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
- 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. - 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. from/toencode 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.- 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. - 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
typede la bibliothèque de symboles (activates inhibits binds modifies transports indirect precedes contains parallels) etdirection(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
precedesavec 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
uncertaintyde result.json. Deux noms que la source distingue restent deux entités. - Direction non déclarée :
direction: "unknown"(pointillé +?). Signalez l'ambiguïté dansuncertainty; 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 PNGentity_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 citationsstatus→completeuniquement si la vérification a réussi et tous les exports sont ok ; sinonpartialavec raisons.uncertaintyliste 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 :
- Lisez le SVG ; localisez les groupes
node-*/edge-*et leurs attributsdata-*(les figures issues de cette compétence sont entièrement auto-descriptives). - 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 unereason; le rapport prouve que les éléments non touchés sont identiques octet par octet (preserved.ok). Puis ré-exportez (Étape 6). - 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.
- 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_logde result.json.
Manuel d'échec (chemins réels, pas de prose)
| situation | détection | action | result.json |
|---|---|---|---|
| cas/matériel illisible | Étape 1 ou votre propre lecture | échafaudage écrit, partial_reasons nomme le fichier/problème | statut partial, champs null |
| relation que vous ne pouvez pas citer | erreur model_check relation_no_evidence | supprimez la relation ou trouvez la citation ; ne dessinez jamais sans citation | absente de la figure (correct) |
| direction non déclarée | votre extraction | direction: "unknown" | pointillé + ? ; entrée uncertainty |
| entité synonyme/abréviation | votre extraction | entité unique, équivalence notée | entrée uncertainty |
| matériel contradictoire | deux citations s'opposent | dessinez ce que la citation la plus forte/la plus spécifique soutient | les deux citations + conflit dans uncertainty |
| étiquette dépasse sa boîte | avertissement verify text_fit | raccourcissez l'étiquette ou ajoutez \n, re-rendez ; l'agrandissement de la boîte est une décision de re-rendu | avertissement transporté |
| toile trop petite | avertissement canvas_expanded | déjà élargie automatiquement ; ou augmentez canvas_width | avertissement transporté |
| DLL cairosvg manquante (Windows) | tentative d'export backend enregistrée | repli automatique sur navigateur headless, puis rasteriseur PIL | backend + tentatives enregistrées |
| pas de navigateur, pas de cairosvg | tous les backends échouent | rasteriseur PIL (boîtes/lignes/texte ; marqueurs approximatifs) + notes | statut partial pour la qualité PNG, PDF null avec raison |
| aspect PDF incorrect | vérification export | corrigé par dimensionnement @page ; si un backend l'ignore, enregistré comme checks_fail | statut partial |
| vérification ne peut pas passer | verify_svg sortie 1 | boucle de correction au niveau du modèle ; si impossible, livrez le sous-ensemble cité | verification_report montre les échecs honnêtement |
Auto-vérification avant de terminer
verify_svgsortie 0 (ou échecs honnêtement rapportés) ;/app/outputcontient : 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-quotealéatoires 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.