Light Chart
Create and refine scientific data visualizations in Python or R from raw data or reference images.
Installation
- Make sure Claude is on your device and in your terminal.
Skills load from
~/.claude/skills/when Claude Code starts up — so you need it on your machine first. If you don't have it yet, install it once with the command below, then runclaudein any terminal to verify.One-time setupnpm i -g @anthropic-ai/claude-codeAlready have it? Skip ahead.
- Paste into Claude Code or into your terminal.
This copies the whole skill folder into
~/.claude/skills/light-chart-light0305/— the SKILL.md plus any scripts, reference docs, or templates the skill ships with. Safe default: works for every skill.Faster alternative (instruction-only skills)
Skips the clone and grabs only the SKILL.md file. Don't use this if the skill ships Python scripts, reference markdowns, or asset templates — they won't be downloaded and the skill will fail when it tries to load them.
Quick install (SKILL.md only)Sign up to copy - Restart Claude Code.
Quit and reopen Claude Code (or any other agent that loads from
~/.claude/skills/). New skills are picked up on startup. - Just ask Claude.
Skills auto-activate when your request matches the skill's description — no slash command needed. Trigger phrases live in the skill's own frontmatter; you can read them in the “What this skill does” section above.
Prefer to read the source first? Open on GitHub.
When Claude uses it
Create, refine, and audit scientific data figures in Python or R from real data, existing plotting code, or a reference image. Use for 科研绘图、选图、多面板排版、 组学注释热图、随访与效应图、实测信号和时频、生态排序、真实三维场、 图像板伴随定量、参考图适配、LaTeX 科研表格与可编辑论文图交付。 Pure manuscript prose and AI-generated mechanism illustrations use other workflows.
What this skill does
Light Chart
项目目录与续作
需要落盘或继续已有项目时,先读 项目目录约定,按其中的本阶段位置、版本与关联规则保存;用户指定路径和旧项目优先。包内资源相对本 skill,研究产物相对真实项目,二者不要混用。只做局部讨论时无需初始化目录。
持续项目、评审修图或稿图交接再读 项目证据与版本衔接:先恢复有关 Memory,再回科学原件与采用的 FIG/分析/稿件版本核对;实质修订保留前版,将实际结果和未决项接回 Write、Review、Memory 与已有 Workflow。
以 nature-figure 的研究问题—证据—实现—成图核查为执行主干。SciPilot 与 figures4papers 的获许可资源按任务接入;Light-Science 自行实现审图修订工具,并编写视觉与三维指南。FigMirror 的概念启发保留来源说明,公开包不包含它的原始代码、提示词或示例图。文件数量和自动 PASS 不证明科研表达或视觉质量。
从实际输入开始
先理解研究问题、统计单位、配对/重复/层级结构、分母、单位、原始或汇总数据、已有代码和最终用途。关键科学含义无法推断时才提问;尊重已确定的 Python/R 选择,普通后端选择不增加确认或写全局偏好。
- 数据新画或实质重做:先读 workflow.md,采用 Nature 的简短任务契约和证据组织,再选图与实现。不要要求用户填写大型任务表。
- 已有图改进:先运行/实际看图,保留正确数据、映射和构造,定位影响理解的问题后修改。
- 参考图适配:实际查看原图,读 reference-style.md。拆解构造、必要标志、面板比例、图例/色标和文字层级;新数据不适配时说明改造,不能照搬数值或像素坐标。
- 多表/多实验:一张图围绕一个研究问题组织互补证据,给每个面板明确的问题、角色与独有信息。矩阵旁再列同序原值不自动增加证据;重复视图可有必要,但应有明确阅读用途。
- 论文表格:默认输出 LaTeX 与结构化数值,读 tables.md;表格不算一张新图,不默认转成图片。
图中保留数据、坐标和单位、必要图例/色标、面板字母与短条件标签。介绍性标题、长方法、来源、误差说明和审查文字放图外独立图注;删去横幅后重新布局,不能留下大块空带。
准备任务并找到真实实现
figure_job.prepare_job(sources, spec) 或 python scripts/figure_job.py --data NAME=data.csv --spec task.json --out decision.json 将实际数据剖析、科学字段映射、选图/证据检查和实现检索连起来。模型据上下文写简短 spec;单图包含 question 与 chart,多面板沿用 evidence_tools 的 question/claims/panels。它准备决策,不自动完成分析、出图或审阅。本地 CF NetCDF 用显式 intent=scalar_field、变量/坐标、维选择与归约声明接入同一入口;先归约成二维场再剖析,详见 fields-and-3d.md。
library.py route --query "配对变化" / --backend r 定位可调用入口、输入边界和完整来源;search 查完整代码与资料。有取舍时用 library.py plan --data data.csv --spec chart.json --out choice.json。unimplemented_concepts 和 adaptation_required 必须处理;正文提到某图型、图库样例能运行,都不等于已有任意数据适配器。检索显示数量不应隐藏混合任务的缺口。
需要领域布局参照时,用 library.py search --kind visual-reference --query "clinical forest risk evidence" 按研究问题和构造查完整论文图;打开返回的图和卡片,核对证据角色、布局与适用边界,不能把参照命中算成可调用能力。
实现前打开实际要采用的函数/完整案例及其图,不能只读合并指南。第一轮使用来源时读 source-adaptation.md,完整定位见 library-guide.md。不要机械要求每次调用四套,也不要把检索到的资料记为已经执行的代码。
领域与构造按实际能力进入
| 当前任务 | 按需打开 |
|---|---|
| 比较、配对、分布、趋势、矩阵与估计 | chart-selection.md、python.md |
| 多面板证据、主次与实测留位 | multipanel.md、nature 完整证据架构 |
| 字体、语义颜色、实际印刷阅读 | design.md、editorial-review.md |
| 原生 R、注释热图、KM+风险表 | r.md、domain-workflows.md |
| 实测波形、全程极值、PSD与时频 | scripts/signal_plots.py、scripts/domain_decisions.py;采样率和实际秒坐标一致才进 Hz 域 |
| 群落 Hellinger-PCA 排序 | scripts/ordination.R、scripts/domain_decisions.py;明确覆盖等级/丰度含义与完全匹配的样本ID |
| bulk gene-count 描述结构 | intent=count_structure 与 scripts/omics_plots.py;明确 CPM、pseudocount 与 CPM/count 筛选规则。pca_scores() 保等单位并返回逐 ID artist、独立颜色/形状映射;metadata_source、sample_id 严格匹配,不能从样本名猜注释或生成差异显著性。用法见 domain-workflows.md |
| 观测 2×2 相对与绝对风险 | intent=two_arm_risk_evidence 与 scripts/effect_plots.py;映射四个真实计数,明确独立二项工作模型、置信水平与尺度;零事件 RR 保留为 unavailable,不自动校正或汇总 |
| 实测预算扫描与预测计数 | intent=computational-sweep/confusion-counts 与 scripts/computational_plots.py;重复/划分语义、完整键与记录ID;不自动拟合模型或推断独立性 |
| 实测材料复阻抗 | intent=impedance 与 scripts/impedance_plots.py;显式映射谱ID、Hz、Re Z 和物理符号 Im Z(Ω),保留所有象限;Nyquist/Bode 不自动拟合电路或归一化面积 |
| 汇总分类计数、真实mosaic/静态alluvial与重复行为轨迹 | domain-workflows.md、count_tables.py、repeated_measures.R;保留分母、零单元和重复单位,不将汇总表展开个体 |
| 图像、连续场和真实三维 | fields-and-3d.md、image_layout.py;按需读三维指南 |
| 完整论文组合与参数扫描 | paper-patterns.md、figures4papers 完整代码/实际成图 |
| 实际审图反馈、修订与选稿 | review-cycle.md、scripts/review_cycle.py |
| 目标期刊与输出约束 | journal-output.md;明确投稿要求时核验当前官方规范 |
以上是入口,不是完整学科分析能力声明。PCA 不代表 UMAP;排序得分图不代表带载荷箭头的 biplot;真实高度场不代表体数据。assets/library/implementations.json 中的输入和边界决定实际覆盖。论文图片库与旧模板只作经过实际看图/核对的辅助参考,不作为核心执行依赖。
设计、绘制和修订
先定最终物理尺寸、证据主次和必要构造,再留坐标/标签/图例/色标空间。composition.compose(...).figure 与 fit() 负责跨行列和实测留位;min_plot_mm 核对固定 aspect 后的真实数据区,报告同时保留实际与分配矩形。空间不足时改变组织或尺寸,不缩字或拉伸等单位坐标掩盖。图像保比例,连续场保真实坐标,比较面板保需要共用的尺度。
颜色按类别、顺序、真实中心的偏差或周期选,不能给所有领域统一套淡色。用本任务的 project-style.json 固定身份、符号/线型、字体和色标;Python/R 共享语义。检查实际透明度、小点、细线和深色文字,不用色板名称代替可读性;灰度下需要保留的正负方向应有额外编码。参照是具体结构与语义,不只是吸取色号。
绘制用用户选择的原生后端:Python publication.save_figure();R publication.R 与 r_runtime.py run。固定页面导出,核对最终 PDF 字体、几何与数据;后端无关检查可检查 R 文件,不能用 Python 近似图冒充原生 R。需要 helper 时随任务交付,不能依赖原始参考仓库绝对路径。
文件型 source_data 自动记录来源路径与字节;其余实际输入可用 source_files 绑定数据、绘图代码、配置、helper 和图注,R 沿用同名参数。采用图前可运行 python scripts/source_binding.py figure.qa.json 只读复核已记录来源及导出;具体范围见 项目衔接。它不证明代码实际使用了这些输入,也不把内存表摘要当作源文件核验。
实际看当前 PNG 和最终 PDF 渲染,再看整图、局部和最终尺寸。技术核对与视觉判断分开:前者查数值/ID/区间/单位/导出;后者查互补证据、主次、拥挤、无意义留白、颜色与查找成本。
复杂任务使用 审图修订流程:定位问题、保留正确部分、修改代码、重渲复核与选稿。review_engine.py 记录真实返回的意见、检查文件绑定并管理轮次;宿主负责安排真实审阅上下文。不能把自检称为独立审阅。raster_diagnostics.py 只报告像素诊断,不输出综合质量分。
review_tools.compare_revisions() 检查修订是否丢数据、必要面板/构造、单位或身份映射。record_review() 绑定实际当前文件的执行者自检,不能证明独立审查。无问题不强凑轮次,最新版不自动最好;到预算上限仍有重要问题要记录并退回相应设计步骤。
科学边界与交付
保留原始观测与字段,清洗/汇总/排除/抽样有明确理由与记录。行数、细胞数或技术重复不自动是独立 n;不能从汇总重建分布,不能补造检验、区间、p/q值、标尺或图像定量。复杂分析没有输入或合适方法时,交代缺口后完成可支持的部分。
交付实际可运行代码、必要输入/映射与 helper、PDF/SVG 和 PNG 预览、独立图注及关键核对结果。表格交 .tex 与数值。代码用相对路径,并说明实际使用的来源与修改,见 THIRD_PARTY_NOTICES.md 与 sources.json。已验证范围和仍需适配的能力分清,不能以自动 PASS 或一次样例宣称达到各领域顶刊水平。
Related skills
Investor Board Deck Builder
alirezarezvani
Build compelling board decks that weave metrics and narratives into cohesive investor updates.
Quick Stats
marketcalls
Generate backtest statistics for a stock symbol using an EMA crossover strategy.
Grafana Best Practice
wquguru
Review, optimize, and deploy Grafana dashboards and alerting rules.
Content Experimentation Guide
sanity-io
Design and analyze A/B tests to optimize content performance and user engagement.