前言¶
數學建模和科研寫作裏，圖往往決定評審能否快速抓住結論。常見做法是直接讓 AI「按描述畫圖」：模型會寫 matplotlib 代碼，但圖型是否匹配數據、版式是否像論文插圖，多半要靠人反覆改 prompt 或手調代碼。
下面介紹 SkillHub 上的 ai數模科研繪圖skill（座標 @user_147de1c0/modelviz-skill，Skill 內稱 ModelViz）。它把「該畫什麼圖」和「怎麼畫成競賽/論文常見風格」拆成可執行流程：先理解需求與數據，再從內置模板目錄裏選型，在不改動原始模板的前提下適配數據、執行繪圖並做質量檢查。
這是什麼¶
ai數模科研繪圖skill 是面向數學建模與科研可視化的 Agent Skill，版本 1.0.0，來源爲 SkillHub community，分類 data-analysis，發佈者 user_147de1c0。頁面標註 requires_api_key=false，安裝本 Skill 本身不強制配置 API Key（具體繪圖仍依賴 Agent 環境與 Python 依賴）。
官方英文簡介將其定位爲：Scientific visualization workflow for mathematical modeling competitions——在用戶自有 CSV / XLSX / XLS 與自然語言繪圖需求的前提下，從既有模板目錄選型、複製並適配 Python 模板（不修改原件）、執行出圖，並在技術與視覺層面檢查，必要時修復明顯問題。
SkillHub 頁面統計（以抓取資料爲準）：評分 100000，下載 6668。
核心功能¶
以下能力均來自 SkillHub 官方頁面說明，按執行順序理解即可。
需求與數據理解¶
Skill 不會默認「接到指令就畫圖」，會先分析：
- 用戶想表達的是趨勢、對比、分佈還是相關性；
- 數據裏有哪些字段、字段之間可能的關係；
- 用戶指定的圖表類型是否適合當前數據；
- 複雜圖表是否會掩蓋重點；
- 哪種呈現更符合數學建模競賽與科研論文常見的清晰、規範、低飽和風格。
模板召回與場景覆蓋¶
完成需求與數據分析後，從內置 上百個 科研繪圖模板及配套資產中召回候選，再結合真實數據做最終選擇。官方列出的場景包括：
- 時間序列與趨勢分析；
- 分類與數值對比；
- 相關性與迴歸分析；
- 分佈、不確定性與異常值分析；
- 聚類、降維與綜合評價；
- 敏感性分析與預測評估；
- 網絡關係與空間分析；
- 熱力圖、矩陣圖與多子圖組合。
適配、執行與輸出¶
選定模板之後，Skill 會繼續：
- 將模板適配到用戶真實數據，儘量保留原模板的佈局、配色與科研風格；
- 自動檢查模板所需的 Python 庫，缺少依賴時按需補全（無需預裝全部繪圖庫）；
- 輸出 PNG、SVG、PDF 以及可復現的 Python 代碼；
- 檢查空白圖、字體異常、標籤重疊、圖例遮擋等問題，發現問題後修改代碼並重新生成。
整體自動化鏈路在官方說明中概括爲：理解需求 → 召回候選模板 → 分析數據並選擇模板 → 檢查運行依賴 → 適配真實數據 → 生成科研風圖表 → 檢查問題並自動修復。
安裝與啓用¶
本 Skill 基於通用 SKILL.md 格式。SkillHub 頁面給出的安裝指引是：讓 AI 根據官方安裝文檔安裝座標 @user_147de1c0/modelviz-skill。
安裝 SkillHub CLI（若尚未安裝）¶
先確認本機是否已有 skillhub：
command -v skillhub && skillhub --version
未安裝時，可按 SkillHub 安裝文檔 執行完整安裝（CLI + 默認 Skill）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
僅需 CLI 時：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
安裝 ModelViz Skill¶
安裝技能時必須用 --dir 指向當前 Agent 的 skills 目錄，否則默認裝到 ./skills/ 可能不會被識別。文檔記載的常用路徑示例：
| 環境 | skills 目錄 |
|---|---|
| Cursor | ~/.cursor/skills/ |
| Claude Code | ~/.claude/skills/ |
| Codex | ~/.codex/skills/ 或項目下的 .agents/skills/ |
安裝命令形式如下（將 <skills 目錄> 換成你當前客戶端的實際路徑）：
skillhub install user_147de1c0/modelviz-skill --dir <skills 目錄>
也可在對話中直接說明：請根據 https://skillhub.cn/install/skillhub.md 安裝 @user_147de1c0/modelviz-skill。
安裝後按所用 Agent 的慣例刷新或重啓，使新 Skill 被加載。Cursor / Codex CLI / Claude Code 的差異主要體現在 skills 目錄位置；安裝文檔未單獨列出各客戶端不同的啓用開關，此處不展開未覈實項。
典型用法¶
官方強調的用戶輸入只有兩類：數據文件與自然語言繪圖需求。數據格式支持 CSV、XLSX、XLS。
可復現的對話方式示例：
- 將數據文件放在 Agent 可訪問的路徑，並說明字段含義（若列名不直觀，建議用一兩句補充）；
- 用自然語言說明想表達的結論，例如趨勢、組間對比、相關性或分佈，而不是隻寫「畫一張好看的圖」；
- 若已有偏好（子圖佈局、是否要低飽和配色、輸出格式），一併寫明；
- 讓 Agent 在啓用本 Skill 的前提下執行：選型 → 適配模板 → 運行 Python → 輸出 PNG/SVG/PDF 與代碼；
- 若生成結果存在空白、重疊或圖例遮擋，可要求 Skill 按自檢邏輯改代碼並重跑。
示例提示（需替換爲你的真實路徑與需求）：
我已啓用 @user_147de1c0/modelviz-skill。數據在 ./data/result.csv，列包含 year、region、value。
請根據建模論文習慣，選擇合適模板畫區域對比趨勢圖，輸出 PNG 和可復現的 Python 代碼；
若標籤重疊或圖例遮擋，請自動修復後重新生成。
適用場景與注意¶
適合誰
- 參加數學建模競賽、需要大量插圖且希望風格統一的隊伍；
- 寫課程論文或報告、手頭是表格數據、希望少手寫 matplotlib 樣板代碼的研究者；
- 已在 Cursor、Claude Code、Codex 等支持 Skills 的環境裏做數據分析的用戶。
使用上需要注意
- 模板選型依賴數據與描述質量：列名混亂或需求只寫「畫圖」時，模型仍可能選到次優圖型；儘量說明「要證明什麼」。
- 依賴按需安裝：Skill 會檢查並補全模板所需庫，但執行環境需允許安裝 Python 包；離線或受限環境可能失敗。
- 不修改原始模板：適配在副本上進行，有利於復現與對比，但若你的需求與目錄內模板差異極大，仍可能需要換數據粒度或換描述。
- 自動修復針對「明顯問題」：空白圖、字體、重疊、圖例遮擋等在說明範圍內；審美主觀或統計口徑錯誤仍需人工判斷。
- 統計口徑以抓取資料爲準：若你在 SkillHub 上看到與本文不同的下載量或評分，以頁面實時數據爲準。
結尾¶
ai數模科研繪圖skill（ModelViz） 把數模與科研場景裏「圖型是否合適、版式是否規範」前置到流程裏，用模板目錄加適配執行，而不是單次生成一段一次性繪圖代碼。若你手頭已是 CSV/XLSX/XLS，並能在對話裏說清想表達的結論，可以把它作爲固定繪圖工作流掛在 Agent 上。
官方 SkillHub 頁面：https://www.skillhub.cn/skills/user_147de1c0/modelviz-skill
API 條目：https://api.skillhub.cn/user_147de1c0/modelviz-skill
