FigMirror：让 AI Agent 把你的数据画成顶会论文图

想象一个场景： 你刚刚跑完一组实验，手头有一堆 CSV 数据，急需画一张能投 NeurIPS 的图表。你翻出那篇经典论文里最漂亮的双面板折线图作为参考——那种字体、那种线宽、那种灰度搭配的质感。然后你打开 FigMirror，粘贴参考图，上传数据，点一下运行。几秒钟后，一个完全匹配的、可编辑的 matplotlib 脚本加 camera-ready PDF 就出现在了你的面前。这就是 FigMirror 正在做的事。

背景故事：科研绘图的"风格复制"困境

每一位发过顶会论文的研究者都知道，论文图表的制作往往是整个投稿过程中最磨人的环节之一。数据处理可以自动化、模型训练可以脚本化，但图表的"颜值"——线条粗细、坐标轴字体、面板排布、色值搭配——却高度依赖手工调参和审美经验。更要命的是，当同一组实验需要出多张风格统一的图时，每次都要重复这一套费时费力的流程。

传统方案有两种：要么用 AI 绘图工具生成示意图（无法直接绑数据），要么找 AI 编程助手手写 matplotlib 代码（需要反复调试 prompt，效果不稳定）。FigMirror 的出现填补了这个空白——它是一个专门为"风格迁移"而生的 AI Agent 系统，核心思路是：让 AI 学会"看"一张参考图，然后把自己的数据套进那种风格里。

FigMirror 的作者团队来自 VILA-Lab（Vision, Intelligence, and Learning Lab），项目于 2026 年 5 月开源，在极短时间内获得了 480+ Stars，说明科研社区对这类工具有着强烈需求。

核心原理：Drawer / Reviewer 迭代循环

FigMirror 的工作原理用一句话概括就是："画一版 → 审核一版 → 改版 → 再审"，直到结果达到论文级标准。

系统由两个核心 Agent 角色构成：

Drawer（绘图者）：负责读取参考图和用户数据，生成 matplotlib 绑图代码，并渲染出 PNG 预览图。它的 prompt 被封装在 .codex/skills/figmirror/references/drawer.md 和 Claude skill 中，内置了大量论文图表的美学规则——比如 NeurIPS 论文常用的"双面板左右对比"、"横坐标用 Times New Roman"、"图例放在右上角且不加边框"这类行业惯例。

Reviewer（审阅者）：负责在"全新上下文"中审计 Drawer 的输出。它只看到参考图、最新一版渲染结果和美学规则库，不参考之前失败的尝试，以确保每一轮审核都是"干净"的。Reviewer 输出严格的 JSON 评分，标注哪些方面达标、哪些还需要调整。

两个角色在 Orchestrator（编排器）的控制下循环迭代，直到 Reviewer 给出通过评分，或者达到最大迭代次数。整个循环完全在本地工作目录 <workdir>/ 下进行，每轮迭代产生的文件（img_iter0.png、audit_iter0.json 等）都通过原子写入（.tmp + rename）保证一致性。

功能亮点：不只是折线图

FigMirror 的能力远不止基础折线图。系统内置了对多种图表类型的感知，以下是 README 展示的几个典型案例：

从参考图到生成图可以看到，FigMirror 在以下细节上做到了很好的风格迁移：面板排布方式、坐标轴样式、字体选择、色值区间、网格线透明度。即使数据完全不同，输出的图表在视觉上与参考图保持了高度一致的"家族感"。

除了 2D 图表，FigMirror 还内置了 3D Insert 路由。当检测到参考图或数据涉及 3D 渲染（如 Surface Plot、3D Waterfall）时，系统会加载专门的 three-d-prompting.md 规则集，启用 3D 材质、光照和投影模式匹配。

技术架构：轻量 Python Runner + 双 Agent 前端

从代码结构看，FigMirror 采用了典型的"轻量后端 + AI 前端"架构：

运行时，FigMirror 支持两种 Agent 后端：

• Claude Code：通过 ClaudeRunner（scripts/figcopy_runner/claude.py）驱动 Claude CLI
• OpenAI Codex：通过 CodexRunner（scripts/figcopy_runner/codex.py）驱动 Codex CLI

两个 Runner 共享相同的接口契约（interface.py），通过 event_bus.py 发布 SessionEvent，SSE 端点实时推送迭代进度。Phase 2 的 MockRunner 则提供了纯本地模拟模式，不依赖任何外部 API。

部署体验：本地 CLI 工具包

FigMirror 是一个纯本地运行的 Python 包，依赖极少（matplotlib + numpy + pillow），Python 版本要求 >= 3.10。安装和使用流程：

# 准备参考图和数据
python3 scripts/figcopy_run.py     --ref path/to/reference.png     --data path/to/data.txt     --workdir /tmp/myrun

# 然后在 Codex/Claude Code 会话中加载 figmirror skill
# /figmirror <workdir=/tmp/myrun>

figcopy_serve.py 提供了本地 Web 服务器，实时刷新展示每轮迭代结果，同时支持一键上传到 HuggingFace Space 分享。项目还提供了 HuggingFace Gallery，收录了 139 张不同风格的生成图作为参考库。

硬件需求极低：无需 GPU，普通笔记本即可运行，因为所有绑图逻辑都在 matplotlib 侧执行，AI 推理由云端 API（Claude/Codex）处理。

局限与思考

FigMirror 并非万能，以下场景体验可能受限：

1. 复杂多面板图：当参考图包含 4+ 面板且排布不规则时，风格迁移的准确率会下降，可能需要更多迭代次数。
2. 非标准图表类型：对于 DAG 可视化、词云图、网络图等非标准学术图表，Drawer 的 prompt 覆盖度还不够全面。
3. 依赖外部 API：虽然本地部分是轻量的，但实际绘图能力完全依赖 Claude/Codex API，网络不稳定时可能影响迭代体验。
4. 无容器化部署：目前没有提供 Dockerfile 或 docker-compose，对不熟悉 Python 环境的研究者有一定门槛。

行业意义：从"手工绘图"到"AI 风格迁移"

FigMirror 代表着 AI 编程助手在科研场景的垂直深化。它不追求通用代码生成，而是针对"论文图表"这一极窄赛道做了深度优化——把顶会论文的视觉美学固化为可复用的 prompt 规则库。这与传统的 AI 绑图工具（如 raw graphs、Datawrapper）有本质区别：后者是模板驱动的，FigMirror 是 AI Agent 驱动的，可以适应任意风格参考图。

从趋势看，AI 辅助科研绘图正从"帮我画个图"进化到"按照某篇论文的风格帮我画图"。FigMirror 踩在了这个趋势的前沿，其 Drawer/Reviewer 双 Agent 架构也为其他"风格迁移 + 内容适配"的 AI 工具提供了可参考的设计模式。