前言¶
做文献挖掘时最常见的一个断点是：模型读完了正文，却拿不到图里的信息。方法流程、定量结果、与正文对不上的趋势线，往往只在图里。手工截图再逐张描述既慢又不稳定，尤其当目标是批量处理几十篇论文、从图里抽出可复用的知识时。
下面介绍的 Scientific Figure Analysis Pipeline 就是针对这个断点做的：它把「从 PDF 里把图拿出来 → 看懂图 → 得出科学结论 → 反推这张图是怎么生成的」串成一条流水线，让图表分析成为可重复的步骤，而不是每次都临时拼脚本。
这是什么¶
Scientific Figure Analysis Pipeline 是一个基于通用 SKILL.md 格式的 Agent Skill，面向论文图表分析与文献挖掘场景。它由社区开发者 user_b26749d2 发布并维护，版本 1.0.0，来源标记为 community，在 SkillHub 的 knowledge-management 分类下。
官方给出的定位是一条完整工作流：先用 PyMuPDF 从 PDF 提取图表，再交给 Kimi K2.6 做多模态视觉分析，之后进行科学理解与推理，最后做图表的逆向工程。
需要注意的是，这个 Skill 带有 requires_api_key=true 标签，意味着它依赖外部模型服务，使用前必须自备 Kimi 的 API Key。这是它与纯本地规则类 Skill 的关键区别：它的「看懂图」这一步是靠视觉模型完成的，不是靠 OCR 或规则匹配。
核心功能¶
官方简介描述的是四个阶段，构成一条单向流水线：
- PDF 提取，使用 PyMuPDF 把论文 PDF 中的图表区域切出来。
- 多模态视觉分析，把切出的图表交给 Kimi K2.6 做视觉理解。
- 科学理解，基于图表内容做科学层面的推理与解读。
- 逆向工程，从图反推它的生成流水线，即这张图的原始数据、绘图逻辑或可复现路径。
触发场景官方列出四类：分析论文 PDF 中的图表；逆向工程图表生成流水线；从文献中提取结构化知识；论文自动化文献挖掘。
同时官方明确划出了不适用的场景，这部分同样重要：不要在纯文本阅读场景使用；不要用于非科学类 PDF；不要用于没有图表的纯理论论文。换句话说，这个 Skill 的价值集中在「图里有信息」的科学论文上，图缺失时它没有可分析的对象。
安装与启用¶
已抓取的官方资料中没有给出具体的安装命令或目录规范，只提供了官方地址：
https://api.skillhub.cn/user_b26749d2/9cf703b
https://www.skillhub.cn/skills/user_b26749d2/9cf703b
在当前资料范围内，可以确认的配置项只有标签声明的 requires_api_key=true。因此启用前需要做的是：准备好可用的 Kimi API Key，并通过上述官方地址确认安装方式与所需权限。如果沿用通用 SKILL.md 格式，安装方式通常与本地 Skill 一致，即把 SKILL.md 放到对应 Agent 的 Skill 目录中——但这一条在已抓取资料里没有直接写明，落地前应以官方页面为准，不要按惯例直接假定路径。
典型用法¶
已抓取资料只提供了英文简介，没有给出可复现的调用示例、参数或输出格式。因此这里只描述流水线本身的调用顺序，不构造未核实的示例：
1、准备论文 PDF 与 Kimi API Key
2、用 PyMuPDF 从 PDF 中提取图表区域
3、把图表送入 Kimi K2.6 做多模态视觉分析
4、对分析结果做科学理解与推理
5、对图表做逆向工程，反推生成流水线
第 2 步对应官方简介中的 PDF extraction (PyMuPDF)，第 3 步对应 Kimi K2.6 multimodal vision，第 4、5 步分别对应 scientific reasoning 与 reverse engineering。至于每一步的具体参数、图表区域识别策略、视觉模型的调用方式，资料中没有说明，需要以官方地址页面的信息为准。
适用场景与注意¶
适合的使用场景，与官方列出的四类触发场景一致：需要分析论文图表、需要从图反推绘图流程、需要把文献中的图表信息转成结构化知识、需要对论文做自动化挖掘。在这些场景里，这个 Skill 的价值在于把四个原本需要分别拼接脚本的阶段合并成一条流水线，减少重复工作。
限制和坑有三条。第一，依赖外部视觉模型，requires_api_key=true 意味着没有 API Key 就无法完成第 3 步，整条流水线会中断；批量使用时要注意模型调用的成本与速率限制。第二，官方明确排除纯文本阅读、非科学类 PDF 和无图表的纯理论论文，用在这些场景不会得到有意义的结果。第三，逆向工程这一步是反推，不是官方提供的图表原始数据，推出来的生成流水线可能与作者实际做法存在偏差，适合作为复现的起点，不宜直接当作论文结论使用。
结尾¶
Scientific Figure Analysis Pipeline 的价值在于把论文图表分析做成一条固定流水线，而不是临时写脚本：PyMuPDF 负责把图拿出来，Kimi K2.6 负责看懂图，后面接科学理解与逆向工程。对需要批量处理论文图表、从图里提取结构化知识的场景，它可以省掉每次重新搭建提取与视觉分析环节的时间。适合的范围也很清楚：有图的科学论文。
官方地址：https://api.skillhub.cn/user_b26749d2/9cf703b ，页面地址：https://www.skillhub.cn/skills/user_b26749d2/9cf703b 。该 Skill 由社区开发者 user_b26749d2 发布，版本 1.0.0，分类 knowledge-management，来源 community，SkillHub 评分 100000，下载 589 次，安装 0 次。
