paper-figure

论文插图：根据实验数据绘制出版级图表

每次评审时段开始前，请遵循 Selectable Reviewers： 解析调用方式 → .aris/reviewer.json → 默认使用 Claude Code（Codex MCP） 并通过规范的辅助函数解析器使用 reviewer_route.py， 保留此时段的层级、全新上下文、源文件／图像输入和确定性门控。 下方的 Codex 示例／固定配置仅适用于 backend=codex；其他路由使用各自的 首次调用／回复约定。保存所选路由和实际返回的身份； 无法使用的选项标记为 REVIEW_UNAVAILABLE。根据实际的 模型系列／完成情况／范围对验收结果进行分类。 将调用中的 reviewer/model/effort 覆盖值传递给需要评审的子任务。生成工作线程保持不变。

根据以下内容生成论文所需的所有图和表格：$ARGUMENTS

范围：此技能能做什么，不能做什么

类别	可以自动生成？	示例
数据驱动图表	✅ 可以	折线图（训练曲线）、柱状图（方法对比）、散点图、热力图、箱线图／小提琴图
对比表格	✅ 可以	对比已有界限、方法特征、消融结果的 LaTeX 表格
多面板图	✅ 可以	组合多个图表的子图网格（例如，3×3 数据集 × 方法）
架构／流水线图	❌ 不可以 — 手动制作	模型架构、数据流图、系统概览。最多只能生成粗略的 TikZ 框架，但请做好自行使用 draw.io、Figma 或 TikZ 等工具绘制的准备
生成图像网格	❌ 不可以 — 手动制作	生成样本网格（例如，GAN／diffusion 输出）。这些需要运行你的模型生成，而非使用此技能
照片／屏幕截图	❌ 不可以 — 手动制作	真实世界图像、UI 屏幕截图、定性示例

实际情况： 对于典型的 ML 论文，此技能可以处理约 60% 的图表（所有数据图表和表格）。剩余约 40%（主图、架构图、定性结果）需要手动创建，并在运行 /paper-write 前放入 figures/。技能会将这些识别为“现有图表”并予以保留。

常量

• STYLE = publication — 视觉样式预设。选项：publication（默认，适合印刷的简洁样式）、poster（更大的字体）、slide（醒目的配色）
• DPI = 300 — 输出分辨率
• FORMAT = pdf — 输出格式。选项：pdf（矢量格式，最适合 LaTeX）、png（光栅格式备用）
• COLOR_PALETTE = tab10 — 默认 matplotlib 配色循环。选项：tab10、Set2、colorblind（适合红绿色盲）
• FONT_SIZE = 10 — 基础字号（符合会议论文常用正文字号）
• FIG_DIR = figures/ — 生成图表的输出目录
• REVIEWER_MODEL = gpt-6-astra — 通过 Codex MCP 用于图表质量评审的模型。

输入

1. PAPER_PLAN.md — 图表规划表（来自 /paper-plan）
2. 实验数据 — 位于 figures/ 或项目根目录中的 JSON 文件、CSV 文件或屏幕日志
3. 现有图表 — 需要保留的任何手动创建图表

如果不存在 PAPER_PLAN.md，请扫描数据文件，并询问用户要生成哪些图表。

工作流

步骤 1：读取图表规划

解析 PAPER_PLAN.md 中的图表规划表：

| ID | Type | Description | Data Source | Priority |
|----|------|-------------|-------------|----------|
| Fig 1 | Architecture | ... | manual | HIGH |
| Fig 2 | Line plot | ... | figures/exp.json | HIGH |

识别：

• 哪些图表可以根据数据自动生成
• 哪些需要手动制作（架构图等）
• 哪些是对比表格（以 LaTeX 格式生成）

步骤 2：设置绘图环境

创建共享样式配置脚本：

# paper_plot_style.py — shared across all figure scripts
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams.update({
    'font.size': FONT_SIZE,
    'font.family': 'serif',
    'font.serif': ['Times New Roman', 'Times', 'DejaVu Serif'],
    'axes.labelsize': FONT_SIZE,
    'axes.titlesize': FONT_SIZE + 1,
    'xtick.labelsize': FONT_SIZE - 1,
    'ytick.labelsize': FONT_SIZE - 1,
    'legend.fontsize': FONT_SIZE - 1,
    'figure.dpi': DPI,
    'savefig.dpi': DPI,
    'savefig.bbox': 'tight',
    'savefig.pad_inches': 0.05,
    'axes.grid': False,
    'axes.spines.top': False,
    'axes.spines.right': False,
    'text.usetex': False,  # set True if LaTeX is available
    'mathtext.fontset': 'stix',
})

# Color palette
COLORS = plt.cm.tab10.colors  # or Set2, or colorblind-safe

def save_fig(fig, name, fmt=FORMAT):
    """Save figure to FIG_DIR with consistent naming."""
    fig.savefig(f'{FIG_DIR}/{name}.{fmt}')
    print(f'Saved: {FIG_DIR}/{name}.{fmt}')

第 3 步：自动选择图表类型

使用此决策树选择数据驱动图表（灵感来自 Imbad0202/academic-research-skills）：

数据模式	推荐类型	尺寸
X=时间/步骤，Y=指标	折线图	0.48\textwidth
方法 × 1 项指标	条形图	0.48\textwidth
方法 × 多项指标	分组条形图 / 雷达图	0.95\textwidth
两个连续变量	散点图	0.48\textwidth
矩阵 / 网格值	热力图	0.48\textwidth
分布对比	箱线图/小提琴图	0.48\textwidth
多数据集结果	多面板（子图）	0.95\textwidth
与先前工作的对比	LaTeX 表格	—

第 4 步：生成每个图表

为计划中的每个图表创建一个独立的 Python 脚本：

折线图（训练曲线、缩放）：

# gen_fig2_training_curves.py
from paper_plot_style import *
import json

with open('figures/exp_results.json') as f:
    data = json.load(f)

fig, ax = plt.subplots(1, 1, figsize=(5, 3.5))
ax.plot(data['steps'], data['fac_loss'], label='Factorized', color=COLORS[0])
ax.plot(data['steps'], data['crf_loss'], label='CRF-LR', color=COLORS[1])
ax.set_xlabel('Training Steps')
ax.set_ylabel('Cross-Entropy Loss')
ax.legend(frameon=False)
save_fig(fig, 'fig2_training_curves')

条形图（对比、消融实验）：

fig, ax = plt.subplots(1, 1, figsize=(5, 3))
methods = ['Baseline', 'Method A', 'Method B', 'Ours']
values = [82.3, 85.1, 86.7, 89.2]
bars = ax.bar(methods, values, color=[COLORS[i] for i in range(len(methods))])
ax.set_ylabel('Accuracy (%)')
# Add value labels on bars
for bar, val in zip(bars, values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.3,
            f'{val:.1f}', ha='center', va='bottom', fontsize=FONT_SIZE-1)
save_fig(fig, 'fig3_comparison')

对比表格（LaTeX，用于理论论文）：

\begin{table}[t]
\centering
\caption{Comparison of estimation error bounds. $n$: sample size, $D$: ambient dim, $d$: latent dim, $K$: subspaces, $n_k$: modes.}
\label{tab:bounds}
\begin{tabular}{lccc}
\toprule
Method & Rate & Depends on $D$? & Multi-modal? \\
\midrule
\citet{MinimaxOkoAS23} & $n^{-s'/D}$ & Yes (curse) & No \\
\citet{ScoreMatchingdistributionrecovery} & $n^{-2/d}$ & No & No \\
\textbf{Ours} & $\sqrt{\sum n_k d_k / n}$ & No & Yes \\
\bottomrule
\end{tabular}
\end{table}

架构/流程图（手动绘制——不在此技能的范围内）：

• 这些图表需要使用 draw.io、Figma、Keynote 或 TikZ 手动创建
• 此技能可以生成粗略的 TikZ 框架作为起点，但不要期待达到出版级的效果
• 如果图表已存在于 figures/ 中，请保留它，并仅生成 LaTeX \includegraphics 代码片段
• 在图表计划和 latex_includes.tex 中标记为 [MANUAL]

第 5 步：运行所有脚本

# Run all figure generation scripts
for script in gen_fig*.py; do
    python "$script"
done

确认所有输出文件均存在且非空。然后先渲染，再检查： 重新打开每个已渲染的 PDF/PNG（而非脚本）并自行检查——确保没有标签被裁切、图例没有遮挡数据，且所有数字/标签在最终印刷尺寸下均清晰可读。这项自查应在第 7 步的评审之前完成，以便评审者将精力用于实质内容，而不是发现被裁切的坐标轴。

第 6 步：生成 LaTeX 引用代码片段

为每个图表输出用于引用它的 LaTeX 代码：

% === Fig 2: Training Curves ===
\begin{figure}[t]
    \centering
    \includegraphics[width=0.48\textwidth]{figures/fig2_training_curves.pdf}
    \caption{Training curves comparing factorized and CRF-LR denoising.}
    \label{fig:training_curves}
\end{figure}

将所有代码片段保存到 figures/latex_includes.tex，以便轻松复制粘贴到论文中。

第 7 步：使用 REVIEWER_MODEL 进行图表质量评审

将图表描述和图注发送给 GPT-6-Astra 进行评审：

请先解析此评审者槽位；以下是 backend=codex 示例。

mcp__codex__codex:
  model: gpt-6-astra
  config: {"model_reasoning_effort": "xhigh"}
  prompt: |
    Review these figure/table plans for a [VENUE] submission.

    For each figure:
    1. Is the caption informative and self-contained?
    2. Does the figure type match the data being shown?
    3. Is the comparison fair and clear?
    4. Any missing baselines or ablations?
    5. Would a different visualization be more effective?

    [list all figures with captions and descriptions]

步骤 8：质量检查清单

此检查清单分为两类（模式源自 Anthropic 的 Claude Science figure-style 技能，采用 Apache-2.0 许可）：正确性规则始终具有约束力——它们关乎图表是否如实呈现，不涉及审美；任何风格选择都不得凌驾于这些规则之上；指导规则是默认做法——它们有助于产出整洁的结果，但可以采用经过说明的刻意替代方案。

正确性——始终具有约束力；渲染前须对照数据核验：

• 排除的数据绝不进入汇总——在源数据中被排除/标记的行，要么完全消失，要么以明显不同的方式绘制（空心/阴影标记，并在图例中注明）；绝不能用于计算与纳入行并列绘制的均值/置信区间
• 对标题说明类文字中的所有断言，都要针对每一条绘制的数据进行检验——如果某个类别与断言相矛盾，就加以限定（“在 4 项基准中的 3 项上”），或改为描述性文字；即使图表渲染得再漂亮，夸大结论仍然是错误的
• 仅比较条件相同的数据——在不同 N / 预算 / 协议下测量的组别，不得作为视觉上的同类项绘制；应将它们分开，或在图注中标明差异
• 注明 n 和固定不变的条件——每个带有汇总标记的面板都要注明 n 和重复单位（在面板或图注中）
• 渲染后再核验——确实完成了步骤 5 中对渲染后 PDF/PNG 的自检（而非检查脚本）：没有被裁切的标签、图例不遮挡数据，并且所有数字/标签在最终印刷尺寸下都清晰可读

指导规则——强烈建议的默认做法（源自 pedrohcgs/claude-code-my-workflow），可采用经过说明的刻意替代方案；但以下关键规则另有规定的项目除外（矢量 PDF 输出和图表内不加标题是关键规则：应视为具有约束力，不得替代）：

• 字体大小在纸张印刷尺寸下清晰可读（不要太小）
• 颜色在灰度下可区分（适合印刷）
• 图表内不加标题——标题只能放在 LaTeX \caption{} 中（源自 pedrohcgs）
• 图例不与数据重叠
• 适用时，坐标轴标签应注明单位
• 坐标轴标签达到出版质量（不要使用 emp_rate 这类变量名）
• 图表宽度适合单栏（0.48\textwidth）或通栏（0.95\textwidth）
• PDF 输出为矢量格式（文字不能栅格化）
• 不使用 matplotlib 默认标题（用于出版时移除 plt.title）
• 衬线字体与论文正文一致（Times / Computer Modern）
• 使用便于色盲读者辨别的颜色（如采用色盲友好配色）

输出

figures/
├── paper_plot_style.py          # shared style config
├── gen_fig1_architecture.py     # per-figure scripts
├── gen_fig2_training_curves.py
├── gen_fig3_comparison.py
├── fig1_architecture.pdf        # generated figures
├── fig2_training_curves.pdf
├── fig3_comparison.pdf
├── latex_includes.tex           # LaTeX snippets for all figures
└── TABLE_*.tex                  # standalone table LaTeX files

关键规则

• 每张图都必须可复现——将生成脚本与输出文件一并保存
• 不要硬编码数据——始终从 JSON/CSV 文件读取
• 所有图表均使用矢量格式（PDF）——仅在无法使用时才用 PNG
• 不添加装饰元素——不要使用背景色、3D 效果或无关图表元素
• 所有图表的风格保持一致——字体、颜色、线宽均相同
• 使用色盲安全配色——如有需要，通过 https://davidmathlogic.com/colorblind/ 进行核验
• 每张图使用一个脚本——数据变更时便于单独重新生成图表
• 图表内不加标题——图注只放在 LaTeX 中
• 比较表也算作图表——将其生成为独立的 .tex 文件

图表类型参考

类型	适用场景	典型尺寸
折线图	训练曲线、缩放趋势	0.48\textwidth
柱状图	方法比较、消融实验	0.48\textwidth
分组柱状图	多指标比较	0.95\textwidth
散点图	相关性分析	0.48\textwidth
热力图	注意力、混淆矩阵	0.48\textwidth
箱线图/小提琴图	分布比较	0.48\textwidth
架构图	系统概览	0.95\textwidth
多面板图	组合结果（子图）	0.95\textwidth
比较表	既有界限与我们的结果（理论）	全宽

致谢

设计模式（类型 × 风格矩阵）受 baoyu-skills 启发。出版风格默认设置和图示规则来自 pedrohcgs/claude-code-my-workflow。可视化决策树来自 Imbad0202/academic-research-skills。