Beziehungsschematik: extrahieren → modellieren → rendern → verifizieren → exportieren
Sie zeichnen Abbildungen, deren wissenschaftliche Korrektheit von einem LLM-Prüfer anhand des Quellmaterials beurteilt wird. Die dominanten Fehlermodi generischer Bildgenerierung sind genau die Dinge, die dieses Skill sich weigert zu tun: Inhibition als Aktivierung gezeichnet, Upstream/Downstream vertauscht, Enthaltung als nebeneinanderstehende Boxen gezeichnet, erfundene Gennamen oder Zahlen, nicht nachvollziehbare Behauptungen. Jeder Mechanismus hier existiert, um diese Fehler unmöglich zu machen, stillschweigend ausgeliefert zu werden.
Unverhandelbar
- Es wird nichts gezeichnet, was nicht in der Beziehungstabelle steht. Das Figurenmodell
(
model.json) ist die einzige Quelle der Wahrheit; die SVG wird daraus generiert und dagegen zurückgelesen. - Jede Entität und Beziehung trägt ein wörtliches Zitat + einen Locator aus dem
Quellmaterial. Eine Beziehung ohne Zitat wird vom Werkzeug zurückgewiesen
(
relation_no_evidence). Wenn Sie es nicht zitieren können, dürfen Sie es nicht zeichnen. from/tokodieren die Aussage, nicht das Layout. „A inhibiert B“ ⇒from: A, to: B, type: inhibits. Der Renderer entscheidet über die Geometrie; der Verifizierer prüft, ob die Pfeilspitze wirklich auf B landet.- Unbekannt wird als unbekannt gezeichnet. Wenn das Material keine Richtung
angibt, verwenden Sie
direction: "unknown"— es wird gestrichelt mit einem?gerendert und in result.json markiert. Raten Sie nie, um die Abbildung sauberer aussehen zu lassen. - Liefern Sie zuerst das Ergebnis.json als Sicherheitsnetz, verbessern Sie später. Schritt 1 schreibt ein vertragsförmiges Grundgerüst mit expliziten Nullwerten vor jeglicher Extraktion, sodass ein Absturz trotzdem ein gültiges, teilweises Deliverable hinterlässt.
Skripte leben in scripts/ (reiner Python 3-Standardbibliothek + optional cairosvg/PIL;
Automatischerkennung von Browser-Headless für Export). Symbolsematik lebt in
symbols/symbols.json und ist dokumentiert in
references/symbol-conventions.md; das Modellformat in
references/model-schema.md. Lesen Sie beide Referenzen, bevor Sie Ihren ersten Durchlauf starten.
Arbeitsablauf (7 Schritte)
Arbeiten Sie unter /app/work; finale Artefakte gehen nach /app/output.
Schritt 1 — Grundgerüst der Basisleistung erstellen
python scripts/init_result.py --case /input/case.json --work /app/work --output /app/output
Liest den Fall, erstellt Verzeichnisse, schreibt /app/output/result.json mit jedem
output_contract-Feld vorhanden und null, status: "partial" und einem
partial_reasons-Eintrag. Wenn die Falldatei fehlt/nicht lesbar ist, schreibt es trotzdem das
Grundgerüst und protokolliert das Problem. Lesen Sie auch task.md und alle Materialdateien
selbst — gehen Sie nie vom Inhalt aus Beschriftungen oder Dateinamen aus.
Schritt 2 — Entitäts-Beziehungstabelle extrahieren (Ihr Urteil, nicht das eines Skripts)
Lesen Sie das eigentliche Material (PDF-Text über die Plattformwerkzeuge, Tabellen, Falltext)
und erstellen Sie /app/work/model.json gemäß references/model-schema.md:
- eine Entität pro wissenschaftlichem Akteur;
label= kanonischer Name, wie in der Quelle gedruckt;type= funktionale Rolle, als kleiner Untertitel dargestellt; - eine Beziehung pro genannter Interaktion, mit
typeaus der Symbolbibliothek (activates inhibits binds modifies transports indirect precedes contains parallels) unddirection(A_to_B/B_to_A/bidirectional/unknown); - Enthaltung („X-Komplex besteht aus A, B, C“) wird zu einer Gruppe mit
Mitgliedern, plus
contains-Beziehungen — niemals eine Kante, niemals eine Nebeneinanderstellung; - zeitliche/prozessuale Reihenfolge („zuerst … dann …“) wird zu
precedesmit Schrittbeschriftungen; evidence= wörtlicher Teilstring des Materials + Locator (Abschnitt, Absatz, Tabellenzeile, Seite) + Quell-ID (DOI/Dateiname).
Extraktionsregeln für die schwierigen Fälle:
- Entitätsambiguität (Synonyme/Abkürzungen, „β-Catenin“ vs „CTNNB1“):
eine Entität, Beschriftung wie in der Quelle gedruckt, notieren Sie die Äquivalenz in
result.json
uncertainty. Zwei Namen, die die Quelle unterscheidet, bleiben zwei Entitäten. - Richtung nicht angegeben:
direction: "unknown"(gestrichelt +?). Geben Sie die Ambiguität inuncertaintyan; lösen Sie sie nicht durch Plausibilität auf. - Indirekte Evidenz („X führt über Y zu Z“ für die X→Y-Behauptung): verwenden Sie den Typ
indirect(gestrichelt) oder modellieren Sie die mechanistische Kette X→Z→Y, wenn jeder Sprung zitiert ist. Bevorzugen Sie die Kette — Prüfer können ihr folgen. - Zahlen/Einheiten/Konzentrationen im Material (z. B. „3,3–10,4 %“): lassen Sie sie in Kanten-/Knotenbeschriftungen exakt wie gedruckt, niemals gerundet oder erfunden.
- Wenn der Fall nach einem Diagramm von tatsächlichen Datenwerten fragt, liegt dies außerhalb des Kerns dieses Skills (statistische Diagrammerstellung) — liefern Sie trotzdem, was zutrifft (Entitätstabelle, Daten-zu-Legenden-Zuordnungsdisziplin) und markieren Sie den Rest mit dem Grund als teilweise.
Schritt 3 — Vor dem Zeichnen validieren
python scripts/model_check.py /app/work/model.json
Exit 0 = sauber (Warnungen erlaubt). Beheben Sie jeden Fehler — der Renderer lehnt bei
Fehlern ohnehin ab. Warnungen (entity_no_evidence, direction_uncertain,
cycle_in_rank_graph, …) sind legitime wissenschaftliche Zustände: lassen Sie sie und
tragen Sie sie in result.json ein, anstatt sie durch Erfindung zu „beheben“.
Schritt 4 — Die editierbare SVG rendern
python scripts/make_schematic.py /app/work/model.json -o /app/work/figure.svg --report /app/work/layout.json
Erzeugt eine geschichtete SVG: Gruppen node-* / edge-* / group-* / legend,
jede trägt data-evidence-quote/-locator/-source. Das Layout ist automatisch
(Längster-Pfad-Schichtung, sodass A_to_B-Kanten nach unten zeigen); wenn der Inhalt
canvas_width überschreitet, wird die Leinwand verbreitert und eine Warnung canvas_expanded wird aufgezeichnet -
nie wird etwas abgeschnitten.
Schritt 5 — Die Zeichnung zurücklesen und verifizieren
python scripts/verify_svg.py /app/work/model.json /app/work/figure.svg --out /app/work/verify.json
Dies ist das zentrale Anti-Fehler-Gatter. Es prüft Entitäts-/Beziehungsabdeckung, Markersemantik gemäß der Symbolbibliothek, geometrische Pfeilrichtung (Spitze muss näher am semantischen Ziel als an der Quelle sein), Enthaltungsboxen, die tatsächlich Mitglieder einschließen (und Nicht-Mitglieder nicht einschließen), Knotenüberlappung, Beschriftungspassung und Legendenabdeckung. Exit 0 = bestanden.
Wenn es fehlschlägt: beheben Sie das Modell oder die Bearbeitung, erneut rendern, erneut verifizieren.
Flicken Sie niemals die SVG von Hand, um eine Prüfung zum Schweigen zu bringen. Zwei Iterationen sind normal; wenn eine Prüfung
nicht bestanden werden kann, weil das Material widersprüchlich ist, behalten Sie die Abbildung, die die
Zitate stützen, und protokollieren Sie den Konflikt in result.json uncertainty.
Schritt 6 — Exportieren und Compliance-Prüfung
python scripts/export_svg.py /app/work/figure.svg -o /app/output --pdf
Schreibt <name>_300dpi.png und <name>.pdf nach /app/output, versucht
Backends in dieser Reihenfolge (cairosvg → Edge Headless → Chrome Headless → integrierter PIL
Rasterisierer für PNG) und zeichnet jeden Backend-Fehler auf. Der Bericht enthält
pro-Artefakt-Prüfungen (Auflösung, weißer Hintergrund, PDF-Header/Seitenverhältnis,
Vektor-Content-Streams). Kopieren Sie figure.svg und model.json nach /app/output
als die editierbaren Quellen, und das PNG dient als gerenderte Vorschau.
Schritt 7 — result.json finalisieren (Vertragsabdeckung, ehrlich)
Füllen Sie jedes output_contract-Feld — ein Feld, das Sie nicht füllen können, bleibt null
mit einem Grund in partial_reasons. Typische Zuordnung (passen Sie die Namen an den
Vertrag des Falls an):
editable_source→{svg, model, note: "Geschichtete SVG; jedes Element trägt data-evidence-*"}exported_artifacts→ die Artefakte des Exportberichts (Pfad, Format, dpi, Backend, Prüfungen)rendered_preview→ der PNG-Pfadentity_relation_table→ Entitäten + Beziehungen inkl. Zitate/Locators (oder ein Pfad zu model.json plus Zählungen)verification_report→ verify.json-Zusammenfassung (bestanden/fehlgeschlagen Zählungen, Warnungen)sources→ verwendete Quelldokumente/DOIs mit der Zitat-Herkunftstatus→completenur, wenn die Verifikation bestanden ist und alle Exporte in Ordnung sind; andernfallspartialmit Gründen.uncertaintylistet Ambiguitäten auf (Entitätsidentifikation, unbekannte Richtungen, ungelöste Konflikte).
Bearbeiten einer vorhandenen SVG (quellenerhaltend)
Wenn der Fall eine zu modifizierende SVG bereitstellt, anstatt zu zeichnendes Material:
- Lesen Sie die SVG; lokalisieren Sie
node-*/edge-*-Gruppen und derendata-*Attribute (Abbildungen aus diesem Skill sind vollständig selbstbeschreibend). - Lokale Änderungen (umbeschriften, umfärben, Kantentyp/-beschriftung, Titel, löschen eines
nicht verbundenen Elements) → schreiben Sie ein Edits-JSON und führen Sie
python scripts/edit_svg.py figure.svg edits.json -o figure_edited.svgaus. Jeder Vorgang benötigt einenreason; der Bericht beweist, dass unberührte Elemente byte-identisch sind (preserved.ok). Dann erneut exportieren (Schritt 6). - Strukturelle Änderungen (Entitäten oder Beziehungen hinzufügen/entfernen, eine Richtung umdrehen) → diese werden von edit_svg grundsätzlich abgelehnt (ein umgedrehtes Attribut ohne Neuverlegung zeichnet einen lügenden Pfeil). Rekonstruieren/erweitern Sie model.json aus den Datenattributen der SVG, bearbeiten Sie das Modell, rendern Sie erneut, verifizieren Sie erneut.
- Wenn die vorhandene SVG von einem anderen Werkzeug stammt (keine Datenattribute), bauen Sie das
Modell aus dem Quellmaterial neu auf und rendern Sie neu — hacken Sie nicht von Hand an einer fremden
SVG herum; protokollieren Sie, was Sie getan haben, in result.json
change_log.
Fehler-Playbook (echte Pfade, keine Prosa)
| Situation | Erkennung | Aktion | result.json |
|---|---|---|---|
| Fall/Material nicht lesbar | Schritt 1 oder eigenes Lesen | Grundgerüst geschrieben, partial_reasons nennt die Datei/das Problem | Status partial, Felder null |
| Beziehung, die Sie nicht zitieren können | model_check Fehler relation_no_evidence | Beziehung fallen lassen oder das Zitat finden; niemals unzitiert zeichnen | fehlt in der Abbildung (korrekt) |
| Richtung nicht angegeben | Ihre Extraktion | direction: "unknown" | gestrichelt + ?; uncertainty-Eintrag |
| Synonym/Abkürzungs-Entität | Ihre Extraktion | einzelne Entität, Äquivalenz notiert | uncertainty-Eintrag |
| Widersprüchliches Material | zwei Zitate kollidieren | zeichnen, was das stärkere/spezifischere Zitat stützt | beide Zitate + Konflikt in uncertainty |
| Beschriftung überläuft ihre Box | verify text_fit Warnung | Beschriftung kürzen oder \n hinzufügen, erneut rendern; Box-Wachstum ist eine Neu-Rendering-Entscheidung | Warnung wird mitgeführt |
| Leinwand zu klein | canvas_expanded Warnung | bereits automatisch verbreitert; oder canvas_width erhöhen | Warnung wird mitgeführt |
| cairosvg-DLL fehlt (Windows) | Export-Backend-Versuch aufgezeichnet | automatisches Fallback auf Browser-Headless, dann PIL-Rasterisierer | Backend + Versuche aufgezeichnet |
| Kein Browser, kein cairosvg | alle Backends fehlschlagen | PIL-Rasterisierer (Boxen/Linien/Text; Marker approximiert) + notes | Status partial für PNG-Qualität, PDF null mit Grund |
| PDF-Seitenverhältnis falsch | Export-Prüfung | behoben durch @page-Größenanpassung; wenn ein Backend dies ignoriert, als checks_fail aufgezeichnet | Status partial |
| Verifikation kann nicht bestanden werden | verify_svg Exit 1 | Modell-Level-Fix-Schleife; wenn unmöglich, die zitierte Teilmenge ausliefern | verification_report zeigt Fehler ehrlich |
Selbstcheck vor dem Abschluss
verify_svgExit 0 (oder Fehler ehrlich gemeldet);/app/outputenthält: result.json (alle Vertragsschlüssel vorhanden, Nullen erklärt), figure.svg, model.json, PNG (300 dpi), PDF;- jede gezeichnete Beziehung ist zitierbar — stichprobenartig drei zufällige
data-evidence-quoteWerte gegen das Material prüfen; - keine Entität/Zahl erscheint in der SVG, die nicht in model.json ist;
- change_log erzählt die Geschichte dessen, was Sie getan haben, einschließlich der Schritte dieses Skills.