Codex + Nature Figure：编码智能体驱动的科研绘图自动化工作流

先给结论：用 Codex 这类“能读代码、能执行命令、能根据报错自动修改”的编码智能体，配合 Nature Figure 式的科研绘图工作流，确实可以把论文配图从“打开软件手动调半天”变成“把需求写清楚 → AI 自动写脚本 → 自动运行 → 自动修错 → 批量出图”。流程能跑通之后，一张图从零到成品只需要几分钟，而且所有绘图代码都在本地，数据不会因为“手动拖拽”而丢步骤。

Codex 的价值不只在“会写代码”。它更像一个本地开发代理：能查看项目目录、创建文件、安装依赖、执行 Python 脚本、读取报错日志、继续修复，直到任务完成。这种能力放在论文配图场景里非常对路，因为科研绘图本身就是“多步试错型”任务：先读数据，再选图型，再调字体配色，再导出矢量图，再检查坐标轴和显著性标记有没有溢出。

本文会带读者完成四件事：

1. 安装并配置 Codex CLI；
2. 搭建一套 Nature Figure 式科研绘图目录；
3. 跑通“自然语言描述 → 生成绘图脚本 → 自动执行 → 修复报错 → 输出论文级图片”完整流程；
4. 把绘图流程改成批量任务，并整理常见问题排查表。

适合读者：研究生、科研人员、需要周期性产出图表的工程师，以及想了解“编码智能体到底能不能用于实际工作”的人。先说明一点，下文会把“Nature Figure”当成一类“论文级程序化绘图工作流”来拆解，不绑定某一个特定仓库的启动脚本。包括 Codex 在内的编码智能体，加上本地 Python 绘图程序化方案，共同构成这套流程。

1. 核心能力速览

2. 适用场景与使用边界

这套方案最适合下面几类使用者：

• 刚接触科研绘图，不熟悉 matplotlib 和 seaborn 各种参数的人；
• 每周要出十几张图，希望把绘图逻辑沉淀成脚本的人；
• 论文返修时需要统一字体、配色、尺寸，希望全局调整的人；
• 想把手动 GUI 操作替换成“数据 + 脚本 + 版本管理”流程的团队。

使用边界也很明确：Codex + Nature Figure 解决的是“从真实数据到成品图”的自动化问题，不能用来“无中生有”生成实验数据，更不能代替研究人员对数据真实性和统计方法负责。

另外必须强调合规问题：

• 实验数据必须真实，不能用 AI 伪造样本、篡改测量值；
• 如果数据来自未发表实验，要注意保密和脱敏要求，不要直接上传到未授权的外部服务；
• 生成图表时如果参考了别人的配色方案、版式设计，发表前要确认版权和引用要求；
• 第三方 API 服务有各自的数据使用条款，敏感数据接入前先确认是否符合规定。

3. 本地部署环境准备

这套工作流没有太高的硬件门槛。Codex 本身是云端模型驱动，本地主要跑 Python 绘图脚本，CPU 和内存够用就行。

推荐前置环境：

• Node.js 18 或更高版本，用于通过 npm 安装 Codex CLI；具体版本要求以官方文档为准；
• Python 3.9 以上；
• Git，用于版本管理；
• 能调用 Codex 模型的账号或 API Key；
• 磁盘空间预留几个 GB，包含 Python 环境、依赖包和输出图片。

建议新建一个独立的工作目录，并准备requirements.txt：

pandas>=2.0 numpy>=1.24 matplotlib>=3.7 seaborn>=0.13 scipy>=1.10

安装依赖：

pip install -r requirements.txt

如果网络环境下载慢，可以临时切换 pip 镜像源，但要注意镜像源只解决 Python 包下载问题，不影响 Codex 云端服务的访问。

绘图脚本建议使用matplotlib的Agg后端，不弹 GUI 窗口，适合服务器和批处理场景：

import matplotlib matplotlib.use("Agg")

4. Codex 安装部署与服务访问

Codex CLI 的实际安装方式以官方文档为准。常见的安装入口是 npm 或包管理器。下面给出通用模板：

npm install -g @openai/codex

安装完成后检查版本：

codex --version codex --help

如果命令提示“不是内部命令”或“command not found”，说明 npm 全局安装路径没有加入 PATH，需要按当前系统的 Node.js 安装目录手动配置环境变量。

4.1 登录与 API Key 配置

Codex 一般支持账号登录或 API Key 两种方式，二选一即可。账号登录：

codex login

使用 API Key 时，在终端配置环境变量：

export OPENAI_API_KEY="你的 Key"

Windows PowerShell 下对应：

$env:OPENAI_API_KEY="你的 Key"

4.2 接入第三方 API 服务

Codex 可以配置 OpenAI 兼容的 API 服务。思路很简单：修改 API Base URL、API Key 和模型名。具体配置项以你使用的服务商文档为准，下面只是通用模板：

export OPENAI_BASE_URL="https://your-api-provider.example.com/v1" export OPENAI_API_KEY="your-key"

调用时指定模型：

codex exec --model your-model-name "请读取 data/xxx.csv 并画图"

需要特别注意：API Base URL、模型名、认证方式每个服务商都不一样。如果提示“模型不受支持”或“连接失败”，优先检查账号类型、模型名拼写和网络连通性。如果所在网络环境无法直接访问目标 API 服务，需要先确认合规的访问方案，而不是绕过任何网络边界。

4.3 交互模式与非交互模式

交互模式适合第一次调试：

codex

在交互终端里直接输入需求，Codex 会给出执行计划，并逐步操作项目文件。

非交互模式适合脚本调用：

codex exec "你的需求描述"

exec子命令具体名称可能随版本变化，建议先用codex --help查看当前版本的可用命令。

5. Nature Figure 科研绘图目录设计

一套可复用的自动绘图工程，建议按下面结构组织：

my_figure_project/ ├── data/ │ └── summary_data.csv ├── scripts/ │ └── make_figure_1.py ├── figures/ │ ├── figure1.svg │ └── figure1.png ├── requirements.txt └── FIGURE_SPEC.md

FIGURE_SPEC.md是给 Codex 看的“需求说明书”。它不需要写得多完整，但必须把下面几项写清楚：输入文件、图型、X 轴和 Y 轴含义、字体、输出格式和输出目录。

示例：

# 图 1：处理组 vs 对照组的定量比较 - 输入数据：data/summary_data.csv - 图型：箱线图 + 半透明散点 - X 轴：group 列 - Y 轴：value 列 - 配色：Nature 期刊常见配色，避免默认 matplotlib 蓝橙色 - 显著性检验：Mann-Whitney U，p < 0.05 时添加星号 - 字体：Arial 或 Nimbus Sans，字号 8pt - 输出：figures/figure1.svg 和 figures/figure1.png，PNG 为 300 DPI

这个文件既是 Codex 的输入，也是人工复核的依据。需求写得越具体，Codex 返工次数越少。

6. 功能测试与效果验证

先准备一份小的演示数据。可以自己生成一份不含真实实验信息的 CSV：

import pandas as pd import numpy as np rng = np.random.default_rng(42) data = { "group": ["Control"] * 30 + ["Treatment"] * 30, "value": np.concatenate([ rng.normal(5.0, 1.0, 30), rng.normal(6.2, 1.3, 30) ]) } df = pd.DataFrame(data) df.to_csv("data/summary_data.csv", index=False) print(df.head())

然后进入 Codex 交互模式，输入：

请读取 data/summary_data.csv，按照 FIGURE_SPEC.md 的要求生成图表。 步骤： 1. 在 scripts/ 目录下创建 make_figure_1.py； 2. 安装缺失的 Python 包； 3. 执行脚本； 4. 如果报错，根据报错信息修复代码； 5. 确认 figures/ 下出现 figure1.svg 和 300 DPI 的 figure1.png。

预期流程是：Codex 先读取FIGURE_SPEC.md，再检查数据和依赖，然后写脚本、执行、看输出。中途如果报错，比如缺少 seaborn 或 scipy，它会尝试安装并继续。

6.1 基础出图判断标准

任务结束后，按下面标准检查：

• scripts/make_figure_1.py是否存在，且能够独立运行；
• figures/figure1.svg是否生成，SVG 是矢量格式；
• figures/figure1.png是否满足 300 DPI；
• 图片中 X 轴、Y 轴、图例、显著性标记是否完整；
• 箱体颜色和散点颜色是否有明显区分；
• 文字是否溢出画布。

只有这些条件全部满足，才能算是“论文级”图片。AI 生成的图必须人工复核统计检验部分，不能直接放进论文。

6.2 自动修复链路测试

Codex 最值得验证的能力不是“一次写对”，而是“报错之后能不能自己修”。可以故意制造一个错误，比如把matplotlib.use("Agg")删掉，或者让脚本引用一个不存在的列名，再让 Codex 运行脚本。

如果它能根据 Traceback 定位到具体行，并给出修复方案，说明自动修复链路是通的。这是判断编码智能体是否值得长期使用的核心指标。

6.3 样式与期刊格式验证

论文级图片不只是“能显示数据”，还要满足期刊要求。常见要求包括：

• 矢量格式输出，避免位图放大模糊；
• 字体统一，图中所有文本使用同一字体和字号；
• 坐标轴刻度方向、线宽、图例位置合理；
• 图片宽度匹配期刊单栏或双栏尺寸；
• 颜色方案考虑灰度打印效果。

这些样式约束都可以写进FIGURE_SPEC.md。每次换期刊，只需要改需求文档，再让 Codex 统一更新绘图脚本。

7. 接口 API 与批量任务

Codex CLI 本身提供命令行接口，适合“需求固定、批量执行”的场景。批量绘图有两种典型做法。

7.1 把绘图脚本包装成可复用 CLI

让 Codex 生成一个带命令行参数的绘图脚本，这样后续所有图都复用同一套逻辑：

# scripts/make_figure.py import argparse from pathlib import Path import matplotlib matplotlib.use("Agg") import pandas as pd import matplotlib.pyplot as plt def load_data(path: Path) -> pd.DataFrame: return pd.read_csv(path) def make_figure(data_path: Path, output_dir: Path) -> None: df = load_data(data_path) output_dir.mkdir(parents=True, exist_ok=True) fig, ax = plt.subplots(figsize=(4.0, 3.0), dpi=300) df.boxplot(column="value", by="group", ax=ax, grid=False) ax.set_xlabel("Group") ax.set_ylabel("Value") fig.tight_layout() output_dir.joinpath("figure.png").write_bytes(b"") fig.savefig(output_dir / "figure.png", dpi=300) fig.savefig(output_dir / "figure.svg") if __name__ == "__main__": parser = argparse.ArgumentParser() parser.add_argument("--data", type=Path, required=True) parser.add_argument("--output", type=Path, required=True) args = parser.parse_args() make_figure(args.data, args.output)

运行：

python scripts/make_figure.py \ --data data/summary_data.csv \ --output figures/

7.2 批量处理多组数据

数据文件按规则命名后，用 Python 批量调用：

from pathlib import Path from scripts.make_figure import make_figure data_dir = Path("data") output_dir = Path("figures") for csv_path in data_dir.glob("*.csv"): out_dir = output_dir / csv_path.stem make_figure(csv_path, out_dir) print(f"完成: {csv_path.name} -> {out_dir}")

这种方式的好处是：Codex 只负责“写一次绘图逻辑”，后续批量执行完全在本地完成，不消耗 API 额度，也不受模型响应速度影响。

7.3 Shell 脚本循环调用 Codex

如果需要每张图都有不同描述，可以用 Shell 循环调用 Codex 非交互命令：

#!/usr/bin/env bash set -euo pipefail for csv in data/*.csv; do echo "开始处理: $csv" codex exec --model your-model-name \ "读取 ${csv}，按照 FIGURE_SPEC.md 的样式要求生成图表，输出到 figures/" done

实际参数以当前版本 Codex 为准。批量任务里最好加日志和失败重试机制，避免某一张图报错导致整个循环中断。

8. 资源占用与性能观察

Codex 的绘图方案里，模型在云端运行，本地资源消耗主要集中在 Python 绘图环境。对于常规 CSV 数据和图表，CPU 完全够用，不需要 GPU。

但下面几种情况会明显增加资源占用：

• 数据量达到百万行级别，pandas 读取和 matplotlib 渲染内存上升；
• 图片分辨率很高，同时输出多张 300 DPI 大图；
• 图例数量多、散点数量大，SVG 文件体积会明显增长；
• 如果接入了本地大模型作为 Codex 后端，GPU 显存占用会由本地模型决定。

性能观察方法有两种：

# 观察 CPU 和内存 top # 观察 GPU 显存，仅在需要查看本地模型占用时使用 watch -n 1 nvidia-smi

针对大数据的优化思路：

• 绘图前先对数据做聚合，不要直接绘制所有原始点；
• 使用matplotlib.use("Agg")关闭 GUI 渲染；
• 输出 SVG 前先检查文件大小；
• 把大批量任务拆小，分批写入输出目录；
• 本地大模型推理时按实际显存调整上下文长度和 batch size，数字以本机测试为准。

9. 常见问题与排查方法

10. 最佳实践与使用建议

第一，先小数据小任务验证链路。不要一上来就让 Codex 生成十张大图。先跑通一张 30 行数据的箱线图，再扩展到真实数据集。

第二，把需求写进FIGURE_SPEC.md。文字描述越具体，AI 返工越少。验收标准比形容词更重要。

第三，用 Git 管理整个目录。data/、scripts/、figures/都在同一个仓库里，每次修改都能回溯。这样换期刊换配色时，只需要看 Git 历史就知道改了什么。

第四，做批量任务时先保存日志。每条处理记录都应该包含输入文件、输出文件、耗时和最终状态。失败任务要能单独重跑。

第五，图片效果必须人工复核。AI 绘图的“论文级”只代表排版、配色、字体、清晰度这些视觉维度达标，不替代统计学验证。

第六，涉及数据安全和版权时多问一句。未发表的实验数据、受版权保护的字体、别人的图表版式，都要先确认使用边界。

第七，不要为了“自动化”而跳过数据质量检查。Codex 能自动执行脚本，但不代表数据本身没有异常。出图之前先跑一遍描述性统计，比最后发现坐标轴标签错了再返工更划算。

11. 总结与下一步

Codex + Nature Figure 这套方案最值得尝试的一点，是把“论文配图”从一次性手动操作变成了可以批量复用的工程流程。你真正需要具备的能力不是记住每个 matplotlib 参数，而是能把图表需求说清楚，并且会做最终质量验收。

最先值得验证的功能，是“报错自动修复”这条链路。只要 Codex 能在脚本报错后自己定位问题并修改，后面的批量任务和流程复用才真正有价值。

最容易踩的三个坑：第一，提示词太模糊，导致 AI 反复改样式；第二，中文字体乱码，需要在系统里安装字体并清理 matplotlib 缓存；第三，网络或 API 服务配置不正确，导致连接失败。这三类问题在上面的排查表里都能找到对应处理方式。

如果这套流程跑顺了，下一步可以试着把更多科研环节接进来，比如自动读取论文摘要生成图表描述、把常用统计检验封装成统一接口、按目标期刊的投稿格式自动导出图片组件。核心思路始终是：把繁琐、重复、规则清晰的绘图过程交给自动化，把判断数据真实性和结果意义的责任留在自己身上。