前言¶
写论文时配图往往是最后一道、也是最耗时间的一道工序。临床和统计方向的图，类型分散、格式要求又严：生存曲线要带风险表，ROC 和校准曲线通常成对出现，投稿前还要统一字号、线宽、配色和 DPI。手工在 R、Python 或者 Excel 里一张一张调，两张图之间风格就会漂移；期刊要求 600dpi 的 TIFF、要求图内元素不重叠、要求配色色盲安全，逐条核对成本很高。
下面介绍的 academic-figures，就是把这套「数据 → 可投稿图表」的流程收拢成一条命令：数据进去，一套统一风格的论文图出来。
这是什么¶
academic-figures 是一个面向科研绘图与期刊配图场景的 Agent Skill，坐标 @user_814dbe54/academic-figures，由社区开发者 user_814dbe54 发布，当前版本 5.7.1，分类为 data-analysis。它在 SkillHub 上的评分为 100000，下载量 46850。
它解决的问题是：把研究数据（JSON / CSV / Excel）直接渲染成符合期刊习惯的学术图表，并提供一套可复用的 YAML 流水线，让整套论文图由同一份配置驱动，避免逐图手调带来的不一致。
核心功能¶
图表类型¶
内置 37 种学术图表，覆盖常见统计与临床研究场景，主要包括：
- 森林图（含亚组分析森林图、Cox 多因素回归森林图）
- KM 生存曲线（自动附带风险表）
- 竞争风险累计发生率
- ROC 曲线、校准曲线、决策曲线 DCA
- 列线图、RCS 非线性剂量反应
- Galbraith 径向图、火山图、雨云图、山脊图、哑铃图
- 游泳图（逐例时长 + 里程碑）
- 肿瘤缓解瀑布图、UpSet 交集
- PRISMA 流程图、漏斗图、BA 一致性
- PCA、热图、箱线图、小提琴图、组合图
配色与期刊预设¶
提供 9 套配色方案，其中包括色盲安全的 Okabe-Ito 配色，以及若干期刊色板；同时提供 9 种期刊投稿预设，用来统一字号、线宽、图例和排版风格。
YAML 流水线与批量出图¶
所有图表由 YAML 配置驱动。一份 YAML 描述数据来源、图表类型、配色和输出参数，一条命令即可渲染出整套论文图，而不是逐张图单独跑脚本。适合论文返修后批量重出全套图。
多格式导出与质量门禁¶
一次渲染可以同时导出 TIFF、PNG、PDF 三种格式。内置 PDF 重叠门禁，用于检查图内元素是否重叠；导出分辨率支持 600dpi，满足多数期刊对投稿图像的要求。
运行方式¶
纯本地运行，数据不出本机。界面与文档为中文，无需额外配置即可开始使用。元数据中 requires_api_key=false，即不需要外部 API Key。
安装与启用¶
官方页面与抓取资料中没有给出公开的安装命令或依赖安装步骤，因此这里只列出可以核实的启用方式。Skill 基于通用 SKILL.md 格式，坐标为：
@user_814dbe54/academic-figures
官方地址：
https://api.skillhub.cn/user_814dbe54/academic-figures
SkillHub 页面：
https://www.skillhub.cn/skills/user_814dbe54/academic-figures
在支持 Skill 目录的 Agent 环境（如 Cursor、Codex CLI、Claude Code）中，通常按上述坐标或官方地址添加该 Skill。不同环境的具体添加命令和配置位置存在差异，请以你所用环境的官方文档为准；资料中没有提供各环境的分别说明，这里不做推测。
需要说明的是，资料中该 Skill 的安装量记录为 0，与下载量 46850 不一致，可能反映统计口径差异，请以官方页面实时数据为准。
典型用法¶
抓取资料没有给出完整的可复现命令行示例，下面按该 Skill 的能力边界，给出一段示意性的 YAML 配置结构。字段名请以官方文档为准，不要直接照抄运行。
# 示意：描述一次批量出图任务
数据来源: xxx.csv
配色: Okabe-Ito
期刊预设: nature
图表:
- 类型: KM生存曲线
分组: 治疗组
- 类型: ROC曲线
标签: 预测模型
输出:
格式: [TIFF, PNG, PDF]
分辨率: 600dpi
配置完成后，用一条命令触发渲染，得到整套图表文件。返修阶段如果只是改了配色或期刊预设，通常只需调整 YAML 后重新运行同一条命令。
适用场景与注意¶
适合的场景：
- 正在写论文或准备投稿，需要一批风格统一的学术图表
- 手里有分析结果数据，希望直接变成可投稿的图
- 论文返修后需要批量重出全套图
不适合的场景：
- 文本润色、翻译、改写，应使用写作类工具
- 商业报表、仪表盘、海报装饰等非学术场景
- 没有数据支撑的纯示意图
使用上要注意几点：该 Skill 只负责绘图，不替代统计分析本身，模型结果、P 值、风险表等需要由上游分析产出并作为数据输入；不同期刊对字号、字体、分辨率和图片格式的要求不同，9 种投稿预设覆盖主流场景，但具体投稿前仍应核对目标期刊的投稿须知；PDF 重叠门禁和 600dpi 只是质量检查手段，不等于期刊审核通过。
结尾¶
academic-figures 的价值在于把论文配图从一堆手工脚本收拢成一条命令 + 一份 YAML，用同一套配色和预设驱动整套图，减少返修阶段的重复劳动。它不处理写作，也不做商业可视化，只做学术图表这一件事。
官方地址：https://api.skillhub.cn/user_814dbe54/academic-figures
