scientific-visualization
作者 K-Dense-AIscientific-visualization 是一个用于生成可直接用于发表图表的元技能。适合期刊投稿中的多面板布局、显著性标注、误差线、色盲友好配色，以及 Nature/Science/Cell 风格排版。它会协调 matplotlib、seaborn 和 plotly，用于 Data Visualization 相关的 scientific-visualization 工作。
该技能评分为 68/100，说明它值得收录，适合需要可直接用于发表的科学图表的用户。仓库提供了明确的触发场景、较完整的工作流内容和具体的发表目标，但目录用户仍应预期一定的上手摩擦，因为没有配套脚本、参考资料或安装命令来减少配置猜测。
- 使用场景清晰，面向期刊级科学图表，覆盖 Nature/Science/Cell 风格的发表需求。
- 操作指导较充实：技能主体篇幅较大、结构清楚，并包含布局、误差线、显著性标注和导出格式等工作流细节。
- 对图表生成的代理支持较好，明确提到 matplotlib、seaborn 和 plotly，同时兼顾可访问性与色盲友好要求。
- 没有安装命令，也没有支持文件，用户可能需要仅根据正文自行推断环境配置和样式资源。
- 摘录中展示了代码示例，并提到 style_presets.py 等脚本，但仓库证据并未包含这些配套资源。
科学可视化技能概览
科学可视化技能能做什么
scientific-visualization 技能可以把原始科学数据转成适合发表的图表，结构和风格都符合期刊常见要求。它更适合那些必须准确、易读、可导出的工作，而不只是“好看”而已。
适合谁使用
如果你需要多面板布局、误差线、显著性标注、色盲友好配色、统一字体，或是面向论文、预印本、海报、幻灯片图的期刊特定格式，这个科学可视化技能就很适合你。
它为什么不同于普通提示词
普通提示词可能只会说“做得好看一点”，但这个技能是围绕真实发表工作中会卡住的限制来设计的：图幅大小、印刷尺寸下的可读性、灰度回退，以及 PDF/EPS/TIFF 这类输出格式。也正因为如此，当图必须经得起审稿时，科学可视化指南会更实用。
如何使用 scientific-visualization 技能
为你的工作流安装 scientific-visualization
使用以下命令安装 scientific-visualization 技能：
npx skills add K-Dense-AI/claude-scientific-skills --skill scientific-visualization
安装后，请先确认技能路径位于 scientific-skills/scientific-visualization，并从 SKILL.md 开始阅读，这样你才能先理解它的预期工作流，再把它调整到你的项目里。
先读对文件
最值得先看的文件是 SKILL.md。如果你想了解更完整的上下文，可以查看同一技能文件夹里引用到的 helper 或示例。这个仓库没有为该技能额外提供 rules/、resources/ 或 scripts/ 文件夹，所以核心价值主要就在技能说明本身。
给技能一个真实的图表 brief
要把科学可视化技能用好，不要笼统地说“做一张发表级图”。请明确提供数据类型、受众、目标期刊或场景、面板数量、坐标轴单位、统计标注，以及导出格式。
更强的提示词可以这样写：
Create a 4-panel scientific figure for a manuscript: time series, grouped bar chart, scatter with regression, and summary schematic. Use a colorblind-safe palette, readable labels at 85 mm width, significance markers, and export-ready formatting for PDF.
这种细节越充分，scientific-visualization 安装后的收益就越大，因为输出才能真正围绕图表约束来设计。
从草图思路推进到最终成图
一个好的科学可视化工作流通常是：
- 先定义这张图要传达的核心信息。
- 再明确每个面板必须展示什么。
- 说明期刊或格式上的约束。
- 先让它给出草稿版布局。
- 草稿确定后，再细化标签、颜色、注释和导出设置。
如果你的目标只是探索性分析，这个技能可能会比你需要的流程更多；直接用 seaborn 或 plotly 画图通常更快。
scientific-visualization 技能常见问题
scientific-visualization 只适合期刊图吗？
不是。scientific-visualization 技能虽然最擅长期刊风格输出，但同样适用于会议幻灯片、组会图、报告，以及任何需要把科学数据讲清楚、并且经得起质疑的场景。
什么情况下不该用它？
如果你只需要快速探索性图表、dashboard，或者交互式分析，就不要用 scientific-visualization 技能。这些场景下，标准绘图流程通常更简单也更快。
它会替代 matplotlib、seaborn 或 plotly 吗？
不会。它的作用是统筹这些工具。scientific-visualization 指南关注的是如何带着发表约束去使用这些工具，而不是取代它们。
它适合新手吗？
适合，只要你能清楚描述你要做的图。这个技能最有帮助的地方，是你已经知道图要讲什么故事，但还需要在布局、风格和发表级输出上获得帮助。
如何改进 scientific-visualization 技能
给出更明确的输入约束
质量提升最大的地方，在于把目标受众和输出限制说清楚。请写明图宽、面板数量、首选文件格式，以及这张图是否必须同时适用于彩色和灰度。这样可以帮助 scientific-visualization 技能避免套用过于泛化的风格。
提供数据形状，而不只是主题
不要只说“做一张关于基因表达的图”，而要说明数据属于分组分类、时间序列、分布、相关性，还是轨迹。数据形状越具体，scientific-visualization 的使用就越能匹配正确的图类型和标注方式。
先要布局，再谈美化
很多失败都发生在用户还没把结构理顺时，就先要求最终风格。建议先让它给出面板顺序、标注和层级结构；然后再细化字体、颜色和导出设置。这是提升 scientific-visualization 结果最快的方式。
围绕可读性和发表适配反复迭代
拿到第一版后，要检查标签在最终印刷尺寸下是否仍然清晰、颜色对色盲读者是否足够区分、统计标记是否明确。若不满足，就要用具体修改意见重写提示词，而不是只说“再干净一点”。