企业官网建设流程全解析

科研绘图这件事，大概是每个科研党都绕不开的坎。实验做了三个月，数据跑了一整天，最后论文图却因为配色太丑、排版不统一、字体太小被导师打回来。更扎心的是，市面上教程一大把，你收藏了上百个“Nature级配色方案”，真到画图时还是不知道用哪个；你想学排版，打开绘图软件瞅一眼工具栏，直接劝退。

最近大模型工具圈出现了一个高频词：Skill。在 Claude Code、Codex、Cursor 这类支持扩展技能的 AI 编程 / Agent 工具里，Skill 本质上是一份可以随身携带的“专业能力规则包”。如果把科研绘图的期刊规范、配色方案、排版逻辑、代码风格全部沉淀成一个 Skill，AI 就能从“听懂人话的聊天助手”变成“懂论文配图规矩的制图助理”。

这篇文章会先讲清楚 Skill 到底帮科研绘图解决了什么问题，再带你从一个最小可用的绘图 Skill 开始，逐步做成能输出期刊风格图表的完整流程。文章里的目录结构、Python 绘图脚本、调试命令都是可以直接跑的，适合第一次接触 Skill 机制的科研人员，也适合想把科研绘图能力工程化的开发者。

1. 为什么“科研绘图 Skill”比普通提示词更靠谱

先说一个很容易被忽视的事实：科研绘图最大的痛点根本不是“不会写代码”，而是“缺少一套稳定的审美与规范判断体系”。

普通提示词只能解决单次需求。你今天让 AI 画一张蓝色系折线图，明天再让它画一张箱线图时，它大概率会重新发挥一遍。你没法告诉 AI：“以后所有图都统一用这几个颜色”“坐标轴字体不小于 7 pt”“图片宽度要适配单栏或双栏”。这些约束一旦写成普通提示词，既冗长又容易互相冲突。

Skill 的思路完全不同。它把“科研绘图的专业约束”打包成一个独立的规则文件，AI 在对话开始时先加载这个文件，再结合你的数据去执行。相当于你给 AI 发了一本《论文配图工作手册》，而不是每次开工前都口述一遍要点。

从本质上讲，Skill 的核心价值是三件事：

• 可复用：同一个 Skill 可以被反复调用，不同论文、不同图表都能保持一致风格。
• 可维护：配色、字体、输出规范集中在一个文件里，想改就改，不用翻聊天记录。
• 可校验：你可以把“成品图检查清单”写进 Skill，让 AI 出图后先自查一遍再交给作者。

所以下面这句判断值得先记住：科研绘图 Skill 真正降低的不是“画图的代码成本”，而是“把论文级图表规范翻译成 AI 能执行的指令”这种隐性成本。

2. Skill、Agent、普通提示词到底有什么区别

很多读者看到“Skill”会有点懵，因为它和 Agent、提示词的关系确实容易混淆。我们先用一张表把这三个概念拆开。

用一句通俗的话解释：Agent 决定“怎么做”，Skill 决定“按什么标准做”。Skill 更像一个“职业资格证书”，AI 加载了它，就相当于获得了某个岗位的行为准则。

注意，这里的 Skill 机制在不同产品里有不同叫法：有的叫 Skills，有的叫技能包，有的用“规则文件 + 参考文档”实现类似效果。具体实现上可能略有差别，但设计思路是共通的：让大模型在执行任务前，先读取一份结构化的专业技能说明，从而减少自由发挥带来的不确定性。

科研绘图场景非常适合这套机制，因为绘图规范有很强的客观标准：期刊对图尺寸有要求，配色讲究色盲友好，字体大小必须清晰可读。这些约束不是“让 AI 自由发挥”能解决的，而是需要一套明确的、可执行的规则。

3. 科研绘图 Skill 必须包含的四个核心模块

现在，我们假定要做一个叫SciPlot的科研绘图 Skill。它至少应该覆盖四个方面：配色系统、排版规范、图例与注释要求、成品校验清单。

3.1 配色系统

科研论文图不是海报，不需要五彩斑斓的视觉冲击。一个常见的误区是新手喜欢用高饱和度的红、绿、蓝组合，打印成黑白稿后却分不清曲线。

较好的做法是准备一套“学术友好配色”：

# 学术图表通用配色（适合彩色屏幕显示） academic_colors = { "blue": "#4C72B0", "orange": "#DD8452", "green": "#55A868", "red": "#C44E52", "purple": "#8172B3", "gray": "#CCCCCC", } # 备用色板：适合印刷和黑白打印 print_safe_colors = [ "#000000", "#969696", "#637939", "#b8cc25", "#8c6d31", "#e8c75a" ]

这里要特别提醒一点：如果论文有“色盲友好”要求，只靠上面的颜色还不够。建议直接咨询具体投稿期刊提供的配色规范，或者查阅相关专业领域的通用建议，不要在论文中凭感觉混用高饱和色系。

3.2 排版规范

科研图排版的关键是“信息密度适中，层次清晰”。一份 Skill 里可以写清楚这些规则：

• 图宽：单栏图宽建议 8.3 cm 左右，双栏图宽建议 17.1 cm 左右（不同期刊可能有差异，只作为通用起点）。
• 字体：默认使用 Arial 或 Helvetica，字体大小以投稿系统要求为准。
• 线宽：折线建议 1.5 pt 到 2 pt，误差棒建议 0.8 pt。
• 坐标轴：刻度朝外，轴标签要包含物理量和单位。

这些规范写进 Skill 后，AI 生成 matplotlib 代码时就会自动控制这些参数，而不是每次交给程序员手动微调。

3.3 图例与注释要求

图例和注释是论文图中最容易被忽略的部分。常见问题包括：图例遮挡数据、中文注释乱码、图内标记过大或过小。

Skill 中应该规定：

- 图例位置优先放在数据空白区域，尽量避免遮挡关键曲线。 - 同一系列的标记与线型全篇保持一致。 - 图内注释采用“序号 + 文字说明”的方式时，序号字体建议略小于正文。

3.4 成品校验清单

这是 Skill 最有价值的部分。AI 画完图后，不能直接收工，而要先自己检查一遍：

检查项 1：图片分辨率是否达到期刊最低要求（如 300 dpi 或更高）。 检查项 2：所有字体是否嵌入，是否能正常显示英文和非英文字符。 检查项 3：配色是否可区分，黑白打印后是否仍能辨识。 检查项 4：坐标轴标题是否包含单位，刻度是否清晰。 检查项 5：文件命名是否规范，能否体现数据版本。

判断时要注意：任何自动化检查都只能提供参考，最终是否符合目标期刊要求，必须以作者确认和期刊投稿系统说明为准。Skill 可以把检查项列出来，但作者仍要承担最终审核责任。

4. 从 0 到 1 编写一个最小可用的绘图 Skill

这个部分我们上手实践。目标不是马上做得很完整，而是先跑通“Skill 文件 + 调用方式 + 出图验证”这条链路。

4.1 前置环境准备

从零开始搭建，建议先准备以下环境：

• 一台安装了 Python 3.9+ 的开发机或服务器。
• 一个支持加载 Skill/技能包的 AI 对话工具或开发框架（当前主流的 Claude Code、Codex、Cursor 等工具都提供了类似扩展机制，具体名称因产品而异）。
• 安装绘图基础库。

mkdir -p sciplot-skill/skills/sci-plot cd sciplot-skill python -m venv .venv source .venv/bin/activate pip install matplotlib numpy seaborn

注意：如果你用的是 Windows，激活虚拟环境的命令是.venv\Scripts\activate，后面的命令都在虚拟环境内执行。

4.2 Skill 目录结构

一个最小 Skill 通常包含一个说明文件，用来描述这个技能的作用、使用场景、规则和示例。目录结构可以参考：

sciplot-skill/ ├── skills/ │ └── sci-plot/ │ ├── SKILL.md │ └── examples/ │ ├── plot_example.md │ └── template_plot.py └── data/ └── sample_data.csv

SKILL.md是 AI 最优先读取的文件，里面需要写清楚“这个技能是干什么的”“哪些规则必须遵守”“调用流程是什么”。

4.3 编写 SKILL.md

先写一份精简但可用的SKILL.md：

--- name: sci-plot description: 面向科研论文的图表绘制专业技能包。用于生成配色专业、排版规范、可直接投稿或进一步人工调整的学术图表。 --- # 科研绘图技能包 ## 适用场景 - 绘制折线图、柱状图、散点图、箱线图、相关性热力图等常见论文图。 - 将实验数据整理成符合期刊风格的图表。 - 根据投稿要求调整图片尺寸、分辨率和配色。 ## 核心规则 1. 配色优先使用 4.1 节中的 academic_colors 或 print_safe_colors。 2. 默认字体为 Arial / Helvetica，具体尺寸以目标期刊要求为准。 3. 图片导出默认格式为 PDF 和 PNG，PNG 分辨率不低于 300 dpi。 4. 轴标签必须包含物理量名称和单位，如 Time (s)、Voltage (V)。 5. 曲线颜色遵循色盲友好原则，不要同时使用红色和绿色作为唯一区分方式。 6. 图例位置由数据分布决定，默认放置在右下角或左上角空白区域。 7. 输出图表后，按流程自动执行一次“成品校验清单”。 ## 工作流程 1. 读取用户提供的数据文件（CSV/Excel）或数据集描述。 2. 询问或推测图表类型。 3. 生成完整 Python 绘图脚本。 4. 执行脚本并输出图片。 5. 自动检查输出结果，向用户说明图中可能存在的问题。 ## 输出要求 - 最终交付物包含：绘图脚本、图片文件、简短的结果说明。

注意：上面这段 Markdown 是对 AI 的“工作手册”，不是给读者直接运行的代码。每个字段都是为了让 AI 在调用时快速明白约束。实际使用中，如果平台不支持 frontmatter（开头的两个---），也可以只保留正文部分，但建议保留前面的技能名称和描述字段，方便检索和加载。

4.4 示例模板脚本

为了让 Skill 更稳定，最好在examples/目录里附一个可复制的模板绘图脚本。AI 拿到新数据时，可以基于这个模板做最小改动。

""" 文件路径：sciplot-skill/skills/sci-plot/examples/template_plot.py 用途：科研论文风格折线图模板 """ import matplotlib.pyplot as plt import numpy as np import pandas as pd # 学术配色 academic_colors = { "blue": "#4C72B0", "orange": "#DD8452", "green": "#55A868", "red": "#C44E52", "purple": "#8172B3", } plt.rcParams.update({ "font.family": "sans-serif", "font.sans-serif": ["Arial", "Helvetica"], "font.size": 9, "axes.linewidth": 0.8, "xtick.direction": "out", "ytick.direction": "out", "figure.dpi": 100, "savefig.dpi": 300, }) fig, ax = plt.subplots(figsize=(3.5, 2.5)) # 这里用随机数据模拟实验曲线，实际使用请替换成真实数据 rng = np.random.default_rng(42) x = np.linspace(0, 10, 50) y1 = 1.0 * np.sin(x) + 0.1 * rng.normal(size=len(x)) y2 = 0.8 * np.cos(x) + 0.1 * rng.normal(size=len(x)) ax.plot(x, y1, color=academic_colors["blue"], linewidth=1.5, label="Sample A") ax.plot(x, y2, color=academic_colors["orange"], linewidth=1.5, label="Sample B") ax.axhline(0, color="#999999", linewidth=0.8, linestyle="--") ax.set_xlabel("Time (s)") ax.set_ylabel("Amplitude (V)") ax.legend(frameon=False, loc="lower left") ax.set_xlim(0, 10) fig.tight_layout() fig.savefig("output_paper_quality.png", bbox_inches="tight") fig.savefig("output_paper_quality.pdf", bbox_inches="tight") print("图片已输出：output_paper_quality.png / output_paper_quality.pdf")

这段代码用到了 matplotlib 的 rcParams 全局设置，能统一控制整套出图风格。真正使用时会发现，模板固定的好处是：AI 每次生成的代码差异变小，后期人工审查也更容易。

不过要提醒一点：科研论文的数据图必须基于真实数据，不能使用随机数据或 AI 生成的模拟数据去投稿。上面的随机数据只是为了演示流程，换成真实数据时请删除随机数生成部分。

5. 用 Skill 生成一张论文级图表：完整演示

现在模拟一个场景：你手头有一份网络模拟实验的数据，想画一张“延迟随时间变化”的论文折线图。没有 Skill 之前，你需要自己查配色、设字体、调图片尺寸；有 Skill 之后，你只需要提供数据文件和一句话需求，AI 就会读取规则并给出脚本。

5.1 准备数据文件

在data/目录下新建一个 CSV，内容示意如下（实际请替换成自己的数据）：

time_ms,latency_ms_a,latency_ms_b 0,32.5,42.1 10,30.2,40.8 20,28.9,38.7 30,27.4,36.2 40,26.1,33.5 50,24.8,31.9

我们给 AI 的指令可以是：

使用 sci-plot 技能包，读取 data/sample_data.csv， 生成一张论文风格的折线图。横轴是时间，纵轴是延迟， 包含两条曲线，保存为 PDF 和 300 dpi 的 PNG。

5.2 AI 生成的绘图脚本

基于 Skill 规则，AI 大概率生成类似下面的脚本。这个脚本比上面的模板更贴近实际任务，你可以直接拿去运行：

""" 文件路径：sciplot-skill/scripts/draw_latency.py 说明：读取 CSV 数据，输出论文风格折线图 """ import matplotlib.pyplot as plt import pandas as pd # 读取数据 df = pd.read_csv("data/sample_data.csv") academic_colors = { "blue": "#4C72B0", "orange": "#DD8452", "green": "#55A868", } plt.rcParams.update({ "font.family": "sans-serif", "font.sans-serif": ["Arial", "Helvetica"], "font.size": 9, "axes.linewidth": 0.8, "xtick.direction": "out", "ytick.direction": "out", "savefig.dpi": 300, }) fig, ax = plt.subplots(figsize=(3.5, 2.5)) ax.plot( df["time_ms"], df["latency_ms_a"], color=academic_colors["blue"], linewidth=1.5, marker="o", markersize=4, label="Method A" ) ax.plot( df["time_ms"], df["latency_ms_b"], color=academic_colors["orange"], linewidth=1.5, marker="s", markersize=4, label="Method B" ) ax.set_xlabel("Time (ms)") ax.set_ylabel("Latency (ms)") ax.set_title("Latency comparison", pad=10) ax.legend(frameon=False, loc="upper right") ax.grid(False) fig.tight_layout() fig.savefig("fig_latency_comparison.png", bbox_inches="tight") fig.savefig("fig_latency_comparison.pdf", bbox_inches="tight") print("绘图完成，输出文件请到当前目录查看。")

如果 AI 没有按规范输出，你可以在对话里补充一句“请按 sci-plot 技能包规则生成脚本并执行”，它会重新读取 Skill 说明。

5.3 运行与验证

在项目根目录下执行：

# 确保已经在 venv 虚拟环境中 python scripts/draw_latency.py

预期输出：

绘图完成，输出文件请到当前目录查看。

然后在当前目录下会看到fig_latency_comparison.png和fig_latency_comparison.pdf两个文件。用图片查看器打开 PNG，检查内容是否符合：

• 两条曲线颜色不同，能清晰区分。
• 横轴标签是“Time (ms)”，纵轴标签是“Latency (ms)”。
• 图例在右上角，不遮挡数据。
• 图片整体大小适合放进论文单栏。

如果运行失败，最常见的原因有三个：CSV 文件路径不对、matplotlib 未安装、当前不在虚拟环境里。先看终端报错信息，再依次检查环境。

5.4 让 AI 自动适配不同期刊要求

真实论文投稿时，不同期刊对图片的要求差异很大。论文图在正式提交前，最好能针对目标期刊自动微调参数。

一种思路是把“期刊模板”也做成 Skill 的一部分。比如新增journal_style/ieee.conf这类配置文件，里面记录不同期刊的图宽、字体、配色偏好。实际应用中，需要作者自己阅读目标期刊的投稿指南，确认各项参数，不能靠 AI 猜测。Skill 可以帮助整理这些参数，但不能替代作者本人的合规确认。

6. 运行结果与效果验证：如何判断“论文级图表”达标了

绘图脚本跑通只是第一步。很多读者到这里会问：AI 出的图到底能不能直接放进论文里？

我的建议是：不要直接放。AI 生成的图表可以作为“初稿”或“高质量底图”，但最终稿件必须经过你的人工审核。具体验证方法可以参考下面几个步骤：

6.1 用检查清单逐项核对

6.2 试运行检查命令

如果想快速检查输出 PNG 的基本信息，可以写一个很小的 Python 脚本：

from PIL import Image img = Image.open("fig_latency_comparison.png") print("图片尺寸：", img.size) print("分辨率 dpi：", img.info.get("dpi", "未知"))

执行后，如果尺寸接近预期、dpi 在 300 左右，说明输出基本达标。如果 dpi 显示为未知，说明保存图片时没有正确设置 dpi，需要用前文代码中的savefig(dpi=300)重新保存。

6.3 一个容易踩的坑：AI 说图好了，但你的数据根本没进去

Skill 机制下，AI 可能会在脚本中制造示例数据，而不是使用你提供的 CSV。如果图出来后形状很完美，但数值和你的实验完全对不上，请优先检查脚本中是否出现了np.random或者np.linspace这类生成数据的代码。一旦发现，立即改成从 CSV 读入真实数据。

判断标准其实很简单：图中每个点都要能追溯到原始数据文件的某一行。如果不能，这张图就不能进入论文草稿。

7. 科研绘图 Skill 的常见问题与排查方法

下面把使用 Skill 进行科研绘图时最容易碰到的坑整理成一张排查表，方便你保存后直接对照处理。

从这张表能看出一个共同点：很多问题都出在“Skill 规则没有写细”或者“AI 工具本身不支持某些隐式约束”。所以，维护 Skill 文件时，规则越明确越好，不要指望 AI 能自动推断出所有潜在限制。

8. 把 Skill 变成科研绘图基础设施：工程化建议

如果你不想只在某一个对话里临时用一下 Skill，而是想把这套能力沉淀进自己的论文工作流，可以考虑下面的工程化建议。

8.1 Skill 文件纳入 Git 版本管理

科研绘图规则会随着你投稿期刊、研究方向的变化而不断修改。强烈建议把sciplot-skill/目录纳入 Git 仓库，每次修改记录变更原因。团队合作时，还可以统一同一个 Skill 版本，避免不同作者画出的图风格不一致。

cd sciplot-skill git init git add . git commit -m "初始化科研绘图 Skill：包含配色、模板和检查清单"

以后修改 Skill 或 Python 脚本后，及时提交新版本。这能帮你追溯“哪一次修改导致了出图风格变化”。

8.2 把数据读取与绘图逻辑分离

一个优秀绘图脚本应该是“数据输入稳定，画图逻辑清晰”。推荐目录结构：

sciplot-skill/ ├── data/ # 原始数据与处理后的数据 ├── scripts/ # 可复用绘图脚本 ├── skills/ │ └── sci-plot/ │ ├── SKILL.md │ └── examples/ ├── output/ # 所有输出图片集中存放 └── README.md # 使用说明

这样团队成员只需要替换data/下对应 CSV，再运行脚本，就能快速得到同一风格的图片。

8.3 使用“图片基线库”做回归验证

如果你有了一批历史论文图，可以把它们统一归档到一个baseline/目录。每次改动绘图 Skill 后，重跑历史数据，对比新旧输出，确认风格变化是否符合预期。这个方法很像软件工程里的回归测试，能有效防止“为了改 A 图，把 B 图弄崩了”。

8.4 注意期刊版权与数据安全

科研论文投稿前，图片往往涉及未发表数据。这时需要注意几个边界问题：

• 不要把未公开的数据放到公共 AI 服务中处理，除非你确认使用条款和项目保密要求允许。
• 不要使用他人论文中受版权保护的图片作为“配色参考”，除非已获得授权或属于合理引用范围。
• AI 辅助绘图可以减少重复劳动，但论文作者必须对图片中的数据准确性和合规性负最终责任。

这里特别强调一下：现在很多 AI 工具会把对话内容用于模型优化，如果你的数据属于导师课题组未发表成果或企业保密内容，使用前一定要确认是否符合机构数据管理规定。稳妥做法是优先在本地环境或允许私有部署的方案中运行 Skill。

8.5 让 Skill 适配更多科研场景

本文的 Skill 示例偏代码绘图，但科研绘图其实还有几个很典型的方向，可以按同样思路扩展：

• 组图排版：一个画布上排列多张小图，统一字体和标注。
• 空间数据可视化：在城市规划、地理信息类论文中，用 Python 调用地图底图并叠加实验点位。
• 流程图与示意图：使用绘图工具生成机理示意图时，统一配色语言和线型规范。
• 数学建模论文配图：将模型结构、损失曲线、对比表可视化，用统一的主题风格输出。

每个方向其实都可以做成单独的 Skill 规则包。你只需要把配色、字体、尺寸、必输出项写清楚，AI 就能先给出一个符合基本规范的初稿，剩下的人工审美微调量会小很多。

9. 总结与后续行动方向

科研绘图这件事，从“自己慢慢调”到“让 AI 按规范出图”，关键一步不是找到一个更聪明的 AI 助手，而是把你的绘图经验整理成一份机器可读的规则文件。Skill 就是承载这份规则的工具。

读到这里，你其实已经掌握了一条完整路径：

1. 理解了 Skill、Agent、普通提示词的区别，知道科研绘图为什么适合用 Skill。
2. 掌握了科研绘图 Skill 的四要素：配色、排版、注释规则、成品检查清单。
3. 从零搭建了一个最小可用的sci-plotSkill，包括目录结构和 SKILL.md。
4. 跑通了一个 CSV 数据画折线图的完整示例，并确认了输出图的验收方法。
5. 针对常见坑建立了一张排查表，能快速定位乱码、低分辨率、图例遮挡等高频问题。

下一步建议你动手做三件事：

第一，拿自己手头一份已有数据，按本文的目录结构建一个本地 Skill 仓库，哪怕先复制 SKILL.md 微调后再用也可以。

第二，统计自己课题组过去一年论文中 5 到 10 张典型图片风格，总结共用的配色和字体参数，把总结结果写进 Skill 的规则文件，让 AI 出图风格更贴合实验室传统。

第三，如果你发现自己经常要处理同一类图，尝试把这一类图沉淀成一个独立模板脚本。脚本里只留数据读取接口和参数开关，时间长了，你会发现画图耗时能压缩到原来的三分之一以下。画图节省出的时间，不如用来多核对几遍数据、多打磨一轮分析，这往往才是论文能不能往更高水平期刊走的关键所在。