Chartkit 图表生成

解决什么问题

论文写作里最消耗时间的往往不是建模，而是把结果画成符合期刊要求的图。原始数据常常是 HTML 表格、XML 或某种专有格式，字段类型和分布都不透明；如果手工复制粘贴成 JSON，一次转录错误就足以让整张图失真。而期刊投稿又同时要求可编辑的矢量图（SVG）和 600 dpi 的高分辨率位图（TIFF），不同子领域对图表风格的预期也不同——nature、lancet、conservative、default 四套主题正是为此准备的。

核心能力与工作流

Chartkit 走的是「先解析，再渲染」的两段式路线，核心规则只有一条：永远不手工转录数据。

1. 理解原始格式：检查 HTML/CSV/XML/专有格式，确认变量类型与分布；
2. 写单次解析脚本：用 Python 把原始数据提取为标准 JSON，输出到 .opencode/.tmp/，临时文件不落系统临时目录；
3. 选模板：从 10 种图表类型（柱状、折线、散点、3D 散点、箱线、小提琴、热力图、森林图、直方图、饼图）中匹配合适类型，或直接告知需求由 AI 选择；
4. 自定义参数：调整主题、配色、尺寸与标注后再生成，不允许跳过这一步直接出图；
5. 生成输出：产出 SVG + PDF + TIFF（600 dpi），可选 PNG。

调用方式上，CLI 模式提供三种入口：自动推荐模式按数据格式匹配图表类型，数据预览模式只打印分析而不生成图，JSON spec 模式则向后兼容旧调用。配置通过 chartkit.json 声明 conda 环境（默认 Python 3.13），依赖 matplotlib 3.10+，运行时检测缺失会直接报 blocker 而不是静默失败。

适用边界与注意点

这套技能不做交互式图表、非科学插图和跨语言回退。几个实际使用中容易踩的坑：

• 中文标签显示为方块：脚本会自动检测 CJK 字体，检测失败时需手动加 --cjk；
• SVG 文本不可编辑：依赖 svg.fonttype: none 保证文字以可编辑方式输出；
• 环境路径硬编码：应该用 conda env name 声明环境，而不是写死绝对路径；
• 森林图是 JSON 专用类型：效应量 + 置信区间的森林图只能走 JSON spec 模式。

适合的场景是「从模板生成论文级科学图表，或对已有模板做参数化样式调整」；如果你需要交互式探索视图，它帮不上忙。