一位耶鲁大学计算机博士生把自己论文里用过的 Python 画图脚本全部公开了,这些图登上过 Nature Machine Intelligence、ICML、NeurIPS、ECCV。仓库在 GitHub 上已经有一万两千多个 Star。更有用的是,作者把这些脚本里反复出现的做法整理成了一个 Skill,你的 AI Agent 读了它,就能照同一套习惯给你画图。图看着专业,靠的是每一张都守同一套规矩。
先看这套出图规矩
下面这张三联柱状图来自仓库里一篇 Nature Machine Intelligence 论文的配图。蓝色是作者自己的方法,其余是对照方法,图例单独占了右边一格。

图片来自 figures4papers 仓库。把这类图拆开看,规矩集中在下面几处:
| 环节 | 固定做法 | 读者看到的效果 |
|---|---|---|
| 字体字号 | 无衬线字体(Helvetica 或 Arial),大图字号放大到 24,小图 15 到 16 | 缩到论文栏宽里,坐标轴的字照样看得清 |
| 边框 | 去掉上边和右边的框线,图例不加外框 | 画面干净,视线只落在数据上 |
| 配色 | 深蓝给你的方法,绿色系给改进版,粉红色系给对照组,灰色给基线 | 读者不看图例也能先找到"你的"那一根 |
| 版式 | 多个指标横排成超宽图,图例单独放一格,纵轴范围收紧到数据附近 | 差距一眼可见,图例不压数据 |
| 印刷 | 柱子加黑边,必要时加斜线纹理;导出 300 dpi,密集图用 600 dpi,同时出 PDF | 黑白打印也分得清,放大不糊 |
以上做法来自作者在仓库里对自己脚本的整理(例如多数脚本用 Helvetica、多数导出是 300 dpi),我们读了说明和示例图,没有自己运行这些脚本。
为什么有效:三个原因
- 颜色先有含义,再谈好看:同一种颜色在整篇论文里始终指同一类东西,读者翻到第五张图也不用重新对图例。
- 把不需要的东西都拿掉:多余的框线和重复的标签都删掉,留下的每根线都有用。审稿人看图的时间很短,干净的图更容易被看懂。
- 按印刷标准交付:很多人只在屏幕上看过自己的图,投稿后才发现灰度打印分不出组、放大后发糊。这套规矩从一开始就按纸面要求导出。
照着学:五步 SOP

把 Scientific Figure Making 这个 Skill 交给你的 AI Agent,再按下面五步走,让它每完成一步对照"完成标准"自查。
容易踩的坑
- 让 AI 补数据:数据缺一格时,Agent 可能"顺手"估一个值。开场白里写明只用你给的数,画完逐个对一遍。
- 纵轴收得太紧:从 0.85 开始画的纵轴会把很小的差距放大,审稿人可能觉得夸张。收紧时在柱子上标出具体数值,让读者自己判断。
- 电脑里没有对应字体:没有 Helvetica 时会换成 Arial 等相近字体,影响不大;有些脚本用 LaTeX 渲染公式,没装 LaTeX 就让 Agent 关掉这一项。
- 只照搬配色,不管含义:颜色要和"谁是你的、谁是对照"对应上,随便套用反而让读者看错。
- 不能拿去商用:仓库用的是 CC BY-NC 4.0 许可,写论文、做学术报告没问题,商业用途要先看清许可条款。
项目地址:figures4papers。想让 Agent 直接按这套规矩画图,看 Skill 页面 Scientific Figure Making。
常见的翻车点
- 01AI 自己补了缺的数据
- 02纵轴收得太紧,把小差距放大
- 03电脑里缺字体或 LaTeX
- 04只照搬配色不管含义
- 05拿去商用违反非商业许可


评论(0)
还没有评论,来说第一句。