Nature 级科研绘图技能（nature-figure）
为 Nature 等高影响力期刊生成投稿级科研图：多面板排版、期刊导出与审稿风险自查。
证据表明技能明确使用 Python/R 后端并在本地保存偏好，无自动外部调用；数据完整性规则明确、排除观测需记录，透明性良好。第三方模板有版权声明，未自动授权。但存在 OpenRouter 外部 API 调用（GPT Image 2），且未说明网络可达性、数据发送范围或用户确认机制；脚本执行未声明权限最小化或回滚方案。虽无明显恶意，但外部调用和权限细节不足，因此扣分。
指令内部一致，流程清晰（路由协议、阻塞门、加载片段）。依赖的脚本（validate_figure.py、audit_pdf_text.py 等）未在提供文件中包含实现或测试，静态审查无法验证其可运行性；异常输入时未提供故障反馈机制的具体说明。因此仅给予 9 分，最高不超过静态上限 10。
目标受众、使用场景（Nature 投稿图）描述清晰，中文支持良好，触发词丰富（论文配图、科研绘图等）。但未声明明确的不适用边界（如交互仪表板已排除），环境适配中依赖 OpenRouter 海外服务，国内网络可能不可达，且未提供替代方案，因此扣分。
README 和 SKILL.md 结构规范，有中英文镜像，提供示例、边界、相关技能。但缺少版本号、变更日志、维护者联系方式（除仓库级 README 外），技能内部无已知限制披露（如 OpenRouter 依赖），第三方材料版权已注明。整体维护责任不明确，因此未达满分。
描述声称生成投稿级图件，但静态审查未看到实际输出验证或可复现示例。虽然内置模板和脚本可能有效，但缺乏直接证据表明输出可直接使用或边际价值高。按静态校准上限 7，给予 6 分。
无测试、CI 或第三方独立验证覆盖 nature-figure 本身。仓库有 CI 但未涉及该技能。项目 README 声称被 DeepMind 借鉴，但无法验证。故按静态上限 5 给予 4 分。
- OpenRouter 外部 API 调用（GPT Image 2）可能导致数据外传，且依赖海外服务，国内网络可能无法访问，建议谨慎使用并确认用户同意。
- 技能依赖的校验脚本（validate_figure.py、audit_pdf_text.py 等）未在提供文件中展示，需验证其可用性和安全性后再使用。
- 第三方 figures4papers 材料版权不明确，保留有 THIRD_PARTY_NOTICES.md 但未授权使用，引用时需自行确认版权。
这个 Skill 能做什么，适合哪些场景？
该技能面向需要为 Nature 家族或同类高影响力期刊制作投稿级科研图的科研人员，支持 Python（matplotlib/seaborn）或 R（ggplot2/patchwork/ComplexHeatmap）工作流。它会先协助你明确核心结论、证据链、数据完整性、模板兼容性和导出需求，再逐层加载绘图规范、后端快速入门和交付前质检清单。技能内置了 figures4papers 风格的多面板组合能力，并可导出 SVG/PDF/TIFF 等期刊要求的格式。此外，它还提供一条独立的 AI 示意图生成路径（OpenRouter GPT Image 2），用于制作图形摘要或机制示意图。
读取 manifest.yaml 和 static/core/ 中的核心规范（图形契约与默认立场），解析用户选择的绘图后端（Python 或 R），并加载对应的 backend 片段。在执行绘图前，它会引导用户定义核心结论、证据链、图形类型、期刊导出要求和审稿风险。绘图过程中，它会调用 references/ 下的深度参考（如 figure-contract、design-theory、template-catalog、qa-contract 等），并在交付前运行 scripts/validate_figure.py 和 scripts/audit_pdf_text.py 进行自动化检查，同时要求人工逐面板核查不确定性、显著性、间距与碰撞。对于 AI 示意图生成请求，它会调用 scripts/generate_openrouter_schematic.py 调用 OpenRouter GPT Image 2 API，并将输出视为草稿。
- 一位博士生需要将实验结果整理成多面板的投稿级科研图，并确保符合 Nature 的排版要求，可直接描述数据和方法，由技能引导完成。
- 一位研究人员已有用 matplotlib 或 ggplot2 写的绘图代码，但需调整以达到期刊标准，技能会协助修改代码并检查导出格式。
- 一位通讯作者需要制作论文的图形摘要或机制示意图，可明确要求使用 OpenRouter GPT Image 2 生成草稿，再人工修改。
- 一位审稿人回复中要求修改图表，作者需快速审计并修正图的统计标注、颜色和导出质量，技能提供相关质检清单。
- 科研团队希望统一绘图风格，可将技能作为模板，确保所有图件遵循一致的视觉规范和期刊要求。
这个 Skill 有哪些优点和局限？
- 覆盖从规划到交付的完整流程：契约定义、后端选择、模板适配、QA 检查。
- 支持两种主流绘图语言（Python/R），并内置了后端偏好记忆机制。
- 内置大量深度参考，可适应不同复杂度的绘图任务。
- 提供自动化脚本验证绘图源文件和 PDF 导出文本，减少人工错误。
- 清晰划分了绘图和 AI 示意图两条路线，避免混淆。
- 依赖用户提供明确的方法和数据，若描述不清晰可能无法有效引导。
- 自动化检查无法完全替代人工对每个面板的细致审查。
- OpenRouter API 路线需要额外配置 API key，且输出视为草稿需人工修改。
- 该技能仅针对科研图，不适用于交互式图表或纯数据分析。
如何安装这个 Skill？
通过 npx skills 安装：npx skills add Yuan1z0825/nature-skills --agent codex --skill nature-figure --yes --copy。若使用 Claude Code，需保留稳定 clone 并创建 subagent 或 slash command 指向 skills/nature-figure/SKILL.md。确保 Python 或 R 环境已安装相应绘图库。
如何使用这个 Skill？
在支持 Agent 的环境中安装技能后，直接描述任务，例如“根据这段方法和结果，帮我生成投稿级科研图”。技能会询问选择 Python 还是 R，并记住您的默认选择。对于 AI 示意图，直接说明“用 OpenRouter GPT Image 2 生成图形摘要”，技能将跳过后端选择并调用 API。实际使用中，需提供数据文件、方法描述或代码片段，并准备好接受技能的输出。