1. 先搞清楚 Codex 和 Pubfig Skill 到底能帮你解决什么如果你正在为 SCI 论文里的图表发愁觉得用 Excel 或 PowerPoint 画出来的图不够“专业”或者用 Python 的 Matplotlib、R 的 ggplot2 调参数太麻烦那这个组合值得你花十分钟了解一下。简单说Codex 是一个能理解你自然语言描述的 AI 编程助手而 Pubfig Skill 是专门为它训练的一个“科研绘图技能包”。这个组合的核心价值不是让你从零开始学编程而是让你用说人话的方式快速生成符合 SCI 期刊出版标准的图表代码。你不需要记住复杂的函数名和参数只需要描述你想要什么样的图它就能给你生成对应的 Python通常是 Matplotlib 或 Seaborn代码。这解决了几个实际问题降低门槛对编程不熟悉的科研人员可以绕过语法细节直接关注图表设计。提升效率省去反复查阅文档、调试样式的时间快速迭代图表方案。规范输出Pubfig Skill 里预设了很多符合出版要求的样式模板如字体、字号、线宽、颜色映射能帮你避开很多格式上的坑。但别误会这不是一个“一键出图”的魔法按钮。它的工作流程是你描述 - AI 生成代码 - 你在本地运行代码 - 得到图表。你仍然需要一个能运行 Python 的环境比如 Anaconda并且需要对生成的代码做微调。它更像一个极其强大的“代码自动补全”和“样式向导”。所以这篇文章适合谁适合需要频繁制作科研图表、但编程经验有限或者希望提高绘图效率、统一图表风格的科研工作者和学生。最值得关注的不是它功能多全而是它能否在你的电脑上稳定跑起来以及生成的代码是否真的能直接或稍作修改后使用。2. 环境准备别在安装环节卡住在开始“描述-生成”的炫酷操作前最实际的一步是把环境搭好。这里最容易出问题的不是 Codex 或 Pubfig Skill 本身而是前置的 Python 环境和必要的包。我建议按以下顺序检查能避开 80% 的初期报错。2.1 Python 环境与基础包Codex 生成的代码绝大多数是 Python 的所以一个干净的 Python 环境是基础。安装 Anaconda 或 Miniconda这是管理 Python 环境和包依赖最省心的方式特别是对于科研场景。去官网下载安装过程中记得勾选“添加环境变量”。创建并激活独立环境不要用系统自带的 Python也尽量不要在 base 环境里装一堆包。打开终端Windows 用 Anaconda Prompt 或 PowerShellmacOS/Linux 用 Terminal执行conda create -n sci-plot python3.9 conda activate sci-plot这里用 Python 3.9 是因为它在兼容性上比较平衡。环境名sci-plot可以自定义。安装核心绘图包在激活的sci-plot环境中安装最常用的几个包pip install numpy pandas matplotlib seabornnumpy和pandas是数据处理基础matplotlib是绘图核心seaborn是基于 matplotlib 的统计图形库样式更美观。Pubfig Skill 生成的代码很可能会用到它们。2.2 Codex 的访问与配置Codex 本身不是一个需要“安装”的软件它通常通过 API 接口调用。目前常见的接入方式有几种你需要根据实际情况选择通过 IDE 插件如 VS Code这是最直观的方式。在 VS Code 的扩展商店搜索 “Codex” 或相关 AI 编程助手插件注意辨别有些插件可能叫其他名字但后端接入了 Codex 或类似模型。安装后通常需要在插件的设置里填入你的 API Key。通过命令行工具 (CLI)有些项目提供了codex命令行工具你可以通过pip install安装然后在终端里与它交互。这种方式更适合批量处理或集成到脚本中。通过中转服务或配置由于网络访问限制有时需要配置代理或使用中转站。这里必须严格遵守安全要求我们只讨论常规的、合规的 API 调用方式。如果你遇到连接问题应首先检查你的 API Key 是否有效且未过期。你所使用的服务商如 OpenAI, DeepSeek 等的 API 服务状态是否正常。你的网络连接是否能正常访问该服务商的 API 地址这属于常规的网络连通性问题排查。重要提醒在配置过程中如果遇到类似“codex cc switch local proxy failed”或“provider: deepseek; model: deepseek-v4-flash; upstream_status: http 400”的错误这通常指向两个问题一是网络代理配置有误导致无法连接到 API 服务器二是请求参数不符合 API 的要求例如某些模型可能需要特定的参数格式。我们的解决思路应聚焦于技术配置本身检查你的 API Key、服务端点 URL 是否正确查阅对应服务商最新的 API 文档确认请求格式如 headers, body。不要尝试去寻找或讨论任何不规范的访问方法。2.3 Pubfig Skill 的“安装”与加载Pubfig Skill 不是一个独立的软件包它本质上是针对 Codex 的一系列提示词Prompt模板或微调Fine-tuning数据用于教会 Codex 如何生成科研风格的图表代码。因此它的“安装”通常意味着获取技能定义文件这可能是一个 JSON 文件、一个文本文件或一套预设的提示词模板。你需要从可靠的来源如开源项目仓库下载这些文件。在 Codex 中加载或引用具体方式取决于你使用的 Codex 前端工具。对于VS Code 插件你可能需要在设置中指定一个包含 Pubfig 提示词的配置文件路径。对于CLI 工具你可能需要在命令中通过--skill或--prompt-file参数来指定技能文件。有些高级用法是直接将这些提示词作为对话的“系统消息”或上下文前缀发送给 Codex API。关键点在你开始使用前请确认你获得的 Pubfig Skill 材料是完整且与你使用的 Codex 接口版本兼容的。一个简单的验证方法是尝试用一个非常简单的图表描述如“画一个正弦函数图”来测试看生成的代码是否包含了设置字体为 ‘Times New Roman‘、设置 DPI 为 300 等科研图表常见操作。3. 从一句话描述到第一张图核心工作流拆解环境准备好之后我们来跑通第一个完整流程。这个过程的核心是“描述 - 审查 - 执行 - 调整”的循环。3.1 如何给出有效的描述不要一上来就说“画个好看的折线图”。AI 需要更结构化的信息。一个有效的描述应该包含以下要素图表类型散点图 (Scatter plot)、折线图 (Line plot)、柱状图 (Bar chart)、箱线图 (Box plot)、热图 (Heatmap) 等。数据信息数据的大致结构例如“我有两列数据X 是时间Y 是浓度”或者直接准备一个 CSV 文件路径。样式要求这是 Pubfig Skill 发挥价值的地方。你可以直接提科研相关的需求例如“使用 SCI 期刊常用的配色比如 viridis 或 plasma 色系。”“设置图片尺寸为 8 cm x 6 cm分辨率 300 DPI。”“所有文字字体用 Times New Roman坐标轴标签字号 10图例字号 9。”“线条宽度 1.5标记点大小 40。”“保存为 SVG 和 PDF 格式用于后期编辑和投稿。”示例一个较好的描述是“请用 seaborn 画一个分组箱线图。我的数据 CSV 文件路径是data/experiment.csv其中 ‘group‘ 列是分组变量‘value‘ 列是观测值。使用 Set2 调色板区分组别将图片宽度设为单栏宽度约 8.5 cm保存为output/fig1.pdf。”3.2 生成代码后的审查与调整Codex Pubfig Skill 生成的代码不会 100% 完美尤其是当你的描述存在歧义或数据格式特殊时。拿到代码后不要直接运行先花一分钟审查。重点看数据加载部分它是否正确假设了你的数据文件路径和列名生成的代码里是硬编码路径还是用了变量如果不对你需要手动修正路径或列名。绘图逻辑图表类型、坐标轴、图例的设置是否符合你的预期样式参数字体、字号、DPI、图片尺寸等是否都已按科研标准设置好这是 Pubfig Skill 的核心价值所在通常这部分会比较准确。保存格式是否保存了你需要的格式如 PDF, SVG, PNGPDF 和 SVG 是矢量格式投稿时常用便于编辑和印刷。常见需要手动调整的地方路径问题将生成的绝对路径改为相对路径或者使用os.path.join来增强可移植性。中文显示问题如果图表需要显示中文生成的代码可能没有处理。你需要额外添加字体设置例如import matplotlib.pyplot as plt plt.rcParams[‘font.sans-serif‘] [‘SimHei‘, ‘Arial‘] # 用来正常显示中文标签 plt.rcParams[‘axes.unicode_minus‘] False # 用来正常显示负号细节微调你觉得图例位置不好或者某个颜色不协调这时就需要你基于生成的代码手动调整一两个参数。这正是“零基础易学”的下一步——通过修改现成代码来学习。3.3 执行与验证审查修改后就可以运行代码了。我建议在 VS Code 里新建一个 Jupyter Notebook 或 Python 文件来操作这样交互和调试都方便。运行代码在 Notebook 的 Cell 中或 Python 文件中执行。检查输出图片是否成功生成在指定目录打开图片检查所有文字标题、坐标轴、图例是否清晰可见有无乱码。在 PDF 阅读器或矢量图编辑软件如 Inkscape, Adobe Illustrator中打开 SVG/PDF确认所有元素都是可编辑的矢量对象而不是位图。核对规格字号SCI 图表中的字号通常根据最终出版尺寸而定。在宽度为 8-9 cm单栏的图中轴标签字号 8-10 pt图例和刻度标签 7-9 pt 是常见范围。用软件测量一下生成的图是否符合。线宽线条和边框的宽度通常为 0.5-1.5 pt确保在缩小到出版尺寸后仍清晰。颜色如果是黑白印刷友好的图检查灰度对比度是否足够。4. 进阶处理复杂图表与批量生成当你掌握了单张图的流程后就会遇到更实际的需求组合图Subplots和批量处理多组数据。4.1 绘制多子图Subplots向 Codex 描述多子图时结构一定要清晰。例如“请创建一个 2x2 的多子图布局。左上角画数据集 A 的折线图右上角画数据集 B 的散点图左下角画数据集 A 和 B 的合并柱状图右下角留空。所有子图共享同一个图例放在整个图的外侧右侧。”Codex 可能会生成使用plt.subplots的代码。你需要重点关注fig, axs plt.subplots(2, 2, figsize(10, 8), dpi300)这行代码是否正确创建了 2x2 的轴数组。后续的绘图命令是否正确地指向了对应的轴对象如axs[0, 0].plot(...)而不是误用了plt.plot()。共享坐标轴sharex,sharey和全局图例fig.legend(...)的设置是否正确。避坑点子图的布局和间距plt.tight_layout()或fig.subplots_adjust()经常需要手动微调AI 生成的第一次结果可能不够紧凑或美观。4.2 批量生成图表这是体现效率的关键。你不可能为 50 组数据手动描述 50 次。思路是将 Codex 生成的核心绘图代码“函数化”然后循环调用。制作模板函数用 Codex 生成一张令你满意的图的代码然后将其封装成一个函数。这个函数应接收数据或数据路径、输出文件名、以及可调样式参数作为输入。def plot_publication_quality(dataframe, x_col, y_col, output_path, color‘viridis‘): “““根据给定的数据和列生成出版质量的散点图。“”” # 这里放入由 Codex 生成并验证过的核心绘图代码 # 将硬编码的数据列名替换为函数参数 x_col, y_col # 将硬编码的输出路径替换为 output_path plt.savefig(output_path, dpi300, bbox_inches‘tight‘) plt.close()准备数据清单创建一个列表或字典包含所有需要绘图的数据集信息和对应的输出文件名。plot_tasks [ {‘df‘: df_exp1, ‘x‘: ‘time‘, ‘y‘: ‘response‘, ‘out‘: ‘fig_exp1.pdf‘}, {‘df‘: df_exp2, ‘x‘: ‘concentration‘, ‘y‘: ‘yield‘, ‘out‘: ‘fig_exp2.pdf‘}, # ... 更多任务 ]循环执行遍历这个任务列表调用你的模板函数。for task in plot_tasks: plot_publication_quality(task[‘df‘], task[‘x‘], task[‘y‘], task[‘out‘])这样做的好处你只需要让 Codex 帮你完成最核心、最具创造性的“绘图逻辑和样式设计”部分即函数体内的代码而重复、机械的批量调用工作则由简单的 Python 循环完成。这既利用了 AI 的优势又保证了流程的效率和可控性。5. 常见问题排查与优化建议即使有了 AI 辅助实际使用中还是会遇到各种问题。下面是我在实测中总结的排查顺序和优化思路。5.1 图表生成失败或报错如果运行生成的代码直接报错按以下顺序排查检查数据路径与加载这是最常见的错误来源。确认pd.read_csv或类似函数中的文件路径是否正确。建议使用os.path.exists(‘your_file.csv‘)先验证文件是否存在。检查列名确认代码中引用的列名如df[‘column_name‘]与你的数据表头完全一致包括大小写和空格。检查包版本偶尔生成的代码可能使用了你当前环境中未安装的库如scienceplots风格包或新版本的 API。根据错误信息使用pip install安装缺失的包或查阅文档调整过时的 API 用法。检查代码语法虽然罕见但 AI 生成的代码偶尔会有小的语法错误比如括号不匹配、字符串引号错误。仔细阅读报错信息指向的行。简化问题如果一段复杂代码报错尝试先注释掉样式设置部分只保留最基础的绘图命令如plt.plot(x, y)看是否能运行。如果能再逐步取消注释定位到引发错误的具体样式设置行。5.2 图表样式不符合预期图片生成了但看起来不对劲字体没生效检查plt.rcParams[‘font.family‘]或fontproperties的设置。确认你指定的字体如 ‘Times New Roman‘在系统中已安装。在 Windows 上字体名可能需要使用‘Times New Roman‘在 macOS/Linux 上可能需要使用‘DejaVu Serif‘等替代或指定完整路径。图片尺寸或 DPI 不对检查figsize单位是英寸和dpi参数。记住最终图片的像素宽度 figsize[0] * dpi。SCI 单栏图宽度通常要求 8.5 cm 左右约等于 3.35 英寸。所以设置figsize(3.35, 2.5)和dpi300是一个不错的起点。颜色不理想如果觉得默认颜色映射不好可以在描述中明确指定如“使用‘viridis‘顺序色系”或“使用‘Set2‘分类色系”。生成代码后你也可以手动将cmap‘viridis‘改为cmap‘plasma‘等来尝试。图例或标签重叠/被裁剪使用plt.tight_layout()或fig.savefig(..., bbox_inches‘tight‘)通常可以解决。如果还不行手动调整fig.subplots_adjust的参数如left,bottom,right,top,wspace,hspace。5.3 如何获得更稳定、更高质量的代码要让 Codex Pubfig Skill 发挥最佳效果你的“提问”技巧很重要分步描述对于复杂图表不要试图一句话描述所有细节。可以先说“请生成一个包含图例的散点图代码”运行成功后再补充“现在请修改代码将点的大小根据第三列数据‘size‘进行映射并使用‘coolwarm‘色系根据第四列数据‘value‘着色”。提供示例如果可能在描述中附上一小段示例数据用 Markdown 代码块或你期望的图表样式的截图链接如果工具支持。这能给 AI 更精确的上下文。迭代优化把 AI 当作一个强大的初级程序员。你给出需求它给出草案你审查并指出修改意见例如“图例位置请放在图外上方”“X 轴刻度请旋转 45 度”它再生成修改后的代码。经过两三轮迭代通常能得到非常理想的代码。积累代码片段库将经过你验证、效果好的代码片段保存下来。以后遇到类似需求可以直接复用或稍作修改不必每次都从头生成。6. 边界认知它不能做什么以及下一步学什么最后必须清醒地认识到这个工具的边界这能帮你更好地利用它而不是被它限制。Codex Pubfig Skill 不能做的事替你思考科学问题图表的设计逻辑、该用哪种图表类型来呈现你的数据、如何解读图表结果这些核心科学思维必须由你掌握。处理极其特殊或自定义的图形元素虽然它能生成很多常见图表代码但对于学术界一些非常小众、需要复杂自定义的图形如某些特定领域的示意图它可能无能为力或者生成的代码非常复杂且难以调试。保证 100% 无错运行它生成的代码是基于模式学习的可能存在边界情况下的错误或低效写法需要你具备基本的代码审查和调试能力。绕过期刊的具体格式要求虽然 Pubfig Skill 提供了通用 SCI 样式但不同期刊对图表可能有细微差别如特定的颜色使用规范、图例框样式等。最终投稿前务必对照期刊的《作者指南》进行最终核对和调整。当你熟练使用这个工具后建议的下一步学习深入 Matplotlib/Seaborn通过阅读和修改 AI 生成的代码你会快速熟悉这些库的关键对象Figure, Axes和常用方法。这是从“会用工具”到“理解原理”的飞跃。学习 Plotly 或 Bokeh如果你需要制作交互式图表用于网页或报告可以尝试让 Codex 生成 Plotly 代码。这能帮你开拓新的可视化维度。掌握数据预处理绘图之前80% 的工作是数据清洗、转换和聚合使用 Pandas。强大的数据处理能力 AI 辅助绘图才是真正的效率组合。我个人更建议不要把“一键生成”当作终点而是把它作为学习科研绘图和 Python 编程的“加速器”和“脚手架”。通过它快速看到结果通过修改它的代码来理解原理最终建立起属于自己的、可靠且高效的科研绘图工作流。
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
