CommunityImagegithub.com

schéma-relationnel

Générer ou modifier des schémas scientifiques de relations entre entités (diagrammes de mécanismes, chaînes de voies de signalisation, workflows expérimentaux, contenances structurelles) au format SVG traçable et éditable, avec une sémantique des relations vérifiée.

Qu'est-ce que schéma-relationnel ?

Cette compétence permet de créer des figures scientifiques précises en suivant un pipeline rigoureux : extraction des entités et relations à partir du matériel source (articles, cas), construction d'un modèle JSON, rendu en SVG éditable, vérification géométrique et sémantique du rendu, puis export en PNG 300 dpi et PDF vectoriel. Elle est conçue pour les tâches où l'exactitude scientifique des entités, des flèches et des hiérarchies est primordiale, comme la visualisation de mécanismes biologiques, de voies de signalisation ou de workflows expérimentaux. La compétence s'appuie sur les scripts Python dans `scripts/` et respecte une bibliothèque de symboles documentée ; elle refuse d'inventer des données non citées et signale clairement les incertitudes (direction inconnue, synonymes, contradictions). Le résultat final inclut un rapport de vérification et un fichier `result.json` traçant l'état de chaque artefact.

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

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Schémas relationnels : extraire → modéliser → rendre → vérifier → exporter

Vous dessinez des figures dont l'exactitude scientifique est jugée par un réviseur LLM par rapport au matériel source. Les modes de défaillance dominants de la génération d'images générique sont exactement ce que cette compétence refuse de faire : inhibition dessinée comme activation, amont/aval inversé, contenance dessinée comme des boîtes côte à côte, noms ou nombres de gènes inventés, affirmations non traçables. Chaque mécanisme ici existe pour rendre ces échecs impossibles à livrer silencieusement.

Non-négociables

  1. Rien n'est dessiné qui ne soit pas dans la table de relations. Le modèle de figure (model.json) est la source de vérité unique ; le SVG est généré à partir de lui et relu contre lui.
  2. Chaque entité et relation porte une citation textuelle + un localisateur du matériel source. Une relation sans citation est refusée par l'outillage (relation_no_evidence). Si vous ne pouvez pas la citer, vous ne pouvez pas la dessiner.
  3. from/to encode l'énoncé, pas la disposition. « A inhibe B » ⇒ from: A, to: B, type: inhibits. Le rendu décide de la géométrie ; le vérificateur vérifie que la pointe de la flèche atteint bien B.
  4. L'inconnu est dessiné comme inconnu. Si le matériel ne précise pas de direction, utilisez direction: "unknown" — il s'affiche en pointillé avec un ? et est signalé dans result.json. Ne devinez jamais pour rendre la figure plus propre.
  5. Livrez d'abord le result.json de base, améliorez ensuite. L'étape 1 écrit un échafaudage en forme de contrat avec des nulls explicites avant toute extraction, de sorte qu'un plantage laisse toujours un livrable partiel valide.

Les scripts se trouvent dans scripts/ (Python 3 stdlib pur + cairosvg/PIL optionnel ; détection automatique du navigateur headless pour l'export). La sémantique des symboles se trouve dans symbols/symbols.json et est documentée dans references/symbol-conventions.md ; le format du modèle dans references/model-schema.md. Lisez les deux références avant votre première exécution.

Workflow (7 étapes)

Travaillez sous /app/work ; les artéfacts finaux vont dans /app/output.

Étape 1 — Échafauder le livrable minimum

python scripts/init_result.py --case /input/case.json --work /app/work --output /app/output

Lit le cas, crée les répertoires, écrit /app/output/result.json avec chaque champ output_contract présent et null, status: "partial", et une entrée partial_reasons. Si le fichier du cas est manquant/illisible, il écrit quand même l'échafaudage et enregistre le problème. Lisez aussi task.md et tous les fichiers de matériel vous-même — ne présumez jamais du contenu à partir des étiquettes ou des noms de fichiers.

Étape 2 — Extraire la table entités–relations (votre jugement, pas celui d'un script)

Lisez le matériel réel (texte PDF via les outils de la plateforme, tableaux, texte du cas) et construisez /app/work/model.json selon references/model-schema.md :

  • une entité par acteur scientifique ; label = nom canonique tel qu'imprimé dans la source ; type = rôle fonctionnel affiché comme un petit sous-titre ;
  • une relation par interaction déclarée, avec type de la bibliothèque de symboles (activates inhibits binds modifies transports indirect precedes contains parallels) et direction (A_to_B / B_to_A / bidirectional / unknown) ;
  • la contenance (« le complexe X se compose de A, B, C ») devient un groupe avec des membres, plus des relations contains — jamais un bord, jamais une juxtaposition ;
  • l'ordre temporel/de processus (« d'abord … ensuite … ») devient precedes avec des étiquettes d'étape ;
  • evidence = sous-chaîne textuelle du matériel + localisateur (section, paragraphe, ligne de tableau, page) + identifiant de source (DOI/nom de fichier).

Règles d'extraction pour les cas difficiles :

  • Ambigüité d'entité (synonymes/abbréviations, « β-caténine » vs « CTNNB1 ») : une entité, étiquette telle qu'imprimée dans la source, notez l'équivalence dans uncertainty de result.json. Deux noms que la source distingue restent deux entités.
  • Direction non déclarée : direction: "unknown" (pointillé + ?). Signalez l'ambiguïté dans uncertainty ; ne la résolvez pas par plausibilité.
  • Preuve indirecte (« X conduit à Y via Z » pour l'affirmation X→Y) : utilisez le type indirect (pointillé) ou modélisez la chaîne mécanistique X→Z→Y si chaque saut est cité. Préférez la chaîne — les réviseurs peuvent la suivre.
  • Nombres/unités/concentrations dans le matériel (par ex. « 3,3–10,4 % ») : conservez-les dans les étiquettes de bords/nœuds exactement telles qu'imprimées, jamais arrondies ou inventées.
  • Si le cas demande un graphique de valeurs de données réelles, cela sort du cœur de cette compétence (graphique statistique) — livrez quand même ce qui s'applique (tableau d'entités, discipline de mappage données-légende) et marquez le reste comme partiel avec la raison.

Étape 3 — Valider avant de dessiner

python scripts/model_check.py /app/work/model.json

Sortie 0 = propre (avertissements autorisés). Corrigez chaque erreur — le rendu refuse de toute façon les erreurs. Les avertissements (entity_no_evidence, direction_uncertain, cycle_in_rank_graph, …) sont des états scientifiques légitimes : conservez-les et transportez-les dans result.json plutôt que de les « corriger » par invention.

Étape 4 — Rendre le SVG éditable

python scripts/make_schematic.py /app/work/model.json -o /app/work/figure.svg --report /app/work/layout.json

Produit un SVG en couches : groupes node-* / edge-* / group-* / legend, chacun portant data-evidence-quote/-locator/-source. La disposition est automatique (disposition par chemin le plus long, de sorte que les bords A_to_B pointent vers le bas) ; si le contenu dépasse canvas_width, la toile s'élargit et un avertissement canvas_expanded est enregistré — rien n'est jamais rogné.

Étape 5 — Relire le dessin et vérifier

python scripts/verify_svg.py /app/work/model.json /app/work/figure.svg --out /app/work/verify.json

C'est la porte anti-échec centrale. Elle vérifie la couverture des entités/relations, la sémantique des marqueurs selon la bibliothèque de symboles, la direction géométrique des flèches (la pointe doit être plus proche de la cible sémantique que de la source), les boîtes de contenance qui englobent réellement les membres (et n'enferment pas les non-membres), le chevauchement des nœuds, l'ajustement des étiquettes et la couverture de la légende. Sortie 0 = succès.

Si elle échoue : corrigez le modèle ou la modification, re-rendez, re-vérifiez. Ne modifiez jamais le SVG à la main pour faire taire une vérification. Deux itérations sont normales ; si une vérification ne peut pas passer parce que le matériel est contradictoire, conservez la figure que les citations soutiennent et enregistrez le conflit dans uncertainty de result.json.

Étape 6 — Exporter et vérifier la conformité

python scripts/export_svg.py /app/work/figure.svg -o /app/output --pdf

Écrit <nom>_300dpi.png et <nom>.pdf dans /app/output, en essayant les backends dans l'ordre (cairosvg → Edge headless → Chrome headless → rasteriseur PIL intégré pour PNG) et en enregistrant chaque échec de backend. Le rapport inclut des vérifications par artefact (résolution, fond blanc, en-tête PDF / format de page, flux de contenu vectoriel). Copiez figure.svg et model.json dans /app/output comme sources modifiables, et le PNG sert également d'aperçu rendu.

Étape 7 — Finaliser result.json (couverture du contrat, honnêtement)

Remplissez chaque champ output_contract — un champ que vous ne pouvez pas remplir reste null avec une raison dans partial_reasons. Mappage typique (adaptez les noms au contrat du cas) :

  • editable_source → {svg, model, note: "SVG en couches ; chaque élément porte data-evidence-*"}
  • exported_artifacts → les artéfacts du rapport d'export (chemin, format, dpi, backend, vérifications)
  • rendered_preview → le chemin du PNG
  • entity_relation_table → entités + relations incl. citations/localisateurs (ou un chemin vers model.json plus les comptes)
  • verification_report → résumé de verify.json (comptes réussite/échec, avertissements)
  • sources → documents/DOIs sources utilisés, avec la provenance des citations
  • status → complete uniquement si la vérification a réussi et tous les exports sont ok ; sinon partial avec raisons. uncertainty liste les ambiguïtés (identification d'entité, directions inconnues, conflits non résolus).

Modification d'un SVG existant (préservation de la source)

Lorsque le cas fournit un SVG à modifier plutôt qu'un matériel à dessiner :

  1. Lisez le SVG ; localisez les groupes node-*/edge-* et leurs attributs data-* (les figures issues de cette compétence sont entièrement auto-descriptives).
  2. Modifications locales (renommer, recolorer, type/label de bord, titre, supprimer un élément non attaché) → écrivez un JSON de modifications et exécutez python scripts/edit_svg.py figure.svg edits.json -o figure_edited.svg. Chaque opération nécessite une reason ; le rapport prouve que les éléments non touchés sont identiques octet par octet (preserved.ok). Puis ré-exportez (Étape 6).
  3. Modifications structurelles (ajouter/supprimer des entités ou relations, inverser une direction) → celles-ci sont REFUSÉES par edit_svg par conception (un attribut inversé sans réacheminement dessine une flèche mensongère). Reconstruisez/étendez model.json à partir des attributs de données du SVG, modifiez le modèle, re-rendez, re-vérifiez.
  4. Si le SVG existant provient d'un autre outil (pas d'attributs de données), reconstruisez le modèle à partir du matériel source et re-rendez — ne bricolez pas à la main un SVG étranger ; enregistrez ce que vous avez fait dans change_log de result.json.

Manuel d'échec (chemins réels, pas de prose)

situationdétectionactionresult.json
cas/matériel illisibleÉtape 1 ou votre propre lectureéchafaudage écrit, partial_reasons nomme le fichier/problèmestatut partial, champs null
relation que vous ne pouvez pas citererreur model_check relation_no_evidencesupprimez la relation ou trouvez la citation ; ne dessinez jamais sans citationabsente de la figure (correct)
direction non déclaréevotre extractiondirection: "unknown"pointillé + ? ; entrée uncertainty
entité synonyme/abréviationvotre extractionentité unique, équivalence notéeentrée uncertainty
matériel contradictoiredeux citations s'opposentdessinez ce que la citation la plus forte/la plus spécifique soutientles deux citations + conflit dans uncertainty
étiquette dépasse sa boîteavertissement verify text_fitraccourcissez l'étiquette ou ajoutez \n, re-rendez ; l'agrandissement de la boîte est une décision de re-renduavertissement transporté
toile trop petiteavertissement canvas_expandeddéjà élargie automatiquement ; ou augmentez canvas_widthavertissement transporté
DLL cairosvg manquante (Windows)tentative d'export backend enregistréerepli automatique sur navigateur headless, puis rasteriseur PILbackend + tentatives enregistrées
pas de navigateur, pas de cairosvgtous les backends échouentrasteriseur PIL (boîtes/lignes/texte ; marqueurs approximatifs) + notesstatut partial pour la qualité PNG, PDF null avec raison
aspect PDF incorrectvérification exportcorrigé par dimensionnement @page ; si un backend l'ignore, enregistré comme checks_failstatut partial
vérification ne peut pas passerverify_svg sortie 1boucle de correction au niveau du modèle ; si impossible, livrez le sous-ensemble citéverification_report montre les échecs honnêtement

Auto-vérification avant de terminer

  • verify_svg sortie 0 (ou échecs honnêtement rapportés) ;
  • /app/output contient : result.json (toutes les clés du contrat présentes, nulls expliqués), figure.svg, model.json, PNG (300 dpi), PDF ;
  • chaque relation dessinée est citable — vérifiez trois valeurs data-evidence-quote aléatoires par rapport au matériel ;
  • aucune entité/nombre n'apparaît dans le SVG qui ne soit pas dans model.json ;
  • change_log raconte l'histoire de ce que vous avez fait, y compris les étapes de cette compétence.

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.

Skills associés