Nature科研图表路由
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/yuan1z0825-nature-skills-nature-figure
技能介绍
解决哪些实际问题
科研论文配图制作中,常见的问题包括:
- 后端选择混乱:作者习惯
Python(matplotlib/seaborn)或R(ggplot2/patchwork),但没有明确路线,导致反复切换、调试成本高。 - 期刊要求各异:Nature 主刊与 NMI 对图例字数、面板布局、导出规格的要求不同,容易混淆。
- AI 示意图与数据图路线混淆:制作图形摘要或 AI 机制图时,若未先分流,会被「Python or R?」打断流程。
- 凭记忆硬写的风险:不加载规范而凭记忆画图,可能导致图形语义与科学逻辑脱节,甚至出现数据编造或伦理问题。
技能如何工作
技能采用 两层设计:
- 静态层(
static/):存放版本化、可复用的核心内容,包括core/contract.md(图表合同)、core/stance.md(默认立场)和fragments/backend/下的 Python/R 快速启动指南,可审计、可重复使用。 - 动态层(本文件 +
manifest.yaml):每次调用时动态加载,职责是 分流 与 按需注入。
核心流程遵循 路由协议:
- AI 示意图分流(第 0 步):若请求涉及图形摘要、机制图、概念图(如明确提到 OpenRouter、GPT Image、图像生成 API),优先读取
references/ai-graphical-abstract-workflow.md与references/openrouter-image-generation.md;需要真实 API 调用或可复现载荷时,使用scripts/generate_openrouter_schematic.py,此时不询问 Python 或 R。 - 加载清单与核心层(第 1–2 步):读取
manifest.yaml及always_load中的core/contract.md、core/stance.md,确保核心规则生效。 - 后端门控(第 3 步):后端选择是阻塞性门控——若用户未指定,询问一次「Python or R?我会记住作为你的默认」,保存答案后继续;选定后所有绘图、预览、导出、视觉 QA 只使用该后端,不跨后端混用。
- 加载后端片段(第 4 步):仅读取所选后端的
static/fragments/backend/python.md或r.md,获得出版快速启动和执行规则。 - 按序构建图表(第 5 步):依次应用图表合同、多面板证据架构(按需加载
references/multipanel-evidence-architecture.md)、默认立场、后端片段、模板适配(references/asset-adaptation.md)。 - 交付前缀检查:运行
scripts/validate_figure.py校验绘图源码,运行scripts/audit_pdf_text.py审计导出 PDF,并在最终物理尺寸下逐面板目检。
适用边界与注意点
- AI 示意图输出是草稿分级,不是量化数据面板,不得编造实验数值、机构标识或未经支持的机制。
- 必须从磁盘加载片段与参考资料,禁止凭记忆解读图表逻辑。
- Nature 主刊与 NMI 的规则不同,NMI 图例建议总计 150–250 词并保持低于 300 词;不要把主刊要求套用到 NMI,也不要从 Nature Communications 样本推断两者规则。
- 后端一旦选定即独占全部绘制与 QA 环节。
- 图表服务科学逻辑,审美修饰服从于结论明确、可辩护、可审稿。
使用场景
- 准备Nature主刊投稿,需要分离初始审稿与生产阶段的图表和Extended Data规则
- 明确使用Python/Matplotlib绘图,需要保存后端偏好以避免反复询问
- 请求生成AI图形摘要或机制示意图,需要进入非绘图的AI生成路线
- 重构多面板Results图,需要按论证逻辑为每个面板分配不同证据角色
适合人员
- 科研工程师在Python和R之间切换,需要系统记住所选绘图后端
- 学术作者投稿Nature主刊或NMI,需要区分审稿与生产阶段图表规则
- 科研插画师负责生成图形摘要或机制图,需要遵守披露边界和来源要求
- 实验室管理员统一论文配图流程,需要可复用的图表合同和交付前缀检查