CommunityImagemgithub.com

paper-figure-craft

Crie figuras de publicação de alto nível para sistemas, arquitetura de computadores, EDA e artigos de IA por meio de código, sem os traços característicos de diagramas gerados por IA. Abrange compilação em 5 etapas e sinergia de linting com figgenie-paper-diagram, separação de papéis em figuras de motivação de coluna única (paradigma-contraste e caso-trajetória-convergência), contêineres visuais heterogêneos, banners knockout e micro-gramática tipográfica itálica, uma paleta de 4 camadas de tinta mineral compartilhada entre SVG e Matplotlib, um sistema de micro-iconografia vetorial de 5 categorias (miniaturas de domínio, fichas de fatos com argolas, agentes com emblemas de papel e balões de hipótese, chaves de ferramentas, amostras de parâmetros coloridas) e gráficos de avaliação clássicos IEEE/ACM de quatro espinhas. Use ao planejar, desenhar, criticar ou reformatar esquemas de artigos ou gráficos experimentais.

O que é paper-figure-craft?

O skill **paper-figure-craft** é projetado para criar figuras de pesquisa densas e nítidas, próprias para publicação, inteiramente em código – usando SVG de ponto exato para esquemas e Matplotlib de quatro espinhas para gráficos de avaliação quantitativa – que competem com os melhores trabalhos em sistemas, arquitetura, EDA e IA, sem os sinais típicos de diagramas gerados por IA. Ele se integra opcionalmente ao skill `figgenie-paper-diagram` para referências de densidade de informação, mas também funciona de forma independente com templates como `svg_diagram_scaffold.py`. O fluxo de trabalho principal é dividido em 5 etapas: preenchimento de equações LaTeX, linting de contêineres/sobreposição, verificação visual em PNG, exportação para PDF vetorial e até mesmo geração de slides editáveis. O skill impõe uma micro-gramática de layout rigorosa, incluindo uma grade de encaixe exata em pontos, uma paleta hierárquica de 4 camadas de 'tinta mineral' e um sistema de micro-iconografia vetorial de 5 categorias para distinguir visualmente hardware, dados, agentes, ferramentas e artefatos. Ele suporta a criação de figuras de motivação de coluna única (paradigma-contraste ou caso-trajetória-convergência), visões gerais de sistema em duas colunas e loops de mecanismo detalhados, além de aplicar convenções clássicas de gráficos IEEE/ACM, como quatro espinhas, ticks internos e hachuras seguras para escala de cinza. O skill é compatível com plataformas como Claude Code, Cursor e Codex, e é ideal para pesquisadores que precisam de controle preciso sobre a estética e a clareza das figuras de seus artigos.

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

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Paper Figure Craft (Criação de Figuras para Artigos)

Crie figuras de pesquisa densas, nítidas e prontas para publicação em código (SVG de ponto exato para esquemas e Matplotlib clássico de quatro espinhas para gráficos de avaliação quantitativa) que correspondam aos melhores trabalhos em sistemas, arquitetura, EDA e IA, sem os traços genéricos de diagramas gerados por IA. O equivalente em chinês é SKILL.zh-CN.md.

Fluxo de Trabalho Principal

  1. Combinar Skills da Toolchain e Dividir Papéis das Figuras (1 Figura = 1 Trabalho, Contêineres Heterogêneos)

    • Sinergize com figgenie-paper-diagram quando instalado: Consulte os exemplos de veículos do figgenie-paper-diagram para densidade de informação, emita atributos semânticos (data-kind, data-role, data-symbol="tex") e execute o pipeline de 5 etapas: tex_fill.py --check (vetor MathJax inline <path>) $\to$ lint.py (verificações de contenção/sobreposição) $\to$ verificação visual 4× PNG $\to$ svg_to_pdf.py / export_pdf.py (PDF vetorial sem redimensionamento) $\to$ svg2pptx.py (slides editáveis). Quando figgenie-paper-diagram estiver ausente, use templates/svg_diagram_scaffold.py + templates/svg_to_pdf.py diretamente.
    • Motivação (Fig. 1, coluna única 244 × 152–185 pt, Canto superior direito da Página 1): Escolha o arquétipo que se encaixa na sua tese:
      • Arquétipo A (Contraste de Paradigma): O topo (a) contrasta 2–3 cartões de paradigmas anteriores (minicurvas de tendência + + força / - limitação) + barra de desafio interligada em chevron C1–C3; a parte inferior (b) pré-visualiza sua solução em 3 etapas com uma chevron_bar alinhada em coluna 1 para 1.
      • Arquétipo B (Trajetória de Caso Motivador e Convergência): (a) Configuração concreta de benchmark/hardware, (b) trajetória de etapa de linha única E1..Ek destacando a rápida convergência geral, e (c) curva de convergência pareada com amostras de quadrados coloridos explícitos (swatch_legend_row: DF: WS / OS, GLB: 2M / 8M / 32M).
    • Nunca coloque conteúdo heterogêneo em caixas idênticas: Diferencie visualmente configurações estáticas, linhas de etapas sequenciais, arestas direcionadas, fichas de fatos verificadas e hipóteses de agentes, mantendo o texto em frases curtas e nítidas de linha única.
    • Visão Geral do Sistema (Fig. 2, coluna dupla 504 × 180–192 pt): Loop fechado Etapas 1–6 com distintivos de círculo preto numerados, roteamento de bypass rápido versus roteamento sob demanda e artefato de saída independente.
    • Mecanismo Detalhado / Loop de Ferramentas (Fig. 3, 244 pt ou 504 × 146–160 pt): Exemplos numéricos concretos (com minitabelas de classificação de candidatos incorporadas destacando Pick e minigráficos de dispersão) ou ficha de fatos verificada com argola $\to$ balão de fala de hipótese do agente $\to$ faixa de ferramentas de amostragem.
    • Gráficos de Avaliação Quantitativa (Figs. 4–6, Matplotlib vetorial PDF/SVG): Trajetórias de busca de linha dupla, barras agrupadas hachuradas, decomposições empilhadas de tempo de execução e gráficos de dispersão de Pareto.
  2. Aplicar Microgramática de Layout, Hierarquia de Paleta de 4 Camadas e Microiconografia Vetorial de 5 Categorias Leia references/schematic-grammar.en.md (ou schematic-grammar.zh-CN.md) e construa sobre templates/svg_diagram_scaffold.py + templates/plot_style.py:

    • Grade de encaixe exata em pontos e tipografia: Fixe W = 504 pt (\textwidth) ou 244 pt (\columnwidth) com 1 pt = 1 unidade SVG; margens externas de 3–4 pt, lacunas entre estágios de 4.5–5.5 pt conectadas por block_arrow_h delineado, preenchimento interno de 3.5–4 pt. Use banners knockout brancos centralizados (stage_container) ou outline_zone tracejado claro + left_stripe_card de 2.8 pt. Reserve Itálico para [Tags de Papel entre Colchetes], condições de ramificação, campos descritores e mecanismos físicos de 1 linha, mantendo o peso da fonte uniforme nas linhas de lista quebradas.
    • Paleta de tinta mineral de 4 camadas (plot_style.py compartilhada entre SVG e Matplotlib): Camada 1 tinta estrutural #18181B + cinzas #3F4752 / #525E6B + setas de bloco #C9D1DB; Camada 2 fundos de estágio arquitetural suaves (#F4ECDC, #DAE8F4, #DDE2E8, #F3DFCE, #DCEAD7); Camada 3 cartões de primeiro plano nítidos #FFFFFF + abas #E2E7EE (#E6EFEA menta para linhas vencedoras de Pick); Camada 4 acentos de alto contraste (#1B4965 Marinho, #A61C24 Carmim, #C46D1F Ocre, #2C6E58 Sálvia) limitados a <10% da área – nunca inundando fundos de grandes contêineres.
    • Microiconografia vetorial de 5 categorias: (1) Miniaturas de hardware/carga de trabalho 13.5×13.5 pt (icon_systolic, icon_noc, icon_sparse); (2) Tambores de dados (icon_drum) e binder_rings de caderno na borda esquerda sinalizando fatos verificados; (3) Agentes com emblemas de papel (icon_agent: lupa para diagnóstico vs. grade de amostragem para experimento) e polígonos speech_bubble pontiagudos para hipóteses testáveis; (4) icon_wrench e icon_stacked_docs para artefatos independentes; (5) icon_refresh_loop e swatch_legend_row.
    • Distinguir nós vs. arestas direcionadas e indicar unidades explícitas: Desenhe interfaces/filtros como setas com rótulo em pílula (directed_edge_with_pill) e escreva 0 Chamadas de LLM, 0 Chamadas de Simulação, 9.2s (3.6× mais rápido).
  3. Aplicar Convenções Clássicas de Gráficos Quantitativos IEEE/ACM Leia references/eval-charts-ieee.en.md e comece a partir de templates/ieee_eval_plot_scaffold.py:

    • Caixa de quatro espinhas + ticks internos + fontes Type-42 Arimo + STIX: Ative todas as quatro espinhas (0.8 pt), ticks internos e pdf.fonttype = 42.
    • Hachuras seguras para escala de cinza e trajetórias de passo duplo: Hachure barras de linha de base ('//', '\\\\', '..'), renderize Nosso em acento primário sólido com rótulos numéricos diretos e plote trajetórias de tempo de parede duplo / contagem de avaliação via ax.step(..., where='post'). Plote apenas linhas de base universais em gráficos de barras agrupadas entre domínios.
  4. Renderizar, Aplicar Lint e Inspecionar Visualmente Cada Figura por meio de Captura de Tela

    • Confirme folga de math inline >= 3 pt, redefinições de linha de base <tspan dy> e sincronização de terminologia 1:1 com o texto do manuscrito.
    • Inspecione visualmente renderizações PNG/PDF de alta DPI para eliminar colisões de rótulos de linhas de referência, texto apertado ou sobreposições de legendas.

Habilidades Relacionadas