FigMirror: Come Creare Figure Scientifiche di Qualità Editoriale con AI

Panoramica e funzionamento

FigMirror automatizza la creazione di figure di qualità editoriale replicando lo stile di un'immagine di riferimento con i propri dati. Fornisci uno screenshot di riferimento e i tuoi dati (incollati o CSV); restituisce uno script matplotlib modificabile e un PDF pronto per la pubblicazione.

Dietro le quinte, un loop agentico Drawer-Reviewer perfeziona iterativamente l'output. Il Drawer utilizza la Misurazione Ancorata — ragionando con coordinate esatte e colori dei pixel — per generare un candidato. Il Reviewer lo confronta con il riferimento, emettendo una revisione visiva, una checklist di revisione e una lista di preservazione che si accumula attraverso le iterazioni per prevenire la deriva stilistica. Una Libreria Estetica fornisce principi di fallback quando gli agenti sono incerti. Per le figure 3D, il prompting geometry-aware mantiene camera, scala, superfici e illuminazione.

Il progetto include anche un'interfaccia Web UI e competenze per agenti Claude Code e OpenAI Codex.

Prerequisiti di installazione e modalità

Prima dell'installazione, assicurati di avere Python 3, git e uv (installa con python3 -m pip install uv). FigMirror offre due modalità di installazione:

• Web UI – un'interfaccia basata su browser con upload, anteprima e cronologia delle iterazioni.
• Solo competenze – per l'uso all'interno di agenti di codifica (Claude Code o Codex) senza l'interfaccia 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

Flussi di lavoro

Se non disponi di una figura di riferimento, inizia dalla galleria ufficiale (139 figure scientifiche in 25 famiglie di grafici). Questo è il modo più rapido per valutare lo strumento.

Flusso di lavoro Web UI: 1. Avvia il server con il comando sopra. 2. Apri http://127.0.0.1:8765/. 3. Carica una figura di riferimento e fornisci i tuoi dati. 4. Osserva l'esecuzione del loop Drawer-Reviewer; visualizza l'anteprima delle iterazioni. 5. Scarica lo script matplotlib finale e il PDF.

Flusso di lavoro con competenze per agenti: 1. Allega uno screenshot di riferimento e i tuoi dati. 2. Prompt: Usa FigMirror per replicare lo stile di questa figura con i miei dati. 3. L'agente esegue il loop e restituisce lo script e la figura renderizzata.

Opzioni di configurazione

I principali punti di configurazione sono:

• --workspace – percorso in cui vengono archiviati gli artefatti intermedi e i file generati (es., .artifacts/figmirror-workspace).
• --backend – backend LLM da utilizzare (codex o Claude).

Nessuna variabile d'ambiente o file di configurazione sono documentati nel README.

Best practices

• Scegli la modalità giusta: usa la Web UI per un processo interattivo e visivo; usa l'installazione solo competenze per una configurazione più leggera e incentrata sull'agente.
• Inizia dalla galleria per comprendere rapidamente i tipi di grafici supportati e trovare riferimenti di alta qualità.
• Contribuisci con casi reali e miglioramenti ai prompt, ma evita di indebolire le regole di ancoraggio del loop Drawer/Reviewer.

Vincoli noti

Style drift è un rischio noto; il meccanismo preserve‑list è progettato per contrastarlo. Grounded Measurement si basa su foundation models in grado di restituire coordinate ed eseguire pixel checks, il che potrebbe imporre model capability requirements non dettagliati qui. Per una comprensione completa dei casi d'uso supportati e non supportati, consultare docs/method.md.