FigMirror

参照论文图表风格,将你的数据生成可编辑绘图代码和成稿级 PDF。

Star 数
★ 518
最近更新
24 天前
主语言
Python

30 秒速览

运行形态
Agent 插件 / 技能网页应用命令行工具
可在哪里用
兼容但需适配Codex · Claude Code
费用
软件免费,模型调用费用自付
上手难度
中 · 需要几步配置
开始前需要
Python 3uvCodex 或 Claude CodeShell / 命令行网络访问本地文件系统
典型场景
科研作者已经选定论文中的参考图,希望用自己的实验数据制作风格一致、可继续编辑的 matplotlib 图表。
不适合
  • 只使用其他 OpenAI 兼容或本地 Agent 后端的团队,目前仅支持 Codex 与 Claude Code
  • 需要完全可复现基准评测的研究者,PlotTwin-Bench 产物尚未发布
  • 在安全受控环境中无法审查远程安装脚本的组织

这个 Agent 能做什么,适合哪些场景?

FigMirror 是一个面向科研图表的参考风格复现工具:用户提供论文图像和自己的数据,系统生成可编辑的 matplotlib 脚本及成稿级 PDF。它提供 Codex 与 Claude Code 技能,也提供运行在本机的浏览器界面,用于上传素材、预览结果、查看迭代历史和继续细化。其顶层 Orchestrator 在 `figmirror-drawer` 与 `figmirror-reviewer` 两个角色代理之间组织有次数上限的迭代;两种运行环境共用决策状态机,仅子代理传输方式不同。Reviewer 会同时检查远视图、原尺寸参考图和候选图,返回带边界框的结构化反馈、修改清单与保留清单,再交给下一轮 Drawer。系统支持二维及三维图表,并以本地工作区保存运行产物。论文在 PlotTwin-Bench 的 150 个实例子集上报告了 72.7 和 76.4 的两项最高综合分,但尚未发布可复现的完整基准产物。

用户上传或附加一张论文图表,并提供待绘制的数据。顶层 Orchestrator 调用 figmirror-drawer,通过 Grounded Measurement 测量视觉目标的坐标、裁剪区域及像素颜色等属性,再生成和运行 matplotlib 绘图代码。随后,figmirror-reviewer 对参考图与候选图进行远近两级视觉审核,输出结构化评价、边界框、修改清单和需要保持不变的元素。Orchestrator 将边界框转成标注图和文字说明,供下一轮 Drawer 修订;保留清单会跨轮次累积,以减少风格漂移。循环遵循统一决策状态机和硬性迭代上限,最终产出可编辑的 matplotlib 脚本与 PDF。针对三维图表,提示流程还会检查相机、比例、曲面、光照和几何修复。

  1. 科研作者已经选定论文中的参考图,希望用自己的实验数据制作风格一致、可继续编辑的 matplotlib 图表。
  2. 研究团队需要统一多张结果图的字体、配色、布局和视觉层级,同时保留生成脚本供复现实验。
  3. 没有合适参考图的用户,可先从包含 25 类、139 张论文图的图库中选择样例,再开展风格复现。
  4. 需要复杂多面板、联合 hexbin 与边缘直方图等布局的用户,可让 Drawer 和 Reviewer 反复生成并检查候选图。
  5. 制作三维瀑布图或其他三维科研图的用户,可利用针对相机、比例、曲面和光照的几何感知提示。
  6. 希望在浏览器中上传素材、比较历史版本并继续细化的 Codex 或 Claude Code 用户,可运行本地 Web UI。

如何安装或部署这个 Agent?

完整本地 Web UI 安装:

git clone https://github.com/VILA-Lab/FigMirror.git && cd FigMirror
bash scripts/install.sh
uv run python scripts/figcopy_serve.py --workspace .artifacts/figmirror-workspace --backend codex

然后打开 http://127.0.0.1:8765/。如使用 Claude Code,将最后一个参数改为 --backend claude。若未安装 uv,先运行 python3 -m pip install uv。

只安装技能:

curl -fsSL https://raw.githubusercontent.com/VILA-Lab/FigMirror/main/scripts/install.sh | bash

也可明确选择目标:在命令末尾使用 bash -s -- --codex、bash -s -- --claude 或 bash -s -- --all。安装器会自动检测 Codex 和 Claude Code,并安装 figmirror 技能以及 figmirror-drawer、figmirror-reviewer 自定义代理。共享机器或根分区较小的环境应先运行 df -h,并将 UV_CACHE_DIR 指向容量较大的用户可写文件系统。资料没有给出独立 API 凭据配置;使用者需具备可运行的 Codex 或 Claude Code 环境。

如何使用这个 Agent?

技能模式下,在 Codex 或 Claude Code 中附加论文图表截图、粘贴数据,然后输入:Use FigMirror to mirror this figure's style with my data. 系统会启动 Drawer–Reviewer 循环并生成可编辑 matplotlib 代码和 PDF。Web UI 模式下,先启动 scripts/figcopy_serve.py,再访问 http://127.0.0.1:8765/,通过浏览器上传参考图和数据、预览候选结果、浏览迭代记录并继续调整。工作区示例为 .artifacts/figmirror-workspace。

这个 Agent 有哪些优点和局限?

优点
  • 同时交付可编辑的 matplotlib 脚本和 PDF,不会把结果限制为不可修改的位图。
  • Drawer 与 Reviewer 职责分离,Reviewer 提供边界框、修改清单和跨轮保留清单,形成有明确反馈结构的迭代流程。
  • Codex 与 Claude Code 使用相同的决策状态机和有界迭代约定,并可通过同一个本地 Web UI 切换后端。
  • Grounded Measurement 将坐标识别转换为裁剪、像素取色等可执行检查,减少完全依赖主观文字描述的情况。
  • 明确覆盖二维复杂布局与三维图表,并为三维相机、比例、曲面和光照提供专门检查。
  • 附带覆盖 25 个图表类别的 139 张参考图图库,降低寻找起始样例的成本。
局限
  • 当前明确支持的执行环境只有 Codex 和 Claude Code;迁移到其他 OpenAI 兼容服务或本地代理仍在路线图中,需要适配。
  • 运行依赖 Python、uv、Shell、文件系统以及可用的 Codex 或 Claude Code 环境,对受限或小根分区机器需要额外配置缓存目录。
  • 虽然论文报告了 PlotTwin-Bench 结果,但参考图、目标数据、生成结果和评测元数据等完整可复现产物仍未发布。
  • 许可证状态未知,组织在采用、修改或再分发前需要自行确认授权条件。
  • 方法依赖多轮绘制和视觉审核;资料只说明存在硬性迭代上限,没有给出运行成本、时延或失败率。
  • 安装示例包含从网络拉取仓库或直接将远程脚本传入 Shell,受严格安全策略管理的环境需要先审查脚本。

这个 Agent 与同类方案有什么区别?

论文将 FigMirror 与 Plot2Code、METAL、ChartGalaxy 和 ChartIR 进行定量与定性比较。所有方法在该比较中均使用 GPT-5.5;FigMirror 在 50 个手工筛选参考图和 100 个随机增强参考图上分别取得 72.7 与 76.4 的最高综合分。资料未提供这些替代方案的部署方式或功能明细,因此不能据此判断安装成本或平台兼容性。

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
FigMirror 当前 50 · 缺口较多 Agent 插件 / 技能免费 + 模型费 ★ 518 24 天前 Python Codex · Claude Code
Hiring Agent 简历评分器 62 · 存在缺口 命令行工具免费 + 模型费 ★ 7.2k 2 个月前 Python —
AutoResearchClaw 52 · 缺口较多 命令行工具免费 + 模型费 ★ 15k 1 个月前 Python Codex · Claude Code · OpenAI API
沁言学术技能库 48 · 缺口较多 命令行工具免费 + 模型费 ★ 925 2 个月前 Python Codex · Claude Code

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
50/ 100 五分制 2.5 / 5
信任安全 8/29
可靠稳定 6/14
适用触发 14/18
规范维护 9/18
有效结果 9/13
证据核验 4/8
查看各维度的扣分理由
信任安全8 / 29 · 1.4/5

最小权限仅由本地 Web UI、用户自有工作区和显式运行方式间接体现,未见权限清单或沙箱约束,故为薄弱支持。典型流程要求用户主动附图、粘贴数据并发出请求,确认边界较清楚,但没有逐次迭代或文件写入确认机制。README 描述了 Orchestrator、Drawer、Reviewer及本地工作区的数据路径,但未说明模型提供方、网络传输、遥测、保留或删除政策。没有敏感数据、凭据或隐私处理说明。依赖列出了最低版本,但无锁文件、哈希、审计或漏洞处置政策。安装脚本、技能安装、生成脚本/PDF和工作区写入属于外部效果,但具体写入范围与副作用未完整披露;也没有卸载或回滚说明。论文作者和引用信息明确,但参考图片、图库及生成资产的权利与逐项来源未充分说明。未见红线行为证据。

可靠稳定6 / 14 · 2.1/5

README 给出统一的角色分离循环、状态机和迭代上限,但提供的测试配置注释称项目“dependencies=[]”,与 pyproject.toml 中三个运行依赖直接矛盾,因此自洽性只能给薄弱分。Python 版本及 Pillow、matplotlib、NumPy、pytest 的最低版本清楚,且提供 uv 安装路径,足以支持普通依赖准备;但依赖未锁定,Claude/Codex、系统工具和后端可用性要求也没有完整清单。仅指向详细安装与故障排除文档,所给材料中没有具体错误消息、诊断码或恢复路径。

适用触发14 / 18 · 3.9/5

材料明确区分浏览器 Web UI、纯技能、Codex与Claude后端,并覆盖有参考图、无参考图、2D和3D科研绘图场景,受众和场景说明充分。能力边界包括 matplotlib 可编辑脚本、PDF、视觉迭代和硬迭代上限,也说明评测制品尚未发布及更多后端仍待加强;但不支持的图形、数据规模、输入格式和质量边界没有系统列出。触发方式有明确示例提示词和用户提供图片/数据的前置条件,但没有歧义、误触发或拒绝条件。环境适配涵盖 Python 3.10+、uv、磁盘缓存建议、两种后端与本地端口,不过缺少操作系统矩阵、硬件资源、无网环境和兼容版本范围。

规范维护9 / 18 · 2.5/5

README 的导航、快速开始、工作原理、成果、路线图、贡献和引用结构清晰,信息架构充分。安装说明覆盖 Web UI、技能安装、后端选择、端口及低磁盘空间建议,但使用未固定 revision 的 curl 管道安装,且所给材料未展示卸载、完整先决条件或安装验证。FigMirror 品牌一致,但 figcopy_serve、figcopy_runner、FigCopy gallery 等遗留命名削弱稳定性。提示词、命令和展示案例较丰富,但没有完整 FAQ,且详细文档未随证据提供。已知限制主要散落在路线图中,尚非系统限制清单。没有提供许可证或许可证元数据。里程碑、0.1.0版本和路线图形成一定版本记录,但没有正式 changelog、标签策略或兼容承诺。贡献入口和作者引用可见,不过发布者身份未验证,且没有明确维护者、支持时限、安全联系人或更新责任。

有效结果9 / 13 · 3.5/5

预期交付物被具体定义为可编辑 matplotlib 脚本、相机就绪 PDF、预览及迭代历史,因而输出可用性描述充分。相较反复手工调整绘图代码,参考图驱动的 Drawer/Reviewer 循环具有明确增量价值,并展示了多个图形家族;但效果主张主要来自项目自身展示。成本收益只得到薄弱支持:有硬迭代上限和本地工作流,却没有令牌、延迟、计算资源、模型费用或人工复核成本数据。

证据核验4 / 8 · 2.5/5

主要性能数字指向论文并附表图,但可复现 PlotTwin-Bench 制品明确尚未发布,提供的代码片段也不足以把算法、结果和具体实现逐项追踪,因此主张可追溯性偏弱。README、pyproject和测试配置仅对名称、Python依赖及运行布局形成有限交叉印证,同时存在依赖注释矛盾;没有独立来源或完整测试证据。材料通常把“论文报告”、产品说明、已完成里程碑和未来路线图区分开,事实与计划分离较好,但营销性效果陈述并非都明确标注为未经独立验证。

风险与缓解建议
  • 源码中未见:敏感信息处理使用专用、低权限、可随时吊销的 API 密钥,不要复用生产凭据,也不要让密钥出现在日志里。
  • 源码中未见:回滚或恢复路径运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
  • 未提供许可证;在复制、修改、部署或分发代码与生成资产前,应先确认授权条款。
  • 不要直接在敏感环境中执行未固定 revision 的 curl-to-shell 安装命令;应先审查并固定安装脚本及依赖版本。
  • 数据、参考图片、模型后端网络传输、日志、保留和删除行为未披露,不应提交机密、个人或受限数据。
  • README 所述论文结果尚缺已发布的可复现 PlotTwin-Bench 制品,应视为项目自报结果而非独立验证。
  • tests/conftest.py 关于“dependencies=[]”的注释与 pyproject.toml 冲突,部署前应核实实际运行依赖和兼容版本。
  • 未提供回滚、卸载、资源成本和详细失败恢复证据;建议在隔离工作区试用并保留输入与生成文件备份。
证据充分度:低 评估于 2026年9月22日 审查版本 d37edebbc7cb
查看完整评分方法 →

常见问题

必须使用 Codex 或 Claude Code 吗?
当前文档化的生产路径仅包括 Codex 和 Claude Code,Web UI 也通过 --backend codex 或 --backend claude 选择其一。其他 OpenAI 兼容或本地代理后端仍属于路线图项目。
需要 API 密钥或付费服务吗?
资料没有给出 API 密钥配置、模型计费或免费运行说明,只要求具备可用的 Codex 或 Claude Code 环境。因此实际费用和认证要求取决于所使用的运行环境,不能从现有材料确定。
生成结果能否继续修改?
可以。其目标输出包括可编辑的 matplotlib 脚本以及成稿级 PDF,适合在自动生成后继续手工调整。
它会无限迭代直到完全匹配吗?
不会。Codex 和 Claude Code 路径共用带硬性迭代上限的决策状态机;资料没有公布具体上限数值,也不保证像素级完全一致。
基准成绩是否可以立即完整复现?
尚不能根据现有材料确认。论文报告了 150 个实例子集的结果,但包含参考图、目标数据、输出和评测元数据的可复现 PlotTwin-Bench 产物仍列在待办路线图中。
在 GitHub 查看 ↗ 安装 ↓

对比同类 Agent

用同一套 FARS 评审,横向比较这个 Agent 所属的短名单。

相关 Agents