做实验的人大概都经历过这种场面：数据跑完了，结果文件夹里躺着几十个 CSV，离组会还有一天，图一张都没画。
更头疼的是改图。导师说"字太小"“颜色换成色盲友好的”“误差棒用标准误不要用标准差”，每改一次就要翻回去找当初那段绘图代码，而那段代码很可能写在某个早就关掉的 Jupyter 单元格里。
这篇文章讲我现在的做法：让 Claude Code 直接在项目目录里读数据、写绘图脚本、跑脚本、看结果，最后留下一个随时能重跑的plot.py。重点不是"让 AI 画图"，而是让图变得可复现、好修改。
在开始之前，先分享一个我最近常用的开源工具站：Awesome Paper Research Skills（论文科研 Skills 排行榜）。
如果你平时用 Claude Code 或 Codex 做科研，不想每次都从头写规则和脚本，可以先去这个榜单里找现成的 Agent Skills。它目前收录了 115 个科研相关的开源仓库，涵盖找文献、读论文、写论文、科研绘图、实验复现和投稿审稿 6 个方向，每天自动更新 GitHub Stars 增长趋势。
像本文要讲的论文画图，直接在榜单搜索框旁点"科研绘图"快捷标签，就能筛出一批现成方案：
- 在线排行榜：https://riceai88.github.io/awesome-paper-research-skills
- GitHub 仓库：https://github.com/RiceAI88/awesome-paper-research-skills
先说清楚 Claude Code 是什么
Claude Code 是 Anthropic 出的命令行编程助手，装好后在终端里运行。它和网页版对话最大的区别是：它能直接读写你本地的文件，也能执行命令。
对画图这件事来说，这意味着它可以自己打开 CSV 看列名，写完脚本自己运行，报错了自己改，而不是你在网页和编辑器之间来回复制粘贴。
安装用官方脚本即可，安装后需要登录有 Claude Code 权限的账号或配置 API Key。具体套餐以官网为准，这里不展开。
curl-fsSLhttps://claude.ai/install.sh|bashcd~/research/my-experiment claude第一步：整理目录，写一份 CLAUDE.md
Claude Code 启动时会自动读取项目根目录下的CLAUDE.md。把绘图规范写进去，以后每次对话它都会遵守，不用反复交代。
我的实验目录一般长这样：
my-experiment/ ├── CLAUDE.md ├── data/ │ ├── baseline_seed0.csv │ ├── baseline_seed1.csv │ ├── ours_seed0.csv │ └── ours_seed1.csv └── figures/CLAUDE.md里写这些就够了：
# 绘图规范 - 只用 matplotlib，不要用 seaborn 默认主题 - 所有绘图代码写进 plot.py，不要写一次性代码 - 输出 PDF 矢量图到 figures/，同时输出 300 dpi 的 PNG 方便预览 - 字体：英文 Times New Roman，字号 9pt（双栏论文单栏宽度 3.5 英寸） - 配色用 Okabe-Ito 色盲友好色板 - 多个随机种子的结果：画均值，阴影表示标准误 - 不要修改 data/ 目录下的任何文件最后一条很重要。数据文件是原始记录，任何工具都不该碰。
第二步：先让它看数据，别急着画
很多人一上来就说"帮我画个对比图"，结果它猜错了列名或者理解错了数据含义。更稳的做法是先让它汇报数据结构：
先不要画图。读一下 data/ 下所有 CSV，告诉我： 1. 每个文件有哪些列，各有多少行 2. 不同文件的列是否一致 3. 有没有缺失值或明显异常的数值它会自己用 pandas 打开文件并汇报。这一步经常能发现问题，比如某个种子少跑了几个 epoch，或者某一列全是 NaN。这些问题如果画完图才发现，前面的工作就白做了。
第三步：描述你要的图，让它写脚本并运行
确认数据没问题后，再提具体需求。描述得越像审稿人看图的视角越好：
写 plot.py，画训练曲线对比图： - 横轴 epoch，纵轴 val_acc - baseline 和 ours 两条线，每条是所有 seed 的均值，阴影是标准误 - 图例放右下角，不要边框 - 写完直接运行，然后告诉我 figures/ 下生成了哪些文件它通常会先写脚本，再执行python plot.py，如果缺包或者报错会自己修。整个过程你能在终端里看到每一步，它要执行命令前会征求你的同意，看清楚再批准。
第四步：核对数字，这一步不能省
图画出来好看不代表画对了。我每次都会追加一句：
在 plot.py 里加一段：把每个方法最后一个 epoch 的均值和标准误打印出来，保留 4 位小数。然后拿打印出来的数字，和自己实验日志里的结果对一遍。曾经遇到过它把标准差当成标准误算的情况，图上看不出来，但数字一对就露馅了。
AI 写的绘图代码，出错往往不是报错，而是"安静地算错"。这类错误只能靠人核对。
第五步：改图只改脚本
之后导师提修改意见，直接用自然语言告诉它：
导师意见：纵轴从 0.6 开始，线宽加粗到 1.5，ours 用实线 baseline 用虚线。改 plot.py 并重新运行。因为所有逻辑都在plot.py里，改动是可追踪的。建议把项目放进 git，每次改图提交一次，哪天导师说"还是上上版好看"也能找回来。
几个容易踩的坑
中文论文要用中文字体时，记得在 CLAUDE.md 里写明字体名称，比如宋体或思源宋体，否则容易出现方框乱码。
让它"美化一下"这种模糊指令，结果往往是加一堆花哨效果。期刊要的是清楚，不是好看，需求要具体到字号、线宽、颜色。
别把整个几个 G 的原始数据目录丢给它读，先用小样本或汇总后的 CSV，省额度也省时间。
生成的图放进论文前，按期刊要求检查尺寸。很多期刊对单栏、双栏宽度有明确规定，在投稿指南里能查到。
总结
用 Claude Code 画图，真正省下的时间不在第一张图，而在后面的第五次、第十次修改。规范写进 CLAUDE.md，逻辑沉淀在 plot.py，数字自己核对一遍，这套流程换成 Codex 也同样适用。
如果你主要的卡点不在画图，而是论文正文的结构和表述，也可以试试智一刻，它更偏向中文论文写作这一侧。
