academic-figure-skills Skill：AI学术论文配图从规划到生成的完整工作流

学术论文配图是 AI 编码 Agent 的下一个高频需求。research-skill 把这个场景拆成 7 个独立可安装的 agent skill：从分析代码仓库/论文 PDF 开始，到规划配图数量与类型、选配色（12 套含色盲友好）、生成 JSON 配图规范或现代 pastel 英文 prompt，最终可接 NanoBanana/Gemini/Midjourney 等生图模型出图。项目在 GitHub Topics 的 npx-skills 页面曝光，8 月 2 日刚更新，10 个真实仓库（stable-diffusion、ESM、AlphaFold、transformers 等）基准验证，覆盖 classic 框线学术图与 pastel 柔彩图两种主流风格。

核心能力与设计原则

7 个技能各司其职，可独立安装也可全量装：

核心设计原则：progressive disclosure——总入口判断方向，深度由子技能按需加载，不把全部配图知识塞进 context。

认可度

• GitHub Stars：约 83（数据截至 2026-08-20，来自 GitHub Topics 页面）
• GitHub 更新：2026-08-02，属于近期新维护项目
• 安装量：未公开，但 GitHub Topics npx-skills 页面置顶推荐，曝光量大
• 基准验证：10 个真实仓库 + 1 个合成 fixture，每个含分析文档、配图规划、JSON spec

链接

GitHub：https://github.com/Azhi-ss/academic-figure-skills

原作者

• GitHub Username：Azhi-ss
• 一句话简介：学术配图 AI skill 全链路开源作者，专注 AI/ML 论文可视化

介绍

学术论文配图长期依赖 Python-Matplotlib、手动 Adobe Illustrator 或者付费工具，AI 编码 Agent 介入后最大的痛点是：Agent 不懂学术图的排版规范，输出要么是”程序员审美”的框线图，要么直接调用生图模型导致风格与会议/期刊要求不符。

academic-figure-skills 的解法是把配图工作流拆成 7 个阶段，每个阶段一个独立 skill。Agent 先用 repo-analyzer 理解仓库结构，用 paper-analyzer 规划需要哪些类型的图（框架图、实验图、流程图、消融表图），用 color-expert 匹配色盲友好配色盘，最后用 figure-prompt 或 figure-prompt-pastel 输出结构化 prompt。两种风格分别对应：classic 路线适合 CVPR/NeurIPS 传统框线图，pastel 路线适合 ICLR/NeurIPS 2024-2025 开始流行的柔彩现代风格。

项目在 README 里直接展示了用该 skill 生成提示词后创建的学术配图示例，质量接近论文正式出版水准。

特点

• 7 个独立 skill，可按需安装：不需要全量装，按任务选一个入口即可
• 支持两种主流学术图风格：classic（CVPR/Nature 框线图）+ pastel（ICLR/NeurIPS 2024-2025 柔彩风）
• 12 套配色方案，含色盲友好：Okabe-Ito、IBM Color Blind Safe 等，避免学术出版合规问题
• Progressive disclosure 架构：总入口只加载必要知识，不污染 context
• 10 个真实仓库基准：stable-diffusion、nanoGPT、ESM、AlphaFold、GraphCast、transformers、CycleGAN、NeRF、DETR、Whisper，覆盖 CV/NLP/LLM 多领域
• JSON figure spec 输出：可对接 NanoBanana/Gemini/Midjourney 等生图模型
• MIT 协议，完全开源：无需注册账号或调用付费 API

使用方法

全局安装全部 7 个 skill（推荐）：

npx skills add Azhi-ss/academic-figure-skills -g --all

仅列出 skill 不安装：

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

安装单个 skill：

npx skills add Azhi-ss/academic-figure-skills --skill academic-figure-workflow -g

安装后对 Agent 说：

• “帮我分析这个 ML 代码仓库”
• “用 Okabe-Ito 配色，生成总体框架图”
• “ICLR 那种现代柔彩风格画一张 token 流图”

完整工作流（从仓库到配图）：

用户请求 → academic-figure-workflow（判断入口）
  ↓
  repo-analyzer / paper-analyzer / architecture-extractor
  / color-expert / figure-prompt(/pastel)
  ↓
  结构化 handoff artifact
  ↓
  JSON figure spec 或 pastel 英文 prompt
  ↓
  NanoBanana / Gemini / Midjourney

使用场景与人群

• 适用场景：AI/ML 论文写作、顶会投稿配图、博士/硕士毕业论文插图、GitHub README 技术图解
• 目标用户：AI 研究者、ML 工程师、PhD 学生、需要快速给代码仓库/论文生成配图的开发者
• 不适合：纯文字论文、非 ML 领域（无 color-expert 适配）、需要 3D 渲染的复杂可视化

输入与输出案例

案例 1：仓库框架图生成

输入（对 Agent 说）：

“帮我分析 stable-diffusion 仓库，用 Okabe-Ito 配色，生成一张总体框架图”

Agent 执行路径：

1. academic-figure-workflow 判断 → 调用 academic-repo-analyzer
2. 分析 stable-diffusion 仓库结构（LDM、VAE、UNet、CLIP 路径）
3. academic-figure-paper-analyzer 规划图类型：框架图 + 数据流图
4. academic-figure-color-expert 选定 Okabe-Ito 色盲友好配色
5. academic-figure-prompt 输出 JSON figure spec

输出：结构化 JSON，包含 figure 尺寸、caption、模块标注位置、颜色 hex 值，可直接交给生图模型。

案例 2：NeurIPS 风格 token 流图

输入（对 Agent 说）：

“ICLR 那种现代柔彩风格画一张 transformer 的 token 流图”

Agent 执行路径：

1. academic-figure-workflow → academic-figure-prompt-pastel（pastel 路线）
2. 无需分析仓库，直接用内置 transformer 标准架构知识
3. academic-figure-color-expert → ICLR 2024-2025 柔彩色盘（pastel blue/green/pink）
4. 输出 pastel 英文 prompt（可直接贴给 Midjourney/DALL-E）

输出：类似 "A clean, airy pastel illustration of a transformer's token flow with soft gradients, ICLR 2024 style, minimal labels..." 的生图 prompt。

GitHub: https://github.com/Azhi-ss/academic-figure-skills