Skip to content
BranchesTags

Repository files navigation

Academic Figure Skills

Version License Stars

Academic paper figure skills for Claude Code, Cursor, Codex & Gemini CLI.
AI 驱动的学术论文配图技能包：证据分析 → FigurePlan v1 → FigureSpec v1 → 原生生图 → RenderAudit v1 → 定向修图。

是什么？ 5 个可独立安装的 agent skill，覆盖仓库/论文/草稿/参考图分析、可追溯配图规划、统一风格与色彩设计、结构化规范、Codex 原生直接生图和生成后视觉审计。skill 定义可复用流程，不等于常驻子智能体；仅端到端 workflow 会在任务可独立拆分时临时派发 figure worker。三个 surface profile 是 classic-technical（现代前沿技术框线/经典矢量）、pastel-airy-ui、illustrated-modular；reference-led 是保留参考图真实语法的覆盖模式，不等同于手绘柔彩风。色板是风格下的可选变量，不再由代码目录数决定。

5 skills · 3 core style profiles · native Codex rendering · reference-aware revision · Install: npx skills add Azhi-ss/academic-figure-skills -g --all

快速开始（30 秒）

# 全局安装全部技能（推荐）
npx skills add Azhi-ss/academic-figure-skills -g --all

然后对 agent 说：

  1. "分析这个仓库并直接用本地 Codex 生图，不用展示 prompt"
  2. "参考这篇论文 Figure 2 的画法重画我的框架；保留风格，不复制内容"

先看有哪些 skill（不安装）：

npx skills add Azhi-ss/academic-figure-skills -l

顶会级配图风格全景展示 (Style Showcase Gallery)

本技能包内置多种面向学术论文的标准化配图风格。所有提示词均归一化为结构化紧凑段落（Compact Prose），严禁 Markdown 字符泄漏。默认不在画布顶部重复论文 caption；当用户或参考图明确要求时，可保留一个短小、非横幅式的总标题：

现代前沿技术框线风
现代前沿技术框线风 (Modern Technical Vector)
对标论文：DeepSeek-V3 (arXiv:2412.19437) Fig 2 MLA & MoE
核心特征：彩色张量维度条 ($h_t, c_t^{KV}$)、Attention 多层热力图矩阵、Top-K 门控概率柱状图、微米级正交走线
📄 查看实测 Prose 提示词 		Agentic-MatriBO 手绘架构图：Agentic Reasoning、Deterministic BO Harness 与 Memory, Provenance & Recovery 三分区闭环
编辑手绘模块风 (Illustrated Modular)
风格参考：MLEvolve (arXiv:2606.06473) Fig 1–2（仅参考手绘科学信息图语法；架构内容为 Agentic-MatriBO）
核心特征：奶油白底与深墨蓝手绘描边，蓝/桃/绿三大语义区；左侧 Agentic Reasoning 主区与右侧执行/记忆堆叠区通过实线执行流、紫色虚线建议/反馈和珊瑚 STOP 例外组成可恢复闭环
📄 查看实测 Prose 提示词
现代柔彩空气风
现代柔彩空气风 (Pastel Airy UI / Modern Pastel Airy)
对标论文：Brunzema et al. (arXiv:2608.00316) Fig 1 / SWE-agent (ICML 2024) Fig 2
核心特征：纯白高留白画布、柔杏数学代理卡片、柔雾冰蓝 Agent 中枢、深灰高对比评估锚点、虚线作用域容器与叠层演进上下文
📄 查看实测 Prose 提示词 		对比消融实验风
对比消融实验风 (Purple-Green Contrast & Ablation)
对标论文：KAN (arXiv:2404.19756) Fig 1 / SimPO (arXiv:2405.14734) Fig 1
核心特征：左右高对比分栏、Baseline 固定权重 vs Ours 边上可学习 B-样条非线性曲线 $\phi(x)$ 与节点纯求和 $\sum$
📄 查看实测 Prose 提示词
有色语义分区图示风
有色语义分区图示风 (Paired Semantic Zones)
对标论文：DASH (arXiv:2608.00641) Fig 1 / Agentic-MatriBO Fig 1
核心特征：蜜桃/薄荷/薰衣草 Paired Tokens、2px 同色暗边框、清晰色区语义绑定与闭环数据流
📄 查看实测 Prose 提示词 		双保真度引导闭环风
双保真度引导闭环风 (Dual-Fidelity Loop & Bayesian Optimization)
对标论文：LABO (arXiv:2605.22054) Fig 1 Prior-Guided Initialization & Optimization Loop
核心特征：上下双宏观容器、双保真度色彩配对（珊瑚红真机实验/残差 vs 板岩蓝大模型代理）、门禁判定菱形 $p_\Delta(x^*) < \tau?$、3D 高斯过程响应曲面与极值搜索闭环
📄 查看实测 Prose 提示词

旧版真实仓库基准覆盖 stable-diffusion / nanoGPT / ESM / AlphaFold / GraphCast / transformers / CycleGAN / NeRF / DETR / Whisper + sparse fixture。它是结构与关键词 smoke test，只检查分析文档的基本形状；不代表语义正确率，也不是图像质量、风格还原或 RenderAudit 的证据。

技能列表

技能 功能 触发词示例
academic-figure-workflow 端到端编排：分析、条件式 review、原生生图、审图与定向修订 完整论文配图工作流、帮我画图、which skill first
academic-repo-analyzer 从代码证据提取语义事实，辅助参数与维度核验，不干预论文高层叙事 分析代码仓库、repo analyzer
academic-figure-draft-analyzer 草稿与论文配图规划（支持 Markdown 提纲直出 Figure 1 与完整多图规划） 分析草稿配图、草稿画图、论文需要哪些图、paper figure planning
academic-figure-architecture-extractor 从 PDF、论文 URL 或图片抽取可迁移 style grammar 提取论文架构图、reference figure
academic-figure-designer 统一配图设计与规范引擎：风格选择、语义配色与无障碍、构图布局、FigureSpec v1 与生图 Prompt 编译 设计论文配图、学术配图配色、论文配色方案、顶会风格配图、编辑手绘模块风

完整工作流

3.1.0 不设置固定“三道门禁”。只有存在会实质改变结果的语义歧义、未解决 placeholder，或用户主动要求 review 时才暂停；用户明确要求“直接生成 / 不展示 prompt / 使用本地模型”时，prompt review 记为 waived 并继续执行。

代码 / 论文 / URL / 参考图
          ↓
证据分析 → FigurePlan v1
          ↓  [仅在必要时 review]
style grammar + FigureSpec v1
          ↓  [render-ready: trusted workspace + prompt-review binding]
Codex image_gen.imagegen / compatible backend
          ↓
view_image(original) → RenderAudit v1 → 最多两次有缺陷依据的 targeted edit
          ↓
工作区内绝对路径交付

参考图可直接作为生成或编辑输入；流程匹配其构图、笔触、区域、字体和强调语法，但不复制原论文的标签、拓扑、claim 或品牌元素。多 agent 并发是环境允许时的优化，不是完成流程的必要条件。

Codex 直接生成与返修

在 Codex 中，workflow 优先直接调用当前会话暴露的 image_gen.imagegen（部分运行时显示为 image_gen__imagegen）。prompt 只是 内部工具参数；用户说“直接画 / 不要返回 prompt”时，不会把它返给用户复制。

返修不重起一轮盲目重绘，而是：

  1. 以 original detail 查看当前最佳版本并生成 RenderAudit v1；
  2. 将该图作为 referenced_image_paths 的第一张图；
  3. 只描述已观察缺陷、精确修复与必须保持的正确区域；
  4. 保存 r0/r1/r2 版本，每次编辑后重新查看与审计；
  5. 首图后最多两轮语义返修，瞬态传输重试不占额度。

若密集文字一次定向修复后仍不可靠，改用 SVG/drawio/Typst 或混合文字覆盖，不让图像模型无限循环重画。

三个 surface profile + reference-led 模式

profile 核心视觉特征 适用场景
classic-technical 精确节点/边、克制线条、明确拓扑；可搭配 Okabe-Ito、蓝调或灰度 网络、机制、比较图、印刷约束
pastel-airy-ui 白色或轻色 panel、柔彩 token/pill、较轻的连接与 UI 感 token flow、界面式系统说明
illustrated-modular 柔彩语义分区、深色圆润描边、手绘 line icon、非对称叙事；支持 left-hero/right-stack 等内容驱动构图 agent 系统、AI4Science 闭环、编辑式科学信息图
reference-led 直接保留参考图观察到的构图、表面、笔触与强调语法；可落在前三类任一类或其相干组合 用户提供参考图且 preset 不能忠实概括时

不知道从哪开始时直接说：

  • 帮我从仓库到配图走一遍
  • 完整论文配图工作流
  • which skill should I use first

安装

方式 1：npx skills（推荐）

仓库已公开，npx skills 从 GitHub 拉取；push 到 main 即更新分发，无需 npm publish。

# 全局安装全部 5 个 skill
npx skills add Azhi-ss/academic-figure-skills -g --all

# 仅列出仓库内 skill（不安装）
npx skills add Azhi-ss/academic-figure-skills -l

# 只装其中一个
npx skills add Azhi-ss/academic-figure-skills -g -s academic-figure-designer -y

# 更新到 main 最新
npx skills update Azhi-ss/academic-figure-skills -g -y

# 查看已安装
npx skills list -g

也可用完整 URL：

npx skills add https://github.com/Azhi-ss/academic-figure-skills -g --all

发现页（skills.sh）：搜索 academic-figure-skills 或 owner azhi-ss。

方式 2：手动（开发调试）

git clone https://github.com/Azhi-ss/academic-figure-skills.git
# 将各个 skill 目录链到 agent skills 路径，例如：
# ln -s "$PWD/academic-figure-designer" ~/.claude/skills/academic-figure-designer

更推荐始终用 npx skills add，避免把整个 monorepo 误拷进 skills 目录。

使用示例

# 场景 1: 从代码仓库直接生成
You: 分析这个仓库并直接调用本地 Codex 生图，不要展示 prompt
AI:  [Semantic Architecture → FigurePlan v1 → FigureSpec v1
      → render-ready validation → image_gen.imagegen
      → RenderAudit v1 → 绝对路径交付]

# 场景 2: 用论文图作风格参考
You: 参考这个 arXiv 页面 Figure 2 的画法，重画我的框架，不复制内容
AI:  [解析论文 URL 与原图 → ReferenceAnalysis v1 → style grammar
      → reference-conditioned generation]

# 场景 3: 基于首图做定向修订
You: 保持布局，只修复乱码、透明背景和多余节点
AI:  [view_image(original) → RenderAudit v1 → 当前最佳图作第一引用
      → targeted image edit → 再审计；最多两轮]

风格 profile 与配色变量

单一事实源：docs/styles.md & docs/palettes.md

内置样式文件可以提供更细的变体；workflow 先选择三个 surface profile，必要时再启用 reference-led 覆盖模式：

profile 何时用 核心表现 对标代表论文
modern-technical-vector
(alias: classic-technical)		 深度学习大模型架构、算法张量流、精确技术拓扑与顶会工程架构 彩色张量条、多层注意力热力图、门控概率柱状图、正交微米走线 DeepSeek-V3 (2024) Fig 2
DiT (ICCV 2023) Fig 2
Mamba (ICML 2024) Fig 1
illustrated-modular 科学工作流、AI4Science、多智能体闭环、需要图示化叙事 柔彩语义分区、手绘深色描边、非对称模块编排、实线执行/虚线反馈与闭环恢复叙事 MLEvolve (2026) Fig 1–2（风格参考）
Agentic-MatriBO Fig 1
pastel-airy-ui LLM Token 流、Agent 交互界面、概念决策循环 纯白浮动卡片、CLI 终端仿真视窗、悬浮柔彩 Token/Pill、高留白比率 SWE-agent (ICML 2024) Fig 2
ReAct (ICLR 2023) Fig 1
Reflexion (NeurIPS 2023) Fig 1
reference-led 用户给出参考图且其语法不应被 preset 覆盖 如实继承观察到的 surface/composition，不自动转成手绘柔彩 用户提供的任意顶刊/顶会论文原图

内容关系、用户偏好、参考图、可访问性与黑白印刷配方见 docs/palettes.md 的 Scene → palette decision 与 Worked decision recipes。venue/domain 名称本身不选择颜色。

经典配色方案 适用场景
Okabe-Ito 默认分类色起点；需结合形状/线型并按实际背景验证
Nature Blue 需要单色层级、打印稳定或用户明确偏好时
Blue Monochrome 模块详解、灰度友好
Warm Earth 用户/参考明确要求的暖土色语法
Purple-Green 两类对比或消融；不得默认某色代表 ours
Grayscale 纯灰度
Teal-Coral 用户/参考明确要求的两类冷暖对比
ML TopConf Tab10 对齐 Matplotlib 实验色
ML TopConf Colorblind colorblind-aware 起点，仍需双重编码与实图校验
ML TopConf Deep 多面板消融
Print-Safe Gray 严格黑白印刷
Journal Standard 经验证确需较多类别色的图；不由期刊名触发

决策顺序：用户要求 → 参考图 style grammar → 生产约束 → 语义角色 → 安全默认。模块数量本身不触发某个色板。

文档与资源

文档 说明
docs/palettes.md 12 套经典 preset、I1 paired semantic tokens 与四种路由模式
docs/styles.md 三个 surface profile、reference-led 模式与可组合 style layers
docs/codex-image-workflow.md Codex 原生生成、参考图编辑与安全调用
docs/render-audit.md RenderAudit v1 与定向修订检查项
docs/missing-info-policy.md 缺信息时的统一策略
CHANGELOG.md 版本历史
CONTRIBUTING.md 贡献指南
docs/academic-references.md 学术引用
docs/best-practices.md 参考驱动、可读性与生成后审计实践
examples/ 端到端 handoff 示例

常见问题 FAQ

Q: 生成的是英文还是中文？

A: 给图片模型的 JSON / prompt 用英文；对用户的说明可用中文。

Q: 默认 JSON 还是纯文本 prompt？

A: 所有路径都先形成可校验的 FigureSpec/渲染包；classic-technical 的拓扑约束更强，pastel-airy-ui 和 illustrated-modular 额外描述 surface/illustration grammar。prompt 是内部渲染输入，只有用户明确索要时才展示；出图后仍必须执行 RenderAudit。

Q: 三个风格 profile 怎么选？

A: 精确拓扑用 classic-technical；轻量 token/card 叙事用 pastel-airy-ui；agent-drawn、柔彩语义分区用 illustrated-modular。有参考图时先分析其真实语法；只有 preset 无法忠实概括时才用 reference-led，且不会自动变成 illustrated modular。

Q: 可以直接用 Codex 生图而不看 prompt 吗？

A: 可以。明确说“直接生成 / 不展示 prompt / 使用本地模型”即可 waive prompt review，workflow 会把 prompt 作为 image_gen.imagegen 的内部参数直接出图。正式生成前仍会运行 render-ready 校验；只有会实质改变语义的 unresolved choice 才需要 plan review。

Q: 必须按顺序跑完整流水线吗？

A: 不需要。可直接 prompt / color-expert / repo-analyzer。

Q: 3.1.0 有什么变化？

A: 3.1.0 直接调用 Codex image_gen.imagegen，支持论文 URL 与参考图条件化生成、可机器执行的 prompt-review/hash 状态、可信工作区 render-ready 校验，并在首图后执行 RenderAudit v1；发现明确缺陷时使用当前最佳图作第一引用，最多进行两次定向编辑。

引用

如果本技能包帮助了你的工作，可以这样引用：

@software{academic-figure-skills,
  author = {Azhi-ss},
  title = {Academic Figure Skills: AI-powered academic figure generation skill pack},
  year = {2026},
  url = {https://github.com/Azhi-ss/academic-figure-skills},
  version = {3.1.0}
}

许可证

MIT License

致谢

本项目受到 LINUX DO 社区的启发和支持。

About

AI skills for academic paper figures: repo analysis, figure planning, colorblind palettes, JSON figure specs. Install: npx skills add Azhi-ss/academic-figure-skills

www.skills.sh/azhi-ss/academic-figure-skills

Topics

academic-writingagent-skillsclaude-codecolorblind-palettecvprneuripsnpx-skillspaper-figuresprompt-engineeringscientific-visualization

Resources

Readme
MIT license

Contributing

Contributing
Activity

Stars

97 stars

Watchers

0 watching

Forks

10 forks
Report repository

Releases

Packages

Contributors

Languages