Was macht Grafischer-Abstract-Ersteller?
Wandeln Sie Forschungsmaterial (PDF, Notizen, Aufzeichnungen) in einen
einseitigen grafischen Abstract um, dessen jedes Element auf das Material
zurückverfolgbar ist – plus eine vertragskonforme result.json.
Aufgabenteilung – Sie übernehmen die Wissenschaft, die Skripte das Zeichnen:
- Sie (der Agent): Lesen Sie das eigentliche Material, extrahieren Sie Entitäten/Beziehungen/Daten, wählen Sie die visuelle Kodierung, entscheiden Sie, was auf die Leinwand vs. in die Bildunterschrift kommt, verifizieren Sie die Abbildung anhand des Materials.
- Die Skripte (
scripts/, reines Python + matplotlib): Layout, Rendering, Prüfungen, Zusammenstellung des Ergebnisses. Deterministisch: gleiches Modell rein → gleiche Abbildung raus.
Umgebung & Pfade
- Skill-Wurzel:
/skills/weekly-skill(Skripte unterscripts/, Schema-Dokumentation unterreferences/). Arbeiten Sie unter/app/work; endgültige Ergebnisse gehen nach/app/output. - Eingabe:
/input/case.json(+ task.md; Materialdateien, auf die der Fall verweist). - Python mit matplotlib wird erwartet; falls matplotlib fehlt, fällt der PNG-Export automatisch auf Pillow zurück, und der PDF-Export bricht mit einer Abhilfemöglichkeit ab – siehe Playbook.
- Typische Kosten: 10–20 Modellanfragen, gut innerhalb des Budgets von 64 Anfragen / 900 Sekunden. Jeder Build/Verify-Skriptaufruf ist ein einzelner Tool-Call.
Arbeitsablauf
Schritt 0 – Lesen Sie den Fall und erstellen Sie das result.json-Grundgerüst (dies zuerst tun)
Lesen Sie /input/case.json vollständig. Notieren Sie sich case_id und jedes Feld von
output_contract – dies sind Ihre Lieferverpflichtungen. Führen Sie dann sofort aus:
python scripts/make_result.py --stage init \
--case /input/case.json --out /app/output/result.json
Dies schreibt jedes Vertragsfeld als explizites null mit einem ausstehenden Grund.
Ab jetzt hinterlässt selbst ein Absturz ein vertragskonformes Ergebnis. Führen Sie
--stage final (Schritt 6) erneut aus, um es zu füllen.
Schritt 1 – Lesen Sie das eigentliche Material
Öffnen Sie die echten Dateien, auf die der Fall verweist (gehen Sie niemals vom Inhalt aus
Bezeichnern aus). Verwenden Sie für PDFs das pdf-text-tool / scientific-python; scannen Sie
Seiten nur, wenn OCR erforderlich ist. Speichern Sie eine sources.json, die jede Materialdatei
auf den extrahierten Text abbildet – spätere Schritte überprüfen automatisch Zitate dagegen:
{ "materials/paper.pdf": "<vollständig extrahierter Text>" }
Schritt 2 – Extrahieren Sie die Wissenschaft (Ihr Urteil, nicht das eines Skripts)
Füllen Sie ein Arbeitsblatt (Vorlage: templates/agent_worksheet.md) direkt aus dem
Material aus:
- Frage – Welches Problem stellt das Material? Zitieren Sie es wörtlich.
- Entitäten – Die Dinge, die erscheinen müssen (Moleküle, Zellen, Geräte, Methoden, Kohorten...). Für jede: Bezeichnung, ein wörtliches Zitat, Lokalisierung (Datei + Seite/Abschnitt/Satz).
- Beziehungen – Gerichtete Verbindungen, die das Material angibt (A aktiviert B, Dosierung motiviert die Frage...). Notieren Sie die Richtung und den Satz, der sie angibt.
- Daten – Jede Zahl, die Sie zeichnen könnten: Wert, Einheit, Bedingung und den
Satz, aus dem sie stammt. Wenn eine gewünschte Zahl nicht im Material steht,
zeichnen Sie sie nicht; listen Sie sie stattdessen unter
uncertainty/limitsauf. - Schlussfolgerung – Behauptungen, die das Material selbst aufstellt.
Beweisregeln: Zitate sind wörtliche Teilzeichenfolgen des Materials; Lokalisierungen sind präzise genug, dass ein Mensch sie in Sekunden findet; alles, was Sie nicht belegen können, kommt in die Bildunterschrift/Notizen, niemals als Daten auf die Leinwand.
Schritt 3 – Erstellen Sie figure_model.json
Schreiben Sie /app/work/figure_model.json gemäß dem Schema in
references/model_schema.md (vollständiges durchgearbeitetes Beispiel: examples/transformer-1706.03762/).
Wichtige Entscheidungen, die Sie treffen:
- Panel-Plan: Normalerweise 4–6 Panels in Lesereihenfolge Frage → Methode → Ergebnisse (1–2) → Schlussfolgerung; ein Befund pro Panel.
- Layout pro Panel:
flow(Boxen + Pfeile für Entitäten/Beziehungen),chart(Balken/horizontale Balken/gruppierte Balken/Linie für Daten),stats(Großzahl-Aufrufe für 2–4 Schlagzeilenwerte),text(Aufzählungen von Schlussfolgerungen). - Visuelle Kanäle: Länge für Größenordnungen mit einer gemeinsamen Einheit und Null- Baseline; Position für Zeitreihen; Farbe nur für kategoriale Serien (Okabe–Ito-Palette ist eingebaut; niemals reines Rot-vs-Grün); Form/Hervorhebung für die fokale Entität. Ein Kanal pro Bedeutung, eine Bedeutung pro Kanal.
- Leinwand: Standard 1800×1000 px (≈ A4 Querformat bei 150 dpi). Halten Sie jede Schriftart ≥ 12 px (wird vom Prüfer durchgesetzt).
- Kopieren Sie Zitate/Lokalisierungen aus Ihrem Arbeitsblatt in das
source-Feld jedes Elements.
Schritt 4 – Erstellen und Iterieren
python scripts/build_figure.py --model /app/work/figure_model.json \
--outdir /app/work/out --sources /app/work/sources.json
Erzeugt graphical_abstract.svg (editierbare Quelle der Wahrheit: benannte IDs,
layer-*-Gruppen, Provenienz <desc> auf jedem Element), .png (300 dpi),
.pdf, element_map.json, export_report.json. Exit-Code 2 = Modell ungültig
(korrigieren Sie das JSON), 3 = SVG-Fehler (beheben Sie gemäß Playbook). Rendering-Fehler von
PNG/PDF brechen den Lauf niemals ab – sie landen in export_report.json.failures.
Iterieren: Wenn der Bericht Fehler zeigt, bearbeiten Sie das Modell (nicht das SVG) und bauen Sie es neu. Die Abbildung ist falsch, bis jeder Fehlercode gelöscht ist.
Schritt 5 – Überprüfen Sie wie ein Reviewer
python scripts/check_figure.py --outdir /app/work/out --sources /app/work/sources.json
Dies führt alle Prüfungen erneut aus: SVG-Wohlgeformtheit, Schriftart-Mindestgröße, Leinwandgrenzen, Element-Map-Vollständigkeit, Zitat-vs-Material (erfindet erfundene Zahlen und Fehlzitate), Graustufen/Kontrast, Exportintegrität. Dann sehen Sie sich das PNG selbst an (Lesen Sie die gerenderte Vorschau) und prüfen Sie: Lesereihenfolge offensichtlich? Entitäten/Pfeilrichtungen stimmen mit dem Material überein? Legende stimmt mit der Kodierung überein? Einheiten an jeder Achse? Wenn eine Warnung nicht beseitigt werden kann, protokollieren Sie sie – verstecken Sie sie nicht.
Schritt 6 – Stellen Sie die endgültige result.json zusammen
Schreiben Sie /app/work/values.json mit Ihren Vertragsfeldwerten
(scientific_summary, uncertainty, Pfadlisten, export_checks...).
element_source_map und export_checks werden automatisch aus dem Build ausgefüllt.
Dann:
python scripts/make_result.py --stage final \
--case /input/case.json --out /app/output/result.json \
--values /app/work/values.json \
--map /app/work/out/element_map.json \
--export /app/work/out/export_report.json \
--issues /app/work/out/issues.json \
--status complete --uncertainty "<ehrlicher Satz>"
Der Matcher füllt Vertragsfelder durch exakten Schlüssel, dann Enthaltensein, dann
Beschreibungs-Schlüsselwörter; nicht übereinstimmende Felder bleiben explizit null mit Gründen.
Wenn Fehler auf Fehlerstufe verbleiben, wird der Status automatisch auf partial herabgestuft – beanspruchen Sie
niemals complete bei fehlgeschlagenen Prüfungen. Kopieren Sie die Ergebnisse nach /app/output:
graphical_abstract.svg + figure_model.json (editierbare Quellen),
graphical_abstract.png (Vorschau) + graphical_abstract.pdf (Export),
result.json.
Schritt 7 – Abschließende Selbstprüfung
- result.json:
case_idvorhanden; jedes Vertragsfeld gefüllt oder explizitesnullmit Grund; Status ehrlich (automatische Herabstufung respektiert). - SVG öffnet (wohlgeformtes XML), Text ist echtes
<text>(editierbar), jedes Element hat eine ID, Ebenen benannt. - PNG und PDF existieren und sind nicht leer; PNG ≥ 300 dpi.
- Jede Zahl auf der Leinwand erscheint in einem Zitat in
element_map.json. - Legende stimmt genau mit der Farb-/Serienkodierung überein.
-
uncertainty/limitserwähnen jedes degradierte oder nicht belegte Element.
Wenn etwas schiefgeht
Alle Fehlermodi, ihre Signaturen und Abhilfen (Material ohne Schlüsselzahlen,
Entitäten-Mehrdeutigkeit, Textüberlauf, Schriftartersetzung, Leinwandüberlauf,
Exportfehler, kein matplotlib...) befinden sich in
references/exception_playbook.md – konsultieren Sie es bei jeder roten Ausgabe. Die
eine Regel, die alles überschreibt: Nehmen Sie ehrlich auf, erfinden Sie niemals etwas.
Ein partial-Ergebnis mit dokumentierten Einschränkungen ist besser als eine hübsche
Abbildung mit erfundenen Belegen.
Referenzen
references/model_schema.md– figure_model.json Feld für Feld mit Standardwerten und Einschränkungen.references/exception_playbook.md– Fehlersignaturen → Abhilfen.references/design_notes.md– Visuelle Kodierungsregeln, Farbenblind- Sicherheit, Layout-Konventionen des Erstellers.templates/agent_worksheet.md– Extraktionsarbeitsblatt für Schritt 2.templates/figure_model.template.json– Minimales Startmodell.examples/transformer-1706.03762/– Durchgearbeitetes Beispiel eines echten Papers (arXiv:1706.03762, wörtliche Zitate + sha256).