29类科研图表自动画，还能按 Nature 风格排版：这个开源 Skill实测

从选择合适的图型，到调整配色、字体、栏宽，每一步都有需要注意的细节。

对于刚接触科研绘图的新手，绘图本身就是一道门槛；对于熟悉 Python 的科研人员，重复整个流程同样要花不少时间。

今天给大家分享一个专门解决这些问题的 Academic Figure Skill。它将图表选型、自动绘图、期刊排版和质量检查整合成一套工作流，希望能让整个科研绘图过程省心一些。

一、功能介绍：Academic Figure Skill

Academic Figure Skill 是一款开源科研绘图工具，目前覆盖热图、火山图、箱线图、PCA、AUROC 等 29 类科研图表，并内置 Nature、Cell、Science 等期刊的常用绘图规范。

Skill 有一个功能非常值得推荐：强调“科研问题驱动，而非模板驱动”。

简单来说，它在绘制图像时不需要我们指定图表类型，而是根据我们提供的研究目标和实验数据，判断哪种图表更适合表达结论。

接下来，Skill 会制定绘图方案，然后根据绘图方案逐步实现：绘图 → 质量检查 → 输出。

整个流程由 AI 引导推进，对新手非常友好，可以跟着引导完成绘图。最后获得可直接投稿的矢量 PDF 主文件 + 300dpi PNG 预览 + 统计报告。

二、效果展示：从单张图表到多面板 Figure

功能介绍完了，接下来看看实际效果。

我们准备了六组模拟实验数据，使用 GPT-6.1 Sol（高推理档位）测试 Skill 的功能。

单张图表的绘制

首先，我们测试 Skill 在单张科研图表上的表现。

我们提供完整的实验数据，并明确描述研究目标，希望 Skill 根据实验内容完成合适的图表设计。

由于输入中已经包含完整的数据和实验背景信息，Skill 并没有重复询问数据含义，而是直接进入绘图流程，仅进一步确认图中文字的语言选择。

最终生成结果如下：

从结果来看，Skill 能够根据数据特点选择合适的图表形式。

我们的目标是展示不同方法在多个年份下的表现变化，并同时观察整体分布和单个样本之间的差异。Skill 选择箱线图结合散点和连线的形式，十分恰当。

除了最终图片外，Skill 还交付了完整的绘图文件，包括矢量 PDF、可复现代码以及质量检查报告。

多面板图表的绘制

单张图表只是科研绘图中比较基础的场景。

我们进一步要求 Skill 将六种不同类型的图表组合成一个多面板 Figure，并按照 Nature 风格进行整体排版。

多面板场景下，数据类型和图表数量明显增加，但 Skill 依旧能够为不同实验结果选择合适的图表形式。

在明确投稿风格后，它会自动调整字号、尺寸、配色等细节，使不同子图保持统一的视觉风格，整体 Figure 更符合论文排版要求。

三、安装教程

Academic Figure Skill 本身开源免费，也不需要额外购买绘图 API。这里以 Codex 为例，介绍一下安装方法。

安装分为两步：先安装 Skill，再配置绘图环境。整个过程都可以交给 Codex，没必要自己挨个下载依赖、配置路径。

第一步：安装 Skill

打开 Codex，发送下面的提示词：

请帮我安装以下科研绘图 Skill：
https://github.com/TingxiYu/academic-figure-skill

第二步：配置绘图环境

Academic Figure Skill 主要通过 Python、R 及相关绘图库完成绘图。

如果不确定电脑上有没有这些环境，可以继续给 Codex 发送下面的提示词，让它检查并补齐缺失的依赖。

请检查 academic-figure-skill 所需的绘图环境。

检查 Python、R 及相关绘图库是否已安装，
对照 Skill 的实际依赖自动补充缺失的免费开源组件。

完成后运行基础绘图测试，确认环境可用。
如有无法解决的问题，请说明原因及处理方法。

等环境配置完成，就可以在 Codex 中调用 Academic Figure Skill，提供实验数据并开始绘图了。

四、总结

Academic Figure Skill 提供了一套相对完整的绘图流程，让 AI 串联起图表规划 → 代码执行 → 规范检查 → 结果交付。

新手可以借助它熟悉科研绘图流程，熟手也能把更多时间留给数据分析和研究本身。

为了方便大家上手，我们整理了一份 Academic Figure Skill 使用手册，包含 Skill 安装包、环境配置说明、直接可复制的常用绘图提示词，以及常见科研图型的适用科学目标和配套例图。

公众号后台回复【B910】，免费获取完整资料。