两个月前我在帮一位朋友整理论文投稿材料。数据、实验、结果分析都齐了卡在最后一步配图。按照目标期刊的投稿规范图要清晰、字号要统一、配色不能花哨、坐标轴要有意义、图例位置不能挡数据……每一张图都要来回调。他问了我一句“这种图AI 到底能不能直接画出来”我当时没有回答“能”或“不能”而是给了另一个判断能不能画出论文级配图关键不在于 AI 画图能力有多强而在于你给它的“制图规则”有多具体。这就是这次要聊的主题用 Codex 配合 Nature Figure 这套提词方案把科研配图从“手动反复调整”变成“描述需求后自动出图”的完整工作流。它值得关注的原因不是因为它能“一键生成论文图”而是因为它把科研绘图里最容易消耗时间的那部分——脚本编写、排版规范、样式统一——真正变成了可复用流程。1. 先搞清楚 Nature Figure 解决的是什么问题1.1 论文级配图的难点从来不是“画出来”先看一个常见误解很多人以为论文配图难是因为不会用绘图软件或者不熟悉 Python 画图库。实际上真正耗时间的环节是这些图的布局是否符合投稿期刊的尺寸和分辨率要求字体大小、线宽、图例位置、配色方案是否统一坐标轴标注是否够清楚单位是否规范多张子图之间的风格是否一致同一篇论文里不同图的配色逻辑是否连贯这些需求不会因为你换了更贵的绘图工具就自动满足。它本质上是“制图规范”问题。学术期刊对图表有一套约定俗成的审美要求克制、清晰、信息密度高、不花哨。AI 写代码画图很容易难的是让 AI 理解“克制”和“清晰”到底是什么。Nature Figure 就是干这个的。它不是绘图软件不是 Python 库也不是插件而是一套被结构化整理过的“科研制图规范提示词”。它把 Nature 和 Science 级别论文里常见的图表达要求转化成 AI 能理解的规则。当你在 Codex 这类 AI 编程工具中加载它并要求它按规范出图时AI 就不再是随便画一张示意图而是按照一套完整的学术排版标准去生成绘图代码。1.2 为什么过去这个流程很难自动化以前想自动画出“论文级”配图主要卡在三个地方。第一绘图代码本身是强工程化任务。不同数据要画散点图、箱线图、柱状图、热图、维恩图每种图的 Matplotlib 或 Seaborn 实现方式都不太一样。你要么记住大量 API要么每次翻文档。第二代码能跑出来是一回事风格对不对是另一回事。很多科研人员会用代码画图但画出来的图“能用”和“能投稿”之间差了很长一段路。字体默认、配色随机、坐标轴稀疏、图例遮挡数据这些问题很难通过代码检查发现。第三单张图容易调整套图难统一。等你要把论文里的图 1 到图 6 放在一起看时经常会发现每张图的风格各说各话。之前调好的参数换一个数据集就全得重来。Nature Figure 的价值在于它把“规范”和“代码”分开了。规范由提词方案负责代码由 AI 负责。你不需要把每条期刊排版要求记在脑子里也不需要手动记住 Matplotlib 每个参数而是在每次画图时让 AI 在生成代码之前先理解和遵守那套规范。1.3 对普通科研人员意味着什么对使用者的意义可以概括成一句话人退回到“提需求和审结果”的位置AI 负责“写脚本和调细节”。这意味着即使你不擅长写绘图代码也能通过自然语言描述数据结构和想要的图类型让 Codex 产出可运行、风格统一的绘图脚本。同时你不需要放弃对最终效果的控制权——每张图生成出来后仍然需要人来做最终审查。所以我更倾向于把 Nature Figure 理解为一名“制图规范顾问”而不是“自动画图机器人”。它的核心能力不是生成图片本身而是在生成绘图代码前把学术出版级别的规范要求注入到 AI 的判断里。2. 为什么 Codex 是这套流程里更合适的执行端2.1 从 Chat 到 CLI科研自动化需要的不只是对话如果你用过 AI 对话网页版来生成绘图代码应该遇到过一个问题它给你一段代码你复制到本地运行报错了再复制回去让它改。来回几次效率其实不高。Codex 和普通网页对话最大的区别是它能直接跑在本地环境里。它是 OpenAI 推出的编程智能体可以通过命令行或桌面应用与你的项目目录进行交互。它不只是生成代码片段而是可以读取项目文件、执行命令、查看运行结果然后根据报错信息继续调整。举个例子。你要画一张图数据文件在./data/experiment.csv。普通对话里你要手动把数据文件传上去再复制代码而 Codex 可以读取本地文件路径运行脚本看到报错后继续修改直到跑通。对批量操作、多次迭代、文件读写频繁的科研绘图场景这种模式明显更贴近真实开发流程。这也是为什么我会说Codex 不是“能对话的 AI”更像“能帮你跑项目的实习生”。你下达任务它动手试试完告诉你结果然后根据反馈继续推进。2.2 CLI、桌面版和 VSCode 集成怎么选在开始用之前先分清 Codex 的几种使用方式。这个选择会直接影响你的使用体验。使用方式适合场景特点命令行 CLI本地自动化、批量脚本、远程服务器轻量可脚本化适合和 Nature Figure 提词方案配合桌面版 App普通科研用户、可视化调试界面更友好能看到文件树和对话记录VSCode 集成开发型科研人员在编辑器里完成代码编写和 AI 对话适合边写边调IDE 集成已有完整开发环境的用户减少工具切换成本但配置更复杂我个人的建议是如果你是第一次尝试先装 CLI 版因为它最容易配合技能定义和批量任务如果你不习惯命令行也可以装桌面版核心逻辑一样区别只是交互界面。从社区反馈来看多数配置问题集中在安装和模型连接上而不是功能缺失。所以第一步先别急着想“我要把整篇论文的图都用它画完”而是先完成最小安装跑出一条样例。2.3 安装前必须想清楚的一个问题账号和模型安装 Codex 本身不复杂但你在登录和模型选择上会碰到一个关键岔路口用 ChatGPT 账户登录还是通过 API Key 接入第三方服务。如果你有 ChatGPT Plus 或更高级别的套餐可以直接用官方账号登录模型列表会由套餐决定。这种情况下它能使用的模型种类相对固定。如果你想通过 API 方式接入其他支持 OpenAI 兼容接口的服务就需要在配置里填好 API Base URL 和 API Key。社区常见做法是接入 DeepSeek 等第三方模型服务但这有个前提该服务商提供的模型必须兼容 Codex 的接口协议。这里要提醒一个容易踩坑的点不是所有模型都适合 Codex 使用。从社区反馈看有些人通过第三方 API 接入后会遇到类似 “the gpt-5.6-sol model is not supported when using codex with a ChatGPT account” 的报错。这类报错通常意味着两种可能一是当前账号套餐不支持你选择的模型二是第三方服务商没有映射好模型 ID。碰到这种情况第一时间去核对“当前账号允许的模型列表”和“服务商实际支持的模型 ID”而不是反复重启程序。注意安装前先决定“用官方账号登录”还是“接 API”决定后续所有的模型选择和报错排查方向。不要先装上再说。3. 实操路径从零到第一张“能进论文”的图3.1 第一步装上 Codex 并完成基本配置因为输入材料里没有给出具体版本的官方安装文档下面写的是当前比较常见、稳定的操作路径。落地之前建议先确认你需要的版本和依赖环境。CLI 版常见安装方式是使用 npm 全局安装。如果你已经装好了 Node.js可以在终端执行npm install -g openai/codex如果遇到 “unable to locate the codex cli binary” 这类报错通常不是安装失败了而是终端没有找到命令路径。这时候先检查 npm 全局安装目录是否在系统 PATH 中。npm bin -g把这个目录追加到你的PATH环境变量里再重开终端。桌面版安装则更直观直接下载对应系统的安装包Windows 和 macOS 都有官方桌面客户端。VSCode 里也有插件市场可以直接搜索安装。不管用哪种方式装完之后第一步不是马上画图而是先确认版本和登录状态codex --version codex login如果codex login这一步骤频繁报“正在重新连接”或 “connection failed: error sending request”大概率要检查以下四件事网络环境是否稳定是否可以正常访问 API 端点代理配置是否正确相关进程是否有监听对应端口账户余额或套餐状态是否正常服务商 API Base URL 是否填写正确3.2 第二步准备好 Nature Figure 提词文件这一步决定了“能不能画出论文级图片”。你不能直接跟 AI 说“帮我画一张好看的散点图”就完事。这套流程的前提是让 AI 先读一套科研制图规范。你可以把 Nature Figure 提供的提示词文件下载到项目目录中也可以在 Codex 的配置中指定它的路径。常见结构类似project/ ├── data/ │ └── experiment.csv ├── figures/ ├── nature_figure/ │ ├── system_prompt.md │ └── plotting_guidelines.md └── generate_figure.mdgenerate_figure.md是任务描述文件里面写清楚你要画什么图、数据在哪里、输出到哪里。而system_prompt.md和plotting_guidelines.md是两个核心文件决定了 AI 绘图的判断标准。如果你没有现成的 Nature Figure 文件也可以基于以下框架自己写一份精简版规范图的宽高比必须符合目标期刊要求通常单栏图宽约 8.8 cm双栏图宽约 18 cm字体大小建议统一坐标轴注释和刻度文字要保持可读性配色优先使用色盲友好型方案不要直接用默认彩虹色多子图之间共用坐标轴时要合理隐藏重复标注图例不能遮挡数据区域必要时放在图外尽量使用矢量格式输出例如 PDF 或 SVG这套规范越具体AI 画出来的图就越接近论文要求。3.3 第三步用一条样例数据跑通最小流程不要一上来就让 AI 画整套论文图。你应该先用一条样例数据验证输入、输出、日志和格式都正常。这里给出一个最小示例。假设数据文件是experiment.csv任务是画一张散点图并加上线性拟合线。写一个任务描述文件# 绘图任务 请阅读 data/experiment.csv 中的实验数据。 第一列是 concentration第二列是 response。 请使用 Matplotlib 绘制一张散点图并叠加线性回归拟合线。 要求 - 遵循 nature_figure/plotting_guidelines.md 中的制图规范 - 输出分辨率为 300 DPI - 保存到 figures/response_curve.pdf - 配色使用色盲友好型方案然后在项目目录下启动 Codexcodex把任务描述文件内容粘贴进去或者在对话中直接说“请读取 generate_figure.md 并执行里面的绘图任务”。Codex 会读取文件、加载规范、生成脚本、尝试运行、根据报错修正。第一次跑通的意义不在于图有多完美而在于验证整条链路没断文件读取正常、代码能运行、输出保存正确。3.4 第四步从单张到整套图的批量策略当单张图跑通之后你会面临一个更实际的问题——论文里有 5 张图、8 张图怎么办不可能每次都重新描述一遍规范。这时候更合适的做法是把每张图的“任务差异”和“共享规范”分开。共享规范字体、配色、输出格式、DIP 要求放在plotting_guidelines.md里保持不变。每张图的任务差异数据文件、图类型、坐标轴标签、输出文件名单独写在各自的描述文件里。figures/ ├── task_fig1_scatter.md ├── task_fig2_boxplot.md ├── task_fig3_heatmap.md然后依次告诉 Codex 执行这些任务文件。每张图用的都是同一套规范最终整套图的风格就会一致。4. 从“能出图”到“能投稿”你需要补齐的工程化能力4.1 输出不是终点人工审查仍然不可替代必须说清楚Nature Figure Codex 生成出来的图不等于“论文级图片”而是“符合论文级制图规范的候选图”。两者之间有本质区别。AI 可以保证流程规范但它不能判断这张图是否最准确反映了你的数据结论这个变量是否应该用这种图来展示是否存在更好的可视化方式这些是科学判断问题不是制图技术问题。所以在整个工作流里人的角色不是“写代码”也不是“调参数”而是“审图”。每一次 AI 生成完图后建议按这个顺序检查先看数据映射对不对横轴纵轴变量是否正确颜色编码是否代表正确的分组再看图表类型合不合理连续变量和离散变量的图表选择是否恰当然后看信息是否清晰刻度是否需要调整图例是否覆盖数据标注是否多余最后看是否符合投稿要求尺寸、分辨率、字体、配色、文件格式这四步走完才是真正能放进论文的图。4.2 版本管理和批量迭代怎么处理科研项目的绘图脚本很容易陷入一个混乱局面final_figure.py、final_figure_v2.py、final_figure_最最终版.py。用 Codex 生成代码也一样它会在不同迭代轮次里修改脚本。如果不去管理这些修改过几天你会发现根本分不清哪张图对应哪个脚本。更稳妥的做法是把每一次绘图任务的输入输出关系固定下来。一个可复现的最小结构是data/ # 原始数据只读不做原地修改 scripts/ # AI 生成的绘图脚本保存每个阶段的版本 figures/ # 输出图片按论文图号命名 prompts/ # 任务描述文件记录绘图需求和规范版本每次让 Codex 跑图时数据文件都放在data/里输出到figures/。任务描述文件记录的是当时的绘图需求即使以后想复现也能清楚知道当时是怎么生成的。另外一个常见问题是AI 跑了很久突然断线、报错、或者输出结果不符合预期。这时不要急着重新描述一遍任务而是先检查是否有阶段性输出。比如脚本是否生成了图片是否部分写入了日志文件是否留下了错误信息把错误日志带回对话里让 AI 基于真实报错修复比重新描述一遍需求高效得多。4.3 要不要把它变成自动化流水线如果只是写一篇论文上面的手动工作流已经足够。但如果你在一个课题周期里要反复生成实验图、对比图、投稿图那就可以再往前走一步把绘图的流程封装成固定步骤。最简单的自动化策略是先把任务描述文件写清楚然后定期用 Codex 执行一组文件。这样可以做到同一批数据换一种配色或字体不需要重写代码新数据集到来时只要替换数据文件再跑一次即可不同论文或不同章节可以共用同一套制图规范不过要提醒一句流水线化不等于无人化。图的最终质量问题仍然需要人来判断。更合理的定位是让 Codex Nature Figure 处理“重复劳动”让科研人员保留“决策和审查”。这也是这套方案真正值得长期使用的理由——它不是在替代你思考而是在替你执行你已经确定好的流程。5. 常见问题的排查链路按顺序查不要瞎试从社区反馈看用 Codex 的过程中会遇到各种报错。有的人卡在安装有的人卡在连接有的人卡在模型不支持。这里给出一条按顺序走的排查链路避免你反复卸载重装。5.1 先看命令是否可用如果你执行codex命令提示找不到先检查which codex如果没有输出说明命令没有安装成功或路径不对。重新检查 npm 全局安装目录或者考虑使用桌面版绕开 CLI 路径问题。5.2 再看登录和鉴权是否正常命令可用但提示连接失败、正在重连或登录过期这时候重点查登录状态。codex login status如果提示未登录重新登录。如果登录成功但连接仍不稳定则要看网络和服务端点。5.3 然后看模型和服务商是否匹配当你碰见类似“model is not supported”的报错时核心问题通常不是网络而是模型映射。先用最稳定的默认模型测试确认无误后再切换第三方模型。不要一上来就把模型切换成最新版本除非你确认当前账号或服务商支持。5.4 再看本地代理和端口配置社区反馈里经常出现的 “CC Switch local proxy failed while handling codex endpoint /responses” 一类报错指向的是本地代理或 API 转发配置问题。这类报错出现时先确认本地代理服务是否在运行代理监听的端口和 Codex 配置的端口是否一致是否有其他程序占用了同一个端口如果不需要代理先关闭相关设置再测试5.5 最后看输出路径和权限代码跑通了但图片没有生成或者保存失败。这时候检查输出目录是否存在、是否有写入权限、路径中是否包含非英文字符。特别是 Windows 环境下路径中的反斜杠和特殊字符经常导致保存失败。注意不要同时改多个配置再测试。一次只改一个变量确认问题是否解决否则你根本不确定是哪个改动起了作用。6. 生态和边界什么情况下不建议用这套方案这部分不写清楚前面的内容就会显得像是在推荐“万能方案”。实际上Codex Nature Figure 有非常明确的适用边界。6.1 适合的场景你手头已经有相对干净的数据文件主要是缺绘图脚本和排版调整。你需要反复生成同类型的图比如多个实验条件对比或者多组数据的趋势图。你需要快速试多种图表类型看哪种更能表达数据结论。你不太熟悉 Matplotlib 或 Seaborn但能清楚描述自己的数据和需求。6.2 不适合的场景数据非常脏需要大量人工清洗和预处理。这个阶段交给 AI 反而容易引入不可控的错误。图的表达方式本身需要很深入的领域判断。比如病理切片图、荧光显微图、特定领域的组学数据复杂可视化这些还是需要领域专家主导。你需要完全可控、逐像素级别的精细设计。AI 生成代码可以快速出图但如果你要雕琢每一个细节手动调整可能更快。目标期刊对图表有极其特殊的格式要求尤其是某些非自然学科的投稿规范。6.3 一个更现实的判断标准如果你要的是一张“探索性”的图用来快速看数据趋势那直接手动画可能更快不必引入这套流程。如果你要的是“论文正式提交版”并且要画很多张那 Codex Nature Figure 就能发挥真正优势把规范和流程固定下来让每一张图都有相同的风格和可复现的生成路径。最尴尬的是中间状态只画一两张但要求极高、改动极多。这种情况下AI 的迭代速度反而不如你手动调得快。判断标准很简单——这套方案是为“多条数据、同套规范、反复迭代”设计的不是为“单张神图”设计的。7. 把 Nature Figure 的能力内化成你自己的规则如果你顺着上面的流程用了一段时间会发现一个更深层的收获你不再依赖某套固定提示词而是逐渐理解了一张论文级配图到底做对了什么。这个迁移过程大致分三步。第一步照着规范用。你加载 Nature Figure 的提示词让 AI 按规范出图。这个阶段你是在“遵守规则”。第二步根据自己的研究领域调整规范。比如你的学科用的是双栏图、特定的统计显著标记规则、特定配色习惯那就把通用规范裁剪成自己的版本。这个阶段你是在“定制规则”。第三步把规则沉淀成团队或项目模板。以后不管是自己画图还是交给学生、同事只要数据格式一致都能用同一套流程生成符合投稿要求的图。这个阶段你是在“复用规则”。所谓自动化科研真正值钱的地方不是“机器代替人手动操作”而是把过去散落在个人经验里的隐性知识变成可描述、可复现、可传承的操作规范。Nature Figure 提供的是初始规范样本Codex 提供的是执行入口而你自己的领域判断才是最终决定这张图能不能被期刊接受的那道关。我建议第一次尝试的人不必追求一步到位。先装好 Codex下载一份 Nature Figure 提示词拿自己手头一份最简单的实验数据试着跑出第一张图。跑通了再慢慢扩展。你会发现科研绘图这件事最花时间的部分不是画图本身而是你终于决定把“怎么画图”这件事认真想清楚的那一刻。