Nature Figure：为科研论文制作可直接投稿的图表

技能简介

Nature Figure 是一款面向科研制图的 Agent 技能，针对一个常见痛点：科研图表做不好，往往不是画图技术不行，而是"叙事、证据、导出、复核"四个环节彼此割裂。研究结论怎么用图讲清楚、证据层级如何组织、导出格式是否符合期刊要求、投稿前该复核什么，这些问题散落在不同步骤里，最终导致返修。

该技能把这些环节串成一条可投稿的完整工作流，引导 Claude、Codex、Claude Code 先规划图表契约，再生成代码，最后做质量检查。它要求使用者在 Python 与 R 之间明确选择一条后端路线，并保持后端独占，避免两套输出混用。技能版本 2.0.0，MIT 许可，质量评级 gold。

核心能力

1. 强制选择后端：在生成图表代码前，必须先在 Python 与 R 之间做出选择，保证绘图、预览与质检同源。
2. 构建图表契约：明确核心结论、证据层级、面板图、导出目标与复核风险，先想清楚再画图。
3. Python 制图指引：覆盖 matplotlib、seaborn、subplot_mosaic、可编辑 SVG 与位图预览。
4. R 制图指引：覆盖 ggplot2、patchwork、ComplexHeatmap、svglite、cairo_pdf 与 ragg 导出。
5. 参考示例与图谱：内置参考演示与图表图谱，帮助快速搭建多面板科研图布局。
6. 质量检查流水线：对源数据可追溯性、字体排版、配色、统计标注与导出格式运行 QA 检查。

安装配置

1. 安装技能：执行 npx skillstore add yuan1z0825/nature-figure 将技能加入本地技能库。
2. 确定绘图后端：在 Python 与 R 之间选定一个后端，并在后续绘图、预览与质检中保持一致。
3. 准备真实数据：提供真实数据、标签、单位以及目标图表的结论，不要用模拟数据代替。
4. 确认导出目标：明确目标期刊与导出格式，通常需要可编辑的 SVG 或 PDF 加一份位图预览。

使用步骤

1. 规划图表：说明需要 Python 或 R 的论文图、核心结论是什么、数据列有哪些，先完成规划再写代码。
2. 生成绘图代码：指定后端，从数据框构建多面板图，并导出可编辑 SVG 与 PNG 预览。
3. 审计已有图：对现有图做可读性、统计标注、配色、排版、源数据可追溯性与导出质量审查，返回按优先级排序的修改项。
4. 把示例改造为投稿图：选取最接近的内置示例模式，套用到真实数据与论文结论上，不沿用示例标签或暴露内部路径。
5. 导出并复核：导出可编辑 SVG 或 PDF 加位图预览，并核对源数据可追溯性与统计标注。

适用场景

• 规划手稿配图：把一项研究主张转化为面板图、证据层级、导出方案与复核清单。
• 返修已投稿图表：在重新提交前，审计排版、统计、配色、源数据说明与期刊要求的输出格式。
• 构建方法对比面板：把内置的科研图表模式改造成干净的方法对比图，适配真实项目数据。
• 多面板复杂图布局：需要把热图、统计图与分组对比整合到一张图里时，用图谱快速搭骨架。

适用人群

适合高校与科研机构的硕博研究生、博后、课题组成员，以及需要按期刊规范产出配图的科研人员。凡是"数据有了、但图总被审稿人挑格式"的情况，都值得一试。

工作原理

技能采用"契约先行"的工作方式：先确定图表要传达的核心结论与证据链，再规划面板结构、导出目标与复核风险，之后才生成绘图代码。它把 Python 与 R 的制图规范分别沉淀为指引，并在最后运行一套 QA 检查，覆盖源数据可追溯、字体排版、配色、统计标注与导出格式。所有生成物在本地产出，示例中的私有模板路径与内部文件名不会出现在最终交付内容里。

注意事项

• 它不替代科学判断、统计复核与期刊编辑要求。
• 需要使用者提供真实数据、标签、单位与目标图表结论。
• 不支持仪表盘或 Illustrator 优先的信息图。
• 不要在某后端未选定或目标不清晰的情况下生成模拟数据。
• 未经使用者同意，不要在一张图里混用 Python 与 R 的输出。

官方链接

• Skill 详情页：https://skillstore.io/skills/yuan1z0825-nature-figure
• 项目仓库：https://github.com/Yuan1z0825/nature-skills