前言¶
数学建模和科研写作里，图往往决定评审能否快速抓住结论。常见做法是直接让 AI「按描述画图」：模型会写 matplotlib 代码，但图型是否匹配数据、版式是否像论文插图，多半要靠人反复改 prompt 或手调代码。
下面介绍 SkillHub 上的 ai数模科研绘图skill（坐标 @user_147de1c0/modelviz-skill，Skill 内称 ModelViz）。它把「该画什么图」和「怎么画成竞赛/论文常见风格」拆成可执行流程：先理解需求与数据，再从内置模板目录里选型，在不改动原始模板的前提下适配数据、执行绘图并做质量检查。
这是什么¶
ai数模科研绘图skill 是面向数学建模与科研可视化的 Agent Skill，版本 1.0.0，来源为 SkillHub community，分类 data-analysis，发布者 user_147de1c0。页面标注 requires_api_key=false，安装本 Skill 本身不强制配置 API Key（具体绘图仍依赖 Agent 环境与 Python 依赖）。
官方英文简介将其定位为：Scientific visualization workflow for mathematical modeling competitions——在用户自有 CSV / XLSX / XLS 与自然语言绘图需求的前提下，从既有模板目录选型、复制并适配 Python 模板（不修改原件）、执行出图，并在技术与视觉层面检查，必要时修复明显问题。
SkillHub 页面统计（以抓取资料为准）：评分 100000，下载 6668。
核心功能¶
以下能力均来自 SkillHub 官方页面说明，按执行顺序理解即可。
需求与数据理解¶
Skill 不会默认「接到指令就画图」，会先分析：
- 用户想表达的是趋势、对比、分布还是相关性；
- 数据里有哪些字段、字段之间可能的关系；
- 用户指定的图表类型是否适合当前数据；
- 复杂图表是否会掩盖重点；
- 哪种呈现更符合数学建模竞赛与科研论文常见的清晰、规范、低饱和风格。
模板召回与场景覆盖¶
完成需求与数据分析后，从内置 上百个 科研绘图模板及配套资产中召回候选，再结合真实数据做最终选择。官方列出的场景包括：
- 时间序列与趋势分析；
- 分类与数值对比；
- 相关性与回归分析；
- 分布、不确定性与异常值分析；
- 聚类、降维与综合评价；
- 敏感性分析与预测评估；
- 网络关系与空间分析；
- 热力图、矩阵图与多子图组合。
适配、执行与输出¶
选定模板之后，Skill 会继续：
- 将模板适配到用户真实数据，尽量保留原模板的布局、配色与科研风格；
- 自动检查模板所需的 Python 库，缺少依赖时按需补全（无需预装全部绘图库）；
- 输出 PNG、SVG、PDF 以及可复现的 Python 代码；
- 检查空白图、字体异常、标签重叠、图例遮挡等问题，发现问题后修改代码并重新生成。
整体自动化链路在官方说明中概括为：理解需求 → 召回候选模板 → 分析数据并选择模板 → 检查运行依赖 → 适配真实数据 → 生成科研风图表 → 检查问题并自动修复。
安装与启用¶
本 Skill 基于通用 SKILL.md 格式。SkillHub 页面给出的安装指引是：让 AI 根据官方安装文档安装坐标 @user_147de1c0/modelviz-skill。
安装 SkillHub CLI（若尚未安装）¶
先确认本机是否已有 skillhub：
command -v skillhub && skillhub --version
未安装时，可按 SkillHub 安装文档 执行完整安装（CLI + 默认 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
仅需 CLI 时：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
安装 ModelViz Skill¶
安装技能时必须用 --dir 指向当前 Agent 的 skills 目录，否则默认装到 ./skills/ 可能不会被识别。文档记载的常用路径示例：
| 环境 | skills 目录 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或项目下的 .agents/skills/ |
安装命令形式如下（将 <skills 目录> 换成你当前客户端的实际路径）：
skillhub install user_147de1c0/modelviz-skill --dir <skills 目录>
也可在对话中直接说明：请根据 https://skillhub.cn/install/skillhub.md 安装 @user_147de1c0/modelviz-skill。
安装后按所用 Agent 的惯例刷新或重启，使新 Skill 被加载。Cursor / Codex CLI / Claude Code 的差异主要体现在 skills 目录位置；安装文档未单独列出各客户端不同的启用开关，此处不展开未核实项。
典型用法¶
官方强调的用户输入只有两类：数据文件与自然语言绘图需求。数据格式支持 CSV、XLSX、XLS。
可复现的对话方式示例：
- 将数据文件放在 Agent 可访问的路径，并说明字段含义（若列名不直观，建议用一两句补充）；
- 用自然语言说明想表达的结论，例如趋势、组间对比、相关性或分布，而不是只写「画一张好看的图」；
- 若已有偏好（子图布局、是否要低饱和配色、输出格式），一并写明；
- 让 Agent 在启用本 Skill 的前提下执行：选型 → 适配模板 → 运行 Python → 输出 PNG/SVG/PDF 与代码；
- 若生成结果存在空白、重叠或图例遮挡，可要求 Skill 按自检逻辑改代码并重跑。
示例提示（需替换为你的真实路径与需求）：
我已启用 @user_147de1c0/modelviz-skill。数据在 ./data/result.csv，列包含 year、region、value。
请根据建模论文习惯，选择合适模板画区域对比趋势图，输出 PNG 和可复现的 Python 代码；
若标签重叠或图例遮挡，请自动修复后重新生成。
适用场景与注意¶
适合谁
- 参加数学建模竞赛、需要大量插图且希望风格统一的队伍；
- 写课程论文或报告、手头是表格数据、希望少手写 matplotlib 样板代码的研究者；
- 已在 Cursor、Claude Code、Codex 等支持 Skills 的环境里做数据分析的用户。
使用上需要注意
- 模板选型依赖数据与描述质量：列名混乱或需求只写「画图」时，模型仍可能选到次优图型；尽量说明「要证明什么」。
- 依赖按需安装：Skill 会检查并补全模板所需库，但执行环境需允许安装 Python 包；离线或受限环境可能失败。
- 不修改原始模板：适配在副本上进行，有利于复现与对比，但若你的需求与目录内模板差异极大，仍可能需要换数据粒度或换描述。
- 自动修复针对「明显问题」：空白图、字体、重叠、图例遮挡等在说明范围内；审美主观或统计口径错误仍需人工判断。
- 统计口径以抓取资料为准：若你在 SkillHub 上看到与本文不同的下载量或评分，以页面实时数据为准。
结尾¶
ai数模科研绘图skill（ModelViz） 把数模与科研场景里「图型是否合适、版式是否规范」前置到流程里，用模板目录加适配执行，而不是单次生成一段一次性绘图代码。若你手头已是 CSV/XLSX/XLS，并能在对话里说清想表达的结论，可以把它作为固定绘图工作流挂在 Agent 上。
官方 SkillHub 页面：https://www.skillhub.cn/skills/user_147de1c0/modelviz-skill
API 条目：https://api.skillhub.cn/user_147de1c0/modelviz-skill
