Codex+Nature标准：科研绘图自动化的完整落地指南

如果让我用一个词概括 Codex 在科研绘图中的价值我会选“复现”。Codex 是 OpenAI 推出的编程智能体它不是画图软件而是一个能根据自然语言自动写代码、执行命令、读取结果、继续修改的终端助手。把 Codex 和 Nature Figure 标准放在一起做的事情其实很直接用一套可重复执行的 Python 绘图流程产出符合期刊发表要求的论文级图片。这个组合适合正在写论文、赶课题、需要反复调整图表风格的科研人员也适合给课题组搭建统一出图模板的同学。最值得关注的不是“一键出图”而是把人工规范变成代码让每次出图都保持清晰、统一、可追溯。全文按实际落地顺序展开先讲清楚 Codex 和工作流定位再讲环境准备然后进入单张图、批量图、规范检查和排查。如果你只想快速试一张图可以直接跳到第 2.4 节如果你想真正把自动化科研绘图跑起来建议从头看完。1. 先搞清楚 Codex 和 Nature Figure 分别解决什么问题1.1 Codex 不是画图软件而是一个能上手的编程智能体很多第一次接触 Codex 的人会把它理解成“更聪明的画图对话框”但其实它的核心能力在终端里。你可以用自然语言描述需求比如“读取 data 目录下的 test.csv画一张折线图误差棒用 SEM保存成 300 DPI 的 TIFF”。Codex 会生成对应代码在本地执行如果脚本报错它会读取错误信息并尝试修复。这个过程就像旁边坐了一个熟悉 Python 绘图的同事你说需求他写脚本你审结果他强调格式。对科研人员来说这个交互模式最大的好处是整个绘图过程不是一次性输出而是“代码 数据 对话历史”的组合。只要你保留最终脚本下次换数据、换分组、换颜色都能快速重跑。这一点非常关键因为论文返修时最怕的就是“当时这张图怎么画的找不到脚本了”。另外Codex 能读写本地文件所以它可以处理 CSV、Excel、JSON 等数据直接调用 matplotlib、seaborn、scipy 这些绘图和统计库。它不像在线网页制图那样让你上传图片再手动调参数而是把所有操作都落在本地文件系统里。这样对于自动化科研来说扩展性要好很多。1.2 Nature Figure 不是某个固定软件而是一套论文图标准项目标题里的 Nature Figure 经常被误以为是一个工具或模板库。从实际投稿角度看Nature 系列期刊不会强制要求你用某一个绘图软件评审和编辑看的是图片是否清晰、真实、可读是否满足期刊给出的大小、分辨率、字体和格式要求。所以“用 Codex 做 Nature Figure”更准确的理解是用 Codex 生成那些符合 Nature 风格标准的图。这种标准通常包括单栏宽度 89 mm、双栏宽度 183 mm位图建议 300 DPI 以上字体常用 Arial 或 Helvetica坐标轴标签清晰误差棒定义明确配色在打印和色盲读者面前都能区分统计标记不遮挡数据图例不需要又粗又黑的边框。这些规范听起来不难但一旦有几十张图要统一修改手动处理非常痛苦。如果把它们提前固化成代码里的常量比如统一字体大小、图片尺寸、输出 DPI、颜色列表那么后续每张图都会自动遵守同一套标准。这正是 Codex 和 Nature Figure 结合后的核心价值。1.3 适合和不适合用 Codex 绘图的边界先说适合的场景。常见的科研数据图比如折线图、柱状图、散点图、热图、误差棒图、箱线图Codex 都能很快生成。只要数据结构清楚提示词写得规范它可以把从数据读取到布局调整的整条链路跑通。另外如果有一批格式相似、只是参数不同的图用 Codex 写一个批量脚本也很高效。不适合的场景也要心里有数。复杂的机理示意图、细胞信号通路图、需要大量手工矢量和视觉设计的封面图Codex 能生成一个粗略草稿但很难达到期刊美编和专业人士手绘的效果。这类图更适合用专业矢量工具去精修或者请专业科研绘图团队。低配置电脑也能跑 Codex因为它本身不是重模型绘图的压力主要在 Python 库和图片分辨率。但如果你的数据量特别大处理几十万行的表格、绘制多子图高分辨率输出内存和 CPU 占用会明显上升。低配置能跑不代表适合批量跑这一点后面会再展开。2. 跑通 Codex 之前先把环境准备到能复现2.1 安装 Codex CLI 的官方路径Codex 目前比较推荐从官方终端工具开始用。安装前先确认本机有 Node.js 运行环境因为 Codex 的 CLI 通常通过 npm 分发。不同操作系统的差异不大macOS 和 Linux 可以直接在终端里安装Windows 推荐使用 PowerShell 或 Windows Terminal。下面是一个示例安装流程具体包名和命令以 OpenAI 官方文档为准# 先确认 node 和 npm 可用 node -v npm -v # 全局安装 Codex CLI包名以官方文档为准 npm install -g openai/codex # 验证安装结果 codex --version执行codex --help时如果能看到参数列表说明基本安装成功。如果提示 command not found常见原因是 npm 全局安装目录没有加入 PATH可以去检查 Node.js 的全局 bin 目录是否在系统环境变量里。2.2 登录、模型选择和网络问题排查安装完成后Codex 需要连接官方服务才能工作。常见方式有两种一是交互式登录在终端执行登录命令后完成授权二是配置 API Key通过环境变量让 Codex 读取访问凭证。# 方式一交互式登录 codex login # 方式二配置 API Key示例 export OPENAI_API_KEY你的 API Key codex登录或请求过程中如果出现连接失败、一直重连、模型不支持等报错我的排查顺序是固定的先确认本机网络是否能正常访问官方服务访问不了就先恢复正常的网络环境。再确认当前账号是否有 Codex 使用权限登录状态是否过期。然后看模型配置。如果提示某个模型名不受支持说明当前账号或接口不支持该模型把模型名改成官方支持列表里的模型或删除自定义模型名让 Codex 使用默认值。最后检查本机是否有最近安装的网络拦截类软件这类工具可能会干扰 Codex 的本地请求。遇到这种情况卸载或退出这些软件恢复系统默认网络设置后再试。不要为了绕过限制去使用来路不明的第三方接入服务。这类服务一方面不稳定容易出现登录状态错乱、会话串号、数据泄露的问题另一方面一旦被服务商检测到账号可能受影响。科研数据通常涉及尚未发表的结果稳定性比省一点成本更重要。2.3 建立一个规范的科研绘图项目目录在跑第一张图之前我建议先建一个项目目录。目录不需要很复杂但要把数据、脚本、图片和提示词分开这样 Codex 在读写文件时不容易找错路径你后续也方便整理投稿材料。my_paper/ ├── data/ │ └── experiment_results.csv ├── scripts/ ├── figures/ └── prompts/Python 绘图环境建议用 conda 或 venv 单独创建不要和系统 Python 混在一起。否则一次 pip 升级就可能把别人项目的依赖搞乱。conda create -n science_plot python3.11 -y conda activate science_plot pip install matplotlib pandas numpy scipy seaborn上面这几个库是常见组合。matplotlib 负责基础绘图seaborn 负责统计图和配色numpy 和 scipy 负责数据处理和统计检验pandas 负责读取表格。如果你的课题用到特殊库再按需安装。2.4 第一轮最小验证让 Codex 生成一张简单图环境准备好之后不要直接让它画出版级图。先跑一个最小任务确认 Codex 能读写文件、能执行 Python、能输出图片。比如在项目根目录下启动 Codex输入请读取 data/experiment_results.csv用 matplotlib 画一张折线图 x 轴是 timey 轴是 value保存到 figures/basic_line.png。这里要注意需要确保 CSV 文件里真的存在 time 和 value 两列。如果列名不对Codex 会根据它猜列名结果可能和你的数据对不上。等命令执行完打开 figures 目录检查是否生成了 basic_line.png图片是否能正常打开x 轴和 y 轴是否都有标签数据点数量是否和原表一致。只要满足这几点就可以认为 Codex 的基本链路是通的。如果这一步都失败先不要调绘图细节把环境问题解决再说。很多后续报错其实都是从最早的环境没配好开始的。3. 把能出图升级成论文级图片提示词和参数控制3.1 先定义你的图片规格再写提示词很多人让 AI 画图时只说“画一张好看的图”结果生成一张默认样式的 matplotlib 图看着很简陋。问题不在 Codex而在需求里缺少规格。论文级图片最难的不是某个酷炫效果而是所有细节都符合出版要求。我在写提示词之前通常会先把下面这张表填完规格项示例值说明图片宽度89 mm 或 183 mm单栏或双栏按期刊要求输出 DPI300 或 600位图分辨率字体Arial / Helvetica无衬线字体更清晰正文字号5-7 pt期刊正文中的图内文字坐标轴标签加单位不要只写 Time写 Time (min)图例位置upper left / best不遮挡数据图例边框无边框Nature 风格常用无边框配色色盲友好不要只靠红绿区分误差棒mean ± SEM在 caption 里说明导出格式TIFF 或 PDF/EPS位图或矢量图按投稿类型选这些规格不一定每条都能写进一个短提示词但它们应该成为你项目里的“固定标准”。如果这次忘了字体下次忘了 DPI图就很难统一。3.2 一条比较完整的绘图提示词示例在数据文件存在、环境也正常的前提下可以给 Codex 一个更完整的提示词。示例请读取 data/experiment_results.csv画一张折线图要求如下 1. x 轴是 time单位 miny 轴是 value每组数据画一条线 2. 用误差棒表示 mean ± SEM误差棒颜色与线颜色一致 3. 图片宽度按 89 mm 设置输出 300 DPI 4. 全局字体使用 Arial坐标轴标签字号 7 pt刻度字号 6 pt 5. 图例放在 upper left不加边框 6. 颜色使用色盲友好配色避免只用红色和绿色 7. 保存为 figures/fig_trend.tiff同时导出一份 PDF 版本。这个提示词把大多数关键参数都说清楚了。Codex 会根据需要安装或导入库绘制后再告诉你结果。如果它发现误差棒需要计算也会自己调用 numpy 完成。你只需要在它完成后去检查图片是否符合预期。3.3 让 Codex 先看数据再画图绘图最容易翻车的点不是颜色而是列名。列名要是写错了画出来的图每一个标签都是错的。所以我在正式提需求之前通常会先让 Codex 做一次数据勘察请读取 data/experiment_results.csv打印前 5 行并输出所有列名和数据类型。这样可以让 Codex 先了解数据结构也方便你检查数据文件是否读对了。如果 CSV 的分隔符不是逗号、编码不是 UTF-8、文件路径有中文这一步都会暴露出来。对于复杂表格我还会要求它输出分组情况和缺失值统计。比如 “按 group 列分组统计每组的样本量并检查 value 列是否包含 NaN”。这些前期检查看起来多花一点时间但能避免后面画完一整张图才发现数据存在错误的尴尬。3.4 审核和迭代每次只改一个点Codex 支持多轮对话这既是优点也是风险。你看着一张图不顺眼可能会连续说出“字体再大一点”“颜色换一下”“图例换个位置”“线再粗一点”。如果一次说太多Codex 可能会在修改时把已经正确的部分也弄乱。我的建议是一次只改一个点。第一轮先确认数据映射正确第二轮调整字体第三轮调整配色第四轮再处理导出格式。每次修改后都打开图片检查一次。改到某个版本觉得不错就立刻把脚本复制出来单独保存为plot_fig_trend.py不要继续在同一轮对话里反复微调。这里还要注意Codex 的生成结果有一定随机性。同一个提示词两次跑出来的代码可能不完全一样虽然图最终可能相似但脚本细节可能变化。所以一旦确定某个版本可用就要把脚本固化下来后续只改数据路径和参数字段不要每次都从零生成。4. 批量科研绘图从单张图到一整套图4.1 用配置文件把参数和代码分开单张图跑通之后很多人会觉得自动化科研已经完成了。但真实论文往往有十几张图每个子图的数据文件、标题、颜色、输入列都可能不同。如果每张图都重新写一条提示词效率很低而且很难保持风格一致。更好的做法是把图之间的差异提取到一个配置文件里。常见格式是 YAML 或 JSON。下面是一个简单的 YAML 示例figures: - name: fig1_trend input: data/experiment_results.csv x_col: time y_col: value group_col: condition title: Time course of response color: #2166AC output: figures/fig1_trend.tiff - name: fig2_bar input: data/summary_stats.csv x_col: group y_col: mean error_col: sem title: Comparison across groups color: #B2182B output: figures/fig2_bar.tiff配置文件把“画什么”和“怎么画”分开。Codex 只需要生成一套绘图脚本脚本读取配置文件里的参数再循环处理每张图。这样后续新增一张图只要往配置文件里加一段不用改绘图代码。4.2 让 Codex 写一个批量绘图入口脚本为了让 Codex 理解需求你可以给它描述整套流程而不是一句“批量画图”。比较好的提示词是请写一个 Python 脚本 scripts/generate_all_figures.py 读取 config.yaml 中的 figures 列表对每个 figure 1. 根据 input 路径读取数据 2. 根据 x_col、y_col、group_col 等参数绘图 3. 使用统一样式Arial 字体、300 DPI、89 mm 宽度、无边框图例 4. 保存到 output 指定的路径 5. 执行完后打印每张图的耗时和输出文件大小。生成的核心代码可能类似这样关键是把配置循环跑起来import yaml import matplotlib.pyplot as plt with open(config.yaml, r, encodingutf-8) as f: config yaml.safe_load(f) for item in config[figures]: print(Generating, item[name]) # 读取数据、绘制、保存的步骤在这里实现 # 最后使用统一的 style 参数 plt.savefig(item[output], dpi300)这里我不展开完整实现因为不同课题的数据结构差异很大。重点是你要让 Codex 把风格统一封装成函数而不是让每张图各自为政。代码一旦写成循环后续维护成本会低很多。4.3 输出命名和版本管理批量绘图最怕同名覆盖。今天跑完的图明天换数据再跑一次旧版本可能直接被覆盖。如果这时候审稿意见回来说“我觉得之前的配色更好”你找不回旧版本。我在实际项目中会要求 Codex 按name_version的格式输出或者在输出目录里生成一个带时间戳的子目录figures/20250115_v1/ figures/20250116_v2/同时在每次批量生成后把对应的 config.yaml 也复制一份到图片目录里。这样每张图对应哪个数据文件、哪个参数版本都能追溯。论文返修时这个习惯能省很多事。4.4 批量的失败重试和时间控制批量任务看起来只是多跑几个循环真正执行起来很容易出问题。比如某个输入文件读取失败、某个分组里没有数据、某个列名只在这个文件里写错了。如果脚本一遇到错误就终止后面的图全都不生成。所以我一般会让 Codex 在循环里做三件事单张图失败时记录错误信息但不退出脚本每张图保存独立的日志文件全部跑完后汇总哪些成功、哪些失败、失败原因是什么。代码结构上可以给每张图包一层 try-except把异常信息追加到日志里。不要一上来就开最大并发先按顺序跑一遍。顺序跑的好处是如果第 3 张图挂了你能快速定位到具体数据和参数如果一开并发就十几个错误堆在一起排查反而更慢。注意不要一上来就开最大并发先用一条样例确认输入、输出和日志都正常。低配置环境尤其要注意。批量导出高分辨率 TIFF 时内存占用可能比较高。如果发现跑到一半系统卡顿先把 DPI 降到 300或者把图片宽度从双栏改成单栏看看资源占用是否正常。5. 论文级图片的标准到底怎么落到代码里5.1 尺寸和分辨率不同期刊的投稿要求不完全一样。以 Nature 系列常用标准为例单栏图宽度约 89 mm双栏图宽度约 183 mm。这个数字要作为常量写在脚本顶部SINGLE_COLUMN_MM 89 DOUBLE_COLUMN_MM 183 FIG_DPI 300分辨率方面位图通常要求 300 DPI 以上。如果你的图是统计图建议同时导出矢量格式比如 PDF 或 EPS。矢量图在缩放时不会模糊排版时效果更好。导出时不要让 matplotlib 自动选择过小的画布尺寸而是在figure()初始化时就指定figsize。5.2 字体、线条和图例Nature 风格的图通常使用无衬线字体常见的是 Arial 或 Helvetica。matplotlib 需要确保系统里存在这些字体否则会自动替换成默认字体排版效果会有差异。字体问题排查起来比较麻烦建议在项目最开始就测试一下目标字体能不能正常渲染。线条粗细也要考虑印刷效果。屏幕上看着合适的 1 pt 线条印到纸上可能偏细。一般坐标轴线可以 0.5 到 0.75 pt数据线可以比坐标轴线粗一些。图例尽量不用又粗又黑的方框把frameon设为 False或者直接让图例背景透明。5.3 配色与色盲友好很多默认配色没有考虑色盲读者。最典型的坑就是“红色代表 A 组绿色代表 B 组”在红绿色盲读者眼里几乎无法区分。科研图片要尽量使用色盲友好的配色方案比如 matplotlib 的viridis、plasmacolormap或者使用明度和色调都有差异的离散颜色。如果不能用颜色区分就要配合其他视觉通道。比如折线图可以给不同组使用不同线型实线、虚线、点线。柱状图可以加斜线纹理。这样纸张打印成黑白版时信息也不会丢失。5.4 统计标记和误差棒论文图里出现 mean ± SEM 时一定要在 figure caption 里写清楚误差棒含义。SEM 和 SD 的区别、样本量是多少、显著性检验方法是什么这些信息不能只靠图例表达。显著性标记也有排版讲究。星号不要挡住数据点可以标注* p 0.05, ** p 0.01。如果有多组两两比较更推荐用字母标记法比如组上标 a、b、c图内标注每组对应的字母避免星号过多导致图形凌乱。5.5 写一个图片自查脚本提交前最怕的是每张图人工用看图软件检查几十张图看下来眼睛早就花了。我建议让 Codex 生成一个图片检查脚本自动扫描输出目录检查每张图片的分辨率、尺寸、文件格式和文件大小。一个简化示例from PIL import Image from pathlib import Path fig_dir Path(figures) for img_path in fig_dir.glob(*.tiff): with Image.open(img_path) as im: width, height im.size dpi im.info.get(dpi, (0, 0)) print(img_path.name, size:, width, height, dpi:, dpi)这个脚本不检查图形内容但能快速发现导出参数错误。真正的内容审核还是要人工完成。自动化只能帮你避免低级失误不能替代你对数据的判断。6. 常见报错和排查顺序6.1 Codex 自身运行时报错Codex 偶尔会出现一直重连、连接失败、模型不支持之类的错误。遇到这类问题先不要急着反复重启。我的排查顺序是看终端输出的完整错误信息不要只看最后一行确认官方服务是否处于正常状态确认本机网络是否正常能否访问 Codex 依赖的官方接口检查登录状态和 API Key 是否有效检查当前配置里是否指定了不受支持的模型名。如果启动时提示找不到 Codex 命令多半是安装目录没加入 PATH检查 Node.js 全局 bin 目录。如果登录后提示模型不支持就把模型配置改回官方默认值。不要为了强行使用某个模型而去套非官方配置反而会把环境搞得更难排查。6.2 代码运行时报错先看路径、权限和依赖Codex 生成的代码本质是本地 Python 代码所以最常见的错误和普通 Python 脚本一样。先看第一行 Traceback它通常会告诉你哪个文件、哪一行、什么类型的错误。路径问题非常常见。Windows 下文件路径里的反斜杠和转义字符容易出错包含中文或空格的文件名也可能导致编码问题。如果代码能读取文件但找不到输出目录先确认输出目录是否存在。有些脚本不会自动创建figures目录需要先执行mkdir -p figures。权限问题也要看。如果你在只读目录里跑数据或者输出到系统保护目录Python 可能报 Permission denied。最简单的做法是统一在项目目录里操作输入输出都在项目目录下权限问题会少很多。依赖版本不一致也是高频原因。同一段代码在你本机正常换一台电脑跑就报错很可能是 matplotlib 或 pandas 的版本差异导致。项目里建议固定版本至少把 requirements.txt 导出一份pip freeze requirements.txt6.3 图能生成但不好看如果代码没有报错图片也生成了但效果不符合 Nature 级别问题通常出在样式没有显式设置。matplotlib 的默认样式更适合快速查看不适合直接投稿。这时候不要重新生成整个脚本而是给 Codex 一个明确指令请把全局字体改为 Arial图片宽度设为 89 mm 坐标轴标签字号 7 pt刻度 6 pt 图例去掉边框线条宽度设为 1.5 pt 保存时使用 300 DPI。如果能建一个统一的style.py把这些样式参数集中管理后续所有图都有相同的“基因”。Codex 每次生成新图时只要求它 import 这个样式模块而不是重新写一遍字体和尺寸参数。6.4 图能生成但结果不稳定同一个提示词跑两次出来的代码可能不一样这就是大语言模型生成代码的随机性。要减少这种随机性最有效的办法不是反复生成而是把“标准”从自然语言描述变成实际代码文件。比如你把配色、字号、图例规则写在style.py里Codex 每次只需调用不必自己重新决定。这样即使两次生成的脚本结构不同最终图片的风格也基本一致。每轮对话如果改了很多次建议把最终能用的脚本另存为新文件并记录当时的配置。这样以后出问题可以回退到旧版本而不需要重新用自然语言描述整个需求。7. 我实际落地时坚持的三个原则7.1 先把单张图跑稳再谈批量和自动化这个原则听起来保守但我就因为跳过它栽过跟头。一开始为了让 Codex 一次性生成整套图我写了一个复杂的批量提示词结果报错信息又多又乱根本分不清是数据问题、代码问题还是环境问题。后来把所有图拆开先让其中一张图从数据读取到输出完整跑通再把它扩展成批量循环问题一下就清晰了。所以无论任务多急第一步都应该是挑一张最有代表性的图让 Codex 从数据读取、绘图到保存全部跑通。这张图里的数据列、分组关系、误差计算方式如果能正确实现其他图大概率只是换数据和参数。另外要提醒一点如果你只有三张图而且数据格式每天都在变化可能不值得花一下午去搭批量流程。批量脚本的维护成本是真实存在的配置文件、错误日志、输出命名都要投入精力。先手动画完三张图等数据结构稳定下来再考虑自动化反而更效率。7.2 把风格规范固化在代码里而不是记在脑子里Nature Figure 相关要求不是一次性工作而是贯穿整个投稿周期的长期约束。如果你只在第一次绘图时想起字体、DPI、宽度这些细节第二次就很容易忘。把规范写进脚本或配置文件中相当于给团队和未来的自己留了一套可执行的投稿标准。我一般会在项目里放一个figure_style.py把常用字体、尺寸、DPI、颜色、线宽、图例规则都定义好。每张图都从这里导入。Codex 生成的脚本如果绕过了这个文件我会在审查时要求它修改让所有图走同一套样式。这里还有一个现实判断投稿前和投稿后的修改成本完全不同。如果图还没投出去风格统一慢一点问题不大一旦进入修回阶段编辑和审稿人可能只对个别细节提出疑问比如“请把 p 值标记改成字母标记”这时候如果你有一个集中管理的样式文件改一处就能同步所有图。如果没有重新处理几十张图会非常耗时。7.3 保留日志、配置和原始数据保证可追溯自动化科研最大的风险不是自动化本身而是过程中丢失了版本信息。Codex 帮你生成了脚本但脚本解决问题的能力依赖当时的数据文件、配置文件、依赖版本和会话上下文。这些信息一旦丢失脚本基本没有复现价值。所以每次批量生成后我会让脚本输出一份元数据文件记录生成时间、输入文件、配置文件、Python 版本和关键依赖版本。看起来多写几行代码但论文修回、更换设备、重新分析数据时你会非常感谢当时留的这些信息。还有一个小习惯Codex 的对话记录建议定期导出。如果某次会话内容特别复杂不要只靠终端滚动记录把有用的提示词和产出脚本复制到 prompts/ 目录里作为下一次迭代的起点。这样即使隔了一个月再回头做图你也能快速进入状态。回到最开始的问题Codex Nature Figure 到底能不能做出论文级图片我的答案是能但它不会替你完成对图表的理解。它能做的是减少重复劳动、统一风格、保证批量输出质量而你要做的是想清楚每张图想表达什么、数据是否存在问题、误差统计是否合理。把这部分工作做好再用 Codex 去落地才是自动化科研绘图比较健康的一种用法。