القائمة
生成图表可视化及其问答对数据，用于训练视觉语言模型的图表理解能力。支持63种图表类型，自动执行 Topic生成→数据生成→可视化生成→质量评估→QA生成 的完整流程。当用户需要生成图表训练数据、合成图表QA数据、或使用 /chartm3 命令时触发。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/aliyun/ChartM3 --skill chartm3-synthesisيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | chartm3-synthesis |
| description | 生成图表可视化及其问答对数据，用于训练视觉语言模型的图表理解能力。支持63种图表类型，自动执行 Topic生成→数据生成→可视化生成→质量评估→QA生成 的完整流程。当用户需要生成图表训练数据、合成图表QA数据、或使用 /chartm3 命令时触发。 |
ChartM3 是一个图表问答数据合成工具，能够自动生成高质量的图表可视化及其对应的问答对，用于训练视觉语言模型的图表理解能力。
用户以自然语言描述需求，系统自动分析入口和生成阶段：
帮我生成一个关于金融领域的K线图
生成一个教育领域的折线图，只需要到数据阶段
用这个数据文件生成一个柱状图
/chartm3 领域=<领域名> 图表=<图表类型> [生成到=topic|数据|图表|QA]
/chartm3 topic="<主题描述>" [生成到=...]
/chartm3 数据=<数据文件路径> [生成到=...]
根据用户输入自动识别入口模式：
| 入口模式 | 识别条件 | 起始阶段 |
|---|---|---|
| 领域+图表类型 | 用户指定了领域和图表类型 | Topic生成 |
| Topic描述 | 用户给出了具体的主题描述 | 数据生成 |
| 数据文件 | 用户提供了数据文件路径 | 图表类型推荐 → 可视化生成 |
┌─────────────────────────────────────────────────────────────────┐
│ 入口1: 领域+图表类型 │
│ ↓ │
│ [Step 1] Topic 生成 ──→ 生成数据主题和背景故事 │
│ ↓ │
├─────────────────────────────────────────────────────────────────┤
│ 入口2: Topic描述 │
│ ↓ │
│ [Step 2] 数据生成 ──→ 生成 Python 代码创建 CSV 数据 │
│ ↓ └──→ 执行代码 ──→ 失败则自动纠错（最多5次） │
│ ↓ │
├─────────────────────────────────────────────────────────────────┤
│ 入口3: 数据文件 │
│ ↓ │
│ [推荐] 图表类型推荐 ──→ 分析数据特征，推荐合适的图表类型 │
│ ↓ │
│ [Step 3] 可视化生成 │
│ ├──→ 3.1 可视化方案设计（分析数据 + 设计方案） │
│ ├──→ 3.2 可视化代码生成（参考样例 + 生成代码） │
│ └──→ 3.3 执行代码 ──→ 失败则自动纠错（最多5次） │
│ ↓ │
│ [Step 4] 质量评估 ──→ 评估图表质量，低质量则重新生成 │
│ ↓ │
│ [Step 5] QA 生成 │
│ ├──→ visual 任务组（基础识别 + 视觉理解） │
│ ├──→ code_driven 任务组（数据检索 + 分析 + 推理） │
│ └──→ extraction 任务组（数据提取） │
└─────────────────────────────────────────────────────────────────┘
常用领域示例：金融、教育、医疗、体育、科技、环境、交通、零售、制造、能源等
支持 63 种图表类型：
| 阶段 | 说明 | 输出 |
|---|---|---|
| topic | 仅生成主题 | topic.json |
| 数据 | 生成到数据 | topic.json + data.csv + data_gen.py |
| 图表 | 生成到可视化 | + plot.png + vis_code.py |
| QA | 完整生成（默认） | + qa.json |
当用户提供数据文件时，需要先分析数据特征推荐合适的图表类型：
输入: 用户提供的数据文件（CSV/Excel） 输出: 推荐的图表类型列表及理由
执行步骤:
./reference/chart_type.csv 中的 数据特征 字段进行匹配输入: 领域 + 图表类型 输出: 数据主题、背景故事、数据维度描述
使用 topic_gen.md 模板生成。
输入: Topic 描述 + 图表类型 输出: CSV 数据文件 + 生成代码
使用 data_gen.md 模板生成 Python 代码，执行生成数据。
自动纠错机制:
输入: CSV 数据 + 图表类型 输出: plot.png 图表图片 + 可视化代码
分两个阶段：
样例代码模板:
样例代码存储在 ./reference/templates/ 目录下，每种图表类型对应一个 *_multi*.py 文件（共70个）：
基础折线图_multi.py - 折线图样例基础条形图_multi.py - 条形图样例小提琴图_multi1.py - 小提琴图样例蜡烛图_multi1.py - K线图样例每个样例文件包含：
preprocess(data) 函数：数据预处理plot(data) 函数：基础绘图plot_1 ~ plot_5：不同风格变体代码执行:
输入: 图表图片 输出: 质量评分 + 问题诊断
使用 quality_eval.md 评估图表质量：
低质量图表将标记并可选择重新生成。
输入: 图表图片 + 可视化代码 + 数据 输出: 多条问答对
使用 qa_gen.md 生成多种任务类型的问答对：
| 任务组 | 任务类型 |
|---|---|
| visual | 类型分类、标题识别、轴标签识别、图表元素计数、轴刻度识别、颜色识别、图例识别 |
| code_driven | 数据查询、最值查询、条件查询、数学计算、比较、排序、相关性分析、异常检测、趋势分析 |
| extraction | Chart to Data（将图表转换为 markdown 表格） |
output_dir/
└── <图表类型>_<领域>_<序号>/
├── topic.json # 主题信息
├── data.csv # 生成的数据
├── data_gen.py # 数据生成代码
├── vis_plan.json # 可视化方案
├── vis_code.py # 可视化代码
├── plot.png # 图表图片
├── quality.json # 质量评估结果
└── qa.json # 问答对
用户: 帮我生成一个关于股票市场的K线图和问答数据
分析:
- 入口模式: 领域+图表类型
- 领域: 金融/股票
- 图表类型: 蜡烛图 (K线图)
- 生成阶段: QA（完整生成）
执行: Step 1 → Step 2 → Step 3 → Step 4 → Step 5
用户: /chartm3 领域=教育 图表=折线图 生成到=数据
执行: Step 1 → Step 2
输出: topic.json + data.csv + data_gen.py
用户: 用 sales_data.csv 生成一个可视化图表
分析:
- 入口模式: 数据文件
- 数据文件: sales_data.csv
- 图表类型: 自动推荐
执行: 推荐图表类型 → Step 3 → Step 4 → Step 5
用户: /chartm3 topic="2020-2024年中国新能源汽车销量趋势"
分析:
- 入口模式: Topic描述
- 图表类型: 需要根据 topic 推荐（折线图/面积图）
执行: 推荐图表类型 → Step 2 → Step 3 → Step 4 → Step 5
代码生成规范:
preprocess() 和 plot() 函数，不包含 import 和 main 块plot.png，禁止自定义路径JSON 输出规范:
matplotlib 样式:
seaborn-v0_8-* 系列样式名称质量控制: