vega 是一项用于图表创作的技能，可将结构化数据转换为交互式、数据驱动的可视化；大多数场景优先使用 Vega-Lite，复杂布局则使用 Vega。适用于柱状图、折线图、散点图、热力图、面积图、堆叠图和多系列图表，前提是你有真实数据字段，并且需要生成有效的 JSON spec。
该技能评分为 82/100，属于目录中相当值得推荐的条目：它提供了足够具体的安装决策信息，能让用户更有把握地启用，也能减少常见图表任务中的试错成本，但并不是一套完整的图表工作流。仓库清楚说明了何时使用 Vega-Lite、何时使用 Vega，给出了有效语法约束，并提供了有助于代理正确触发技能的示例模式。
- 使用场景边界清晰：涵盖支持的图表类型、Vega-Lite 与 Vega 的适用时机，以及不适用的情况（如流程图、KPI 卡片）
- 语法规则具有操作性：要求 $schema、仅输出有效 JSON 的指导，以及字段名大小写敏感的匹配规则
- 示例参考文件提供了可复用的图表模式，适合常见可视化，如柱状图、堆叠柱状图和多系列折线图
- 可见的工作流主要聚焦于图表规格定义，关于更完整的端到端创作或调试支持，证据有限
- 没有展示安装命令或配套工具，因此是否顺利采用，取决于用户是否理解基于 markdown fence 的工作流
Vega skill 概览
Vega skill 是一款图表编写 skill，适合把结构化数据转换成交互式、数据驱动的可视化；大多数场景优先用 Vega-Lite，只有在需要更高级布局时再用 Vega。vega skill 适合你需要一种稳定方式，从数值数组或表格数据生成柱状图、折线图、散点图、热力图、面积图、堆叠图和多系列图时使用；如果你想要的只是一个泛泛的“帮我想个图表”提示词，它并不合适。
vega skill 最适合什么场景
vega skill 很适合分析、报表、仪表盘和探索性可视化，因为这类任务的核心就是把真实数据字段准确映射成图表规范。它尤其适用于你已经知道数据集结构，并且需要一个能尊重字段名、字段类型和编码方式的 spec 的场景。
这个 skill 为什么不一样
vega 的核心价值在于精确：它强调 schema 有效性、JSON 正确性，以及字段与数据的准确对齐。之所以重要，是因为 Vega 图表对语法、类型或字段名非常敏感，出错后往往会直接失败；这个 skill 能帮助减少“看起来没报错、实际图表坏了”的情况。
什么时候不该用它
如果你要画的是流程图、工作流图，或者简单的 KPI 卡片，就不要优先选 vega。当你的输出更偏概念图，而不是统计可视化时，其他 skill 通常更快，也更干净。
如何使用 vega skill
安装并加载这个 skill
先按目录里的安装流程操作，然后在工作区中打开 vega skill 文件。核心入口是 SKILL.md，最值得一起看的补充文件是 references/examples.md，里面展示了很多可以直接借鉴和改写的图表模式，而不是从零手写 spec。
给 skill 正确的输入
只有当你的 prompt 里包含真实的数据形状、图表目标和限制条件时，vega install 的决策才真正有意义。弱一点的请求会说“根据这份数据画个图”；更强的请求会明确说“为 12 个产品生成一个按数值排序的水平柱状图，字段是 product 和 revenue，显示数值标签，并保持与 Vega-Lite 兼容”。
默认先用 Vega-Lite，除非你确实需要 Vega
对于大多数 vega usage 场景，先选 Vega-Lite。只有在雷达图、词云，或者更复杂的交互与布局需求下，才保留完整 Vega。若你不确定，先要一个 Vega-Lite 版本；只有在图表无法被清晰表达时，再切换到 Vega。
先看这些文件
先读 SKILL.md，掌握最关键的规则：必须包含 $schema，要使用有效 JSON，并且字段名要严格匹配。接着再看 references/examples.md，里面有水平柱状图、堆叠柱状图、多系列折线图等可复用的具体模式，只要替换成你自己的字段名即可。
vega skill 常见问题
vega 只适合高级用户吗？
不是。只要你能把数据描述清楚，vega guide 对初学者也很友好。真正的难点不是图表理论，而是如何提供足够结构化的信息，让模型在第一轮就生成有效的 Vega-Lite JSON。
vega 比普通提示词强在哪？
普通提示词通常只会给你一个图表想法。vega skill 更偏向安装决策和落地：它会把模型推向基于 schema、语法有效的输出，更接近可以立刻渲染的结果。
vega 适合所有图表类型吗？
它最适合数据可视化，尤其是 vega for Data Visualization 这类带有分类数据和数值数据的场景。对于图解、信息图式摘要，或者那种图表语义并不重要的小型状态组件，它不是最优选择。
通常是什么阻碍采用？
最常见的失败原因是字段名缺失、数据类型错误，或者忘了写 $schema。如果源数据很脏、缺项很多，或者只被松散定义过，你需要先清洗或标准化，再让这个 skill 生成可靠的 spec。
如何改进 vega skill
提供真实数据样本
提升 vega 输出质量最快的方法，是直接贴 5 到 20 行有代表性的样本数据，并给出精确键名，而不是用一段文字描述数据集。如果你的字段是 date、region 和 sales，就要明确写出来，这样模型才能不靠猜测去映射编码。
一开始就说明图表决策
直接告诉 skill 你最在意的图表行为：是比较分类、展示时间变化、看分布，还是比较多个系列。这个指令会影响 mark 的选择、坐标轴设置、排序方式，以及最终结果应当是堆叠、分面还是分层。
加上能防止低质量 spec 的约束
如果你需要分类排序、时间解析、图例行为、颜色范围或标签，就在最初的 prompt 里说清楚。这些约束能减少通用默认值，帮助 skill 选对编码方式和图表结构，从而提升输出质量。
在首次渲染结果上迭代
如果第一次结果已经接近但还不对，就一次只改一个变量：字段名、mark 类型、聚合方式，或者排序顺序。这样通常比要求整体重写更有效，也能让 vega skill 更专注于修正真正的图表问题，而不是重新解释目标。