Communitygithub.com

LaTeX 学术海报(latex-posters)

使用 beamerposter、tikzposter 或 baposter 创建专业、高质量的 LaTeX 研究海报。支持学术会议展示、学术海报和科学传播。涵盖布局设计、配色方案、多栏格式、图形集成,并提供针对视觉传达的海报设计最佳实践。

LaTeX 学术海报(latex-posters) 是什么?

该技能旨在利用 LaTeX 和特定包(beamerposter、tikzposter、baposter)为研究人员和学者创建专业、引人注目的会议海报。其核心工作流强调“先有视觉,后有版式”——强烈建议使用 AI 生成工具(如 Scientific-Schematics 或 Nano Banana Pro)预先制作所有主要视觉元素,目标是让 AI 生成的图形占据海报面积的 60-70%,文字仅占 30-40%。技能文档提供了极其详细的硬性限制(如每个图形最多 3-4 个元素、文字不超过 10 词、字体至少 80pt 以及至少 50% 的留白)和强制性的审查门(生成前与生成后),以防止出现不可读或过度拥挤的海报。该技能支持多个 LaTeX 海报包,并提供了从内容规划、图形生成、布局设计、内容集成到最终编译的完整六阶段工作流。它还集成了图形生成质量和编译输出质量检查脚本,以确保最终产品的专业水准和印刷就绪。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/latex-posters

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

LaTeX 研究海报

概述

研究海报是会议、研讨会和学术活动中科学传播的关键媒介。本技能提供使用 LaTeX 包创建专业、视觉吸引人的研究海报的全面指导。能够生成具有合理布局、排版、配色方案和视觉层次的、达到出版级质量的海报。

何时使用该技能

在以下情况应使用本技能:

  • 为会议、研讨会或海报展制作研究海报
  • 为大学活动或论文答辩设计学术海报
  • 准备用于公众科普的研究视觉摘要
  • 将科学论文转换为海报格式
  • 为研究团队或部门创建模板海报
  • 设计符合特定会议尺寸要求(A0、A1、36×48英寸 等)的海报
  • 构建带有复杂多栏布局的海报
  • 在海报中集成图形、表格、方程和引用

AI 驱动的视觉元素生成

标准工作流程:在创建 LaTeX 海报之前,使用 AI 生成所有主要的视觉元素。

这是创建视觉上引人注目的海报的推荐方法:

  1. 规划所有需要的视觉元素(标题、简介、方法、结果、结论)
  2. 使用 Scientific-Schematics 或 Nano Banana Pro 生成每个元素
  3. 在 LaTeX 模板中组装生成的图像
  4. 在图像周围添加文本内容

目标:海报面积的 60-70% 应为 AI 生成的视觉元素,30-40% 为文本。


硬性限制(切勿超过)

这些是限制,而非建议。违反这些限制是海报失败的最常见且唯一的原因。 关于每种图形类型的完整推理、表格和实例,请参见 references/ai_graphics_for_posters.md。

限制项限制值
每个 AI 图形中的元素数量最多 3-4 个(理想为 3 个)
每个图形中的文字数量最多 10 个单词
每个图形中的留白至少 50%(60% 更佳)
关键数字/指标120pt+
标签80pt+
海报上的正文24pt+
内容板块数(A0 尺寸)最多 5-6 个
海报总字数300-800 字
图片宽度0.85\linewidth,绝不能是 1.0

每个图形提示必须包含:POSTER FORMAT for A0、明确的元素或单词数量(ONLY 3 icons、3 words total)、字号(GIANT (120pt+))、60% white space 和观看距离(readable from 10-12 feet)。

两次强制性的审查门。 若跳过其中任何一个,就可能产生不可读的海报:

  • 生成之前 —— 对于每个计划的图形,确认其有 3-4 个项目、一条信息、少于 10 个单词,并且不是 5 个或更多步骤的工作流。如果不是,将其拆分为多个图形。
  • 生成之后、组装之前 —— 以 25% 的缩放比例打开每个图形。所有文字应可读,元素不超过 4 个,留白 50% 以上,能在 2 秒内理解。任何失败都意味着需要重新生成或拆分。不要将未通过的图形组装到海报中。

总是会失败的模式:7 步骤工作流、带有年度里程碑的时间线、一个图形中的 3 个案例研究、比较 5 种以上方法、包含结构层的架构图。将这些压缩为 3 个高层级项目,或者制作几个单独的图形。

溢出是一个错误,而非警告。 编译后,运行 grep -i overfull poster.log 并以 100% 缩放检查四条边缘。参见 references/compilation_and_quality_control.md。

Scientific Schematics 集成

有关创建图表的详细指导,请参考 scientific-schematics 技能文档。

关键能力:

  • Nano Banana Pro 自动生成、审查和优化图表
  • 创建具有正确格式的、达到出版质量的图像
  • 确保可访问性(色盲友好、高对比度)
  • 支持对复杂图表进行迭代优化

核心能力

支持三个海报包——beamerposter(Beamer 语法,学院主题)、tikzposter(现代、多彩、灵活)和 baposter(结构化多栏)。 关于包比较、布局和网格系统、设计原则、标准尺寸、每个包的模板、图形和图像集成、配色方案、排版和二维码的详细信息,均记录在 references/latex_poster_reference.md 中。

可复用的逐节内容模式、可访问性要求和演示日指南位于 references/poster_patterns_and_presentation.md。

海报创建工作流

阶段 1:规划与内容开发

  1. 确定海报要求:

    • 会议尺寸规格(A0、36×48英寸 等)
    • 方向(纵向 vs. 横向)
    • 提交截止日期和格式要求
  2. 开发内容大纲:

    • 确定 1-3 个核心信息
    • 选择关键图形(通常 3-6 个主要视觉元素)
    • 为每个部分起草简洁文本(推荐使用要点)
    • 总字数控制在 300-800 字以内
  3. 选择 LaTeX 包:

    • beamerposter:如果熟悉 Beamer,或需要学院主题
    • tikzposter:适用于现代、多彩且灵活的设计
    • baposter:适用于结构化、专业的多栏布局

阶段 2:生成视觉元素(AI 驱动)

关键:生成内容简单的图形。每个图形 = 一条信息。

内容限制:

  • 每个图形最多 4-5 个元素
  • 每个图形总字数最多 15 个单词
  • 至少 50% 的留白
  • 超大字体(标签 80pt+,关键数字 120pt+)
  1. 创建图形目录:

    mkdir -p figures
    
  2. 生成简单的视觉元素:

    # 简介 - 仅 3 个图标/元素
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE visual with ONLY 3 elements: [icon1] [icon2] [icon3]. ONE word labels (80pt+). 50% white space. Readable from 8 feet." -o figures/intro.png
    
    # 方法 - 最多 4 个步骤
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE flowchart with ONLY 4 boxes: STEP1 → STEP2 → STEP3 → STEP4. GIANT labels (100pt+). 50% white space. NO sub-steps." -o figures/methods.png
    
    # 结果 - 仅 3 个柱状图/比较
    python scripts/generate_schematic.py "POSTER FORMAT for A0. SIMPLE chart with ONLY 3 bars. GIANT percentages ON bars (120pt+). NO axis, NO legend. 50% white space." -o figures/results.png
    
    # 结论 - 正好 3 项,带巨大数字
    python scripts/generate_schematic.py "POSTER FORMAT for A0. EXACTLY 3 key findings: '[NUMBER]' (150pt) '[LABEL]' (60pt) for each. 50% white space. NO other text." -o figures/conclusions.png
    
  3. 审查生成的图形 - 检查溢出问题:

    • 以 25% 缩放查看:所有文字仍然可读?
    • 统计元素数量:超过 5 个? → 重新生成更简单的图形
    • 检查留白:少于 40%? → 在提示中添加 "60% white space"
    • 字体太小?:添加 "EVEN LARGER" 或增大 pt 数
    • 仍然溢出?:将元素从 4-5 个减少到 3 个

阶段 3:设计与布局

  1. 选择或创建模板:

    • 从 assets/ 目录下提供的模板开始
    • 自定义配色方案以匹配品牌
    • 配置页面尺寸和方向
  2. 设计布局结构:

    • 规划列结构(2、3 或 4 列)
    • 规划内容流向(通常从左到右、从上到下)
    • 分配空间:标题(10-15%)、内容(70-80%)、页脚(5-10%)
  3. 设置排版:

    • 为不同层级配置字体大小
    • 确保正文至少 24pt
    • 从 4-6 英尺距离测试可读性

阶段 4:内容集成

  1. 创建海报头部:

    • 标题(简洁、描述性强,10-15 个单词)
    • 作者和所属机构
    • 机构标识(高分辨率)
    • 如果需要,添加会议标志
  2. 集成 AI 生成的图形:

    • 将阶段 2 生成的所有图形添加到相应部分
    • 使用 \includegraphics 并进行适当的尺寸设置
    • 确保图形在每个部分中占据主导地位(视觉元素优先,文字其次)
    • 在块内居中图形以获得视觉冲击力
  3. 添加最少的支持性文字:

    • 保持文字最少且易于扫描(总字数 300-800)
    • 使用要点,而非段落
    • 采用主动语态写作
    • 文字应补充图形,而非重复
  4. 添加补充元素:

    • 补充材料的二维码
    • 参考文献(仅引用关键论文,通常 5-10 篇)
    • 联系信息和致谢

阶段 5:优化与测试

  1. 审查与迭代:

    • 检查拼写和错误
    • 验证所有图形均为高分辨率
    • 确保格式一致
    • 确认配色方案协调
  2. 测试可读性:

    • 以 25% 比例打印,从 2-3 英尺距离阅读(模拟从 8-12 英尺观看海报)
    • 在不同显示器上检查颜色
    • 验证二维码功能正常
    • 请同事审阅
  3. 为打印优化:

    • 在 PDF 中嵌入所有字体
    • 验证图像分辨率
    • 检查 PDF 大小要求
    • 如果需要,包含出血区域

阶段 6:编译与交付

  1. 编译最终 PDF:

    pdflatex poster.tex
    # 或为更好的字体支持:
    lualatex poster.tex
    
  2. 检查输出质量:

    • 检查所有元素可见且位置正确
    • 放大到 100% 并检查图形质量
    • 验证颜色是否符合预期
    • 确认 PDF 在不同查看器中正确打开
  3. 准备打印:

    • 如果需要,导出为 PDF/X-1a
    • 保存备份副本
    • 首先使用普通纸进行测试打印
    • 在截止日期前 2-3 天订购专业打印
  4. 创建补充材料:

    • 保存 PNG/JPG 版本用于社交媒体
    • 创建分发版(8.5×11英寸 摘要)
    • 准备用于邮件分享的数字版本

与其他技能的集成

本技能与以下技能协同工作:

  • Scientific Schematics:关键——用于生成所有海报图表和流程图
  • Generate Image / Nano Banana Pro:用于风格化的图形、概念插图和摘要视觉元素
  • Scientific Writing:用于从论文开发海报内容
  • Literature Review:用于背景化研究
  • Data Analysis:用于创建结果图形和图表

推荐的工作流程:始终在创建 LaTeX 海报之前使用 scientific-schematics 和 generate-image 技能,以生成所有视觉元素。

应避免的常见陷阱

AI生成图形错误(最常见):

  • ❌ 图形中元素过多(10+ 个) → 限制为最多 3-5 个
  • ❌ AI 图形中文字太小 → 指定 "GIANT (100pt+)" 或 "HUGE (150pt+)"
  • ❌ 提示中细节过多 → 使用 "SIMPLE" 和 "ONLY X elements"
  • ❌ 未指定留白 → 在每个提示中添加 "50% white space"
  • ❌ 复杂流程图包含 8 个以上步骤 → 限制为最多 4-5 个步骤
  • ❌ 包含 6 个以上项目的比较图 → 限制为最多 3 个项目
  • ❌ 包含 5 个以上指标的关键发现 → 仅展示前 3 个

修复 AI 图形溢出: 如果 AI 生成的图形溢出或文字太小:

  1. 在提示中添加 "SIMPLER" 或 "ONLY 3 elements"
  2. 增大字号:将 "80pt+" 改为 "150pt+"
  3. 将 "50% white space" 改为 "60% white space"
  4. 移除子细节:添加 "NO sub-steps"、"NO axis labels"、"NO legend"
  5. 使用更少的元素重新生成

设计错误:

  • ❌ 文字过多(超过 1000 字)
  • ❌ 字体太小(正文小于 24pt)
  • ❌ 低对比度的颜色组合
  • ❌ 布局拥挤,缺少留白
  • ❌ 各节样式不一致
  • ❌ 质量差或像素化的图像

内容错误:

  • ❌ 没有清晰的叙事或信息
  • ❌ 研究问题或目标过多
  • ❌ 过度使用未定义的术语行话
  • ❌ 结果缺乏上下文或解释
  • ❌ 缺少作者联系信息

技术错误:

  • ❌ 海报尺寸不符合会议要求
  • ❌ 发送给 CMYK 打印机的 RGB 色彩(色偏)
  • ❌ PDF 中未嵌入字体
  • ❌ 文件过大,无法通过提交通道
  • ❌ 二维码过小或未经测试

最佳实践:

  • ✅ 生成简单的 AI 图形,最多 3-5 个元素
  • ✅ 在图形中使用超大字体(100pt+)显示关键数字
  • ✅ 在每个 AI 提示中指定 "50% white space"
  • ✅ 完全遵循会议尺寸规格
  • ✅ 在最终打印前进行缩小比例测试打印
  • ✅ 使用高对比度、可访问的配色方案
  • ✅ 保持文字最少且高度可扫描
  • ✅ 包含清晰的联系信息和二维码
  • ✅ 仔细校对(错误在海报上会被放大!)

包安装

确保已安装所需的 LaTeX 包:

# 针对 TeX Live(Linux/Mac)
tlmgr install beamerposter tikzposter baposter

# 针对 MiKTeX(Windows)
# 包通常在首次使用时自动安装

# 额外推荐包
tlmgr install qrcode graphics xcolor tcolorbox subcaption

脚本与自动化

scripts/ 目录下可用的辅助脚本:

  • review_poster.sh:海报审查与验证
  • generate_schematic.py:生成科学图表和示意图

参考资源

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

adaptyv

How to use the Adaptyv Bio Foundry API and Python SDK for protein experiment design, submission, and results retrieval. Use this skill whenever the user mentions Adaptyv, Foundry API, protein binding assays, protein screening experiments, BLI/SPR assays, thermostability assays, or wants to submit protein sequences for experimental characterization. Also trigger when code imports `adaptyv`, `adaptyv_sdk`, or `FoundryClient`, or references `foundry-api-public.adaptyvbio.com`.

aeon

This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.

alphagenome

Look up precomputed AlphaGenome Atlas effects for any GRCh38 single-nucleotide variant (AVI score with Phred and 18 SHAP feature attributions, plus raw and quantile scores for RNA-seq, DNase, ATAC, ChIP-TF, ChIP-histone, CAGE, PRO-cap, splicing, polyadenylation and contact-map tracks), score variants or scan windows on demand with the AlphaGenome model for human and mouse (variant scoring, in silico mutagenesis, REF-versus-ALT track prediction), and build Atlas website deep links. Use when the user mentions AlphaGenome, AlphaGenome Atlas, AVI or AlphaGenome Variant Impact, DeepMind variant effect prediction, or wants to prioritise or mechanistically interpret non-coding, regulatory, splicing, enhancer, promoter, or chromatin-accessibility effects of SNVs from a VCF, credible set, or region. Research use only; not a clinical tool.

analytical-method-validation

Plan, execute, and document validation, verification, and transfer of analytical procedures under the governing framework - ICH Q2(R2) and Q14, USP <1220>/<1225>/<1226>, ICH M10 bioanalytical, CLSI EP, or ISO/IEC 17025. Use for HPLC, LC-MS/MS, GC, CE, ICP-MS, dissolution, qNMR, qPCR, NIR, and ligand binding or cell-based assays whenever the question is whether a procedure is fit for its intended purpose. Triggers include

anndata

Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.

arbor

Autonomously improve a real artifact (code, training recipe, agent harness, data pipeline, prompt) against an objective and an evaluator, using Hypothesis Tree Refinement (HTR) from the Arbor paper. Use this whenever someone wants to iteratively optimize something over many experiments without overfitting — e.g.

arboreto

Infer gene regulatory networks (GRNs) from gene expression data using scalable algorithms (GRNBoost2, GENIE3). Use when analyzing transcriptomics data (bulk RNA-seq, single-cell RNA-seq) to identify transcription factor-target gene relationships and regulatory interactions. Supports distributed computation for large-scale datasets.

astropy

Core Python library for astronomy and astrophysics workflows that need Astropy APIs, including units/quantities, coordinates, FITS I/O, tables, time systems, WCS, and cosmology. Use when implementing or debugging astronomical data analysis code with Astropy.

autoskill

Observe the user

benchling-integration

Benchling Python SDK and REST API integration for registry entities, inventory, ELN entries, workflows, Benchling Apps, and Data Warehouse queries. Use when automating lab data with benchling-sdk or the v2 API.

bgpt-paper-search

Search scientific papers and retrieve structured experimental data extracted from full-text studies via the BGPT MCP server. Returns 25+ fields per paper including methods, results, sample sizes, quality scores, and conclusions. Use for literature reviews, evidence synthesis, and finding experimental details not available in abstracts alone.

bids

>

biopython

Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.

bioservices

Unified Python interface to 40+ bioinformatics services. Use when querying multiple databases (UniProt, KEGG, ChEMBL, Reactome) in a single workflow with consistent API. Best for cross-database analysis, ID mapping across services. For quick single-database lookups use gget; for sequence/file manipulation use biopython.

bulk-rnaseq

End-to-end bulk RNA-seq orchestrator — takes raw FASTQ reads through QC and trimming (FastQC, fastp/Trim Galore), alignment and quantification (STAR, Salmon, featureCounts), assembles a gene-level counts matrix, then hands off to differential expression (pydeseq2), pathway/GSEA enrichment (pathway-enrichment), and publication figures (scientific-visualization). Use whenever the user has bulk RNA-seq reads or quant output and wants a complete, reproducible differential-expression workflow — e.g.

cellxgene-census

Query the CZ CELLxGENE Census programmatically for versioned public single-cell and spatial transcriptomics data. Use when you need population-scale cell metadata, gene expression slices, Census summary counts, source H5AD URIs/downloads, embeddings, spatial Census data, or reference atlas comparisons across organisms, tissues, diseases, assays, and cell types. For analyzing your own local single-cell data use scanpy, anndata, or scvi-tools.

cirq

Google quantum computing framework. Use when targeting Google Quantum AI hardware, designing noise-aware circuits, or running quantum characterization experiments. Best for Google hardware, noise modeling, and low-level circuit design. For IBM hardware use qiskit; for quantum ML with autodiff use pennylane; for physics simulations use qutip.

citation-management

Comprehensive citation management for academic research. Search OpenAlex, PubMed, and Google Scholar for papers, extract accurate metadata, validate citations, and generate properly formatted BibTeX entries. This skill should be used when you need to find papers, verify citation information, convert DOIs to BibTeX, or ensure reference accuracy in scientific writing.

clinical-decision-support

Prepare and validate research-only clinical decision-support evaluation, evidence-profile, cohort, survival, biomarker/model, privacy, and governance artifacts. Use for aggregate or synthetic research documentation and traceability—not patient care or live clinical operation.

clinical-reports

Create safety-bounded draft structures and run local deterministic checks for clinical case, diagnostic, trial, safety, and aggregate research reports. Use only with synthetic, de-identified, or aggregate inputs and verified source-fact manifests; every output requires qualified review.

相关技能