CommunityImagengithub.com

paper-figure-craft

Crea figuras de investigación de grado de publicación para sistemas, arquitectura de computadores, EDA e IA mediante código, sin las típicas marcas generadas por IA. Cubre un proceso de 5 pasos para compilar y linting en sinergia con figgenie-paper-diagram, separación de roles en figuras de motivación de una columna (paradigma-contraste y caso-trayectoria-convergencia), contenedores visuales heterogéneos, pancartas recortadas blancas y micro-gramática tipográfica itálica, una paleta de tinta mineral de 4 capas compartida entre SVG y Matplotlib, un sistema de micro-iconografía vectorial de 5 categorías (miniaturas de dominio, registros de hechos tipo anillo, agentes con medallas y burbujas de hipótesis, herramientas llave, muestras de color parametrizadas), y gráficos de evaluación clásicos IEEE/ACM de cuatro espinas. Úsalo al planificar, dibujar, criticar o rediseñar esquemas de artículos o gráficos experimentales.

¿Qué es paper-figure-craft?

Paper Figure Craft es una habilidad para crear figuras de investigación de alta calidad (esquemas en SVG de punto exacto y gráficos de evaluación cuantitativa en Matplotlib de cuatro espinas) que cumplen con los estándares de las mejores conferencias de sistemas, arquitectura, EDA e IA, evitando las marcas genéricas de diagramas generados por IA. Ofrece un flujo completo de 6 pasos: (1) combinación de habilidades de herramientas y separación de roles de figura (1 figura = 1 trabajo, contenedores heterogéneos); (2) aplicación de una micro-gramática de diseño con una paleta de tinta mineral de 4 capas y un sistema de micro-iconografía vectorial de 5 categorías; (3) cumplimiento de convenciones clásicas de gráficos cuantitativos IEEE/ACM (espinas, marcas hacia adentro, fuentes Type-42, hatches seguros para escala de grises); (4) representación, linting e inspección visual de cada figura. La habilidad se integra opcionalmente con la herramienta `figgenie-paper-diagram` para ejecutar un pipeline de 5 pasos que incluye verificación de MathJax inline, comprobaciones de conteneridad/superposición, exportación a PDF vectorial sin reescalado y exportación a diapositivas editables. Es compatible con SVG (para esquemas) y Matplotlib (para gráficos), y se apoya en plantillas de código Python en `templates/`. La habilidad está diseñada para autores de artículos de investigación que necesitan diagramas y gráficos precisos, reproducibles y de aspecto profesional, con un énfasis en la separación de roles entre diferentes tipos de contenido visual (configuraciones estáticas, secuencias de pasos, bordes dirigidos, registros de hechos verificados, hipótesis de agentes) y en una tipografía y paleta de colores consistentes.

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

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Paper Figure Craft (Artesanía de Figuras para Artículos)

Crea figuras de investigación densas, nítidas y de grado de publicación mediante código (SVG de punto exacto para esquemas y Matplotlib clásico de cuatro espinas para gráficos de evaluación cuantitativa) que igualen a los mejores venues de sistemas, arquitectura, EDA e IA, sin las marcas genéricas de diagramas generados por IA. El equivalente en chino es SKILL.zh-CN.md.

Flujo de Trabajo Principal

  1. Combinar Habilidades de la Cadena de Herramientas y Dividir Roles de Figura (1 Figura = 1 Trabajo, Contenedores Heterogéneos)

    • Sinergizar con figgenie-paper-diagram cuando esté instalado: Referenciar los ejemplares de venue de figgenie-paper-diagram para la densidad de información, emitir atributos semánticos (data-kind, data-role, data-symbol="tex"), y ejecutar el pipeline de 5 pasos: tex_fill.py --check (vector <path> inline de MathJax) $\to$ lint.py (comprobaciones de conteneridad/superposición) $\to$ comprobación visual 4× PNG $\to$ svg_to_pdf.py / export_pdf.py (PDF vectorial sin reescalado) $\to$ svg2pptx.py (diapositivas editables). Cuando figgenie-paper-diagram esté ausente, usar templates/svg_diagram_scaffold.py + templates/svg_to_pdf.py directamente.
    • Motivación (Fig. 1, una columna 244 × 152–185 pt, página 1 esquina superior derecha): Elegir el arquetipo que se ajuste a tu tesis:
      • Arquetipo A (Contraste de Paradigma): En la parte superior (a) contrasta 2–3 tarjetas de paradigma previas (mini curvas de tendencia + + fortaleza / - limitación) + barra chevron entrelazada de desafíos C1–C3; en la parte inferior (b) previsualiza tu solución de 3 pasos con una chevron_bar de alineación de columnas 1 a 1.
      • Arquetipo B (Trayectoria y Convergencia de Caso Motivador): (a) Configuración concreta de benchmark/hardware, (b) trayectoria de pasos en una sola línea E1..Ek destacando la convergencia general rápida, y (c) curva de convergencia emparejada con muestras de color cuadrado explícitas de colores (swatch_legend_row: DF: WS / OS, GLB: 2M / 8M / 32M).
    • Nunca poner contenido heterogéneo en cajas idénticas: Diferenciar visualmente configuraciones estáticas, filas de pasos secuenciales, bordes dirigidos, registros de hechos verificados e hipótesis de agentes, manteniendo el texto en frases concisas de una sola línea.
    • Visión General del Sistema (Fig. 2, doble columna 504 × 180–192 pt): Bucle cerrado Pasos 1–6 con insignias de círculo negro numeradas, enrutamiento rápido vs. bajo demanda, y artefacto de salida independiente.
    • Mecanismo Detallado / Bucle de Herramientas (Fig. 3, 244 pt o 504 × 146–160 pt): Recorridos numéricos concretos (con mini-tablas de clasificación de candidatos incrustadas que destacan Pick y mini gráficos de dispersión) o registro de hechos verificados tipo anillo $\to$ burbuja de hipótesis de agente $\to$ tira de herramientas de muestreo.
    • Gráficos de Evaluación Cuantitativa (Figs. 4–6, Matplotlib vectorial PDF/SVG): Trayectorias de búsqueda de doble fila, barras con rayado agrupado, desgloses de tiempos de ejecución apilados y gráficos de dispersión de Pareto.
  2. Aplicar Micro-gramática de Diseño, Jerarquía de Paleta de 4 Capas y Micro-iconografía de 5 Categorías Leer references/schematic-grammar.en.md (o schematic-grammar.zh-CN.md) y construir sobre templates/svg_diagram_scaffold.py + templates/plot_style.py:

    • Cuadrícula entrelazada de punto exacto y tipografía: Fijar W = 504 pt (\textwidth) o 244 pt (\columnwidth) con 1 pt = 1 unidad SVG; márgenes externos de 3–4 pt, espacios entre etapas de 4.5–5.5 pt puenteados por block_arrow_h delineado, relleno interno de 3.5–4 pt. Usar pancartas recortadas blancas centradas (stage_container) o outline_zone de guiones claros + left_stripe_card de 2.8 pt. Reservar itálicas para [Etiquetas de Rol entre Corchetes], condiciones de ramificación, campos descriptores y mecanismos físicos de 1 línea, manteniendo el peso de la fuente uniforme entre líneas de lista envueltas.
    • Paleta de tinta mineral de 4 capas (plot_style.py compartida entre SVG y Matplotlib): Capa 1 tinta estructural #18181B + grises #3F4752 / #525E6B + flechas de bloque #C9D1DB; Capa 2 fondos de etapa arquitectónica apagados (#F4ECDC, #DAE8F4, #DDE2E8, #F3DFCE, #DCEAD7); Capa 3 tarjetas de primer plano #FFFFFF nítidas + pestañas #E2E7EE (#E6EFEA menta para filas ganadoras de Pick); Capa 4 acentos de alto contraste (#1B4965 Azul Marino, #A61C24 Carmesí, #C46D1F Ocre, #2C6E58 Salvia) limitados a menos del <10% del área, nunca inundando fondos de contenedores grandes.
    • Micro-iconografía vectorial de 5 categorías: (1) Miniaturas de hardware/carga de trabajo 13.5×13.5 pt (icon_systolic, icon_noc, icon_sparse); (2) Tambores de conjunto de datos (icon_drum) y binder_rings de cuaderno en el borde izquierdo que señalan hechos verificados; (3) Agentes con medallas de rol (icon_agent: lupa para diagnóstico vs. cuadrícula de muestreo para experimento) y polígonos puntiagudos speech_bubble para hipótesis comprobables; (4) icon_wrench e icon_stacked_docs para artefactos independientes; (5) icon_refresh_loop y swatch_legend_row.
    • Distinguir nodos vs. bordes dirigidos y unidades de estado explícitas: Dibujar interfaces/filtros como flechas etiquetadas con píldoras (directed_edge_with_pill) y escribir 0 LLM Calls, 0 Sim Calls, 9.2s (3.6× faster).
  3. Aplicar Convenciones Clásicas de Gráficos Cuantitativos IEEE/ACM Leer references/eval-charts-ieee.en.md y comenzar desde templates/ieee_eval_plot_scaffold.py:

    • Caja de cuatro espinas + marcas hacia adentro + fuentes Type-42 Arimo + STIX: Habilitar las cuatro espinas (0.8 pt), marcas hacia adentro y pdf.fonttype = 42.
    • Rayados seguros para escala de grises y trayectorias de doble paso-retención: Rayar barras de línea base ('//', '\\\\', '..'), representar Nuestro en acento primario sólido con etiquetas numéricas directas, y trazar trayectorias de doble reloj de pared / conteo de evaluación mediante ax.step(..., where='post'). Trazar solo líneas base universales en gráficos de barras agrupadas de dominio cruzado.
  4. Renderizar, Lint e Inspeccionar Visualmente Cada Figura mediante Captura de Pantalla

    • Confirmar espacio libre de matemáticas inline >= 3 pt, reinicios de línea base <tspan dy>, y sincronización 1:1 de terminología con la prosa del manuscrito.
    • Inspeccionar visualmente las representaciones PNG/PDF de alta DPI para eliminar colisiones de etiquetas de líneas de referencia, texto apretado o superposiciones de leyendas.

Skills relacionados