Back to search
Skill-Research-Figure
SkillGitHub
用来画专业学术论文tikz图和手绘风格SVG图的Claude Code Skills
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Checked today
Badge for your README
Markdown
[](/listings/chingswy--skill-research-figure)HTML
<a href="/listings/chingswy--skill-research-figure"><img src="/api/listings/chingswy--skill-research-figure/badge.svg" alt="findsafeskills safety rating" /></a>Install
i
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
README.md · README · 321 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- # Research Figure Skills
- 一组 Claude Code Skills,让 Claude 帮你画出好看的图。支持两种输出格式:
- - **LaTeX TikZ** — 学术论文级别的 method pipeline 图,编译为 PDF/PNG
- - **SVG 手绘风格** — 零依赖的手绘白板图,适合教学、文档、团队沟通
- 只需用自然语言描述你想要的图,Claude 自动生成、编译、自检、迭代。
- ## Gallery
- <p align="center">
- <img src="examples/svg/example1_transformer_attention.png" width="80%" />
- </p>
- <p align="center"><em>SVG · Transformer 自注意力机制教学图(16:9)</em></p>
- <p align="center">
- <img src="examples/svg/example3_python_learning_path.png" width="80%" />
- </p>
- <p align="center"><em>SVG · 深度学习知识图谱(1:1) | Python 学习路径(A4 竖版)</em></p>
- <p align="center">
- <img src="examples/example1_nerf_pipeline.png" width="80%" />
- </p>
- <p align="center"><em>TikZ · NeRF 3D 重建 Pipeline(学术论文风格)</em></p>
- <p align="center">
- <img src="examples/example3_multimodal_llm.png" width="48%" />
- </p>
- <p align="center"><em>TikZ · Text-to-Image 扩散模型 | 多模态大语言模型</em></p>
- ---
- # Skill 1: TikZ Research Figure
- 生成学术论文级别的 method pipeline 图。适合投稿、正式报告。
- ## 功能特性
- - **卡片式排版**:每个模块用圆角矩形框包裹,箭头连接,结构一目了然
- - **低饱和配色**:5 套预定义学术配色方案,专业美观
- - **紧凑对齐**:横纵对齐,最小化空白区域
- - **自动编译验证**:生成 TikZ 代码后自动编译为 PDF/PNG,AI 自检并修复问题
- - **迭代优化**:根据用户反馈反复调整,直到满意为止
- ## 工作流程
- 整个流程分为 5 个阶段:
- ```
- Phase 1: 理解方法 → Phase 2: 确认结构(1-2轮) → Phase 3: 生成TikZ → Phase 4: 编译验证 → Phase 5: 展示迭代
- ```
- **你只需要提供论文的摘要或方法描述**,skill 会自动:
- 1. 提取 pipeline 结构:`输入 → 模块1 → 中间输出 → 模块2 → ... → 输出`
- 2. 识别哪些模块是 novel contribution(需要视觉突出)
- 3. 选择合适的排版模板和配色
- 4. 生成完整可编译的 standalone `.tex` 文件
- 5. 编译并自检图片质量
- ## 使用方式
- 在 Claude Code 中直接描述你的需求即可。以下是一些触发示例:
- ```
- > /research-figure 帮我画一个方法流程图,我的方法是...
- > /research-figure I need a figure for my paper. The pipeline is...
- > /research-figure Draw my method: we take multi-view images as input, encode features with ResNet...
- > /research-figure 画图:输入文本 → CLIP编码 → 扩散模型去噪 → VAE解码 → 输出图像
- ```
- Skill 会自动激活,引导你完成整个流程。
- ## 环境要求
- - **TeX 发行版**:需要安装 pdflatex(如 MacTeX / TeX Live)
- ```bash
- # macOS
- brew install --cask mactex-no-gui
- # Ubuntu
- sudo apt-get install texlive-full
- ```
- - **PDF 转 PNG 工具**(至少安装一个):
- - `pdftoppm`(推荐,来自 poppler):`brew install poppler`
- - `gs`(Ghostscript,高质量):`brew install ghostscript`
- - `convert`(ImageMagick)
- - `sips`(macOS 自带,仅 72dpi,质量较低)
- ## 项目结构
- ```
- .claude/skills/research-figure/
- ├── SKILL.md # 主 Skill 文件(工作流定义)
- ├── scripts/
- │ └── compile_tikz.sh # 编译 + 转图片脚本
- └── references/
- ├── tikz_elements.md # TikZ 元素库(模块框、箭头、可视化元素等)
- ├── color_schemes.md # 5 套预定义配色方案
- └── layout_templates.md # 5 种排版模板(直线型、环型等)
- examples/ # 使用案例
- ├── example1_nerf_pipeline.tex # NeRF 风格 3D 重建 pipeline
- ├── example1_nerf_pipeline.png
- ├── example2_diffusion_pipeline.tex # Text-to-Image 扩散模型 pipeline
- ├── example2_diffusion_pipeline.png
- ├── example3_multimodal_llm.tex # 多模态大语言模型 pipeline
- └── example3_multimodal_llm.png
- ```
- ## 使用案例
- ### 案例 1:NeRF 风格 3D 重建 Pipeline
- **用户输入:**
- > /research-figure 我的方法是一个基于 NeRF 的新视角合成方法。输入是多视角图像,先用 ResNet-34 编码特征,
- > 然后送入我们提出的 Adaptive NeRF 模块(包含位置编码、MLP 预测密度和颜色),
- > 再通过体渲染得到新视角图像。训练时用 photometric loss 监督。
- > 我们的贡献是 Adaptive NeRF 模块和体渲染的结合。
- **生成结果:**
- <p align="center">
- <a href="examples/example1_nerf_pipeline.pdf"><img src="examples/example1_nerf_pipeline.png" width="90%" /></a>
- </p>
- - **配色**:Blue-Gray(经典学术蓝灰)
- - **布局**:直线型(从左到右)
- - **亮点**:Adaptive NeRF 模块用加粗边框和深色背景突出显示,内部展示了 Pos.Enc → MLP → σ,c 的子模块;底部用大括号标注 "Our Contribution"
- ### 案例 2:Text-to-Image 扩散模型 Pipeline
- **用户输入:**
- > /research-figure 我在做一个 text-to-image 的扩散模型。输入文本经过 CLIP text encoder 编码,
- > 得到条件向量 c,送入我们设计的 Guided Denoiser(基于 U-Net + Cross Attention),
- > 同时输入高斯噪声。去噪后的 latent z0 经过 VAE Decoder 解码为图像。
- > 训练用 simple loss。我们的核心贡献是 Guided Denoiser。
- **生成结果:**
- <p align="center">
- <a href="examples/example2_diffusion_pipeline.pdf"><img src="examples/example2_diffusion_pipeline.png" width="90%" /></a>
- </p>
- - **配色**:Warm Tones(暖色系,突出创新)
- - **布局**:直线型主流程 + 底部噪声输入和 Loss
- - **亮点**:Guided Denoiser 用加粗边框突出;高斯噪声从底部通过折线箭头输入;顶部大括号标注贡献
- ### 案例 3:多模态大语言模型 Pipeline
- **用户输入:**
- > /research-figure 我的方法是一个多模态大语言模型。有两个输入分支:图像分支用 ViT-L/14 编码后
- > 经过一个 MLP Visual Projector,文本分支用 BPE Tokenizer 处理。两个分支的输出
- > 通过 concat 合并,送入我们的 Adaptive LLM(基于 LLaMA-7B + LoRA 微调),
- > 输出回复文本。我们的贡献是 Visual Projector 和 Adaptive LLM。
- **生成结果:**
- <p align="center">
- <a href="examples/example3_multimodal_llm.pdf"><img src="examples/example3_multimodal_llm.png" width="90%" /></a>
- </p>
- - **配色**:Purple-Blue(优雅紫蓝)
- - **布局**:多分支合并型(双输入分支 → concat → 主模块)
- - **亮点**:Visual Branch 和 Text Branch 分别用虚线 group box 包裹;⊕ 符号表示特征拼接;底部大括号标注贡献范围
- ## 配色方案一览
- | 方案 | 风格 | 适用场景 |
- |------|------|----------|
- | **Blue-Gray** | 经典学术蓝灰 | 通用 pipeline,系统设计图 |
- | **Warm Tones** | 暖橙粉黄 | 突出创新,创意方法 |
- | **Green-Cyan** | 清新绿青 | 生成类、生物相关 |
- | **Purple-Blue** | 优雅紫蓝 | 理论性强、数学相关 |
- | **Monochrome** | 灰度渐变 | 极简风格,黑白打印友好 |
- ## 排版模板一览
- | 模板 | 预览 | 适用场景 |
- |------|------|----------|
- | **直线型(水平)** | <a href=".claude/skills/research-figure/templates/template1_linear_h.pdf"><img src=".claude/skills/research-figure/templates/template1_linear_h.png" height="40"/></a> | 最常见,3-6 个阶段的顺序 pipeline |
- | **直线型(垂直)** | <a href=".claude/skills/research-figure/templates/template2_linear_v.pdf"><img src=".claude/skills/research-figure/templates/template2_linear_v.png" height="80"/></a> | 窄页面,双栏论文单栏图 |
- | **环型(U 形)** | <a href=".claude/skills/research-figure/templates/template3_loop_ushape.pdf"><img src=".claude/skills/research-figure/templates/template3_loop_ushape.png" height="60"/></a> | 迭代方法、GAN 训练循环、强化学习 |
- | **两模块独立** | <a href=".claude/skills/research-figure/templates/template4_two_independent.pdf"><img src=".claude/skills/research-figure/templates/template4_two_independent.png" height="60"/></a> | 多阶段方法(如训练+推理分离) |
- | **多分支合并** | <a href=".claude/skills/research-figure/templates/template5_multi_branch.pdf"><img src=".claude/skills/research-figure/templates/template5_multi_branch.png" height="60"/></a> | 多模态、多尺度、集成方法 |
- ## 设计原则
- 这些原则来自学术论文作图的最佳实践:
- 1. **卡片式排版**:每个模块用圆角矩形框包裹,箭头连接
- 2. **低饱和配色**:使用柔和的粉彩色调,不使用鲜艳的饱和色
- 3. **紧凑布局**:最小化空白,元素横纵对齐
- 4. **无衬线字体**:全程使用 `\sffamily`,现代简洁
- 5. **突出贡献**:论文的 novel contribution 模块用加粗边框 + 不同背景色视觉区分
- 6. **2D 可视化元素**:用样式化的图形元素替代纯文字(特征图、网络模块符号等)
- ---
- # Skill 2: SVG Hand-Drawn Flowchart
- 用手绘风格的 SVG 生成流程图、知识图谱、学习路径等各类图表。与 TikZ 方案互补——**零依赖、即时渲染、GitHub 直接预览**。
- ## 为什么选 SVG?
- | | TikZ(research-figure) | SVG(svg-creator) |
- |---|---|---|
- | **依赖** | 需安装 TeX Live / MacTeX | 零依赖,浏览器直接渲染 |
- | **渲染速度** | 需要 pdflatex 编译 | 即时,无编译步骤 |
- | **风格** | 学术正式,适合论文投稿 | 手绘白板风,适合教学/沟通 |
- | **预览** | 需转为 PNG 后查看 | GitHub / 浏览器直接内嵌 |
- | **版本控制** | .tex 文本可 diff | .svg 文本可 diff |
- | **适合场景** | 论文 method figure | 课件、文档、团队分享、科普 |
- ## 功能特性
- - **手绘美学**:`feTurbulence` + `feDisplacementMap` 实现草图效果,不是冰冷的商业图
- - **斜线填充**:模拟手绘交叉阴影,增强手工质感
- - **手写字体**:中文用马善政毛笔体,英文用 Comic Sans MS
- - **多种比例**:16:9(演示)、4:3(文档)、1:1(社交媒体)、A4(打印)
- - **自动验证**:生成后 rsvg-convert 转 PNG,AI 自检布局和箭头
- - **色彩分区**:每个模块独立配色,层次分明
- ## 使用方式
- 在 Claude Code 中描述你想要的图即可:
- ```
- > /svg-creator 画个图:Transformer 自注意力机制的工作原理
- > /svg-creator 帮我可视化一下深度学习各分支的关系
- > /svg-creator draw a diagram: Python learning path from beginner to expert
- > /svg-creator 画个流程图,1:1 比例,展示...
- ```
- ## 使用案例
- ### 案例 1:Transformer 自注意力机制详解
- **用户输入:**
- > /svg-creator 帮我画一个 Transformer 自注意力机制的教学图。要分步讲解:输入嵌入 → Q/K/V 投影
- > → 注意力分数计算 → 加权求和输出。比例 16:9,适合放 PPT。
- > 底部加一段"直觉理解",举例说明为什么需要 self-attention。
- **生成结果:**
- <p align="center">
- <img src="examples/svg/example1_transformer_attention.png" width="90%" />
- </p>
- - **比例**:16:9(演示/PPT 友好)
- - **布局**:左到右四阶段流水线
- - **配色**:蓝→橙→绿→紫,每阶段独立色系
- - **亮点**:底部"直觉理解"用虚线框包裹,举了指代消解和多义词两个真实例子;核心公式单独高亮
- ### 案例 2:深度学习知识图谱
- **用户输入:**
- > /svg-creator 画一个深度学习的知识图谱,1:1 比例。中心是"深度学习",
- > 分支包括 CNN、RNN、Transformer、GAN、扩散模型、强化学习。
- > 每个分支下面挂 2-3 个代表性应用或模型。
- > 用虚线标注分支之间的演化关系(如 RNN → Transformer)。
- **生成结果:**
- <p align="center">
- <img src="examples/svg/example2_deep_learning_knowledge_map.png" width="70%" />
- </p>
- - **比例**:1:1(正方形,适合社交媒体/笔记)
- - **布局**:放射状,中心向六个方向发散
- - **配色**:六色分区(蓝/橙/绿/紫/红/青),底部数学基础用灰色
- - **亮点**:虚线标注演化关系(RNN → Transformer);底部"基础数学"用虚线框表示支撑关系;左下角图例
- ### 案例 3:Python 学习路径
- **用户输入:**
- > /svg-creator 画一个 Python 学习路径图,A4 竖版。分四个阶段:入门(环境搭建、语法、控制流)→
- > 基础(函数、OOP、文件)→ 进阶(分三条路:Web开发、数据科学、自动化脚本)→
- > 精通(设计模式、并发、开源贡献)。每个阶段有一个里程碑标记。
- **生成结果:**
- <p align="center">
- <img src="examples/svg/example3_python_learning_path.png" width="55%" />
- </p>
- - **比例**:A4 竖版(1000×1414,适合打印/手机阅读)
- - **布局**:自上而下四层阶梯,第三层带三向分支
- - **配色**:蓝→橙→绿→紫,层层递进
- - **亮点**:左侧竖线进度指示器;第三阶段"选择方向"三条路分叉;右侧小贴士气泡增添趣味;每层底部里程碑标记
- ## 设计原则
- 1. **手绘而非机械**:通过 SVG filter 让直线有微小抖动,看起来像白板手画
- 2. **箭头永不加 filter**:这是 #1 踩坑点——`feDisplacementMap` 会让细线消失
- 3. **斜线填充 + 半透明底色**:兼顾视觉质感和文字可读性
- 4. **字体一致**:中文统一马善政,英文统一 Comic Sans,不混用其他手写体
- 5. **色彩克制**:每种颜色对应一个语义分区,避免彩虹噪音
- 6. **比例适配内容**:横向流程用 16:9,层级结构用 A4,概念关系用 1:1
- ---
- ## 声明与致谢
- 本仓库仅供实验室内部参考。
- 本仓库中关于方法流程图的设计原则与方法论,来源于 [pengsida/Learning_research](https://github.com/pengsida/Learning_research),感谢 [pengsida](https://github.com/pengsida) 的整理与分享。
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.