ncs-figure-design 的设计思路
科研绘图里最容易走的一条捷径，是把某种“顶刊风格”写成一包固定参数：几个颜色、一组字号、几条线宽，然后套到所有图上。结果往往不算难看，却很难回答一个更基本的问题：为什么应该是这个样子？ncs-figure-design 的设计出发点，正是拒绝这种没有来源的默认答案。
风格不是预设出来的
这套 skill 把“学习优先”放在最高位置。Nature、Cell、Science 并不是一套统一模板，不同期刊、栏目、图表类型和年份都会有差异。如果代码里预先硬编码一套所谓 NCS 配色，它只能称为某种审美偏好，不能称为从真实出版物中归纳出的规范。
因此，任何颜色、字体、线宽或布局参数，都必须能追溯到实际来源。没有用户指定期刊时，也不能自动宣称“这就是顶刊风格”；只有已经保存过一份带完整来源声明的通用 NCS 学习成果，才允许暂时使用。没有学习成果，就先学习，再绘图。
三类来源，各回答不同问题
第一类是期刊官方 Artwork 或 Figure Guidelines。它们提供规则：栏宽、分辨率、最小字号、允许的格式和可访问性要求。它们权威，但通常只给约束，不会告诉你一张特定类型的结果图应该怎样安排视觉重心。
第二类是真实论文图，来源可以是开放论文、预印本、期刊公开 figure 页或用户提供的 PDF。它们提供观感：面板如何排布、留白留多少、图例放在哪里、哪些颜色承担分组含义、线宽与标注怎样形成层级。这是主要学习来源，也最需要人工观察。
第三类是学术色板与色图研究，例如色觉友好色板、知觉均匀色图以及通用色板文献。它们回答的是颜色背后的科学依据：两个类别能否被色觉差异人群区分，连续变量映射到颜色时是否保持感知顺序，灰度打印后是否仍然可读。
三类来源不能互相替代。只看官方指南会得到合规但缺乏观感的模板；只照抄一张论文图会把偶然选择误当普遍规律；只追求漂亮色板则可能忽略期刊约束。学习成果需要记录每条知识的出处与提取方式，形成可复查的 provenance。
quick 与 explore 的区别
quick 适用于图表类型已经明确的场景。用户知道自己要柱状图、折线图或箱线图，skill 就不再讨论“换一种图会不会更好”，而是快速匹配目标期刊的近期风格。指定期刊时优先检查缓存；没有缓存，就从一张近期代表性图中提取关键参数，再人工补充图例、panel 标签和配色语义等观察。
explore 适用于有数据但还不确定如何展示的情况。它会先理解变量类型、分组结构、样本量、统计意图和目标期刊，再给出两到三种图表方案，说明各自适合什么、局限在哪里，等待用户确认后才进入绘图。风格学习也更深，通常比较至少两到三张不同文章的参考图，并输出逐项对照，最后合成一份有出处的新样式。
两种模式都必须经过学习模块，只是深度不同；一次任务也只加载一种模式，避免在已经确定图表类型后，又混入重新设计 Figure 的环节。这个边界让“快速”真的是快速，而“探索”保留充分讨论。
工具辅助，但判断仍由人完成
提取工具可以做颜色量化、读取 SVG 的 fill 与 stroke，或者尝试从 PDF 中提取字体和字号。它适合把图像里的显性参数转成结构化结果，但无法仅凭像素可靠判断“这个颜色代表对照组还是实验组”，也很难解释留白为什么形成某种层级。
所以自动提取只是起点。布局、图例、配色语义和视觉层级必须留给人工观察，并写进 manual_observations。学习成果缓存需要包含来源类型、URL 或 DOI、文章名、Figure 编号和访问日期；缺 provenance 的 JSON 直接视为无效。缓存超过十二个月，或者官方指南更新，就重新学习。若是在色觉校验后微调过色板，还要把调整原因和验证结论写回来源记录。
用校验完成交付，也接受停下来的结果
图生成出来并不意味着工作结束。连续数据禁用 jet 和彩虹色图，分类对比不能只依赖纯红与纯绿；色觉模拟和投稿清单会检查色板、标注、字号、格式和导出分辨率。发现问题就调整，而不是在交付说明里轻轻带过。最终交付还应包含生成脚本和完整样式来源说明，让另一个人能够复核或重新运行。
最值得保留的，是“学习失败时也诚实”的设计。网络不可用或来源不足，不能悄悄回退到无出处的默认样式。系统应说明本轮学习没有完成，再询问是否使用一份带来源的缓存成果；用户拒绝或缓存不存在，就暂停绘图。这个选择看似降低了自动化程度，却守住了一个更重要的事实：科研图的风格应当有证据，而不是凭生成器替作者猜。
如果把这套方法迁移到其他创作流程，问题也可能同样成立：哪些规则来自权威指南，哪些判断来自真实样本，哪些参数只是过去的偶然选择？这也和论文伴读中的证据意识相通。先把来源与推断分开，后面的自动化才有可靠的基础。