论文级图表与表格

要解决什么问题

论文里的图和表往往不是「把 matplotlib 画出来」就完事：你要先对齐科学表达目标（对比、消融、校准、分布、趋势等），再决定用图、表还是「主图 + 附表」组合，最后还要过一遍版式、标注与灰度可读性。很多人卡在弱默认图（饼图塞精确值、雷达图乱用、截图式草稿）或 Excel 直接贴进正文，审稿人一眼就能看出信息架构不对。

技能如何工作

本技能把交付物当成可执行的发表级产物，默认工具链是 pubfig>=0.3.0 JSON CLI 出图、pubtab 出表。典型流程会先探查环境与素材（是否已有表格、.tex、草稿图或截图），再沿几条轴分类任务：产物类型（图 / 表 / 混合）、成熟度（探索草稿 / 定稿导出 / 修订）、结构（单 panel / 多 panel / 图+表包）、读图模式（看趋势 vs 查精确数值）。

选型原则是从科学主张出发，而不是追新奇的视觉形式。技能文档里列了常见族：benchmark / ablation 对比、分布类（box、violin、raincloud 等）、关系与趋势、诊断类（ROC、校准、森林图等），以及 benchmark / ablation / appendix 等表格场景。映射规则也很直接：图 → pubfig JSON CLI（Agent 生成规格时优先 CLI，而非默认上 Python API）；表 → pubtab；混合交付时两者分工明确，不把普通单图任务默认升级成 Figma 拼 panel 流程。

一次完整回复通常应包含六块：产物决策、工具路由、最小可运行实现（如 figure.spec.json + pubfig validate-spec / pubfig render，或 pubtab 可预览的 .tex 路线）、导出计划（文件名、格式、宽度）、发表 QA（坐标单位、类别排序、色盲与灰度、缩小后可读性、caption 密度等，问题要指名道姓）、以及修订计划（换图种、去 chartjunk、把精确值挪进表等）。依赖缺失时会先尝试安装与复测，装不上则降级为设计与规格说明，而不是直接失败。

适用边界

不要把它当成写正文、只做统计检验却没有发表物、或纯探索性分析且没有定稿交付的场景。版式先在 Figma 里搭架子、但图/表内容还没定稿时，也不适合作为主路径；多 panel 合成是次要分支，不应把普通作图默认 escalated 到拼版工作流。