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安装并配置 Codex CLI搭建一套 Nature Figure 式科研绘图目录跑通“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. 核心能力速览能力项说明服务类型编码智能体Coding Agent驱动的科研绘图自动化工作流核心工具Codex CLI Nature Figure 式绘图脚本工作流主要功能根据自然语言需求自动生成 Python 绘图脚本、自动执行、自动修复报错、批量出图硬件要求基础图表绘制在 CPU 上即可完成若把模型换成本地大模型再按需考虑 GPU显存占用本地 Python 绘图脚本不依赖 GPU显存占用以实际运行环境为准支持平台Windows / macOS / LinuxCodex CLI 常见安装方式依赖 Node.js 或包管理器以官方文档为准启动方式命令行交互模式、非交互执行模式、桌面版或 IDE 插件按官方发布版本选择接口能力支持通过 API Key 或账号登录调用云端模型也支持配置 OpenAI 兼容的第三方 API 服务批量任务支持。通过非交互命令或 Shell / Python 脚本循环处理多组数据和多张图适合场景科研图表、论文配图、实验报告可视化、批量生成报表图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.txtpandas2.0 numpy1.24 matplotlib3.7 seaborn0.13 scipy1.10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 KeyWindows PowerShell 下对应$env:OPENAI_API_KEY你的 Key4.2 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_URLhttps://your-api-provider.example.com/v1 export OPENAI_API_KEYyour-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.mdFIGURE_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 Up 0.05 时添加星号 - 字体Arial 或 Nimbus Sans字号 8pt - 输出figures/figure1.svg 和 figures/figure1.pngPNG 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 CSVimport 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, indexFalse) 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(parentsTrue, exist_okTrue) fig, ax plt.subplots(figsize(4.0, 3.0), dpi300) df.boxplot(columnvalue, bygroup, axax, gridFalse) 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, dpi300) fig.savefig(output_dir / figure.svg) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--data, typePath, requiredTrue) parser.add_argument(--output, typePath, requiredTrue) 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问题现象可能原因排查方式解决方案codex提示不是内部命令npm 全局路径未加入 PATH执行npm root -g查看全局目录将 Node.js 全局目录加入 PATH 后重启终端登录失败或账号不受支持账号类型、区域限制或模型名错误查看 Codex 日志和账号模型列表切换账号类型或模型名按官方文档操作connection failed: error sending request网络无法访问目标 API 服务或 API Base URL 配置错误检查网络连通性、API Base URL、服务商文档确认当前网络环境允许访问目标服务修正 Base URL 和 Key模型不受支持当前 API 服务不支持所选模型查看服务商支持的模型列表切换到服务商支持的模型名Python 依赖安装失败pip 源不稳定或环境冲突查看 pip 报错信息使用镜像源或创建新的虚拟环境图中中文乱码系统缺少中文字体或 matplotlib 未识别执行fc-list :langzh查看已安装字体安装中文字体并删除 matplotlib 字体缓存SVG 在别人电脑上字体不一致SVG 未嵌入字体检查本机字体统一使用常见字体或转 PDF 前嵌入字体Codex 反复修改但图片仍不对需求描述太模糊检查 FIGURE_SPEC.md 是否缺少输出路径、图型、字体等约束增加验收标准明确“输出到哪个目录”“使用什么图型”批量任务中途卡住单张图报错导致循环中断查看日志定位卡住的输入文件增加失败重试和任务日志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。