CommunityImagemgithub.com

construtor-de-resumo-grafico

Construa um resumo gráfico de página única (pergunta, método, resultados, conclusão) a partir de material de pesquisa, como um SVG rastreável e editável, com exportações para PNG/PDF. Use quando for solicitado a criar ou editar um resumo gráfico, figura de resumo científico, diagrama de mecanismo ou fluxo, ou gráfico de dados a partir de um artigo, anotações de estudo ou registros experimentais, especialmente quando arquivos fonte editáveis e rastreabilidade elemento-a-fonte forem necessários.

O que é construtor-de-resumo-grafico?

Este é um skill especializado para agentes de IA (como Claude Code, Cursor, Codex) que transforma material de pesquisa (PDFs, anotações, registros) em um resumo gráfico de página única, onde cada elemento visual é diretamente rastreável ao material de origem. O skill adota uma divisão clara de trabalho: o agente é responsável por extrair e interpretar a ciência (entidades, relações, dados), enquanto scripts Python puros com matplotlib cuidam do layout, renderização, verificação e montagem do resultado final. O fluxo de trabalho é altamente estruturado em 7 etapas, começando com a leitura do caso e inicialização de um contrato JSON, passando pela extração rigorosa de evidências com citações literais e localizadores, modelagem da figura (painéis, canais visuais, layout), construção iterativa (gerando SVG, PNG, PDF e mapas de elementos), verificação automatizada contra o material fonte e, por fim, a montagem de um `result.json` completo com campos de contrato preenchidos. A habilidade prioriza a honestidade e a rastreabilidade: números não encontrados no material não podem ser desenhados no canvas, e qualquer limitação ou incerteza deve ser documentada. O resultado final é um SVG editável com IDs nomeados e grupos `layer-*`, além de exportações PNG e PDF, garantindo que editores humanos possam modificar a figura posteriormente. O skill é executado em um ambiente controlado com Python e matplotlib, e inclui um playbook de exceções para lidar com falhas comuns.

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

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

Construtor de Resumo Gráfico

Transforme material de pesquisa (PDF, anotações, registros) em um resumo gráfico de página única cujo cada elemento seja rastreável ao material, além de um result.json completo de contrato.

Divisão de trabalho — você faz a ciência, os scripts fazem o desenho:

  • Você (o agente): lê o material real, extrai entidades/relações/dados, escolhe a codificação visual, decide o que vai no canvas vs. na legenda, verifica a figura contra o material.
  • Os scripts (scripts/, Python puro + matplotlib): layout, renderização, verificações, montagem do resultado. Determinístico: mesmo modelo de entrada → mesma figura de saída.

Ambiente e caminhos

  • Raiz do skill: /skills/weekly-skill (scripts em scripts/, documento de esquema em references/). Trabalhe em /app/work; entregáveis finais vão para /app/output.
  • Entrada: /input/case.json (+ task.md; arquivos de material referenciados pelo caso).
  • Espera-se Python com matplotlib; se faltar, a exportação PNG recai automaticamente para Pillow e a exportação PDF gera erro com uma solução — consulte o playbook.
  • Custo típico: 10–20 requisições do modelo, bem dentro do orçamento de 64 requisições / 900 segundos. Cada execução de script de construção/verificação é uma chamada de ferramenta.

Fluxo de trabalho

Passo 0 — Leia o caso e prepare o result.json (faça isso primeiro)

Leia /input/case.json por completo. Anote o case_id e cada campo do output_contract — estas são suas obrigações de entrega. Em seguida, imediatamente:

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

Isso escreve cada campo do contrato como um null explícito com um motivo pendente. A partir de agora, uma falha ainda deixa um entregável completo de contrato. Reexecute com --stage final (Passo 6) para preenchê-lo.

Passo 1 — Leia o material real

Abra os arquivos reais que o caso aponta (nunca suponha o conteúdo a partir de rótulos). Para PDFs, use a ferramenta pdf-text-tool / scientific-python; escaneie páginas apenas se OCR for necessário. Salve um sources.json mapeando cada arquivo de material para seu texto extraído — etapas posteriores verificam citações contra ele automaticamente:

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

Passo 2 — Extraia a ciência (seu julgamento, não de um script)

Preencha uma planilha (modelo: templates/agent_worksheet.md) diretamente a partir do material:

  1. Pergunta — que problema o material apresenta? Cite-o literalmente.
  2. Entidades — as coisas que devem aparecer (moléculas, células, dispositivos, métodos, coortes...). Para cada uma: rótulo, uma citação literal, localizador (arquivo + página/seção/frase).
  3. Relações — conexões direcionais que o material afirma (A ativa B, dosagem motiva a pergunta...). Registre a direção e a frase que a afirma.
  4. Dados — todo número que você pode desenhar: valor, unidade, condição, e a frase de onde vem. Se um número que você deseja não está no material, não o desenhe; liste-o em uncertainty/limits.
  5. Conclusão — afirmações que o próprio material faz.

Regras de evidência: citações são subcadeias literais do material; localizadores são precisos o suficiente para um humano encontrar em segundos; qualquer coisa que você não possa referenciar vai para a legenda/anotações, nunca para o canvas como dado.

Passo 3 — Crie figure_model.json

Escreva /app/work/figure_model.json seguindo o esquema em references/model_schema.md (exemplo completo: examples/transformer-1706.03762/). Decisões-chave que você toma:

  • Plano de painéis: geralmente 4–6 painéis em ordem de leitura pergunta → método → resultados (1–2) → conclusão; um achado por painel.
  • Layout por painel: flow (caixas + setas para entidades/relações), chart (barras/barras horizontais/barras agrupadas/linhas para dados), stats (destaques de números grandes para 2–4 valores principais), text (conclusões em tópicos).
  • Canais visuais: comprimento para magnitudes com unidade comum e linha de base zero; posição para séries temporais; cor apenas para séries categóricas (paleta Okabe–Ito é integrada; nunca vermelho puro vs. verde); forma/ênfase para a entidade focal. Um canal por significado, um significado por canal.
  • Canvas: padrão 1800×1000 px (≈ A4 paisagem a 150 dpi). Mantenha toda fonte ≥ 12 px (o verificador impõe).
  • Copie citações/localizadores da sua planilha para o source de cada elemento.

Passo 4 — Construa e itere

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

Produz graphical_abstract.svg (fonte da verdade editável: IDs nomeados, grupos layer-*, <desc> de proveniência em cada elemento), .png (300 dpi), .pdf, element_map.json, export_report.json. Código de saída 2 = modelo inválido (corrija o JSON), 3 = falha no SVG (corrija conforme o playbook). Falhas de renderização de PNG/PDF nunca abortam a execução — elas vão para export_report.json.failures.

Itere: se o relatório mostrar erros, edite o modelo (não o SVG) e reconstrua. A figura está errada até que todo código de erro seja limpo.

Passo 5 — Verifique como um revisor

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

Isso reexecuta todas as verificações: boa formação do SVG, tamanho mínimo de fonte, limites do canvas, completude do mapa de elementos, citação vs. material (detecta números inventados e citações incorretas), tons de cinza/contraste, integridade das exportações. Em seguida, olhe o PNG você mesmo (leia a prévia renderizada) e verifique: ordem de leitura óbvia? entidades/direções das setas correspondem ao material? legenda corresponde à codificação? unidades em cada eixo? Se um aviso não puder ser eliminado, registre-o — não o oculte.

Passo 6 — Monte o result.json final

Escreva /app/work/values.json com os valores dos campos do contrato (scientific_summary, uncertainty, listas de caminhos, export_checks...). element_source_map e export_checks são preenchidos automaticamente a partir da construção. Em seguida:

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 "<uma frase honesta>"

O combinador preenche campos do contrato por chave exata, depois por contenção, depois por palavras-chave de descrição; campos não correspondidos permanecem null explícitos com motivos. Se problemas de nível de erro permanecerem, o status é automaticamente rebaixado para partial — nunca reivindique complete sobre verificações falhas. Copie os entregáveis para /app/output:

graphical_abstract.svg + figure_model.json (fontes editáveis), graphical_abstract.png (prévia) + graphical_abstract.pdf (exportação), result.json.

Passo 7 — Auto-verificação final

  • result.json: case_id presente; cada campo do contrato preenchido ou null explícito com motivo; status honesto (rebaixamento automático respeitado).
  • SVG abre (XML bem formado), texto é <text> real (editável), cada elemento possui um id, camadas nomeadas.
  • PNG e PDF existem e não estão vazios; PNG ≥ 300 dpi.
  • Todo número no canvas aparece em uma citação dentro de element_map.json.
  • Legenda corresponde exatamente à codificação de cor/série.
  • uncertainty/limits mencionam todo item degradado ou não referenciado.

Quando algo dá errado

Todos os modos de falha, suas assinaturas e soluções (material faltando números chave, ambiguidade de entidade, estouro de texto, substituição de fonte, estouro de canvas, falhas de exportação, matplotlib ausente...) estão em references/exception_playbook.md — consulte-o em qualquer saída vermelha. A única regra que se sobrepõe a tudo: registre honestamente, nunca fabrique. Um resultado partial com limitações documentadas vale mais do que uma figura bonita com evidências inventadas.

Referências

  • references/model_schema.md — figure_model.json campo por campo com padrões e restrições.
  • references/exception_playbook.md — assinaturas de falha → soluções.
  • references/design_notes.md — regras de codificação visual, segurança para daltonismo, convenções de layout usadas pelo construtor.
  • templates/agent_worksheet.md — planilha de extração do Passo 2.
  • templates/figure_model.template.json — modelo inicial mínimo.
  • examples/transformer-1706.03762/ — exemplo completo com artigo real (arXiv:1706.03762, citações literais + 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.

Habilidades Relacionadas