一位只有 1,196 个粉丝的物理教授,一条帖给一个画图技能带来 90 颗星:schematic-figure 能学什么、不该跟什么

schematic-figure 是耶鲁一个应用物理实验室放出来的 Claude Code / Codex 技能,让 AI 用代码画论文里的示意图,出可编辑的 SVG/PDF。23 天 171 颗星,一半以上来自导师在 X 上的一条帖。星不多,也不是因为它第一个做——同一天就有 Sakana 的同类,隔壁还有 5.6 万星的大合集。值得学的是它怎么做技能、怎么发布;想照着这个方向去抢星,不划算。

11 月 2 日的一条帖

2026 年 11 月 2 日下午(UTC 16:04),耶鲁应用物理助理教授 Logan Wright 在 X 上发了一条帖:

Would you like to make it 100x easier to make publication-level schematic figures to explain your research? @JinchenZhaoo in my lab developed a skill for Claude that has been *life-changing* for this. Not full automation. But legitimately amazing too.

他做光学计算和物理神经网络,论文引用九千多,但在 X 上只有 1,196 个粉丝,30 天里只发过这一条原创帖。这条帖最后拿到 889 个赞、84 次转发、46,754 次浏览——还有 1,236 次收藏,比点赞还多。收藏多于点赞,意思是看的人想留着以后自己用。

有人在下面问「100 倍」是不是夸张,他回:「100 倍还是 10 倍,看你本来画图有多好。对我这种不会画、但看过很多图、知道自己要什么的人来说,这么说只会说少了。」

这句话就是这个项目的用户画像。

它到底做了什么

论文第一张图(Fig. 1)通常是一张示意图:实验装置、分子结构、方法流程。读者先看它,但大多数科研人员没学过怎么画。这个技能就是一个文件夹:一份写给 AI 的说明(SKILL.md)、一套绘图库、3D 小引擎、光路和分子工具、Blender 渲染套件,外加自动检查。装进你的 Claude Code 或 Codex,说一句「用 schematic-figure 技能给这篇论文画 Fig. 1」,把论文正文贴进去就行。

和现成方案比,有两点不同:

• 出的是矢量和源码,不是像素图。 能在 Illustrator / Inkscape 里挪标签,也能让 AI 只改某一处。帖下有人提醒「记得要可编辑版本,发表前好改标签」——这个技能默认就是。
• 不只画框和箭头。 覆盖物理、化学、生物、材料、光学和专利图,能出 3D 和照片级渲染。博客说,不装技能时 Opus 5.5 画出来的大多是平面框加箭头,靠文字撑着;装了之后会画场景、做 3D。代价是一张图要多花约 4 倍时间,平均不到 20 分钟。

星是怎么来的

数据:trendshift.io 的按日星数;GitHub 星数逐日记录(11-06 为 169,GitHub 当天显示 171)。两边日期差一天,是时区口径不同。

两次上涨各对应一条帖,中间是平的。它没上过 GitHub Trending,Hacker News、Reddit 上也找不到讨论。帖子发出的这几天还冒出 5 个新 fork,时间正好对得上。

所以这不是「越来越多人在用」的自然增长,是两次发布带来的两个脉冲。

为什么一条帖就够了

说话的人就是用户。 一位物理教授说「我不会画图,这东西对我 life-changing」,比开发者自己说「我们做了个很强的工具」可信得多。他的粉丝不多,但科研圈的人会转给同事。

一张对比图看得出差别。 博客顶上是「原论文的图 / 不装技能 / 装技能」三联对比,挑的 5 篇都是 CC BY 授权论文,其中 4 篇发表在模型训练截止之后——顺手堵住了「是不是背下来了」的质疑。帖下真有人(Jess Riedel)追问这个对比怎么做的,作者回答:模型看不到原图和图注,只拿到抹掉图片相关文字的正文。

博客写得像论文。 100 多篇论文、7 个领域、训练集和测试集分开;评分用一个类图灵测试的「looks published」:让 AI 评委看一张图,估它是正式发表的 Fig. 1 的概率。先验证这个评分能把真图和 AI 图分开,再拿训练集的评委意见改技能,用 Claude Code 的 dynamic workflows 迭代了约 15 版,分数不涨了才停,最后在测试集上只跑一次。局限也写得很老实:作者不是大多数领域的专家,对没人做过的新概念效果明显差。科研圈的读者吃这一套。

接住了热点。 博客第一段就说,灵感来自 Opus 5.5 在 X 上爆火的视频,还链到 @claudeai 的官方帖。那几周大家都在讨论「模型会画画了」,它给出了一个具体的科研用法。

帖下的反馈有好有坏。Sanjay Tyagi 用自己 2019 年一篇论文的文字描述跑了一张,说「科学上准确,就是没那么酷」,作者回复让他加一句「in 3D」,再加「用 Blender 做写实材质」。一位有机化学家挑出几处化学圈的画法习惯不对,作者说会补进化学部分的说明。也有人泼冷水:「一个箭头画反,科学结论就变了,哪怕图看起来能发表。」

谁在跟它抢

另外还有好几个零星的小作者项目(专利图、基金申请插图、矢量重建),思路接近,0–1 颗星。

这块地方不缺人做。大合集拿走了「科学 AI 技能」的大部分星,PaperBanana 占着 CS 方法图;单独一个画图技能,连 Sakana 这样的名字都只拿到 123 星。schematic-figure 比它多,靠的是那条帖和那篇博客,不是赛道空。目前也没看到有人照着它做:16 个 fork 基本是原样复制,有一个只是 fork 后改了名。

如果是你

判断: 学它的做法,别抢它的方向。「AI 画科研示意图」已经有 5.6 万星的大合集和 7 千星的 PaperBanana,再做一个单独的画图技能,好的话也就一两百星。

适合谁: 本身在某个专业领域里(科研、专利、电路、建筑、医学),知道这一行的图「应该长什么样」,又会用 Claude Code 跑工作流的人;最好身边有一位这一行里说话有分量的人愿意替你转发一句。

不适合谁: 想做一个大而全的「AI 画图平台」去拼星数的;不在任何垂直圈子里、找不到真用户背书的;指望一次发布就持续涨星的——它建仓后一行代码没再提交,星也就停了。

怎么做: 照搬它的流程,换一种图。挑一个专业人士天天要画、又画不好的图(专利附图、电路图、教学讲义插图、临床流程图、学术海报),先定一个能自动打分的指标(比如「像不像正式发表的」),准备训练和测试两份样本,让 agent 一版一版改技能,分数不涨了再停。输出一定要是矢量或代码,不要像素。也可以做它没做好的部分:化学和生物的画法规范、一个箭头方向都不能错的「科学正确性检查」,这是帖下被追问最多的地方。

怎么获客: 发布物就三样:一张「原图 / 不用技能 / 用技能」的三联对比图,样本挑模型训练截止之后的;一篇写清方法、评测和局限的长博客;一位真用户在 X 或 LinkedIn 上说一句「这对我很有用」。然后投到技能目录站。这个项目没花一分钱买量,两条帖、一篇博客,换来 171 颗星。

什么时候之前: 不急,但也别拖。示意图这一类已经被占了;别的专业图还空着,等大合集把它们也收进去,单独做就更没位置了。模型能力每次大升级(像 Opus 5.5 那次),都是借热点发一次的好时候。

什么情况说明看错了: ① schematic-figure 在没有新帖的情况下,一个月内自然涨过 1,000 星——说明单一垂直技能的需求比想的大,直接做同类也值得;② 它出了 v2、又发一次帖,再涨一波上百星——说明「好内容 + 真用户背书」可以反复用;③ 某个大合集或 Anthropic / OpenAI 官方出了专门的科研画图功能,而且效果接近——这类单独技能的空间就没了。

数据与出处:GitHub 仓库页与逐日 star 数(10-17 至 11-06);trendshift.io/repositories/306131;博客 lgwrightlab.github.io/schematic-figure;X 帖 @LoganGWright1(11-02)及其回复、@JinchenZhaoo(10-15);两条 LinkedIn 帖;skillsllm.com;竞品星数来自各自的 GitHub 页(11-06);BioRender Leo 见 BusinessWire 2026-10-06。