PaperBanana —— 自动化学术图表生成框架
面向 AI 研究者的自动化学术插图工具，通过多智能体流程从论文文本生成出版级图表和统计图。
- Star 数
- ★ 2.4k
- 最近更新
- 1 个月前
- License
- MIT
- 主语言
- Python
- FA 评分
- 52/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Claude Code · OpenAI APIChatGPT（部分支持）
- 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
- 典型场景
- AI 研究者：从论文方法文本自动生成用于 NeurIPS 等会议论文的架构图。
- 不适合
- 不愿配置多个 API 密钥并承担调用费用的用户
- 需要官方 Google Research 支持或保证与原系统一致的团队
- 源码审查
- 52/100 · 缺口较多
这个 Agent 能做什么，适合哪些场景？
PaperBanana 是一个非官方的开源实现，基于 Google Research 的论文《PaperBanana: Automating Academic Illustration for AI Scientists》，由 llmsresearch 社区维护。该项目提供了一个多智能体管道，包含输入优化、检索、规划、风格化、可视化与批判等最多 7 个专用智能体，能够从论文方法描述生成出版级图表，并支持统计绘图。它支持 OpenAI、Azure OpenAI、Google Gemini 和 Atlas Cloud 等多种大模型与图像生成提供商，并提供了 CLI、Python API、MCP 服务器和本地 Web UI（PaperBanana Studio）等多种交互方式，方便集成到 IDE 或自动化工作流中。
PaperBanana 读取论文方法文本或 PDF，通过 CLI 命令如 paperbanana generate 生成方法学图表，paperbanana plot 生成统计图，支持批量生成、Sweep 对比、评估与优化等。其多智能体管道包括：Phase 0 输入优化（上下文丰富器和标题锐化器），Phase 1 的检索器、规划器、风格器，Phase 2 的可视化器和批判器，循环迭代直至满足要求。它还提供 paperbanana evaluate 进行质量评估，paperbanana polish 优化现有图表，paperbanana orchestrate 从整篇论文生成图表包。通过 MCP 服务器可集成到 Claude Code、Cursor 等工具。
- AI 研究者：从论文方法文本自动生成用于 NeurIPS 等会议论文的架构图。
- 数据科学家：利用
paperbanana plot根据 CSV/JSON 数据生成统计图表。 - 写作者：使用
paperbanana orchestrate从论文源文件生成一组完整的图表及 LaTeX 代码。 - 开发人员：通过 Python API 将图表生成集成到自动化持续集成/持续部署管道中。
- 使用 Claude Code 的研究者：通过 MCP 服务器或 Skills 直接在编辑器中生成图表。
- 需要批量生成图表的团队：通过 manifest 文件一次生成多张图表或进行参数扫描。
如何安装或部署这个 Agent？
使用 pip install paperbanana 安装。对于开发或附加功能，可克隆仓库并执行 pip install -e ".[dev,openai,google]"。安装后，复制 .env.example 到 .env 并添加 API 密钥（OPENAI_API_KEY 或 GOOGLE_API_KEY），或运行 paperbanana setup 交互式配置。支持 Docker：构建镜像并以环境变量传递密钥。
如何使用这个 Agent？
首先确保已配置 API 密钥。然后运行如 paperbanana generate --input method.txt --caption "Overview of our framework" --optimize --auto 生成方法图，或 paperbanana plot --data results.csv --intent "Bar chart comparing accuracy" 生成统计图。更多用法如批量生成、评估、MCP 集成等，请参考文档。
这个 Agent 有哪些优点和局限？
- 高度自动化：从文本到出版级图表全流程自动化，包含多智能体迭代优化。
- 多提供商支持：兼容 OpenAI、Azure、Gemini、Atlas Cloud 和 OpenRouter，降低供应商锁定风险。
- 集成丰富：提供 CLI、Python API、MCP 服务器、GitHub Action、PaperBanana Studio 等多种接口。
- 可扩展性：支持批量生成、Sweep 参数扫描、自定义 venue 风格包，适配不同会议要求。
- 非官方实现：基于论文的社区实现，可能与原系统存在差异，且不受原作者的认可。
- 依赖 API 密钥和外部服务：需要使用 OpenAI、Gemini 或 Atlas Cloud 的 API，产生成本。
- 安装配置较复杂：需要 Python 环境，涉及多个依赖和提供商的配置。
- 输出质量依赖模型能力：生成效果依赖于所选 VLM 和图像生成模型的性能。
这个 Agent 与同类方案有什么区别？
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 |
|---|---|---|---|---|---|---|
| PaperBanana —— 自动化学术图表生成框架 当前 | 52 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 2.4k | 1 个月前 | Python | Claude Code · OpenAI API |
| MetaHarness | 86 · 表现良好 | 命令行工具免费 + 模型费 | ★ 707 | 9 天前 | TypeScript | Codex · Claude Code |
| no_human | 67 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 331 | 9 天前 | Python | Claude Code |
| Maestro-Flow | 52 · 缺口较多 | 命令行工具免费 + 模型费 | ★ 566 | 3 天前 | TypeScript | Codex · Claude Code · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据显示：项目使用API密钥，但文档明确警告不要提交.env文件，且.gitignore已排除。用户确认方面，CLI提供--continue和--feedback，但未强制确认。数据流透明度：README描述了多代理流程，但未详细说明数据如何传输至外部API。敏感数据处理：API密钥存储于.env，有安全政策。依赖安全：使用Dependabot监控，但未提供具体漏洞信息。外部影响：生成图像和代码，但未明确限制。回滚：支持--continue-run，但无正式回滚机制。来源归属：明确声明非官方实现，并引用arXiv论文。扣分原因：缺乏详细的权限最小化、用户确认机制、数据流细节、敏感数据加密、依赖漏洞详情、外部影响控制、回滚机制和来源验证。
证据显示：README和代码结构一致，测试覆盖了关键解析功能。依赖在pyproject.toml中列出，但未验证可用性。失败消息：测试显示解析失败时返回空结果，但未提供用户友好的错误提示。扣分原因：未验证依赖可用性，失败消息不够详细。
证据显示：面向AI科学家，提供多种使用场景（CLI、API、MCP、Studio）。能力边界：明确列出支持的提供商和模型。触发精度：CLI命令和参数定义清晰。环境适配：支持Python 3.10+，提供Docker和Colab。扣分原因：未详细说明不同环境下的限制。
证据显示：README结构清晰，安装说明详细。命名稳定：版本号在pyproject.toml中定义。示例和FAQ：提供多个示例。已知限制：未明确列出。许可证：MIT。版本变更日志：未提供。维护责任：未明确。扣分原因：缺少已知限制、变更日志和维护责任说明。
证据显示：输出为PNG等格式，可直接使用。边际价值：提供自动化图表生成，节省时间。成本效益：提供免费Gemini选项，但未详细分析成本。扣分原因：未提供成本效益分析。
证据显示：README引用arXiv论文，但未提供具体实现细节。交叉验证：未提供。事实与推断分离：未明确。扣分原因：缺乏可追溯性、交叉验证和事实/推断分离。
- API密钥管理需谨慎，确保.env文件不被提交。
- 生成的代码（如matplotlib）可能包含恶意内容，执行前需审查。
- MCP服务器不应暴露到不受信任的网络。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
PaperBanana v0.3.0 The feature release that closes out the entire issue tracker — every open issue and PR resolved. Highlights below; the dataset, benchmarking, and venue work make this the most research-credible release yet. Highlights Official benchmarking — paperbanana benchmark --split test runs the official PaperBananaBench test split (292 diagram / 240 plot cases, with the official per-example aspect ratios), and --mode vanilla provides the no-pipeline ablation baseline — results are now directly comparable to the paper (arXiv:2601.23265). …在 GitHub 查看 ↗ -
bench-data-v1 PaperBananaBench dataset mirror (v1)
发布说明摘录
Mirror of PaperBananaBench.zip (254 MB) from the original authors' dataset [dwzhu/PaperBananaBench](https://huggingface.co/datasets/dwzhu/PaperBananaBench) (last upstream update 2026-03-22), re-hosted here so paperbanana data download has a stable, project-controlled source. Contents: PaperBananaBench/{diagram,plot}/{ref.json, test.json, images/} — diagram: 298 reference + 292 test entries (610 images); plot: 240 reference + 240 test entries with ground-truth matplotlib code (480 images). Fields per entry: id, category, content, visual_intent, path_to_gt_image, `additional_i …在 GitHub 查看 ↗ -
发布说明摘录
PaperBanana v0.2.0 The first release in four months — 150+ commits. If you installed from PyPI, this is a very different (and much better) tool than 0.1.2. Fresh installs work again out of the box (the deprecated default Gemini model was replaced), and --budget now actually protects your spend on Gemini image models. Highlights New providers — Atlas Cloud (#220), LiteLLM for 100+ backends (#212), Ollama and OpenAI-compatible local endpoints, Anthropic, AWS Bedrock, and Claude Code as a VLM. Plots no longer demand image-gen credentials they never use (#202, fixes #201). …在 GitHub 查看 ↗