scientific-agent-skills 信息图类型目录详解：十种 `--type` 的选型逻辑、数据形状与实战命令

scientific-agent-skills 信息图类型目录详解：十种--type的选型逻辑、数据形状与实战命令

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills

本篇技术指南以 infographic_type_catalog.md 为核心，系统讲解 scientific-agent-skills 仓库中 infographics 技能所支持的十种信息图类型：statistical、timeline、process、comparison、list、geographic、hierarchical、anatomical、resume、social。文章逐类说明每种类型的适用场景、预期数据形状（data shape）、关键视觉元素与可复制的完整命令行示例，并结合 generate_infographic_ai.py 中每类专属的生成准则（guidelines）与 tests/infographics/test_scripts.py 的参数校验逻辑，帮你理解"选对类型"如何从提示词层面直接影响 AI 生成的画面结构与质量评审。读完本文，你将掌握信息图类型的完整选型地图，能够直接写出高质量、可运行的信息图生成命令。

为什么类型是信息图生成的第一参数

在 infographics 技能中，--type不是可选的视觉偏好，而是决定生成质量的核心输入。整个生成管线（详见 SKILL.md 与 iterative_refinement.md）遵循"生成 → 评审 → 按需再生成"的智能迭代循环：Nano Banana Pro 负责生成，Gemini 3.6 Flash 依据文档类型阈值（marketing 8.5/10 至 draft 6.5/10）做质量评审，只有低于阈值才基于评审意见改进提示词并重新生成。

--type在这一闭环中扮演双重角色：

• 生成端：在 generate_infographic_ai.py 中，每种类型都定义了一组结构化的INFOGRAPHIC_TYPES配置（名称 + 专属设计要求）。生成提示词由"通用信息图准则 + 类型准则 + 风格预设 + 配色方案 + 用户请求"拼接而成，类型准则会被直接注入模型。
• 评审端：同一份类型信息会传入质量评审提示词（review_image），让评审模型知道"这幅图应当是什么类型"，并据此评估是否符合该类型的预期形态。

换句话说，--type同时约束了"画什么"和"怎么评"。从源码结构看，这也是为什么 tests/infographics/test_scripts.py 专门用OptionCatalogueTests校验INFOGRAPHIC_TYPES目录非空、无重复、与--list-options输出一致，并确保 argparse 的choices直接绑定目录变量——保证"文档里承诺的类型"与"命令行真正接受的类型"永不脱节。

十种类型在命令行中的合法取值由 generate_infographic.py 的INFOGRAPHIC_TYPES常量定义，运行python skills/infographics/scripts/generate_infographic.py --list-options可随时查看带说明的完整清单。

1. Statistical / Data-Driven（--type statistical）

最佳用途：呈现数字、百分比、调查结果与定量数据——凡是"用数据说话"的场景都是它的主场。

预期数据形状：一组可量化的统计值，通常包含大数字 + 语境（如 "5.5 billion users"）、占比（"68% of population"）、区域份额或趋势变化。数据越具体、数字越有冲击力，效果越好。

关键视觉元素：柱状图、饼图、折线图、环形图（bar/pie/line/donut）、大号数字标注（numerical callouts）、数据对比、趋势指示符。

完整命令示例（摘自 infographic_type_catalog.md）：

python skills/infographics/scripts/generate_infographic.py \ "Global internet usage 2025: 5.5 billion users (68% of population), \ Asia Pacific 53%, Europe 15%, Americas 20%, Africa 12%" \ -o figures/internet_stats.png --type statistical --style technology

源码中的类型准则：在 generate_infographic_ai.py 中，该类型的生成要求包括"大而粗、一眼可读的数字""清晰的柱状图/饼图/环形图数据可视化""带语境的数据标注（如 15% increase）""趋势指示符（箭头、增长符号）""多序列数据时的图例""底部来源署名区"。这解释了为什么示例提示词要把每个数字连同单位、百分比语境写全——模型需要足够的数字密度才能产出数据驱动的版式。

2. Timeline（--type timeline）

最佳用途：历史事件、项目里程碑、公司发展史、概念的演进脉络。

预期数据形状：有序的时间序列，每条目为"年份/日期 + 事件 + 简短说明"的组合，且必须按时间先后排列。

关键视觉元素：时间流向（chronological flow）、日期标记、事件节点、连接线。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "History of AI: 1950 Turing Test, 1956 Dartmouth Conference, \ 1997 Deep Blue, 2016 AlphaGo, 2022 ChatGPT" \ -o figures/ai_history.png --type timeline --style technology

源码中的类型准则：该类型要求"清晰的横向或纵向时间流向""醒目的年份/日期标记""事件间的连接线或路径""事件节点（圆形、图标或标记）""简洁的事件描述""事件间一致间距""明确标出起点与终点"。从准则可以看出，时间线的数据结构天然是扁平有序的键值对——年份: 事件——示例提示词正是遵循这一形状组织的，AI 也因此在历年节点上保持了统一的视觉节奏。

3. Process / How-To（--type process）

最佳用途：分步教程、工作流、操作流程、方法步骤——任何"第 1 步做到第 N 步"的内容。

预期数据形状：编号的步骤序列，每步为"序号 + 动作 + 简短说明"（可选配图标语义），步骤间存在先后依赖。

关键视觉元素：编号步骤、方向箭头、动作图标、清晰流向。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "How to start a podcast: 1. Choose your niche, 2. Plan content, \ 3. Set up equipment, 4. Record episodes, 5. Publish and promote" \ -o figures/podcast_process.png --type process --style marketing

源码中的类型准则：该类型要求"编号步骤（1、2、3…）清晰可见""步骤间的方向箭头""每个步骤的动作导向图标""每步简短动作文本""明确的起点与终点指示""自上而下或自左而右的逻辑流向""步骤之间的视觉连接"。注意示例提示词用 "1. … 2. … 3. …" 显式编号，这与准则中"编号必须清晰可见"直接呼应——数字编号是模型理解流程顺序的最强信号。

4. Comparison（--type comparison）

最佳用途：产品对比、优缺点罗列、前后（before/after）对照、多个方案的评估权衡。

预期数据形状：两个或多个对象 + 若干对照维度，每个维度给出双方（或多方）的取值。推荐按"维度行"组织：如Fuel cost (lower vs higher)这样的成对结构。

关键视觉元素：并排布局（side-by-side）、匹配的对照类别、勾选/叉号指标（check/cross）。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "Electric vs Gas Cars: Fuel cost (lower vs higher), \ Maintenance (less vs more), Range (improving vs established)" \ -o figures/ev_comparison.png --type comparison --style nature

源码中的类型准则：该类型要求"对称的并排布局""每个被比较对象有清晰标题""匹配的行/类别以保证公平对比""视觉指示符（勾、叉、评分）""两侧视觉重量均衡""对象间颜色区分""适用时给出总结或结论区"。从准则可以推断：示例中每行同时给出两方取值（lower vs higher）正是为了让模型能生成"逐行匹配"的对称表格版式，而不是把两个对象画成两张互不相干的图。

5. List / Informational（--type list）

最佳用途：技巧清单、事实罗列、要点提炼、内容摘要、速查参考——强调"易扫读、信息分层"。

预期数据形状：一组并列的条目，每条为"要点 + 简短说明"，可用编号或项目符号组织，数量通常为 5～7 条最宜。

关键视觉元素：编号/项目符号、图标、清晰的层级结构。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "7 Habits of Highly Effective People: Be Proactive, \ Begin with End in Mind, Put First Things First, Think Win-Win, \ Seek First to Understand, Synergize, Sharpen the Saw" \ -o figures/habits.png --type list --style corporate

源码中的类型准则：该类型要求"大而清晰的编号或项目符号""代表每个条目的图标""简短、可扫读的文字说明""所有条目视觉处理一致""清晰层级（标题 → 条目 → 细节）""条目间充足间距""通过视觉变化避免单调"。list 是默认阈值（7.5/10）下最常用的类型之一，也是 SKILL.md Quick Start 里默认演示的类型，适合作为上手第一张图的起点。

6. Geographic（--type geographic）

最佳用途：区域数据、人口统计、基于位置的数据、全球趋势分布。

预期数据形状：位置实体（国家/地区）与数值的配对集合，如Iceland 100%, Norway 98%。数值应能映射为颜色深浅或标注大小。

关键视觉元素：地图可视化、颜色编码、数据覆盖层、图例（legend）。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "Renewable energy adoption by region: Iceland 100%, Norway 98%, \ Germany 50%, USA 22%, India 20%" \ -o figures/renewable_map.png --type geographic --style nature

源码中的类型准则：该类型要求"准确的地图表达""基于数据的区域颜色编码""解释颜色尺度的清晰图例""关键区域的数据标注""空间允许时的区域标签""比例尺或语境指示符""干净的地图制图风格"。研究模式下（--research），research_topic 会为该类型追加"聚焦区域数据、基于位置的统计与地理分布"的定向检索提示，帮助模型拿到真实的地域数值，避免编造地图数据。

7. Hierarchical / Pyramid（--type hierarchical）

最佳用途：组织结构、优先级层级、重要性排序——强调"分层"而非"并列"的信息。

预期数据形状：有序的层级条目，从上到下（或从下到上）排列，通常顶部数量少而精、底部数量多而广，如马斯洛需求层次的金字塔结构。

关键视觉元素：金字塔或树形结构、不同的层级、尺寸递进。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "Maslow's Hierarchy: Physiological, Safety, Love/Belonging, \ Esteem, Self-Actualization" \ -o figures/maslow.png --type hierarchical --style education

源码中的类型准则：该类型要求"清晰的金字塔或树形结构""带视觉区隔的独立层级""尺寸递进（底座大、顶部小）""每层有标签""每层使用颜色渐变或不同颜色""清晰的上下层级关系""平衡居中的构图"。与研究阶段的类型感知检索一致——hierarchical类型会引导研究聚焦"层级、排名、层级关系"（见 research_topic 的type_context分支）。

8. Anatomical / Visual Metaphor（--type anatomical）

最佳用途：借助人们熟悉的视觉隐喻（人体、机器、树木、房子等）来解释复杂系统——把抽象概念"器官化"。

预期数据形状：一个中心隐喻意象 + 若干"组成部分 → 对应概念 → 简短解释"的映射条目，如Brain=Leadership, Heart=Culture。

关键视觉元素：中心隐喻图、带标注的部件、连接线（callout lines）。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "Business as a human body: Brain=Leadership, Heart=Culture, \ Arms=Sales, Legs=Operations, Skeleton=Systems" \ -o figures/business_body.png --type anatomical --style corporate

源码中的类型准则：该类型要求"中心隐喻图（人体、树、机器等）""带引出线的标注部件""标注与部件间清晰的连接关系""每个标注部件的解释文本""全图统一的标注风格""教学式、图解式外观"。这类信息图最能体现"数据形状"的价值：部件=概念的等号结构让模型可以精准地把概念映射到隐喻图形的对应部位，而不是凭空发挥。

9. Resume / Professional（--type resume）

最佳用途：个人品牌展示、简历/CV 视觉化、作品集亮点、职业成就概览。

预期数据形状：结构化个人信息，典型组成包括：技能及熟练度百分比、工作经历时间段、教育背景、联系方式，以及可选的奖项/证书。

关键视觉元素：照片区域、技能可视化、时间线、联系信息。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "UX Designer resume: Skills - User Research 95%, Wireframing 90%, \ Prototyping 85%. Experience - 2020-2022 Junior, 2022-2025 Senior" \ -o figures/resume.png --type resume --style technology

源码中的类型准则：该类型要求"专业的照片/头像占位区""技能可视化（条、图、评分）""经历时间线或列表""带图标的联系信息区""成就/认证徽章""干净专业的版式""个人品牌配色"。从准则可见，resume 类型对数据形状的规格化要求最高——技能百分比、起止年份、岗位职级都要在提示词里一一交代，模型才能产出"信息图式简历"而不是普通文字简历。

10. Social Media（--type social）

最佳用途：Instagram、LinkedIn、Twitter/X 等平台帖子与可分享图形——以"在信息流中瞬间抓住注意力"为设计目标。

预期数据形状：一条核心信息 + 尽量少的文本。通常为"强标题 + 1～2 个关键数字/要点 + 可选行动号召（CTA）"，如示例中的 "Save Water, Save Life: 2.2 billion people lack safe drinking water"。

关键视觉元素：粗体大标题、最少文本、最大视觉冲击、鲜艳配色。

完整命令示例：

python skills/infographics/scripts/generate_infographic.py \ "Save Water, Save Life: 2.2 billion people lack safe drinking water. \ Tips: shorter showers, fix leaks, full loads only" \ -o figures/water_social.png --type social --style marketing

源码中的类型准则：该类型要求"粗体、抓眼球的标题""大而有力的中心统计值或视觉主体""最少文本、最大视觉冲击""平台适配的版式（Instagram 用方形）""鲜艳醒目的颜色""行动号召元素""品牌/logo 放置区"。注意示例同时搭配了--style marketing（珊瑚红、青绿、黄的营销风格预设），这正符合 social 类型的"鲜艳醒目"准则——类型与风格预设在此是天然搭档。

十种类型速查总表

选对类型之外的配套参数

类型目录文档给出的每条命令都同时携带了-o输出路径与--style风格预设，这在 CLI 层面是有意为之的设计。完整参数集见 iterative_refinement.md 的命令行参考，其中与类型选型最相关的配套参数包括：

• -s, --style：8 个行业风格预设（corporate、healthcare、technology、nature、education、marketing、finance、nonprofit），每种在 generate_infographic_ai.py 中都有具体的十六进制配色与设计描述，例如healthcare使用医疗蓝#0077B6、marketing使用珊瑚红#FF6B6B。示例命令中statistical + technology、geographic + nature、social + marketing的搭配都遵循了"内容场景 ↔ 行业风格"的对应关系。
• -p, --palette：三种色盲安全调色板（wong、ibm、tol）。tests/infographics/test_scripts.py 专门断言 palette 目录恰好等于这三个公认的色盲安全集合，因为"广告宣称色盲安全但生成器不认识该预设"意味着静默降级到默认配色。
• -r, --research：启用 Perplexity Sonar 研究阶段。它对类型是"感知"的——statistical会聚焦统计数字、timeline聚焦关键日期、geographic聚焦区域数据（见 research_topic），并把检索结果自动注入生成提示词。
• --doc-type：质量评审阈值（marketing 8.5/10 最高，draft 6.5/10 最低），影响"多少轮迭代后算达标"。
• --iterations：最大精修轮数，默认 3。质量达标时会提前停止（early stop），每次迭代产物保存为{name}_v{i}.png，并生成{name}_review_log.json记录评分与改进意见。

从类型目录到源码的验证路径

如果你希望亲自验证本文对类型机制的描述，可以在仓库中按以下路径继续深挖：

• skills/infographics/references/infographic_type_catalog.md：本文所依托的原始类型目录，含全部十类的一行式用途与命令。
• skills/infographics/references/infographic_types.md：每类更完整的提示词模板、版式模式（如统计类的"单统计英雄式/多统计网格"、时间线的"横向/纵向/蛇形/环形"）与配色风格变体，是目录文档的扩展阅读。
• skills/infographics/scripts/generate_infographic_ai.py：十种类型在生成端的结构化准则定义，是"类型如何约束 AI 画面"的权威依据。
• skills/infographics/scripts/generate_infographic.py：CLI 层的类型/风格/调色板/文档类型常量与参数解析入口。
• tests/infographics/test_scripts.py：保证类型目录与 argparsechoices、--list-options输出三方一致，并拒绝未知取值（如--palette rainbow）的回归测试。

小结：让类型目录成为你的第一手选型工具

十种--type本质上是十套"结构化约束"，它们把用户的自然语言描述翻译成 AI 生成器可执行的版式与内容组织规则。本文覆盖的每一类都可以归结为三个问题：它最适合表达什么信息？它期待什么形状的数据？它要求哪些视觉元素？在写提示词前先回答这三个问题，再对照本文速查表选择类型，然后按对应示例组织数据（时间线用年份: 事件、对比用维度: 取值 vs 取值、解剖隐喻用部件=概念），即可稳定产出符合预期的信息图。需要实时核对可选类型、风格与调色板时，随时运行python skills/infographics/scripts/generate_infographic.py --list-options。

【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills