论文画图又有新工具!143 个科研绘图模板,自动生成论文图表

非常推荐的AI+智能体+科研论文课程

点击上图查看

欢迎加入 AI智能体与大模型科研全流程交流群，每天免费分享 Claude Code、Codex及大模型等科研资料，自由交流实操心得，名额有限，先到先得！

今天分享的科研绘图 Skill是Vivid Figures，目前项目已经整理了 143 个完整源码图表配方、3 套完整组合模板和 146 张模板说明卡，同时提供 7 套内置配色，可以处理模型比较、实验分布、置信区间、相关性、SHAP、3D 图和空间数据等科研可视化任务。

它不需要你提前决定"到底画什么图"

把实验数据交给 AI，再告诉它希望这张图帮助读者看清什么，AI 可以先分析数据和科研表达目标，然后从现有模板中寻找合适的图，读取完整模板源码，再把真实实验数据接进去。

Vivid Figures 

简单来说，Vivid Figures 是一个给 AI 助手使用的科研绘图 Skill。

项目地址：

https://github.com/yjz211/vivid-figures-skill

项目根目录有一个 SKILL.md，可以把它理解成 AI 使用这套科研绘图资源时首先阅读的说明书。具体的模板、源码、预览图和辅助工具则放在项目的其他目录中。

提供 143 个完整源码图表配方、3 套完整组合模板以及 146 张模板说明卡，同时内置 7 套配色。常规的 CSV、Excel、JSON 和实验结果文件都可以作为数据来源。

它覆盖的科研场景也比较广，机器学习论文里常见的模型性能比较、消融实验、训练曲线、参数敏感性、结果分布、相关性分析和 SHAP 都能找到对应的思路；如果做工程、空间数据或者仿真研究，也可以处理三维曲面、三维柱状图、轨迹和地图等图形。除此之外，项目还涉及流程图、技术路线图以及部分 TikZ 技术图。

所以它并不是简单给 Matplotlib 增加几套配色。真正用起来以后，AI 可以参与"分析数据、选择图表、调用模板、替换数据、运行代码、检查成图"这一整套过程。

它是怎么让 AI 自己选图的？

假设我们现在有四种算法，每种算法都进行了 30 次重复实验。

如果按照以前的使用习惯，我们可能先自己决定："这里画一个 violin plot。"然后让 AI 写代码。

使用 Vivid Figures 时，可以把问题换一种方式描述：

我要比较四种算法在 30 次重复实验中的性能。除了整体性能，还希望读者能够看出不同方法的离散程度和实验稳定性。请分析数据，并选择适合论文展示的可视化方式。

收到任务之后，AI 可以先读取数据，看看有哪些变量、哪些字段代表实验分组、每组有多少样本、有没有重复实验以及现有数据能支持哪些统计信息。

接下来，它会根据我们希望表达的科研内容去搜索模板。找到几个候选方案以后，还可以查看对应的预览，再决定最终使用哪一个 recipe。

选好模板后才进入真正的绘图阶段。

整个过程其实很好理解：先看数据，再理解我们希望读者从图中看到什么，然后选图，最后才写代码。

和我们直接说"帮我画一个箱线图"相比，这种方式多了一层非常重要的科研判断。

哪些论文场景比较适合用？

如果你做的是机器学习、深度学习或者预测模型，最容易用上的应该就是模型性能比较。

比如一篇论文同时比较 Proposed Method、Random Forest、XGBoost、LSTM 和 Transformer，每个模型都有 Accuracy、Precision、Recall 和 F1。如果还有多次重复实验，就可以直接告诉 AI：

这是多个模型的重复实验结果。我希望比较不同模型的整体性能，同时展示实验结果的分布和稳定性。请根据真实数据选择合适的科研图。

这里没有提前规定柱状图、箱线图还是小提琴图，让 AI 根据数据结构来判断。

消融实验也是常见场景：

假设模型由 A、B、C 三个模块组成，我们有 Baseline、Baseline+A、Baseline+B、Baseline+C 和完整模型几组结果。可以告诉 AI，希望读者能够直观看出每个模块加入以后性能发生了什么变化，以及完整模型和各个消融版本之间的差异。

这种描述比一句"帮我画消融实验柱状图"提供了更多科研语境。

参数敏感性实验也是类似的思路：

假设 λ 分别取 0.001、0.01、0.1、1 和 10。我们可以告诉 AI，重点展示模型性能随着 λ 变化的趋势，以及性能较优的参数区域。如果 λ 跨越多个数量级，还可以让 AI 判断横轴是否应该使用对数尺度。

如果做的是训练过程分析，则可以把 epoch、train loss、validation loss、train accuracy 和 validation accuracy 一起交给 AI，让它帮助展示模型的收敛过程，并检查训练后期是否出现明显的训练集和验证集分离。

还有一类特别适合这种工作流的数据，就是重复实验结果。

很多论文最后只报告：Mean ± SD

其实只要保留了每一次实验结果，我们完全可以进一步展示数据分布。箱线图、小提琴图、雨云图或者其他组合分布图，都可以让读者看到平均值之外的信息。

如果研究涉及变量相关性、特征重要性或者模型解释，也可以使用相关性和 SHAP 模板。不过这里一定要注意数据来源。SHAP 图需要真实特征值和 SHAP 值，显著性标记需要真实统计检验，置信区间同样需要有对应的数据或计算方法。

数据里没有的信息，不要为了让图片完整而让 AI 补出来。

这一条在后面还会反复用到。

实战：把自己的 CSV 直接变成论文图

假设我们有一个 results.csv：

Model,Seed,Accuracy,F1ResNet,1,0.912,0.905ResNet,2,0.918,0.909ResNet,3,0.907,0.901ViT,1,0.941,0.936ViT,2,0.938,0.934ViT,3,0.945,0.939Swin,1,0.948,0.943Swin,2,0.951,0.946Swin,3,0.946,0.941

这里有三个模型，每个模型进行了多次实验，同时记录 Accuracy 和 F1。

很多人的第一反应可能是：给我画一个柱状图。

如果已经安装 Vivid Figures，可以直接把科研目的告诉 Agent。

可以复制下面这段：

使用 vivid-figures-skill 读取 results.csv。  这是三个模型在多次重复实验中的性能结果。我希望比较不同模型的 Accuracy 和 F1，同时让读者能够看到模型之间的性能差异和实验稳定性。  请先分析数据结构和我希望表达的内容，再从 Vivid Figures 中选择合适的图表模板。  使用珊瑚青绿配色。  选定模板以后，从完整 recipe 源码开始修改，不要重新手写一个简化版本。  所有统计量必须根据真实数据计算。不要虚构置信区间、显著性、误差或额外实验结果。  完成后实际检查生成的图片，处理明显的标签遮挡、裁切、图例和坐标轴可读性问题。  最终输出 PNG、PDF 和可复现的 Python 绘图源码。

work Buddy生成示例：

AI 知道我们的科研任务是比较模型性能和稳定性，并且它拥有选择图表的空间。再往后，我们明确要求从完整 recipe 修改，并限制它只能使用真实数据支持的统计信息。最后还要求实际检查成图。

这样就形成了一套相对完整的绘图任务。

少说"画什么"，多说"想看什么"

如果想进一步发挥这类 Skill 的效果，可以慢慢改变自己给 AI 下绘图任务的方式。

例如以前我们可能会说："给我画一个箱线图。"

可以改成：

我要比较四种算法在 30 次重复实验中的性能稳定性。除了中心位置，还希望读者看到不同方法的离散程度和异常值。请根据数据选择适合论文展示的可视化方式。

以前可能会说："帮我画一个折线图。"

可以改成：

我要展示不同算法随迭代次数增加时的收敛过程，重点比较收敛速度、最终性能和训练后期的稳定程度。请根据数据选择合适的图表结构。

相关性分析也一样。与其直接要求"画一个热力图"，可以告诉 AI：

我要分析多个连续变量之间的相关关系，希望读者快速识别强正相关、强负相关以及可能存在信息冗余的变量组合。

这样给出的信息和论文真正想表达的内容更接近。

AI 知道我们希望读者从 Figure 中读出什么以后，选图通常也会更有依据。

几套可以直接复制使用的 Prompt

如果不想每次重新组织语言，我整理了几个比较常见的科研任务，可以直接在此基础上修改。

自动选图

使用 vivid-figures-skill 读取我的数据文件。  先分析数据包含哪些变量、变量在实验中的含义、分组方式、样本数量、是否存在重复实验，以及哪些统计信息能够由现有数据可靠计算。  我的核心表达目标是： 【在这里写你希望读者从图中看出的内容】  请结合数据和研究目的，从 Vivid Figures 中搜索合适的图表模板。选定 recipe 后，从完整模板源码开始适配真实数据。  不要为了套用模板虚构任何数据、误差、置信区间、显著性或实验结果。  生成图片以后实际检查结果，处理标签遮挡、裁切、图例、坐标轴和可读性问题。  最终输出 PNG、PDF 和完整可复现 Python 源码。

模型性能比较

使用 vivid-figures-skill 分析 results.csv。  这是多个模型在重复实验中的性能结果。重点比较各模型整体性能、模型之间的性能差异以及多次实验中的稳定性，同时检查是否存在明显异常结果。  请根据真实数据选择合适的科研图，不预先限定柱状图或箱线图。  使用珊瑚青绿配色。保留所选模板原有的渐变、透明度、描边、标记和层次设计，只根据真实数据和可读性进行必要调整。  不要添加数据中不存在的统计信息。  输出 PNG、PDF 和 Python 源码。

消融实验

使用 vivid-figures-skill 读取 ablation.csv。  这是论文的消融实验。请分析不同模块加入或移除后对各项性能指标造成的变化。  我希望读者能够清楚看到 Baseline 的表现、各模块带来的性能变化、完整模型的表现，以及不同评价指标上的变化是否一致。  根据数据选择适合论文展示的模板，不要添加数据中不存在的统计信息。  完成后检查标签、图例和坐标轴是否适合直接放入论文，并输出 PNG、PDF 和绘图源码。

参数敏感性

使用 vivid-figures-skill 分析 sensitivity.csv。  这是超参数 λ 的敏感性实验。请重点展示参数变化与模型性能之间的关系、性能较优的参数区域，以及参数过大或过小时模型性能如何变化。  如果 λ 跨越多个数量级，请判断是否适合使用对数坐标。  如果数据包含重复实验，可以展示有真实数据依据的不确定性；如果没有，不要自行生成误差范围。  选择适合论文展示的模板，并输出 PNG、PDF 和 Python 源码。

修改已经生成的论文图

继续修改刚才生成的图。  将图例移动到上方，增大坐标轴字号，解决右侧标签遮挡，并调整画布比例，使图片更适合论文双栏排版。  沿用当前模板和配色，保留原有渐变、透明度、描边、marker、annotation 和主要图层结构。除上述要求外，不重新设计整张图。  修改完成后重新渲染，并检查实际图片。

这最后一种 Prompt 在真实科研场景里其实会用得非常频繁。

论文图很少一次完成。导师一句"这个字太小""图例挡住曲线了""这个颜色打印出来看不清"，都意味着还要继续修改。

有了完整源码以后，这种修改会轻松很多。

配色怎么处理？

Vivid Figures 当前提供了 7 套内置配色，包括珊瑚青绿、橄榄杏棕、蓝粉浅彩、蓝天绿地、柔绿森林、粉彩少女和海洋清风。

没有特殊要求时，可以让 Agent 使用项目默认配色；如果想统一整篇论文的视觉风格，也可以直接在 Prompt 中指定：

整组 Figure 使用珊瑚青绿配色，并保持颜色含义一致。

这里的"颜色含义一致"其实很重要。

假设 Proposed Method 在 Figure 2 里是青绿色，到了 Figure 3 又突然变成橙色，整篇论文看起来就容易混乱。

如果课题组或者论文已经有固定配色，也可以直接提供十六进制颜色：

整组图片优先使用以下颜色：  #1F77B4 #FF7F0E #2CA02C #D62728

这样比让 AI 自己反复猜"高级一点的科研配色"稳定很多。

生成完以后，别看到图片好看就结束

这里我特别想多说一句。

AI 科研绘图最大的风险之一，就是我们很容易被视觉效果吸引，然后忽略数据本身。

一张图生成以后，我一般会先检查数据有没有漏组、标签有没有对应错误、单位是否正确，以及多个坐标轴有没有把不同量纲混在一起。

如果出现误差棒、置信区间或者显著性标记，还要继续追问：这些数字是怎么算出来的？

*像单星、双星、三星这样的显著性标记，更不能因为模板里原本有，就直接保留下来。真实数据没有完成相应统计检验，就应该删掉。

然后再看视觉问题，例如图例有没有挡住数据、坐标刻度是否重叠、annotation 有没有跑到画布外、字号放进论文后是否还能看清。

建议在每个正式绘图 Prompt 最后加一句：

生成后实际打开并检查图片，不要以代码成功运行作为任务完成标准。

代码没有报错，只能证明 Python 跑完了。它不能证明 Figure 已经可以投稿。

以前我们让 AI 画图经常依赖一句："帮我画得像 SCI 论文一点。"现在可以把成熟的科研图模板、选图逻辑、源码、视觉规范和检查流程一起交给 AI。

当这些资源能够被 Agent 调用以后，很多重复性的科研绘图工作就可以逐渐自动化。