Academic Figures MCP: Codex Drawing Harness

這個技能專為整合 Codex 原生繪圖能力與 MCP 提供的 Gemini 圖像生成、PubMed 學術圖表檢索而設計。

核心策略 (Core Strategies)

原生與生成結合 (Hybrid Rendering)
- 結構化與流程圖: 優先使用 Codex 原生的 Markdown mermaid 語法、SVG 或 Python matplotlib/plotly 繪製精確的架構圖、長條圖、散佈圖與數據模型。
- 複雜醫學/生物插圖: 使用 MCP 工具（如 mcp_academic-figu_generate_figure 或 Gemini tools）生成高度複雜的 3D 解剖圖、顯微組織圖、或不規則概念圖。
- 雙重驗證: 如果需要，使用 mcp_academic-figu_plan_figure 來規劃最適切的呈現路由（決定應該用程式繪圖還是 AI 生成）。
學術級距要求 (Citation-Ready & Provenance)
- 引用的出處必須準確，可利用 PubMed 工具 unified_search 或 get_article_figures 索取參考來源或範例圖片。
- 生成的文字標題 (Caption) 必須符合學術期刊規範 (包含圖號、簡短標題、詳細說明、與 PMID 出處)。
編輯與優化 (Iterative Refinement)
- 當產生初步圖表後，利用互動工具 mcp_academic-figu_evaluate_figure (8 維度品質評估) 或 mcp_academic-figu_edit_figure 根據使用者回饋進行微調 (例如改顏色、調佈局)。
- 原生 SVG/Mermaid 代碼請直接利用 Codex 的 text edit 能力與 replace_string_in_file 重構並更新。