CommunityBildgithub.com

Beziehungs-Schematik

Erstelle oder bearbeite wissenschaftliche Entitäts-Beziehungs-Schemata (Mechanismusdiagramme, Signalwegsketten, experimentelle Arbeitsabläufe, strukturelle Hierarchien) als nachvollziehbare, editierbare SVG mit verifizierten Beziehungssemantiken. Extrahiere zuerst eine belegzitierte Entitäts-/Beziehungstabelle, rendere daraus eine geschichtete SVG, lies die Zeichnung zurück, um jeden Beziehungstyp, jede Richtung und jede Enthaltung zu verifizieren, und exportiere dann 300-dpi-PNG und Vektor-PDF. Verwende dies für jede Aufgabe, bei der es darum geht, eine Mechanismus-/Arbeitsablauf-/Beziehungs-Abbildung aus einer Arbeit oder einem Fallmaterial zu zeichnen, bei der die wissenschaftliche Korrektheit von Entitäten, Pfeilrichtungen und Hierarchie entscheidend ist.

Was ist Beziehungs-Schematik?

Dieses Skill ermöglicht es einem KI-Agenten, wissenschaftliche Diagramme aus Textquellen zu extrahieren, zu modellieren, zu rendern, zu verifizieren und zu exportieren. Der Fokus liegt auf der Vermeidung typischer Fehler generischer Bildgenerierung, wie etwa falscher Pfeilrichtungen oder erfundener Entitäten. Der Workflow umfasst sieben Schritte: Erstellung eines Grundgerüsts, Extraktion einer belegbasierten Entitäts-Beziehungs-Tabelle, Validierung des Modells, Rendering als editierbare SVG, geometrische Verifikation der Pfeilrichtungen, Export als hochauflösendes PNG und PDF sowie Finalisierung eines detaillierten Ergebnisberichts. Das Skill unterstützt die Bearbeitung bestehender SVGs, wobei strukturelle Änderungen stets über das Modell und nicht durch manuelle SVG-Manipulation erfolgen müssen. Es ist für die Verwendung in Umgebungen wie Claude Code, Cursor oder Codex konzipiert und stellt sicher, dass jede gezeichnete Beziehung durch ein wörtliches Zitat aus der Quelle belegt ist.

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

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

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

  1. 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.
  2. 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.
  3. from/to kodieren 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.
  4. 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.
  5. 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 type aus der Symbolbibliothek (activates inhibits binds modifies transports indirect precedes contains parallels) und direction (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 precedes mit 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 in uncertainty an; 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-Pfad
  • entity_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-Herkunft
  • status → complete nur, wenn die Verifikation bestanden ist und alle Exporte in Ordnung sind; andernfalls partial mit Gründen. uncertainty listet Ambiguitäten auf (Entitätsidentifikation, unbekannte Richtungen, ungelöste Konflikte).

Bearbeiten einer vorhandenen SVG (quellenerhaltend)

Wenn der Fall eine zu modifizierende SVG bereitstellt, anstatt zu zeichnendes Material:

  1. Lesen Sie die SVG; lokalisieren Sie node-*/edge-*-Gruppen und deren data-* Attribute (Abbildungen aus diesem Skill sind vollständig selbstbeschreibend).
  2. 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.svg aus. Jeder Vorgang benötigt einen reason; der Bericht beweist, dass unberührte Elemente byte-identisch sind (preserved.ok). Dann erneut exportieren (Schritt 6).
  3. 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.
  4. 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)

SituationErkennungAktionresult.json
Fall/Material nicht lesbarSchritt 1 oder eigenes LesenGrundgerüst geschrieben, partial_reasons nennt die Datei/das ProblemStatus partial, Felder null
Beziehung, die Sie nicht zitieren könnenmodel_check Fehler relation_no_evidenceBeziehung fallen lassen oder das Zitat finden; niemals unzitiert zeichnenfehlt in der Abbildung (korrekt)
Richtung nicht angegebenIhre Extraktiondirection: "unknown"gestrichelt + ?; uncertainty-Eintrag
Synonym/Abkürzungs-EntitätIhre Extraktioneinzelne Entität, Äquivalenz notiertuncertainty-Eintrag
Widersprüchliches Materialzwei Zitate kollidierenzeichnen, was das stärkere/spezifischere Zitat stütztbeide Zitate + Konflikt in uncertainty
Beschriftung überläuft ihre Boxverify text_fit WarnungBeschriftung kürzen oder \n hinzufügen, erneut rendern; Box-Wachstum ist eine Neu-Rendering-EntscheidungWarnung wird mitgeführt
Leinwand zu kleincanvas_expanded Warnungbereits automatisch verbreitert; oder canvas_width erhöhenWarnung wird mitgeführt
cairosvg-DLL fehlt (Windows)Export-Backend-Versuch aufgezeichnetautomatisches Fallback auf Browser-Headless, dann PIL-RasterisiererBackend + Versuche aufgezeichnet
Kein Browser, kein cairosvgalle Backends fehlschlagenPIL-Rasterisierer (Boxen/Linien/Text; Marker approximiert) + notesStatus partial für PNG-Qualität, PDF null mit Grund
PDF-Seitenverhältnis falschExport-Prüfungbehoben durch @page-Größenanpassung; wenn ein Backend dies ignoriert, als checks_fail aufgezeichnetStatus partial
Verifikation kann nicht bestanden werdenverify_svg Exit 1Modell-Level-Fix-Schleife; wenn unmöglich, die zitierte Teilmenge ausliefernverification_report zeigt Fehler ehrlich

Selbstcheck vor dem Abschluss

  • verify_svg Exit 0 (oder Fehler ehrlich gemeldet);
  • /app/output enthält: 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-quote Werte 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.

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.

graphical-abstract-builder

Build a single-page graphical abstract (question, method, results, conclusion) from research material as a traceable, editable SVG with PNG/PDF exports. Use when asked to create or edit a graphical abstract, science summary figure, mechanism or flow diagram, or data chart from a paper, study notes or experimental records, especially when editable source files and element-to-source traceability are required.

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.

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