Trực quan hóa khoa học (Scientific Visualization)

Skill giúp thiết kế, kiểm tra và xuất hình minh họa khoa học trung thực, dễ tiếp cận, đạt chuẩn xuất bản bằng Matplotlib, Seaborn hoặc Plotly.

Dữ liệu · Phân tíchNâng cao★ 33,030⑂ 3,248Điểm AI 9/10Cập nhật lần cuối: 9 thg 8, 2026

Nó làm được gì

Mã hóa dữ liệu trung thực: nhắc quy tắc gốc 0 cho cột/diện tích, cảnh báo trục kép, trục log, tỷ lệ diện tích/thể tích, và yêu cầu ghi rõ binning, chuẩn hóa, làm mượt.
Bất định và dữ liệu thiếu: buộc nêu rõ SD/SE/CI/posterior, n và đơn vị lặp; phân biệt rõ giá trị thiếu, bằng 0, bị kiểm duyệt (censored) và bị loại.
Tiếp cận (accessibility) ngay từ đầu: dùng màu kết hợp marker, kiểu đường, hatching, nhãn trực tiếp; kiểm tra độ tương phản theo WCAG 2.2 ở kích thước hiển thị thật và độ phân tách thang xám.
Xuất file chính xác kèm provenance: figure_export giữ đúng kích thước vật lý, DPI, nhúng font Type 42, TIFF LZW, không ghi đè âm thầm và tạo manifest nguồn gốc.
Bộ CLI kiểm tra offline: đọc metadata ảnh/PDF/SVG, audit tương phản bảng màu, lập kế hoạch xuất theo nhà xuất bản (export_plan.py), xem trước style.
Tài nguyên sẵn có: style Nature/publication/presentation và bảng màu Okabe-Ito, Paul Tol.

Phù hợp với ai

Nghiên cứu viên, học viên cao học cần gửi hình cho tạp chí hoặc luận văn
Người muốn tránh trước các phản hồi của reviewer về trục, thanh sai số, hoặc khả năng phân biệt màu
Ai thường loay hoay với yêu cầu chiều rộng (mm), DPI, định dạng khác nhau của từng tạp chí
Nhóm cần pipeline hình ảnh tái lập được và tôn trọng liêm chính dữ liệu

Ví dụ sử dụng

Vẽ hình một cột: "Vẽ đường thời gian–phản hồi theo nhóm điều trị, rộng 89mm, xuất PDF+PNG 600dpi kèm CI bootstrap 95%" → tạo hình trong style context rồi xuất kèm provenance.
Kiểm tra trước khi submit: "Xem figure1.tiff có đạt chuẩn hình combination của Nature không" → dùng image_metadata.py để đọc DPI, mode, alpha, kích thước trang và export_plan.py để so với snapshot nhà xuất bản.
Audit bảng màu: "Bảng 6 màu này trên nền trắng có phân biệt được với người mù màu không?" → nhận báo cáo tương phản WCAG và phân tách CIE L*, sau đó thêm marker/kiểu đường làm tín hiệu dự phòng.

· · · Hướng dẫn cài đặt · · ·

Cài vào ứng dụng Claude (không cần terminal)

Tải tệp ZIP bằng nút bên dưới.
Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
Vào Customize → Skills → + → 'Upload a skill' rồi tải tệp ZIP lên.

↓ Tải ZIP

Cài vào Claude Code

Để Claude làm — dán câu dưới đây vào Claude Code

Hãy cài skill mình tìm thấy trên Claude Skill Mart.
Copy thư mục skills/scientific-visualization từ repo GitHub K-Dense-AI/scientific-agent-skills vào ~/.claude/skills/scientific-visualization/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.

Cài bằng lệnh thủ công

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git /tmp/scientific-agent-skills && mkdir -p ~/.claude/skills && cp -r /tmp/scientific-agent-skills/skills/scientific-visualization ~/.claude/skills/

⚠ Đây là skill do người khác tạo. Hãy kiểm tra repo gốc trước khi cài.

Chuẩn bị: cài Python 3.11+ và uv. Nếu cần xuất ảnh tĩnh từ Plotly, cài thêm Chrome/Chromium.
Clone repo: chạy git clone https://github.com/K-Dense-AI/scientific-agent-skills.git.
Sao chép skill: mkdir -p ~/.claude/skills && cp -r scientific-agent-skills/skills/scientific-visualization ~/.claude/skills/
Kiểm tra: ls ~/.claude/skills/scientific-visualization phải thấy SKILL.md, scripts/, assets/, references/.
Khởi động lại Claude Code, sau đó yêu cầu ví dụ: "vẽ hình cho bài báo" hoặc "kiểm tra hình này có đúng chuẩn tạp chí không".
Chạy thử (tùy chọn): uv run --isolated --no-project --python 3.13 --with "matplotlib==3.11.1" python ~/.claude/skills/scientific-visualization/scripts/figure_export.py --demo outputs/export-smoke --manifest.
Lưu ý: các profile nhà xuất bản là snapshot có ghi ngày, hãy tự mở trang chính thức của tạp chí để xác nhận ngay trước khi nộp bài.

Xem mã nguồn trên GitHub ↗Giấy phép: MIT