CommunityBildgithub.com

Grafischer-Abstract-Ersteller

Erstellt aus wissenschaftlichem Material (PDFs, Notizen, Aufzeichnungen) einen einseitigen grafischen Abstract (Frage, Methode, Ergebnisse, Schlussfolgerung) als nachvollziehbares, editierbares SVG mit PNG/PDF-Export. Ideal, wenn ein grafischer Abstract, eine Wissenschaftszusammenfassung, ein Mechanismus-, Ablauf- oder Datenchart erstellt oder bearbeitet werden soll – insbesondere wenn editierbare Quelldateien und Element-zu-Quelle-Nachvollziehbarkeit benötigt werden.

Was ist Grafischer-Abstract-Ersteller?

Dieses Skill ermöglicht es einem KI-Agenten, aus Forschungsmaterialien (wie PDFs, Notizen oder Versuchsaufzeichnungen) einen einseitigen grafischen Abstract zu erstellen. Der Abstract visualisiert das Problem (Question), die Methode (Method), die Ergebnisse (Results) und die Schlussfolgerung (Conclusion) in einem einzigen, editierbaren SVG-Bild. Jedes Element im Bild ist mit der ursprünglichen Quelle verknüpft, sodass die Herkunft jeder Information nachvollzogen werden kann. Das Skill arbeitet nach einem klaren Arbeitsteilungsprinzip: Der Agent (Sie) liest die Materialien, extrahiert die wissenschaftlichen Kerninformationen und entscheidet über die visuelle Darstellung. Ein Satz von Python-Skripten (basierend auf matplotlib) übernimmt dann das Layout, die eigentliche Zeichnung, die Ausgabe von SVG, PNG und PDF sowie die automatisierte Qualitätsprüfung (z.B. Überprüfung, ob alle Zahlen korrekt zitiert sind und die Mindestschriftgröße eingehalten wird). Das Skill stellt die vollständige Nachvollziehbarkeit (Traceability) jedes visuellen Elements zur Quelle sicher und erzeugt eine maschinenlesbare `result.json` gemäß einem vertraglich vereinbarten Ausgabeformat (Output Contract). Es eignet sich besonders für Agenten, die auf Claude Code, Cursor oder andere KI-gestützte Entwicklungsumgebungen zugreifen, in denen Forschungsarbeiten zusammengefasst und visualisiert werden müssen.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/qingyulzx/pku-efficiency3-skills/tree/HEAD/graphical-abstract

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

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 unter scripts/, Schema-Dokumentation unter references/). 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:

  1. Frage – Welches Problem stellt das Material? Zitieren Sie es wörtlich.
  2. Entitäten – Die Dinge, die erscheinen müssen (Moleküle, Zellen, Geräte, Methoden, Kohorten...). Für jede: Bezeichnung, ein wörtliches Zitat, Lokalisierung (Datei + Seite/Abschnitt/Satz).
  3. Beziehungen – Gerichtete Verbindungen, die das Material angibt (A aktiviert B, Dosierung motiviert die Frage...). Notieren Sie die Richtung und den Satz, der sie angibt.
  4. 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/limits auf.
  5. 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_id vorhanden; jedes Vertragsfeld gefüllt oder explizites null mit 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/limits erwähnen 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).

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

biopathway-mechanism-diagram

Build or edit publication-grade biological mechanism/pathway diagrams from research materials (PDF/text) as a challengeable mechanism statement - three-layer model (typed entities, typed directed edges with verbatim evidence, compartment layout), semantics-correct SVG source, PNG/PDF exports and a traceable, uncertainty-aware result.json. Use for tasks asking to draw, generate or edit signaling pathways, mechanism figures, crosstalk diagrams or pathway flowcharts; refuses to guess regulation direction and marks unstated information instead.

paper-to-academic-ppt

Turn a research paper (PDF) into a structured, evidence-traceable, template-compliant academic slide deck. Two phases: agent-authored narrative spine and page-level claims (each with paper locators and verbatim quotes), then scripted template adaptation that writes content into real master/layout placeholders, embeds original paper figures, checks overflow/aspect/notes, and exports a PDF preview. Handles missing conclusions, figure-trimming, layout mismatch and over-limit slide counts with explicit rules.

relationship-schematic

Generate or edit scientific entity-relationship schematics (mechanism diagrams, pathway chains, experimental workflows, structural containment) as traceable, editable SVG with verified relation semantics. Extracts an evidence-quoted entity/relation table first, renders a layered SVG from it, reads the drawing back to verify every relation type, direction and containment, then exports 300-dpi PNG and vector PDF. Use for any "draw a mechanism/workflow/relationship figure from this paper or case material" task where scientific correctness of entities, arrow directions and hierarchy matters.

slides-genedit

Generate and edit academic presentation decks from research material. Two routes: (1) generate a new deck from a paper/notes under fixed audience, duration and slide-count constraints, with per-slide claims, verbatim-number evidence mapping, speaker notes, and a rendered PDF preview; (2) source-preserving edits of an existing starting deck - inventory it, apply only the requested local changes, and prove untouched slides stayed byte-identical. Use when asked to turn research material into slides, or to modify/compress/re-audience an existing deck without breaking it.

Verwandte Skills