CommunityImagengithub.com

Constructor de Resúmenes Gráficos

Construye un resumen gráfico de una sola página (pregunta, método, resultados, conclusión) a partir de material de investigación, generando un SVG editable y trazable con exportaciones PNG/PDF. Úsalo cuando te pidan crear o editar un resumen gráfico, figura de resumen científico, diagrama de mecanismo o flujo, o gráfico de datos a partir de un artículo, notas de estudio o registros experimentales, especialmente cuando se requieran archivos fuente editables y trazabilidad elemento-fuente.

¿Qué es Constructor de Resúmenes Gráficos?

Esta skill permite a un agente de IA convertir material de investigación (PDFs, notas, registros) en un resumen gráfico profesional de una sola página, donde cada elemento visual está vinculado a su fuente original mediante citas textuales y localizadores precisos. El agente (el 'científico') se encarga de la lectura crítica, extracción de entidades, relaciones y datos, y decide la codificación visual. Los scripts en Python con matplotlib manejan el diseño, renderizado, verificación y ensamblaje del resultado final (`result.json`), garantizando que la salida sea determinista: mismo modelo de entrada → misma figura de salida. El flujo de trabajo guía al agente paso a paso: desde la lectura del caso y extracción de la ciencia, pasando por la autoría de un modelo de figura (`figure_model.json`) y la construcción iterativa, hasta la verificación y ensamblaje del contrato final. Soporta exportación a SVG (fuente editable con IDs, grupos, y metadatos de procedencia), PNG (300 dpi) y PDF, además de generar mapas de elementos y reportes de exportación. Es especialmente útil cuando se requiere trazabilidad completa, edición posterior, y cumplimiento de un contrato de entrega con campos predefinidos.

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

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

¿Qué hace Constructor de Resúmenes Gráficos?

Convierte material de investigación (PDF, notas, registros) en un resumen gráfico de una sola página donde cada elemento es trazable hasta el material, además de un result.json completo según el contrato.

División del trabajo — tú haces la ciencia, los scripts hacen el dibujo:

  • Tú (el agente): lees el material real, extraes entidades/relaciones/datos, eliges la codificación visual, decides qué va al lienzo vs. al pie de figura, verificas la figura contra el material.
  • Los scripts (scripts/, Python puro + matplotlib): diseño, renderizado, comprobaciones, ensamblaje del resultado. Deterministas: mismo modelo de entrada → misma figura de salida.

Entorno y rutas

  • Raíz de la skill: /skills/weekly-skill (scripts bajo scripts/, documento de esquema bajo references/). Trabaja bajo /app/work; los entregables finales van a /app/output.
  • Entrada: /input/case.json (+ task.md; archivos de material referenciados por el caso).
  • Se espera Python con matplotlib; si falta, la exportación PNG recurre automáticamente a Pillow y la exportación PDF falla con un remedio indicado — consulta el manual.
  • Coste típico: 10–20 solicitudes al modelo, dentro del presupuesto de 64 solicitudes / 900 segundos. Cada ejecución de script de construcción/verificación es una llamada de herramienta.

Flujo de trabajo

Paso 0 — Lee el caso y crea el esqueleto de result.json (haz esto primero)

Lee /input/case.json completamente. Anota case_id y cada campo de output_contract — estas son tus obligaciones de entrega. Luego inmediatamente:

python scripts/make_result.py --stage init \
  --case /input/case.json --out /app/output/result.json

Esto escribe cada campo del contrato como un null explícito con una razón pendiente. A partir de ahora, incluso un fallo deja un entregable completo según contrato. Vuelve a ejecutarlo con --stage final (Paso 6) para rellenarlo.

Paso 1 — Lee el material real

Abre los archivos reales a los que apunta el caso (nunca asumas el contenido a partir de las etiquetas). Para PDFs usa la herramienta pdf-text-tool / scientific-python; escanea páginas solo si es necesario OCR. Guarda un archivo sources.json que asocie cada archivo de material con su texto extraído — los pasos posteriores verifican las citas contra él automáticamente:

{ "materials/paper.pdf": "<texto extraído completo>" }

Paso 2 — Extrae la ciencia (tu criterio, no el de un script)

Rellena una hoja de trabajo (plantilla: templates/agent_worksheet.md) directamente a partir del material:

  1. Pregunta — ¿qué problema plantea el material? Cítala textualmente.
  2. Entidades — las cosas que deben aparecer (moléculas, células, dispositivos, métodos, cohortes...). Para cada una: etiqueta, una cita textual, localizador (archivo + página/sección/oración).
  3. Relaciones — conexiones direccionales que el material indica (A activa B, la dosificación motiva la pregunta...). Registra la dirección y la oración que la indica.
  4. Datos — cada número que puedas dibujar: valor, unidad, condición, y la oración de la que proviene. Si un número que deseas no está en el material, no lo dibujes; enuméralo en uncertainty/limits en su lugar.
  5. Conclusión — afirmaciones que el propio material hace.

Reglas de evidencia: las citas son subcadenas textuales del material; los localizadores son lo suficientemente precisos para que un humano los encuentre en segundos; cualquier cosa que no puedas referenciar va al pie/notas, nunca al lienzo como datos.

Paso 3 — Redacta figure_model.json

Escribe /app/work/figure_model.json siguiendo el esquema en references/model_schema.md (ejemplo completo: examples/transformer-1706.03762/). Decisiones clave que tomas:

  • Plan de paneles: normalmente 4–6 paneles en orden de lectura pregunta → método → resultados (1–2) → conclusión; un hallazgo por panel.
  • Diseño por panel: flow (cajas + flechas para entidades/relaciones), chart (barras/barras horizontales/barras agrupadas/líneas para datos), stats (destacados de números grandes para 2–4 valores principales), text (conclusiones con viñetas).
  • Canales visuales: longitud para magnitudes con una unidad común y línea base cero; posición para series temporales; color solo para series categóricas (la paleta Okabe–Ito está integrada; nunca rojo puro contra verde); forma/énfasis para la entidad focal. Un canal por significado, un significado por canal.
  • Lienzo: 1800×1000 px por defecto (≈ A4 apaisado a 150 dpi). Mantén cada fuente ≥ 12 px (el verificador lo impone).
  • Copia citas/localizadores de tu hoja de trabajo al source de cada elemento.

Paso 4 — Construye e itera

python scripts/build_figure.py --model /app/work/figure_model.json \
  --outdir /app/work/out --sources /app/work/sources.json

Produce graphical_abstract.svg (fuente editable de verdad: ids con nombre, grupos layer-*, <desc> de procedencia en cada elemento), .png (300 dpi), .pdf, element_map.json, export_report.json. Código de salida 2 = modelo inválido (corrige el JSON), 3 = fallo SVG (corrige según el manual). Los fallos de renderizado de PNG/PDF nunca abortan la ejecución — aparecen en export_report.json.failures.

Itera: si el reporte muestra errores, edita el modelo (no el SVG) y reconstruye. La figura es incorrecta hasta que todos los códigos de error estén limpios.

Paso 5 — Verifica como un revisor

python scripts/check_figure.py --outdir /app/work/out --sources /app/work/sources.json

Esto re-ejecuta todas las comprobaciones: buena formación del SVG, tamaño mínimo de fuente, límites del lienzo, integridad del mapa de elementos, cita contra material (detecta números inventados y citas incorrectas), escala de grises/contraste, integridad de las exportaciones. Luego mira el PNG tú mismo (lee la vista previa renderizada) y comprueba: ¿orden de lectura obvio? ¿entidades/direcciones de flechas coinciden con el material? ¿leyenda coincide con la codificación? ¿unidades en cada eje? Si una advertencia no se puede eliminar, regístrala — no la ocultes.

Paso 6 — Ensambla el result.json final

Escribe /app/work/values.json con los valores de tus campos de contrato (scientific_summary, uncertainty, listas de rutas, export_checks...). element_source_map y export_checks se completan automáticamente desde la construcción. Luego:

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 "<una oración honesta>"

El emparejador completa los campos del contrato por clave exacta, luego por contención, luego por palabras clave de descripción; los campos no emparejados quedan como null explícito con razones. Si quedan problemas de nivel de error, el estado se degrada automáticamente a partial — nunca reclames complete sobre comprobaciones fallidas. Copia los entregables a /app/output:

graphical_abstract.svg + figure_model.json (fuentes editables), graphical_abstract.png (vista previa) + graphical_abstract.pdf (exportación), result.json.

Paso 7 — Autocomprobación final

  • result.json: case_id presente; cada campo del contrato rellenado o null explícito con razón; estado honesto (se respeta la degradación automática).
  • El SVG se abre (XML bien formado), el texto es <text> real (editable), cada elemento tiene un id, capas nombradas.
  • PNG y PDF existen y no están vacíos; PNG ≥ 300 dpi.
  • Cada número en el lienzo aparece en una cita dentro de element_map.json.
  • La leyenda coincide exactamente con la codificación de color/serie.
  • uncertainty/limits mencionan cada elemento degradado o sin fuente.

Cuando algo sale mal

Todos los modos de fallo, sus señales y remedios (material sin números clave, ambigüedad de entidades, desbordamiento de texto, sustitución de fuentes, desbordamiento del lienzo, fallos de exportación, ausencia de matplotlib...) están en references/exception_playbook.md — consúltalo ante cualquier salida roja. La única regla que lo anula todo: registra honestamente, nunca inventes. Un resultado partial con límites documentados puntúa mejor que una figura bonita con evidencia inventada.

Referencias

  • references/model_schema.md — figure_model.json campo por campo con valores predeterminados y restricciones.
  • references/exception_playbook.md — señales de fallo → remedios.
  • references/design_notes.md — reglas de codificación visual, seguridad para daltonismo, convenciones de diseño usadas por el constructor.
  • templates/agent_worksheet.md — hoja de trabajo de extracción del Paso 2.
  • templates/figure_model.template.json — modelo inicial mínimo.
  • examples/transformer-1706.03762/ — ejemplo completo con artículo real (arXiv:1706.03762, citas textuales + 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.

Skills relacionados