T8 语法
概述
T8 语法是一种类 Markdown 的标记语言，用于创建富文本叙事可视化。它在标准 Markdown 基础上扩展了数据实体的特殊标注，使得在文本中突出显示指标、趋势和洞察变得简单。
为什么使用 T8 语法？
T8 语法的设计目标：
- 人类可读：基于 Markdown，熟悉且易于学习
- AI 友好：可以通过简单的提示词轻松被 AI 模型生成
- 数据感知：内置支持指标值、百分比、趋势等数据实体
- 可扩展：支持自定义短语和区块
基本语法
T8 语法使用标准 Markdown 来组织结构，并使用以下格式添加特殊的实体标注：
[显示文本](实体类型, 属性=值, ...)示例
# 销售报告
总销售额达到 [¥1,234,567](metric_value, origin=1234567)。
华东地区贡献 [¥800,000](metric_value)，
占比 [64.8%](contribute_ratio, assessment="positive")。核心组成
T8 语法按照以下层级结构组织：
文档
- 整个叙事文本的顶层容器
- 可以包含标题和多个段落区块
- 支持全局样式配置
段落区块 (Section)
- 将相关段落组织在一起
- 支持标准段落和自定义区块
- 可以根据不同展示需求进行扩展
段落 (Paragraph)
- 支持多种类型：标题（# 到 ######）、文本、列表
- 标准 Markdown 段落语法
- 可以通过自定义类型扩展
短语与实体
- 文本的最小单位
- 纯文本或标注的实体
- 实体包括指标、维度、趋势等
实体类型
T8 的强大之处在于其丰富的实体类型集，这超越了标准 Markdown 的能力。这些实体使您能够在叙述文本中语义化地标记数据，提供视觉强调和交互功能。
核心指标实体
metric_name
介绍：标识正在讨论的指标的名称或标签。
使用场景：
- 介绍关键绩效指标（KPI）
- 在解释性文本中标注指标
- 创建术语表式定义
示例：
[日活跃用户数](metric_name)本季度显著增长。metric_value
介绍：表示指标的数值，支持格式化和原始数据。
使用场景：
- 显示 KPI 值
- 展示测量结果
- 呈现统计数据
属性：
origin：原始数值（用于计算）unit：可选的度量单位
示例：
总收入达到 [¥1,234,567](metric_value, origin=1234567)。
销售量为 [12亿台](metric_value, origin=1200000000)。other_metric_value
介绍：用于次要或辅助指标值，不是主要关注点。
使用场景：
- 支持性统计数据
- 上下文指标
- 比较基准
示例：
[平均订单价值](other_metric_value)为 [¥125](metric_value, origin=125)。变化与趋势实体
delta_value
介绍：表示指标值的绝对变化，带有正负评估。
使用场景：
- 显示绝对增长或减少
- 同比比较
- 连续期间变化
属性：
origin：数值变化量assessment："positive"、"negative" 或 "equal"
示例：
销售额增长了 [¥180,000](delta_value, origin=180000, assessment="positive")。
收入下降了 [¥50,000](delta_value, origin=-50000, assessment="negative")。ratio_value
介绍：表示百分比变化或增长率。
使用场景：
- 增长率
- 百分比变化
- 环比同比分析
属性：
origin：十进制比率（如 0.15 表示 15%）assessment：方向评估
示例：
收入增长了 [15%](ratio_value, origin=0.15, assessment="positive")。
销售额同比下降 [3.2%](ratio_value, origin=-0.032, assessment="negative")。contribute_ratio
介绍：表示部分对整体的贡献百分比。
使用场景：
- 市场份额
- 贡献度分析
- 组成分解
属性：
origin：十进制比率assessment：贡献度评估
示例：
华东地区占总销售额的 [64.8%](contribute_ratio, origin=0.648, assessment="positive")。proportion
介绍：表示部分与整体的比率或分数。
使用场景：
- 显示分数
- 人口分布
- 细分数据
属性：
origin：十进制比例
示例：
[四分之三](proportion, origin=0.75)的客户偏好在线购物。trend_desc
介绍：趋势或方向的定性描述。
使用场景：
- 描述运动模式
- 趋势特征
- 定性评估
属性：
assessment：趋势方向的评估
示例：
市场呈现[强劲增长](trend_desc, assessment="positive")态势。
价格保持[稳定](trend_desc, assessment="equal")。维度实体
dim_value
介绍：表示维度值，如类别、地区、产品或细分市场。
使用场景：
- 地理区域
- 产品类别
- 客户细分
- 时间段
示例：
[亚太地区](dim_value)仍是最大市场。
[高端设备](dim_value)表现出强劲增长。time_desc
介绍：时间引用和时间段描述。
使用场景：
- 日期引用
- 时间段标签
- 时间比较
示例：
在 [2024年](time_desc)，全球出货量创新高。
[2023年第四季度](time_desc)的结果超出预期。高级分析实体
rank
介绍：表示排名位置，可选详细排名数据。
使用场景：
- 竞争排名
- 最佳/最差表现者
- 排序列表
属性：
detail：用于可视化的值数组
示例：
中国在全球[排名第一](rank, detail=[320, 180, 90, 65, 45])。difference
介绍：突出显示值之间的差距或差异。
使用场景：
- 比较分析
- 差距分析
- 距离度量
属性：
detail：显示进展的数组
示例：
[1.4亿台的差距](difference, detail=[200, 180, 160, 140])正在缩小。anomaly
介绍：标记数据中的异常模式或离群值。
使用场景：
- 离群值检测
- 异常模式
- 数据质量问题
属性：
detail：显示异常的数据
示例：
我们检测到城市地区的[异常集中](anomaly, detail=[15, 18, 20, 65, 22])。association
介绍：描述变量之间的相关性或关系。
使用场景：
- 相关性分析
- 因果关系
- 依赖模式
属性：
detail：显示关联的数据点
示例：
销售额与营销支出呈现[强相关性](association, detail=[{"x":100,"y":105},{"x":120,"y":128}])。distribution
介绍：表示数据如何在类别或范围内分布。
使用场景：
- 频率分布
- 类别分解
- 范围分析
属性：
detail：分布值数组
示例：
[分布](distribution, detail=[15, 25, 35, 15, 10])呈现正常特征。seasonality
介绍：表示数据中的周期性或季节性模式。
使用场景：
- 季节性趋势
- 周期性模式
- 定期变化
属性：
detail：包含数据和可选范围的对象
示例：
我们观察到第四季度达到峰值的[明显季节性](seasonality, detail={"data":[80, 90, 95, 135], "range":[0, 150]})。完整示例
以下是使用多种实体类型的综合示例：
# 第四季度销售报告
## 概述
在 [2024年第四季度](time_desc)，[总收入](metric_name)达到
[¥520万](metric_value, origin=5200000)，相比第三季度增长了
[¥80万](delta_value, origin=800000, assessment="positive")，
增长率为 [18%](ratio_value, origin=0.18, assessment="positive")。
## 各地区表现
[北美地区](dim_value)以 [¥210万](metric_value, origin=2100000)领先，
占总收入的 [40%](contribute_ratio, origin=0.40, assessment="positive")。
该地区在所有市场中[排名第一](rank, detail=[2100000, 1800000, 1300000])。
[欧洲](dim_value)呈现[强劲势头](trend_desc, assessment="positive")，
[近一半](proportion, origin=0.48)的销售额来自新客户。技术实现细节请参阅 短语与实体。