| name | mechanism-figure-prompt |
| description | Research and explain a paper, algorithm, training recipe, data-construction method, or code mechanism in plain language, then write one ready-to-paste Chinese prompt for Qwen image-generation models to draw an accurate mechanism diagram. Use when the user asks “具体怎么做”“先用语言回答，再给生图 prompt”“一条数据怎样拆”“帮我写 Qwen 机制图提示词”, or supplies a paper/PDF/code/reference image for a mechanism-figure prompt. This skill produces explanation and prompt text only; it does not create SVGs, call image-generation tools, or render the final image unless the user separately requests that work. |
Mechanism Figure Prompt
先把机制研究清楚并用语言回答，再把同一份结论压缩成可直接粘贴给 Qwen 生图模型的提示词。只交付文字，不实际出图。
核心约束
- 严格围绕用户提出的机制问题，不自动扩写成整篇论文总览。
- 不把用户的口语概括实体化成论文中不存在的模块、agent、路由器或阶段。
- 先回答“输入什么、做什么、得到什么、答案或奖励从哪里来”，再写生图 prompt。
- 区分训练与推理、并行与串行、共享模型与独立模型、事实与推论。
- 保持一个贯穿示例；不得在不同模块中偷偷更换文件、函数、代码行或补丁。
- 默认输出一段完整的 Qwen prompt，而不是 SVG、Mermaid、图片或生成脚本。
- 除非用户另外明确要求，不调用 ImageGen，不生成本地文件，不进入绘图或修图流程。
- 如果用户明确说“先用语言回答”，本轮只交付语言解释并等待；下一轮再给 prompt。
工作流
1. 定义 Mechanism Question
把用户问题改写成一个中性、可核查的问题。例如：
一条原始记录如何被转换为哪些训练样本；每个样本的输入、输出和监督分别是什么？
同时写出范围之外的内容。用户只问“一条数据怎么拆”时，训练超参数、完整 RL 流程、实验结果和推理框架默认都在范围外。
2. 定向研究来源
当用户提供论文、网页、PDF、代码仓库或图片时，先读取来源。优先级如下：
- 论文方法、算法和附录；
- 官方代码、数据脚本和配置；
- 作者项目页；
- 二手材料只用于发现线索。
至少核实：
- 原始输入；
- 每一步的动作与输出；
- ground truth、标签、奖励或验证信号的来源；
- 子任务是独立构造还是串行执行；
- 最后训练一个模型还是多个模型；
- 论文未披露的实现细节。
找不到的细节标成“论文未说明”，不要补造。
3. 建立 Mechanism Brief
在内部整理：
question: 用户看完图后必须能回答的问题
one_sentence_answer: 一句话答案
raw_input: 原始输入和来源
steps: 每步的输入、动作和输出
ground_truth: 标准答案或奖励从哪里来
shared_vs_separate: 共享与独立关系
training_vs_inference: 必要时区分训练和推理
example: 一个从头到尾一致的样本
explicit: 来源明确事实
inferred: 合理推论
unknown: 来源未说明
must_show: 图中不可省略的关系
must_not_show: 容易误画或超出问题范围的内容
4. 先做语言回答
按以下顺序回答，避免先堆论文术语：
- 一句话结论；
- 原始数据是什么；
- 一条数据怎样逐步或并行转换；
- 每一步给模型看什么、标准答案是什么；
- 最容易误解的关系；
- 事实边界和论文未说明之处。
使用短表格或编号说明复杂映射。若使用自造示例，明确标注“忠实简化示例”，不得伪装成论文原例。
5. 选择最小视觉范围
只画回答当前问题所必需的内容：
- 一条数据拆成多题：左侧一个完整来源，中间并行分成 2×2 或纵向任务卡片，右侧可选地合流到同一个模型。
- 逐步计算：左到右的输入 → 中间状态 → 输出。
- 粗到细定位：仓库 → 文件 → 函数 → 代码行的嵌套放大。
- 训练与推理差异：上下两条分离的流程带。
- 方法对比：相同位置对齐的左右分屏。
不要因为论文还包含 SFT、RL 或实验，就把这些内容自动加入图中。
“一条数据怎样拆”的默认构图
当用户只问一条记录如何拆分时，优先采用：
左：一条完整来源记录
issue / 原始输入 / PR diff / 标签
中：四个或多个并行任务卡片
每张卡片都显示：对象 → 动作 → 结果
底部固定显示：给模型看 | 标准答案
右：若问题涉及共享训练，再画多份样本文档合流到“同一个模型”
可加“不是多个 agent/专家”的纠错标记
底：一句总结
1 条来源 → N 份可核对样本 → 共享训练对象
任务卡之间不得使用串行箭头，除非来源明确说明它们在该阶段确实串行执行。
6. 写 Qwen 生图 Prompt
输出一段可以直接复制的中文 prompt，至少包含以下内容：
- 画布与用途：横竖比例、中文科学教学机制图、信息密度；
- 标题与核心结论：使用需要逐字保留的短句；
- 明确构图：左、中、右或上下区域各占什么位置；
- 逐模块内容：每个模块的对象、动作、结果；
- 贯穿示例：精确的目录、函数、代码行或数值；
- 箭头拓扑：哪些分支、哪些合流、哪些独立；
- 精确标签：必须正确显示的中文、英文、代码和数字；
- 事实不变量：模型数量、阶段数量、共享关系、训练/推理边界；
- 禁止项：不得虚构的模块以及不需要出现的内容；
- 视觉语言：目录树、代码高亮、Diff、Search/Replace、漏斗、放大镜等有信息功能的图形。
Prompt 必须具体到模型无需自行发明机制，但不要像论文方法章节一样塞满解释段落。让图中使用短标签、代码和对象关系承担叙事。
Qwen Prompt 模板
生成一张[比例]横版中文科学教学机制图，主题是：
《[准确标题]》
读者看完后必须理解：[一句话机制问题与结论]。
整体采用[左到右 / 上下分层 / 左右对比]构图：
左侧：[原始对象、示例和真实标签来源]
中间：[并行或串行模块；逐一写明给模型看什么、执行什么动作、得到什么结果]
右侧：[必要的合流、共享模型或最终输出]
底部：[一句总结或关键边界]
必须逐字正确显示：
- [标题]
- [模块短标签]
- [代码、公式或数字]
关系不变量：
- [并行/串行关系]
- [共享/独立关系]
- [训练/推理边界]
视觉要求：
- 使用[目录树、代码骨架、Diff、放大镜、Search/Replace 等]直接表达动作；
- [颜色映射]；
- 中文清晰，短标签，无长段落；
- 中高信息密度，唯一明确的阅读顺序。
不要出现：
- [来源中不存在的模块、agent、专家模型或数字]；
- [超出当前问题范围的训练、推理或实验内容]；
- 装饰性机器人、无意义图标、大片留白、渐变、3D、复杂阴影和水印。
参考图处理
若用户给出参考图：
- 先识别其有效的阅读顺序、模块比例、视觉编码和信息密度；
- 保留适合当前问题的构图语言，不盲目复制参考图中的事实；
- 指出参考图中可能误导的措辞，例如把“训练采用的单个 PR ground truth”写成“唯一正确答案”；
- 在 prompt 中描述需要复用的结构，而不是要求模型像素级临摹。
输出格式
默认依次交付两部分：
- 直接、通俗的机制回答；
- 标题为“可直接粘贴给 Qwen 的 Prompt”的单个
text 代码块。
不要复述研究过程，不要同时再提供 SVG/ImageGen 版本。用户只要求 prompt 时，简短说明范围后直接给 prompt。
交付前检查
- Prompt 是否只回答用户当前的问题？
- 一个示例是否贯穿所有模块且完全一致？
- 每个模块是否都有对象、动作和结果？
- 标准答案或奖励来源是否可见？
- 并行、串行、共享和独立关系是否画对？
- 是否误加了多个 agent、专家模型、测试或训练阶段？
- 精确中文、代码和数字是否在 prompt 中锁定？
- 禁止项是否足以防止 Qwen 自行扩写机制？
任一项不满足，先修 prompt，再交付。
