Vivid Figures Skill：让 AI 替你画出科研级图表

一句话总结

把数据交给 AI，它帮你选图、画图、检查，最后交付高清图片和完整绘图源码。

---

痛点场景：科研人员画图的三大困境

写论文时，你是否也经历过这些？

困境一：选图纠结。想展示一组数据的分布，手头有 Excel、CSV、JSON 三种格式，你翻了 Matplotlib 文档半小时，还是不确定用小提琴图、箱线图还是核密度图更合适。选错了图，审稿人直接打回来。

困境二：调色崩溃。好不容易画出图，配色不是太艳就是太灰，和期刊模板格格不入。手动调参数、调色板，一个下午折腾三张图。

困境三：源码丢失。绘图时临时改了参数，回头想复现原始结果，发现代码找不到了。或者导师要求换一套配色，又要从头改一遍。

Vivid Figures Skill 就是来解决这三个问题的。作者 yjz211 把多年积累的科研绘图经验，整理成一套 AI Agent 可调用的 Skill——你只需要告诉它要画什么，它会自己选图、自己画、最后把源码一起给你。

---

项目背景

本项目于 2026 年 9 月上线，专注解决一个细分但真实的需求：如何让 AI 助手生成可直接发表的高质量科研图表。目前已有 422 颗 GitHub Stars，28 次 Fork，在科研工具类 Skill 中增长较快。

作者采用 Agent Skills 开放规范，使本 Skill 可被任何兼容该规范的 AI 助手（Claude、GPT-4o、Hermes 等）加载使用。项目的核心理念是"数据 → AI 选图 → 绘图 → 交付图片与源码"的完整闭环，用户不仅得到图，还保留了完整的可复现代码。

---

核心功能

108 个图表配方，覆盖科研全场景

项目内置 143 个图表配方，按用途分为：

类别	代表图型
数据分布	小提琴图、箱线图、山脊图、蜂群图
关系对比	散点图、热力图、相关性矩阵
时序分析	折线图、面积图、置信区间图
性能评估	ROC 曲线、PR 曲线、收敛曲线
统计推断	误差棒图、效应量图、置换检验图
专业图型	三维曲面、地图、雷达图、桑基图

AI 在选图时会经历一个三阶段流程：理解数据 → 查看候选实图 → 选择最佳配方，而不是盲目套用。这避免了"用一个图解释所有数据"的粗暴做法。

七套预设配色，开箱即用

项目内置七套专业配色方案：

配色名称	色系特点	适合场景
珊瑚青绿	鲜艳对比	演示、海报
橄榄杏棕	沉稳专业	期刊论文（默认）
蓝粉浅彩	柔和清新	教育材料
柔绿森林	自然清新	环境、生物相关
粉彩少女	浪漫轻盈	偏软科学
海洋清风	清爽科技	工程、CS 论文
蓝天绿地	明亮平衡	通用场景

每套配色都经过了不同图型（散点、分布、叠加）的测试，确保在全类型图表上都有良好视觉效果。用户也可以指定"用默认"或"你来决定"，AI 会自动选用橄榄杏棕（默认）。

交付双格式：PNG/PDF 图片 + Python 源码

这是 Vivid Figures 和大多数图表工具的本质区别。生成结束后，工作目录下会出现：

• figures/xxx.png — 高清预览图
• figures/xxx.pdf — 矢量版，方便排版
• figures/xxx.py — 完整绘图源码，可继续修改

这解决了"图交了但代码没留"的常见问题，也方便后续换配色、调参数时直接复用。

三套完整组合模板

针对机器学习领域最常见的两类分析场景，项目内置了可直接使用的组合模板：

• SEM + 小提琴图 + Pearson 相关：用于结构方程模型分析结果展示
• SHAP 组合模板（dependence + contribution）：用于解释任意模型的特征贡献可视化

这两套模板经过专门调校，输入真实 SHAP 数据就能生成可直接发表的结果，无需手动调整。

---

上手门槛

适合人群

本 Skill 面向所有使用 AI 助手进行科研工作的用户，但对以下场景价值最高：

• 正在撰写 SCI 论文，需要快速生成符合期刊要求的高质量图表
• 进行数学建模竞赛，需要高效出图、边做边改
• 研究机器学习/深度学习，需要可视化模型结果（SHAP、PID、收敛曲线）
• 需要给导师/客户做实验报告，但不想花大量时间调图

使用门槛

零额外安装，依赖由宿主环境提供。仅需：

1. 一个支持 Agent Skills 规范的 AI 助手（如已配置好的 Claude Desktop/Hermes）
2. Python 3.10+ 环境（由宿主机提供）
3. 必要的 Python 包（numpy、pandas、matplotlib、seaborn 等，由宿主机提供）

用户只需要把 vivid-figures-skill 文件夹加载到 AI 助手的 Skill 目录中，即可开始使用。安装后，典型使用对话：

用 vivid-figures-skill 读取 results.csv，比较不同方法的得分分布。
用珊瑚青绿配色。图型你来选，输出 PNG、PDF 和绘图源码。

AI 会自动读取数据 → 选择最佳图型 → 生成图表 → 交付图片与源码，整个过程无需人工干预图型选择或配色调整。

---

局限性

非商业授权限制

这是目前最大的限制。项目采用个人非商业许可证：

• ✅ 允许个人学习、研究使用
• ❌ 禁止商业使用（公司产品、商业咨询、付费服务等）
• ❌ 禁止二次开发和衍生作品
• ❌ 未经书面许可不得重新分发

如果你是商业机构的研究人员，需要提前联系作者获取商业授权。

需要 AI 助手作为宿主

本 Skill 不是独立程序，必须在支持 Agent Skills 规范的 AI 助手中使用。如果你习惯直接在命令行运行 Python 脚本绘图，本工具帮助有限——你需要自己写代码、理解 Matplotlib API，而不是交给 AI 决策。

特定领域图型有限

项目主要覆盖通用科研图表（统计、ML、可视化），对以下领域的支持相对薄弱：

• 基因组学/生物信息学专用图型（如 Circos 图、基因组浏览器截图）
• 金融高频交易图表
• 复杂工程图纸（CAD 类）

这些场景需要专用工具而非通用图表 Skill。

---

技术架构

项目采用 Agent Skills 开放规范，结构清晰：

vivid-figures-skill/
├── SKILL.md              # 入口定义，描述整体工作流
├── figure-selection.md    # 选图决策树
├── color-selection.md     # 配色选择指南
├── template-fidelity.md   # 源码保真规范
├── catalog/               # 146 张模板说明卡 + 预览
│   ├── index.html         # 可浏览的图型目录（离线可用）
│   ├── cards.json         # 配方元数据
│   ├── thumbnails/        # 缩略图预览
│   └── previews/          # 高清效果图
├── original/              # 原始绘图资源
│   ├── resources/         # 源码底稿
│   ├── drawing-guide.md    # 绘图指导
│   └── review-policy.md   # 质量检查规范
├── templates/             # 3 套组合模板
├── examples/              # 示例与配色海报
└── tests/                 # 单元测试

核心依赖全部为 Python 生态主流库（numpy、pandas、scipy、matplotlib、seaborn、scikit-learn），对宿主机环境无特殊要求。高级功能（如 SVG 渲染、PDF 预览）通过 CairoSVG、PyMuPDF 等可选库提供。

---

行业意义

Vivid Figures 的出现，反映了一个正在壮大的趋势：AI 原生化（AI-Native）的专业工具。不同于传统软件需要用户手动操作，Vivid Figures 将领域知识（科研图表设计规范）编码为 AI 可理解的工作流，让 AI 在专业场景中真正发挥作用，而不只是通用对话。

从数据看，422 Stars 且仍在增长，说明科研社区对这类工具的需求是真实的。随着 AI 助手能力的持续提升，这类"AI 专业插件"的生态会越来越丰富——代码生成有 Copilot，图表生成有 Vivid Figures，未来还会有更多垂直领域的 AI 原生工具。

七套配色方案之一：蓝粉浅彩

柔绿森林配色，适合生物、环境类论文

蓝天绿地配色，通用场景首选

珊瑚青绿配色海报

珊瑚青绿完整配色海报，附带各图型应用示例