FigMirror: Cómo Automatizar la Creación de Figuras de Calidad Profesional

Visión general y cómo funciona

FigMirror automatiza la creación de figuras con calidad de publicación replicando el estilo de una imagen de referencia con tus propios datos. Tú proporcionas una captura de pantalla de referencia y tus datos (pegados o en CSV); la herramienta devuelve un script editable de matplotlib y un PDF listo para impresión.

Internamente, un bucle agente Drawer‑Reviewer loop refina iterativamente la salida. El Drawer utiliza Grounded Measurement —razonando con coordenadas exactas y colores de píxeles— para generar un candidato. El Reviewer lo compara con la referencia, emitiendo una revisión visual, una lista de verificación de revisiones y una preserve list que se acumula entre iteraciones para evitar la desviación del estilo. Una Aesthetic Library proporciona principios de respaldo cuando los agentes tienen incertidumbre. Para figuras 3D, un prompting consciente de la geometría mantiene la cámara, la escala, las superficies y la iluminación.

El proyecto también incluye una Web UI y habilidades de agente para Claude Code y OpenAI Codex.

Requisitos previos de instalación y modos

Antes de instalar, asegúrate de tener Python 3, git y uv (instala con python3 -m pip install uv). FigMirror ofrece dos modos de instalación:

• Web UI – una interfaz basada en navegador con carga, vista previa e historial de iteraciones.
• Skill‑only – para usar dentro de agentes de codificación (Claude Code o Codex) sin la interfaz web.

git clone https://github.com/VILA-Lab/FigMirror.git && cd FigMirror
bash scripts/install.sh
uv run python scripts/figcopy_serve.py --workspace .artifacts/figmirror-workspace --backend codex

curl -fsSL https://raw.githubusercontent.com/VILA-Lab/FigMirror/main/scripts/install.sh | bash

Flujos de trabajo de uso

Si no dispones de una figura de referencia, empieza por la gallery oficial (139 figuras de artículo en 25 familias de gráficos). Esta es la forma más rápida de evaluar la herramienta.

Flujo de trabajo de la Web UI: 1. Lanza el servidor con el comando anterior. 2. Abre http://127.0.0.1:8765/. 3. Sube una figura de referencia y proporciona tus datos. 4. Observa cómo se ejecuta el bucle Drawer‑Reviewer; visualiza las iteraciones. 5. Descarga el script final de matplotlib y el PDF.

Flujo de trabajo con habilidades de agente: 1. Adjunta una captura de pantalla de referencia y tus datos. 2. Indicación: Use FigMirror to mirror this figure's style with my data. 3. El agente ejecuta el bucle y devuelve el script y la figura renderizada.

Opciones de configuración

Los principales puntos de configuración son:

• --workspace – ruta donde se almacenan los artefactos intermedios y los archivos generados (p. ej., .artifacts/figmirror-workspace).
• --backend – backend LLM a utilizar (codex o Claude).

No se documentan variables de entorno ni archivos de configuración en el README.

Best Practices

• Elige el modo adecuado: usa la Web UI para un proceso interactivo y visual; utiliza la instalación skill‑only para una configuración más ligera y centrada en el agente.
• Comienza desde la gallery para comprender rápidamente los tipos de gráficos compatibles y encontrar referencias de alta calidad.
• Contribuye con casos del mundo real y mejoras en las indicaciones, pero evita debilitar las reglas de fundamentación del bucle Drawer/Reviewer.

Restricciones Conocidas

La deriva de estilo es un riesgo conocido; el mecanismo de lista de preservación está diseñado para contrarrestarlo. La Medición Fundamentada se basa en modelos fundacionales que pueden devolver coordenadas y ejecutar comprobaciones de píxeles, lo que puede imponer requisitos de capacidad del modelo que no se detallan aquí. Para una comprensión completa de los casos de uso admitidos y no admitidos, consulte docs/method.md.