从自然语言需求和真实数据出发，自动完成选图、模板适配、绘图生成、质量检查与有限自动修复。
| 🧠 智能选图 理解表达目标与数据关系 |
🧩 模板适配 保留科研布局与视觉风格 |
📦 按需依赖 仅补全当前模板所需库 |
🔍 双重质检 技术检查与视觉检查 |
Note
ModelViz 不是简单地“按指令画一张图”。它会先理解用户想表达的趋势、对比、分布或相关关系，再结合真实数据，从模板库中筛选合适方案，保留科研版式与配色，最终输出可复现代码、图表和质量报告。
做数学建模图表时，真正耗时间的往往不是调用一次绘图库，而是找到合适的科研版式、完成数据列映射，并把标题、坐标轴、图例和配色调整到可以直接放进论文或答辩中。
ModelViz 将这套流程整理成一个可复用 Skill：内置近百个正式科学可视化模板，配套上百个预览与模板资产，覆盖聚类降维、相关性、分布不确定性、预测评估、敏感性分析、网络关系、空间分析和时序趋势等方向。
- 从表达目标出发：先判断趋势、对比、分布、相关性等核心任务，再决定图表形式。
- 从真实数据出发：基于实际字段、类型和关系完成模板筛选与数据映射。
- 从论文阅读习惯出发：优先选择清晰、规范、低饱和、重点突出的科研版式。
- 从可复现流程出发：同时输出图表、Python 代码和质量报告。
聚类关联矩阵 |
聚类热力图 |
GAM 等高线面板 |
SHAP 交互网络 |
三角相关热力图 |
三角网络相关图 |
弦图网络关系 |
径向综合评价 |
RDA / 排序分析 |
环形柱状对比 |
聚类投影密度 |
热力图排名矩阵 |
小提琴分布矩阵 |
三维响应面组合 |
扇形相关热力图 |
边际回归散点图 |
散点矩阵热力图 |
多关系散点面板 |
敏感性等高线矩阵 |
空间主导因子图 |
| 能力 | 说明 |
|---|---|
| 科学可视化模板库 | templates/ 保存数学建模和科研报告常见图表模板，docs/template_catalog.yaml 记录统一元数据。 |
| 自然语言需求结构化 | 将用户描述解析为固定 Pydantic 结构，保留图表类型、功能、风格、使用场景和负面要求。 |
| 候选模板召回 | 使用确定性匹配工具召回 5–10 个候选模板，优先考虑功能和图表类型。 |
| 结合数据最终选择 | 由大语言模型读取数据上下文，并且只能从候选模板中选择最终模板。 |
| 模板风格保留 | 学习选定模板的布局、配色、字体、图例和坐标轴风格，再适配用户数据。 |
| 按需依赖补全 | 选定模板后才识别、检查和安装实际需要的第三方 Python 包。 |
| 可复现绘图代码 | 适配后的代码保存为工作区脚本，不修改原始模板和用户数据。 |
| 技术与视觉质量检查 | 检查执行结果、图片可读性、空白风险、警告以及图表是否满足用户目标。 |
| 有限自动修复 | 只修复报告明确指出的问题，避免无限循环和过度重写。 |
| ✅ 适合 | ❌ 不适合 |
|---|---|
|
|
在支持 Skill 的宿主软件中，可以直接用自然语言描述任务：
请使用这个科学可视化 Skill。
数据文件是 data.xlsx。
我想比较不同地区各项指标的差异，要求适合数学建模论文，
突出整体差异和异常地区，不要使用三维图。
查看更多示例
请用 data.csv 画不同年份产量和增长率的趋势图，适合论文正文，风格简洁。
请分析这些变量之间的相关性，生成科研风热力图，要求标签清晰。
我想展示不同算法的预测误差对比，不要饼图，尽量突出误差和排名。
请展示多指标综合评价结果，适合数学建模答辩展示，低饱和配色。
flowchart TD
A["用户需求与数据"] --> B["需求结构化"]
B --> C["候选模板召回"]
C --> D["结合数据选择模板"]
D --> E["按需检查依赖"]
E --> F["模板适配"]
F --> G["绘图执行"]
G --> H["技术与视觉检查"]
H --> I{"需要修复？"}
I -- "是" --> J["局部自动修复"]
J -. 重新执行 .-> G
I -- "否" --> K["返回图片、代码和报告"]
Important
宿主模型应先读取根目录 SKILL.md，再按其中的阶段流程调用 Prompt、Tools 和 Services。不要绕过工具直接编造候选模板、依赖状态、生成图片或质量结果。
查看关键目录
modelviz-skill/
├── SKILL.md
├── README.md
├── prompts/
├── templates/
├── docs/
├── src/
│ ├── prompts/
│ ├── schemas/
│ ├── tools/
│ └── services/
├── tests/
├── evals/
├── examples/
├── gallery/
├── workspace/
├── outputs/
└── requirements.txt
| 目录 | 作用 |
|---|---|
SKILL.md |
Skill 总入口和实际执行流程 |
templates/ |
原始绘图模板库，运行时应保持只读 |
prompts/ |
模板适配、视觉检查和代码修复规则 |
src/prompts/ |
可执行的 ChatPromptTemplate 定义 |
src/tools/ |
文件读取、匹配、依赖检查、执行和质量检查工具 |
src/services/ |
阶段 2–6 的流程入口 |
docs/ |
模板目录、需求词表、依赖映射和阶段说明 |
tests/ |
单元测试和集成测试 |
evals/ |
离线评估案例、脚本和指标报告 |
gallery/ |
汇总后的预览图库 |
workspace/ |
运行时中间文件 |
outputs/ |
最终图表输出目录 |
| 阶段 | 入口 |
|---|---|
| 需求解析 | src.services.requirement_parser.parse_and_save_requirement |
| 候选召回 | src.services.candidate_matching_pipeline.run_candidate_matching_pipeline |
| 最终模板选择 | src.services.final_template_selection_pipeline.run_final_template_selection_pipeline |
| 模板依赖与代码适配 | src.services.template_adaptation_pipeline.run_template_adaptation_pipeline |
| 技术检查、视觉检查和修复 | src.services.plot_quality_pipeline.run_plot_quality_pipeline |
这些入口由 SKILL.md 编排。模型语义判断步骤需要宿主提供支持结构化输出的模型对象；测试和离线评估使用 Mock 结构化输出验证流程衔接。
模板库涉及多种绘图库和科学计算库，因此不建议预先安装所有模板可能用到的依赖。当前 requirements.txt 只保留 Skill 编排和测试所需的核心依赖。
读取模板 import
→ 合并 catalog 依赖
→ 排除标准库和项目模块
→ 映射 pip 包名
→ 检查当前环境
→ 受控安装缺失依赖
→ 再次验证
查看依赖安全规则
- 不执行模板中携带的安装命令。
- 不使用
sudo。 - 不使用
shell=True。 - 不安装 URL、Git 地址、本地路径或额外 pip 参数。
- 不直接信任模型生成的包名。
- 不覆盖项目原始
requirements.txt。 - 当前任务依赖写入
workspace/requirements.generated.txt。 - 个别依赖系统级组件的模板可能需要人工处理。
一次完整任务通常会产生：
| 输出 | 路径 |
|---|---|
| 最终 PNG、SVG 或 PDF 图表 | outputs/ |
| 适配后的 Python 绘图代码 | workspace/adapted_plot.py |
| 最终模板选择结果 | workspace/final_template_selection.json |
| 数据列映射与适配计划 | workspace/adaptation_plan.json |
| 当前任务依赖报告 | workspace/dependency_report.json |
| 技术质量报告 | workspace/technical_quality_report.json |
| 视觉质量报告 | workspace/visual_quality_report.json |
| 最终质量报告 | workspace/final_quality_report.json |
普通用户不需要手动编辑这些中间 JSON。流程失败时，宿主模型应准确说明失败阶段、原因和建议，不应伪造成功结果。
Warning
以下数据来自当前精简离线评估集。模型相关步骤使用 Mock 结构化输出，程序化工具调用真实实现；这些结果不代表所有真实数据和所有宿主模型的表现。
| 指标 | 当前结果 |
|---|---|
| 端到端任务成功率 | 87.50% |
| 候选模板 Recall@5 | 100.00% |
| 候选模板 Recall@8 | 100.00% |
| 最终模板选择准确率 | 100.00% |
| 首次代码执行成功率 | 62.50% |
| 最终代码执行成功率 | 87.50% |
| 图片质量平均分 | 4.50 / 5 |
| 自动修复成功率 | 100.00% |
| 数据列幻觉率 | 0.00% |
| 候选范围违规率 | 0.00% |
| 原始模板修改率 | 0.00% |
| 用户数据修改率 | 0.00% |
完整报告见 evals/evaluation_report.md 和 evals/evaluation_summary.json。
- 原始模板目录
templates/应保持只读。 - 用户原始数据不会被覆盖。
- 适配代码、依赖报告和修复历史写入
workspace/。 - 最终图片写入
outputs/。 - 依赖安装受到包名格式、数量和轮数限制。
- 自动修复最多执行有限次数，不能无限循环。
- 使用第三方宿主或外部 Skill 前，应审查其
SKILL.md和可执行脚本。
- 模板库覆盖范围有限，候选模板都不合适时应停止并追问或说明原因。
- 大型数据会抽样进入模型上下文，不能声称模型看过全部原始数据。
- 复杂 Excel 工作簿可能需要用户指定 Sheet。
- 某些模板依赖额外系统组件，无法仅靠 pip 自动解决。
- 大语言模型可能无法一次完成复杂模板适配。
- 自动修复不能保证解决所有运行和视觉问题。
- 视觉质量检查依赖宿主是否能把真实图片内容传给视觉模型。
python -m pytest -q离线评估：
python -m evals.run_evaluation代码风格检查当前覆盖编排源码、Schema、测试和评估脚本；原始模板库 templates/ 不纳入 Ruff 格式化范围。
ModelViz Skill · 让 AI 数学建模的最后一张图，也具备科研表达力