CommunityBildgithub.com

Paper-Figure-Craft

Erstelle publikationsreife System-, Architektur-, EDA- und KI-Papiergrafiken durch Code, ohne KI-generierte Diagramm-Tells. Deckt die 5-Schritt-Kompilierung und Linting-Synergie mit figgenie-paper-diagram ab, Rollentrennung bei einspaltigen Motivationsfiguren (Paradigmenkontrast- und Fallverlaufs-Konvergenz-Archetypen), heterogene visuelle Container, Knockout-Banner und kursive typografische Mikrogrammatik, eine 4-lagige Mineraltinten-Palette für SVG und Matplotlib, ein 5-kategoriales Vektor-Mikro-Ikonographie-System (Domain-Thumbnails, Binderring-Faktenbücher, rollenabzeichenierte Agenten & Hypothese-Sprechblasen, Werkzeugschlüssel, farbige Parameterswatches) sowie klassische IEEE/ACM-Vier-Spinnen-Evaluationsdiagramme. Verwende dies beim Planen, Zeichnen, Kritisieren oder Neugestalten von Papierschemas oder experimentellen Plots.

Was ist Paper-Figure-Craft?

Paper Figure Craft ist eine spezialisierte AI-Agent-Fähigkeit zum Erstellen druckreifer, publikationsreifer Forschungsgrafiken mittels Code. Sie vermeidet die typischen Erkennungsmerkmale KI-generierter Diagramme (z. B. generische Flussdiagramm-Ästhetik) und produziert stattdessen hochpräzise, exakt bepunktete SVG-Schemas sowie klassische Vier-Spinnen-Matplotlib-Diagramme für quantitative Evaluationscharts. Die Fähigkeit integriert sich nahtlos mit dem Tool `figgenie-paper-diagram`, um einen 5-stufigen Pipeline-Prozess aus Tex-Füllung, Linting, visueller Inspektion, PDF-Export und PPTX-Konvertierung zu ermöglichen. Sie bietet eine umfassende, strukturierte Methodik zur Erstellung verschiedener Papiertypen, von einspaltigen Motivationsfiguren (Paradigmenkontrast oder Fallverlaufs-Konvergenz) bis hin zu detaillierten Systemübersichten und Arbeitsmechanismen. Zielplattformen sind typische wissenschaftliche Veröffentlichungen in den Bereichen Systeme, Computerarchitektur, EDA (Electronic Design Automation) und KI. Das Besondere an dieser Fähigkeit ist ihre detaillierte visuelle Mikrogrammatik: eine 4-lagige Mineraltinten-Palette (strukturelle Tinte, gedämpfte Architekturhintergründe, klare Vordergrundkarten und sparsame Akzente), ein 5-kategoriales System von Vektor-Mikroikonen (für Hardware, Datensets, Agenten, Werkzeuge und Parameter) und strenge Layoutregeln (exakte Punktmaße, Abstände, kursive Rollen-Tags). Schließlich werden klassische IEEE/ACM-Konventionen für Evaluationscharts erzwungen (Vier-Spinnen-Rahmen mit nach innen zeigenden Teilstrichen, graustufensichere Schraffuren und duale Schritt-Halte-Trajektorien), um die Figuren nahtlos in die Manuscript-Prosa einzupassen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/lllbbbyyy/paper-craft-skills/tree/HEAD/skills/paper-figure-craft

Installed? Explore more Bild skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Paper Figure Craft

Erstelle dichte, scharfe, publikationsreife Forschungsgrafiken in Code (exakt bepunktetes SVG für Schemas und klassische Vier-Spinnen-Matplotlib für quantitative Evaluationscharts), die den Standards der führenden System-, Architektur-, EDA- und KI-Veranstaltungen entsprechen, ohne generische KI-generierte Flussdiagramm-Tells. Die chinesische Version ist SKILL.zh-CN.md.

Kern-Workflow

  1. Toolchain-Fähigkeiten kombinieren & Figurenrollen aufteilen (1 Figur = 1 Aufgabe, heterogene Container)

    • Synergie mit figgenie-paper-diagram (wenn installiert): Referenziere figgenie-paper-diagram-Veranstaltungsbeispiele für Informationsdichte, gebe semantische Attribute aus (data-kind, data-role, data-symbol="tex") und führe die 5-Schritt-Pipeline aus: tex_fill.py --check (MathJax inline Vektor <path>) $\to$ lint.py (Containment-/Überlappungsprüfungen) $\to$ 4× PNG visuelle Prüfung $\to$ svg_to_pdf.py / export_pdf.py (null-skaliertes Vektor-PDF) $\to$ svg2pptx.py (bearbeitbare Folien). Wenn figgenie-paper-diagram nicht vorhanden ist, verwende direkt templates/svg_diagram_scaffold.py + templates/svg_to_pdf.py.
    • Motivation (Abb. 1, einspaltig 244 × 152–185 pt, Seite 1 oben rechts): Wähle die Archetype, die zu deiner These passt:
      • Archetype A (Paradigmenkontrast): Oben (a) kontrastiert 2–3 vorherige Paradigmenkarten (Mini-Trendkurven + + Stärke / - Einschränkung) + ineinandergreifender Herausforderungs-Chevron-Balken C1–C3; unten (b) zeigt eine Vorschau deiner 3-Schritt-Lösung mit einem 1-zu-1-spaltenausgerichteten chevron_bar.
      • Archetype B (Motivierender Fallverlauf & Konvergenz): (a) Konkrete Benchmark-/Hardware-Einrichtung, (b) einzeiliger Schrittverlauf E1..Ek mit Hervorhebung der schnellen Gesamtkonvergenz und (c) Konvergenzkurve gepaart mit expliziten farbigen Quadrat-Swatches (swatch_legend_row: DF: WS / OS, GLB: 2M / 8M / 32M).
    • Heterogene Inhalte niemals in identische Boxen stecken: Unterscheide statische Einrichtungen, sequenzielle Schrittzeilen, gerichtete Kanten, verifizierte Faktenbücher und Agentenhypothesen visuell, wobei die Kopie auf präzise einzeilige Phrasen beschränkt bleibt.
    • Systemübersicht (Abb. 2, doppelspaltig 504 × 180–192 pt): Geschlossener Kreislauf Schritte 1–6 mit nummerierten schwarzen Kreisabzeichen, Fast-Bypass- vs. On-Demand-Routing und eigenständigem Ausgabeartefakt.
    • Arbeitsmechanismus / Werkzeugschleife (Abb. 3, 244 pt oder 504 × 146–160 pt): Konkrete numerische Durchläufe (mit eingebetteten Kandidaten-Ranglisten-Mini-Tabellen, die Pick hervorheben, und Mini-Streudiagrammen) oder Binderring-verifiziertes Hauptbuch $\to$ Agentenhypothese-Sprechblase $\to$ Sampling-Werkzeugstreifen.
    • Quantitative Evaluationscharts (Abb. 4–6, Matplotlib Vektor-PDF/SVG): Doppelte Suchtrajektorien, gruppierte schraffierte Balken, gestapelte Laufzeitaufschlüsselungen und Pareto-Streudiagramme.
  2. Layout-Mikrogrammatik, 4-lagige Palettenhierarchie & 5-kategoriale Mikro-Ikonographie durchsetzen Lese references/schematic-grammar.en.md (oder schematic-grammar.zh-CN.md) und baue auf templates/svg_diagram_scaffold.py + templates/plot_style.py auf:

    • Exakt bepunktetes ineinandergreifendes Raster & Typografie: Lege W = 504 pt (\textwidth) oder 244 pt (\columnwidth) mit 1 pt = 1 SVG-Einheit fest; 3–4 pt äußere Ränder, 4.5–5.5 pt Zwischenstufen-Abstände, überbrückt durch umrandete block_arrow_h, 3.5–4 pt innerer Abstand. Verwende zentrierte weiße Knockout-Banner (stage_container) oder helle gestrichelte outline_zone + 2.8 pt left_stripe_card. Reserviere Kursivschrift für [Eingeklammerte Rollen-Tags], Verzweigungsbedingungen, Deskriptorfelder und 1-zeilige physikalische Mechanismen, halte die Schriftstärke über umbrochene Listenzeilen hinweg einheitlich.
    • 4-lagige Mineraltinten-Palette (plot_style.py geteilt zwischen SVG und Matplotlib): Schicht 1 strukturelle Tinte #18181B + #3F4752 / #525E6B Grautöne + #C9D1DB Blockpfeile; Schicht 2 gedämpfte architektonische Stufenhintergründe (#F4ECDC, #DAE8F4, #DDE2E8, #F3DFCE, #DCEAD7); Schicht 3 klare #FFFFFF Vordergrundkarten + #E2E7EE Tabs (#E6EFEA Minze für gewinnende Pick-Zeilen); Schicht 4 kontrastreiche Akzente (#1B4965 Marineblau, #A61C24 Purpurrot, #C46D1F Ocker, #2C6E58 Salbei) begrenzt auf <10% Fläche – niemals große Containerhintergründe flutend.
    • 5-kategoriale Vektor-Mikro-Ikonographie: (1) 13.5×13.5 pt Hardware-/Workload-Thumbnails (icon_systolic, icon_noc, icon_sparse); (2) Dataset-Trommeln (icon_drum) & linksbündige Notizbuch-binder_rings als Signal für verifizierte Fakten; (3) rollenabzeichenierte Agenten (icon_agent: Vergrößerungsglas für Diagnose vs. Sampling-Gitter für Experiment) & spitze speech_bubble-Polygone für testbare Hypothesen; (4) icon_wrench & icon_stacked_docs für eigenständige Artefakte; (5) icon_refresh_loop & swatch_legend_row.
    • Knoten vs. gerichtete Kanten unterscheiden & explizite Einheiten angeben: Zeichne Schnittstellen/Filter als pillenmarkierte Pfeile (directed_edge_with_pill) und schreibe 0 LLM Calls, 0 Sim Calls, 9.2s (3.6× schneller).
  3. Klassische IEEE/ACM Quantitative Chart-Konventionen durchsetzen Lese references/eval-charts-ieee.en.md und beginne mit templates/ieee_eval_plot_scaffold.py:

    • Vier-Spinnen-Box + nach innen zeigende Teilstriche + Arimo + STIX Type-42 Schriften: Aktiviere alle vier Spinnen (0.8 pt), nach innen zeigende Teilstriche und pdf.fonttype = 42.
    • Graustufensichere Schraffuren & duale Schritt-Halte-Trajektorien: Schraffiere Basislinien-Balken ('//', '\\\\', '..'), rendere Unseres in durchgehendem primären Akzent mit direkten numerischen Etiketten und zeichne duale Wanduhr-/Evaluationsanzahl-Trajektorien via ax.step(..., where='post'). Zeichne nur universelle Basislinien in gruppierten domänenübergreifenden Balkendiagrammen.
  4. Jede Figur rendern, linten und visuell via Screenshot inspizieren

    • Bestätige >= 3 pt Inline-Mathe-Abstand, Basislinien-<tspan dy>-Rücksetzungen und 1:1 Terminologie-Synchronisation mit der Manuskript-Prosa.
    • Inspiziere hochauflösende PNG/PDF-Renderings visuell, um Kollisionen von Referenzlinien-Etiketten, gedrängten Text oder Legendenüberlappungen zu beseitigen.

Verwandte Skills