程后，无论是排查AI推理的错误路径，还是向他人讲解复杂的决策逻辑，一张清晰的推理链图都会让沟通效率成倍提升。