ECNUVIS 入组前开源项目学习与贡献清单

May 29, 2026

这份清单不是「可视化库大全」，而是按 ECNUVIS 方向筛选后的学习 / 贡献地图。实验室常见方向包括：

复杂数据可视化算法与交互
可视分析系统交互设计与实现
深度学习 / 大语言模型在可视化中的应用
近期：时空与城市计算、LLM 与金融科技、AIGC 与可视叙事、可视设计与可逆可视化

筛选标准：活跃、能提 Issue / PR、开学前适合学习和贡献。活跃度数字会随时间变化，以下以整理时快照为准，贡献前请到 GitHub 再核验。

方向对齐

优先看六类：

时空 / 地理 / 城市计算：deck.gl、kepler.gl、MapLibre、AntV L7
可视分析与图表语法：Vega-Lite、Observable Plot、ECharts、G2、Graphic Walker
图 / 关系 / 知识图谱：G6、LLM Graph Builder
LLM + 可视化：Data Formulator、AVA、GPT-Vis、VMind
金融科技 + LLM：OpenBB、FinGPT
可视叙事 / AIGC：VChart 等；Timeline Storyteller 已归档，适合学不适合 PR

最推荐优先关注

| 优先级 | 项目 | 方向 | 为什么适合 | | --- | --- | --- | --- | | S | visgl/deck.gl | WebGL / 时空 | 城市计算硬实力，学图层、拾取、性能 | | S | keplergl/kepler.gl | 地理可视分析应用 | 完整系统，不只是底层库 | | S | microsoft/data-formulator | AI-powered visualization | 最贴 LLM × 可视化，欢迎 agent / connector / template 贡献 | | S | antvis/AVA | AI-native visual analytics | 中文生态，AI 辅助分析 | | S | antvis/L7 | WebGL 地理空间 | 中文社区，文档 / 示例 / 边界 bug 好贡献 | | A | vega/vega-lite | 交互式图形语法 | AI 生成图表常见目标语言 | | A | observablehq/plot | 探索式可视化 API | 门槛相对友好 | | A | apache/echarts | 工业级图表 | 成熟架构，但核心改动门槛高 | | A | antvis/G6 | 图可视化 | 知识图谱 / GraphRAG / 关系网络 | | A | OpenBB-finance/OpenBB | 金融数据平台 / agents | 对应 LLM × FinTech |

分方向怎么学

时空 / 城市计算

deck.gl：先跑 examples，再学 Layer / Attribute / Picking / ViewState；做一个城市轨迹 demo。
kepler.gl：学 side panel、filter、layer config、map state、保存分享——这是可视分析系统设计课。
MapLibre：补底图基础。
L7：中文地理空间引擎，适合文档、示例、聚合边界问题。

图表语法 / 交互系统

Vega-Lite：先写 spec，再看 compile / test。以后做 LLM 生成图表几乎绕不开。
Observable Plot：学简洁 API 与 layered grammar。
ECharts / G2：工业级配置与交互。
Graphic Walker：更接近可嵌入 BI / 拖拽分析系统。

图与知识图谱

G6：布局、交互、插件、关系数据。
llm-graph-builder：LLM 抽结构 + 图存储，适合理解 GraphRAG 前置链路。

LLM × 可视化

Data Formulator：自然语言 → 数据理解 → 变换 → 可编辑图表。最值得本地跑通。
AVA / GPT-Vis / VMind / VChart：中文生态的 AI 图表与叙事链路。

这类项目直接连到 tool use 与 agent skills：模型不是只聊天，而是产出可编辑图表与分析步骤。

金融科技

OpenBB：数据基础设施、dashboard、agent 集成。
FinGPT：金融 LLM 背景；先 notebook / demo，不要一上来改训练核心。

开学前四阶段路线

第 1 阶段：可视化基础工程

Plot → Vega-Lite → G2。产出：5 个小 demo + 一个文档 / 示例 / 小 bug PR。

第 2 阶段：时空可视分析

deck.gl → kepler.gl → L7 → MapLibre。产出：城市流动 demo（轨迹 + 时间筛选 + 热力 + tooltip）+ 文档 / example PR。

第 3 阶段：LLM + 可视化

Data Formulator → AVA → GPT-Vis → VMind。产出：本地跑通 + 中文 dataset / template / i18n 小贡献 + 对比笔记。

第 4 阶段：金融科技补充

OpenBB + FinGPT。产出：拉金融数据做图表闭环，而不是先训练模型。

Issue / PR 策略

优先：

文档错误 / 示例过期
可复现 UI bug（最小复现 + 截图）
边界数据：空数据、单点、全相同值、NaN
TypeScript 类型
测试补充
中文生态的中文文档

不建议一开始做：

大型架构重构
没有 Issue 背景的新功能
无 benchmark 的核心性能优化
未复现完整 pipeline 的模型训练 PR

这其实是 coding agent 与人工贡献共享的纪律：先可验证小切口，再扩影响面。

如果只能跟 5 个

Data Formulator
deck.gl
L7
Vega-Lite
OpenBB

如果想先拿一个 PR：优先 L7 / VChart / GPT-Vis / AVA，或 Observable Plot / Vega-Lite 的文档与测试；Data Formulator 先跑起来再找 template / i18n / connector。

一句话结论

入组前开源贡献，不是刷 star 榜，而是用 2–3 个方向做出可演示 demo + 可合并 PR + 可复述的技术判断。时空系统、图表语法、LLM × 可视化三条线打通后，你和实验室方向的对话才会具体。