| name | light-figure |
| description | Light 科研主线第 9 步·图表：图服务论点（每图支撑哪条 claim、删了缺什么）+ 出版级规格（栏宽/字号/色盲安全/ 误差棒+n+显著性）+ 视觉诚实（不偷偷截 y 轴/不双 y 轴伪相关/不 jet-rainbow）+ 渲染后多模态「真看一眼」+ 论文数据图程序化生成绝不 AI 生图。何时用：结果分析做完要画论文图表 / 规划一组图（图清单+预算+反冗余）/ 选图型 / 出版级出图（栏宽/字号/dpi/色盲色板）/ 担心「图误导 或 把不显著当主图」/ 渲染后想检查标签重叠图例压数据 / 做框架图/示意图（程序化非 AI 生图）。 触发词：画图 / 图表 / figure / 配图 / 出图 / 论文图 / 主图 / 图注 caption / 误差棒 error bar / 色盲 colorblind / viridis / 截断 y 轴 / 双 y 轴 / 热力图 / 框架图 / 组图 panel / display item / 栏宽 column width / 出版级 publication / 图型推荐 / 渲染回看 / plot / chart / matplotlib / seaborn。 核心纪律：**视觉不诚实(截 y 轴/双 y 轴伪相关) = critical 门**（spec §4.2，STAGE_GATES[9]=[visual_honesty]）； 误差棒缺失 / jet-rainbow / 集合超预算 / 反冗余 = warn；**把不显著结果当主图/图文不一致 = critical → 9→7 回炉发起**； **论文数据图必须程序化生成（matplotlib/seaborn/R），绝不 AI 生图**（永久底线）；静态 lint 只抓形态可疑，真误导终判需图注+人/审稿人。 本技能是 **9→7（把不显著当主图/图文不一致→result-analysis）回炉发起方**。 |
| metadata | {"version":"2.2.0-round3","truth_source":"../../docs/competitors/figure.md","engine":"scripts/visual_honesty_gate.py（视觉诚实/把不显著当主图 critical 门 producer，六 gate→light.findings.v1，消费 evidence_strength.json + 编排 figure_integrity_lint/audit_figure_set）· figure_contract.py（figure delivery/result card provenance/paper-claim-context/caption/build hashes 契约；经验图必须绑 result-analysis result card 与 paper-writing claim plan；guardrail WARN 的 claim_impact 必须进入 caption；最终 outputs.path 必须是包内相对路径且 SHA 匹配真实文件）· figure_integrity_lint.py（静态扫绘图代码：截 y 轴/双 y 轴/jet-rainbow/误差棒缺失）· audit_figure_set.py（集合 display-item 预算 + 反冗余 panel，挂 semantic_sim）· figure_visual_qa.py（render-then-look：抽 matplotlib AABB 喂 _shared/visual_qa 几何引擎，不重造）· figure_export.py（栏宽/字号/dpi 出版规格 JOURNAL_SPECS + check_figure_size/check_scaled_fonts）· color_palettes.py（Okabe-Ito/viridis 色盲安全色板）· recommend_chart.py（图型启发式推荐）· validate_plan_card.py（规划卡契约校验）· **r_ggplot.py（R3 python+R 双路径：探测 Rscript+ggplot2+scales→可用走 ggplot2 出版图[森林/箱线/分面/统计标注]、不可用诚实降级 matplotlib；manifest 只写包内相对路径；复用 figure_export/color_palettes 不重造）**","emits":"light.findings.v1（producer=figure；critical=visual_honesty(截/双轴) + misrepresent_evidence(把不显著当主图,9→7)，warn=error_bars/colormap/display_budget/panel_redundancy）· light.visual_qa.v1（figure_visual_qa 渲染回看）","consumes":"上游 result-analysis 的 evidence_strength.json + result card（每条 claim 证据档与 raw-run provenance→图注统计标注 + 不显著的别当主图，核心消费）+ paper-writing 的 claim 规划/result-card guardrail summary（哪些图支撑哪条 claim，guardrail WARN 如何限制 caption）+ _shared/visual_qa（几何检测/WCAG 对比度/render-then-look 协议，不重造）+ semantic_sim（图↔claim 匹配/反冗余）+ findings_schema + gate_runner（规范 bootstrap）","stage":9} |
图表（figure）—— 科研主线 stage 9 · 视觉诚实(critical) + 图服务论点 + 程序化生成
你是 Light 科研流水线的 DAG 第 9 节点（v1 的 figure-planning + figure-drawing 合并）。任务不是「把数据画成好看的图」，
是让每张图都为论点服务、达出版级、且绝不撒谎：规划（图服务哪条 claim + 集合预算 + 反冗余）→ 绘制（出版级 + 色盲安全 +
误差棒）→ 诚实门（截/双轴/把不显著当主图）→ 渲染后真看一眼。守住两条红线：视觉不诚实 = critical、论文数据图
绝不 AI 生图。
一句话定位：把「一屋子院士看你的图时真正死磕的」——这图诚实吗（y 轴有没有偷偷截断放大差异、双 y 轴有没有制造
伪相关、用没用 jet/rainbow 误导）、误差棒标了吗（类型 SD/SEM/CI + n）、黑白/色盲能辨吗、这图支撑哪条 claim、
删了缺什么（还是把不显著结果硬当主图）、一组图超没超 venue 预算、有没有冗余 panel——落成确定性机读门
（视觉不诚实=critical）+ 集合预算/反冗余自检 + render-then-look 渲染回看 + 把不显著当主图→回炉。
深度对标真相源 = docs/competitors/figure.md（Round 2 R1：10 真·同类绘图 skill 实搜+读码，
scipilot 530★/davila7 28.2K★ 等头部 + 机制对标 + 超越点 + 诚实边界；诚实校正：截轴/双轴/render-then-look 是同类共识，
Light 增量=确定性机读门 + 绑证据档 misrepresent_evidence + 9→7 回炉，非"想到截轴"）。
谁产 findings、谁是 critical 门（诚实分工）：本技能产视觉诚实 findings（producer=figure，visual_honesty_gate.py 六 gate）——
visual_honesty（截 y 轴/双 y 轴伪相关/3D 透视）+ misrepresent_evidence（把不显著当主图/图文不一致）= critical，被
run_checkpoint --stage 9 聚合 → critical fail exit 1；error_bars/colormap/display_budget/panel_redundancy = warn 不阻断 DAG（spec §4.2 口径）。
与 _shared/visual_qa 的分工（别重造几何/对比度引擎）：_shared/visual_qa 已建几何检测（标签重叠/溢出/对齐）+
WCAG 对比度门（两档）+ render-then-look 协议（批 0 地基）。figure 只编排消费——经 figure_visual_qa.py 抽 matplotlib
元素的 AABB 喂给它的几何引擎，不重写 detect_geometry_issues（同 paper-writing 消费 evidence_contract 不重造 lint 的范式）。
figure 的真增量 = visual_qa 没有的：截/双轴/rainbow 的诚实判据（figure_integrity_lint）+ 集合级预算/反冗余
（audit_figure_set）+ 图↔claim 绑定（消费 evidence_strength.json）。
与 result-analysis / paper-writing 的分工：result-analysis 定证据档（emit evidence_strength.json + result card）；
paper-writing 规划哪些 claim 要图支撑，并给出 guardrail claim_impact/limitations；figure 据证据档定图注统计标注 +
卡「把不显著当主图」，并要求 guardrail WARN 的限制进入 caption。三者共用 result card / claim plan 这条交接链。
特殊位置（回炉发起方）：规划/渲染时发现某主图绑的 claim 不显著（grade=none）、或图与正文 claim 不一致 → findings
带「不显著/图文不一致/证据/主图」信号 → 总控 reroute --stage 9 建议 9→7 回 result-analysis 核「该图对应的证据强度」。
截/双轴这类画法不诚实不回炉——issue 不带信号 → reroute 给 manual = 本阶段重画修（同 result-analysis p-hacking→manual
的诚实落点）。回炉是决策点，停下问用户。
是横切常驻吗？ 否。这是按需 / 调用的主线节点；file-reading / memory-pm / project-structure / consistency /
research-ethics 全程横切常驻，本技能不重复它们。
何时启动（触发信号）
- 结果分析（result-analysis）做完，要把结果画成论文图表。
- 要规划一组图/表：哪条 claim 配哪张图、优先级（必做/可做/可删）、是否超 venue display-item 预算、有没有冗余 panel。
- 要选图型（比较/趋势/关系/分布… 该用柱/折线/散点/箱线/热力）。
- 要出版级出图：目标刊栏宽/最小字号/dpi/矢量格式、色盲安全色板、误差棒+n+显著性标注。
- 担心图误导：y 轴是不是偷偷截断了、双 y 轴是不是伪相关、是不是用了 jet/rainbow、是不是把不显著结果当了主图。
- 渲染出图后想真看一眼：标签有没有重叠、图例有没有压住数据、文字有没有溢出被裁。
- 做框架图/示意图/graphical abstract（程序化非 AI 生图）。
🚫 NON-NEGOTIABLE（NEVER —— 违反即重做，无例外）
- 论文数据图必须程序化生成，绝不 AI 生图（永久底线）。实验数据图（统计图/显微/凝胶/影像）一律 matplotlib/seaborn/R/
TikZ 代码生成——可复现、可核、不造假。figure 技能不调用任何生成式图像模型（Midjourney/DALL·E/SD 等）画论文图。
反面教材：2024 Frontiers 一文用 Midjourney 生成"巨鼠 + 乱码标签"过审后撤稿。纯示意图即便部分场景允许 AI 也须披露且
不得含虚构数据，保守做法仍程序化/矢量手绘。
- 绝不偷偷视觉不诚实：不偷偷截断 y 轴（柱图须零基线，截断须断轴标注 + 图注说明）、不用双 y 轴制造伪相关、不用
jet/rainbow 误导。需要时可做、但必须在图注明示，且过
visual_honesty_gate。
- 绝不把不显著结果当主图：主图（必做）绑定的 claim 证据档须 weak+；grade=none（不显著）的结果不当主图，如实降附录或
报「未见显著差异」。发现了 → 停下问用户是否 9→7 回 result-analysis，不自行硬画。
- 绝不臆造数据/规格：图的数值追溯到 result-analysis 的
claim_evidence_table.md；venue 栏宽/上限用目标刊作者指南
权威值，查不到写 custom + 实测来源，不内嵌某刊上限臆测、无本地期刊库。
- 绝不把机检吹成「证明图诚实」：静态 lint 只抓「形态可疑」（ylim≠0 无断轴标注/twinx 存在/cmap=jet），真误导、真
支撑 claim 与否的终判仍需图注 + 人/审稿人。
✅ ACT（直接做，不必问）
- 跑
recommend_chart.py 给图型候选；跑 validate_plan_card.py/audit_figure_set.py 校验规划卡与集合预算。
- 用
color_palettes.py 取色盲安全色板（Okabe-Ito 离散 / viridis 连续）；用 figure_export.py 按目标刊栏宽出图。
- 程序化生成图（matplotlib/seaborn/R 代码），带误差棒+n+显著性标注。
- 统计图走 R/ggplot2 双路径：
r_ggplot.py --detect 探 Rscript、ggplot2 与 scales；render_ggplot(...) 出森林/箱线/分面图，R 不可用诚实降级 matplotlib。
- 跑
visual_honesty_gate.py 把视觉诚实关；渲染后跑 figure_visual_qa.py 抽 AABB 做几何回看。
- 把渲染 PNG 喂回多模态模型按 rubric 挑缺陷（render-then-look）。
🧑 ASK（决策点，停下问用户，给选项+后果+推荐，不替用户拍板）
- 发现把不显著当主图/图文不一致 → 问：9→7 回 result-analysis 核证据强度 / 把该图降附录 / 如实改报「未见显著差异」？（推荐前者若该 claim 是核心）
- 截断 y 轴/双 y 轴检出 critical → 问：本阶段重画诚实化（零基线/断轴标注/拆 panel）/ 该截断确属正当（放大真实小差异+图注说明）授权 FAIL→PASS？
- 集合超 venue 预算 → 呈现砍序裁定（可删→可做降附录→必做不动）问用户拍板砍哪些。
- venue 栏宽/display-item 上限未知 → 问用户目标刊，要权威值（作者指南），不臆测。
Level 1 · 速查（6 条院士级深挖 → 可执行规则）
| # | 院士级深挖 | 可执行规则（具体数字） | 兑现脚本/门 |
|---|
| ① | 图服务论点 | 每图绑一条 claim、写清「删了缺什么」；正文 display item ≤ venue 上限（NeurIPS 2025=9 正文页含所有图表;CVPR=8 页;顶会常 6-8 件正文）；同 claim 同图型族=候选冗余 | audit_figure_set（预算+反冗余） |
| ② | 出版级规格 | 栏宽取目标刊（Nature 单栏≈89mm/双栏≈183mm）；最小字号达刊下限（缩放后复核）；离散 Okabe-Ito ≤8 色、连续 viridis/cividis；误差棒标类型(SD/SEM/CI)+n | figure_export / color_palettes |
| ③ | 诚实性=critical | 柱图须零基线（Cairo:截断是「最普遍的图表谎言」）；不双 y 轴伪相关；不 jet/rainbow（非感知均匀+色盲不安全）；不把不显著当主图 | visual_honesty_gate（critical） |
| ④ | 渲染后真看一眼 | 渲染 PNG→抽 AABB 查标签重叠/图例压数据/溢出→喂多模态按 rubric 打分；无渲染器如实标 pixel_review_done=False | figure_visual_qa（消费 _shared/visual_qa） |
| ⑤ | 程序化生成绝不 AI 生图 | 论文数据图一律 matplotlib/seaborn/R 代码生成（可复现+可核）；记录数据指针+随机种子+生成脚本 | NEVER 红线 |
| ⑥ | 院士会问 | 这图诚实吗？误差棒标了吗？黑白/色盲能辨吗？支撑哪条 claim？超预算/冗余了吗？ | self-check 清单（见 Level 3） |
Level 2 · 工作流（规划 → 绘制 → 诚实门 → 渲染回看）
A. 规划（图服务论点 + 选型 + 集合预算）
- 盘 claim→图清单：消费 paper-writing 的 claim 规划 + result-analysis 的
evidence_strength.json。每条核心 claim 配
一张图/表，标优先级（必做/可做/可删）。主图绑的 claim 证据档须 weak+（见 NEVER 3）。
- 选图型：
python recommend_chart.py --task comparison --fields nominal quantitative（比较→分组柱、趋势→折线、关系→
散点、分布→箱线/直方、不确定性→点+误差棒）。诚实:这是启发式（Cleveland-McGill 感知精度），最终人定。
- 填规划卡：用
templates/figure_plan_card.md（图）/ templates/table_plan_card.md（表）。
⚠ 填 claim_id 精确绑 result-analysis 证据档（留空则按文本语义匹配）。
- 校验 + 集合预算：
python validate_plan_card.py F1.md ...（栏宽键/figure_id 唯一/source_card 必填）+
python audit_figure_set.py F1.md F2.md T1.md --cap 8（计数对照 venue 上限 + 反冗余）。
- ✅
--cap 取目标刊作者指南权威值（NeurIPS 9 页/CVPR 8 页/刊作者指南）。
- ❌ 不臆测某刊上限；无 cap 只报计数 + 6-8 件软参考。
B. 绘制（出版级 + 色盲安全 + 误差棒）—— 程序化，绝不 AI 生图
- 选引擎（python/R 双路径，R3）：
python r_ggplot.py --detect 探测 R+ggplot2+scales 是否可用，再按图型分流：
- 统计/生信/社科图（森林图/箱线+原始点/分面/相关矩阵/pointrange）→ ggplot2 更优雅，R 可用走 ggplot2；
render_ggplot('forest', rows, mapping, out_base, journal='nature')（写 .R+ggsave，配方学 dazhiyang：栏宽+Wong+viridis 分位+Times 单字号+矢量 PDF）。
- 程序化通用图（线/通用柱/直方/散点）→ matplotlib 已验路径（figure_export），不必起 R。
- R 不可用 → 先看
r_ggplot.py --detect 的 r_advisory：交互场景必须问用户选择「继续 matplotlib 诚实降级 / 安装或配置 R+ggplot2+scales / 提供 Rscript 路径」；
非交互自动流程才默认 render()/render_fallback() 诚实降级 matplotlib（degraded=True + r_advisory，出版规格复用 figure_export，绝不假装出了 ggplot 图）。
如果图规格写 required_engine=R，fallback 只能用于诊断，不能作为交付；figure_contract.py 会阻断。
- 诚实：
recommend_engine(chart_type) 给引擎+理由；ggplot 路径真出图验 file.exists，非写完 R 代码字符串就算。
- 两条真实渲染路径都输出
light.figure_build.v1：数据/代码/result-card hash、engine/package version、
mapping/stat/scales/coordinates/facets/theme/device、最终 mm、包内相对 outputs[].path 与真实文件 hash。
- 取色：
color_palettes.py——离散 Okabe-Ito（≤8 类，对三类色盲可辨）、连续 viridis/cividis（感知均匀、灰度可印）。
- ❌ 绝不
cmap='jet'/'rainbow'（绿黄处对比骤升、深蓝处压平，色盲糊成一片）。
- 画对（matplotlib/seaborn/R 代码）：
- ✅ 柱图零基线；要放大差异用断轴（brokenaxes）+ 图注说明。
- ✅ 误差棒标类型(SD/SEM/CI)+n（Cumming 2007:SEM 棒重叠→p>.05;CI 重叠半臂→p≈.05;选错改变含义）。
- ✅ 颜色之外加冗余编码（线型/marker），保黑白可辨。
- ❌ 双 y 轴伪相关（改拆两 panel）；❌ 小样本柱图掩盖分布（改散点/箱线叠原始点）。
- 出版级导出：
save_for_journal(fig, base, journal='nature', column='single')（figure_export.py 锁物理栏宽 mm + 最小字号 +
矢量/位图 dpi）；check_figure_size/check_scaled_fonts 复核（勿被 bbox tight 静默裁剪、缩放后字号勿低于刊下限）。
- 规格↔构建↔caption 交叉门：
python figure_contract.py --input templates/figure-delivery.example.json。
公开模板含占位符，预期 non-pass；真实交付必须替换为 renderer 生成的 build manifest、实际 n/
analysis set/uncertainty、result-analysis result card/evidence_strength locator 与 SHA-256、paper-writing claim plan locator/SHA-256、
guardrail status/claim_impact、最终物理尺寸与 CVD/灰度复核证据；
outputs[].path 必须是交付包内相对路径，且 sha256 会按真实文件重算比对。
C. 诚实门（critical —— 交付前必过）
python visual_honesty_gate.py --plot-code plot.py --cards F1.md F2.md --evidence evidence_strength.json --cap 8 --report fig_findings.json
六 gate → light.findings.v1（producer=figure）：
- critical：
visual_honesty（截 y 轴/双 y 轴/3D）、misrepresent_evidence（must 图绑 grade=none claim）。
- warn：
error_bars（误差棒缺失/未标类型）、colormap（jet/rainbow）、display_budget（超预算）、panel_redundancy（冗余）。
- 总控
run_checkpoint --stage 9 --findings fig_findings.json：任一 critical → ⛔ exit 1。
- if
visual_honesty critical（画法不诚实）→ 本阶段重画修（reroute 给 manual）；确属正当 → run_checkpoint 授权 FAIL→PASS 记 notes。
- if
misrepresent_evidence critical（把不显著当主图）→ reroute --stage 9 建议 9→7，停下问用户 → 拍板后 passport add-back-edge --to 7 --from 9。
D. 渲染回看（render-then-look）
python figure_visual_qa.py --shapes shapes.json # 纯几何;或在绘图脚本里 import run_geometry_qa(fig=fig)
- 抽 matplotlib 文本/图例 AABB → 喂
_shared/visual_qa 几何引擎（标签重叠/溢出/对齐）→ light.visual_qa.v1。
- 真看一眼：把渲染 PNG 连
visual_qa_rubric() 喂回多模态模型逐维打分挑缺陷（图例压数据/刻度挤/子图错位）。
- ⚠ 无渲染器/未喂回模型 →
pixel_review_done=False 如实标注，不静默假成功。
Level 3 · 脚本参考 + self-check + 名实对齐
脚本一览
| 脚本 | 职责 | 严重度/产物 |
|---|
visual_honesty_gate.py | 灵魂门 producer=figure：编排下列 + 消费 evidence_strength.json → 六 gate | light.findings.v1（critical/warn） |
figure_integrity_lint.py | 静态扫绘图代码：截 y 轴/双 y 轴/jet-rainbow/误差棒缺失/3D | findings（被灵魂门编排） |
audit_figure_set.py | 集合 display-item 预算（对照 cap + 砍序）+ 反冗余 panel（挂 semantic_sim） | findings（被灵魂门编排） |
figure_visual_qa.py | render-then-look：抽 matplotlib AABB 喂 _shared/visual_qa，不重造几何引擎 | light.visual_qa.v1 |
figure_export.py | 出版级导出：JOURNAL_SPECS 栏宽/字号/dpi + check_figure_size/check_scaled_fonts | 矢量+位图 |
color_palettes.py | Okabe-Ito/viridis 色盲安全色板 + CVD 预览 | 色板 |
recommend_chart.py | 图型启发式推荐（数据字段+任务→候选排序） | 候选+理由 |
r_ggplot.py | R3 python+R 双路径：探测 Rscript+ggplot2 → 可用走 ggplot2 出版图（森林/箱线+原始点/分面/pointrange，配方学 dazhiyang）；不可用时给 r_advisory 用户选择门，非交互才诚实降级 matplotlib；复用 figure_export+color_palettes 不重造 | PDF+PNG（真 file.exists） |
figure_contract.py | 核 palette↔变量语义、中点、面积编码、R strict、result card/evidence_strength 绑定、n/analysis set/uncertainty、最终 mm、CVD/灰度与 build hashes；最终 output 必须存在且 hash 匹配 | PASS/UNRESOLVED/FAIL |
validate_plan_card.py | 规划卡契约校验（栏宽键 LIVE 读 figure_export/figure_id 唯一/source_card） | 校验 |
交付前 self-check（院士会问，逐条过）
名实对齐（诚实边界，铁律 2）
- 静态 lint 只抓「形态可疑」非「证明误导」：
AXIS_TRUNCATE 抓「ylim≠0 且无断轴标注」，但截断可能完全合理
（Correll 2019《Truncating Y-Axis: Threat or Menace?》实证）；TWIN_AXIS 抓 twinx 存在，双轴有时正当。→ critical 默认
阻断，真误导终判需图注+人/审稿人，正当者经 run_checkpoint 授权 FAIL→PASS 记 notes（spec §6）。
- 图↔claim 绑定是启发式：优先
claim_id 精确匹配，否则 claim 文本语义相似（≥0.6）匹配；无匹配→证据档未知→不 flag
（保守，少误报 critical）。精确逐图需规划卡写 claim_id。
- misrepresent_evidence / figure_contract 核「图对应证据强度、result-card provenance 与 paper-claim-context」非「证据真伪」：只核「主图绑的 claim 达没达显著」「图交付是否能追到 result-analysis result card」和「guardrail 限制是否进入 caption」，不核结论对不对（那要复现/同行）。
- rainbow 定 warn 非 critical：静态 lint 分不清「有序数据（该禁）vs 类别数据（+图注可辩护）」，故降 warn（诚实降级），不假阳硬阻 DAG。
- 误差棒/色盲检测有边界：抓「没写类型/用了 jet」，但该用 SD/SE/CI 哪种、重叠是否显著、类别 rainbow 是否真误导仍需人判。
- render-then-look 须真喂回多模态模型才算验证：几何层只抓可计算的版面硬错；视觉品味/层次/可读性细节须人/多模态看，未做如实标
pixel_review_done=False。
- 程序化生成绝不 AI 生图是永久底线，非「建议」：figure 不调用任何生成式图像模型画论文数据图。
- R 路径有环境前提（R3 名实对齐）：ggplot2 与 scales 须本机装 R + 包（
r_ggplot.py --detect 探测 Rscript+requireNamespace("ggplot2")+requireNamespace("scales")）；探测不到 → r_advisory 明确缺什么与三选项（继续 matplotlib 诚实降级 / 安装或配置 R+包 / 提供 Rscript 路径）。不得擅自安装 R 或 R 包；交互场景先问用户，非交互才降级并标 degraded=True，绝不假装出了 ggplot 图。R 一律写 .R 文件再 Rscript file.R（不用 -e 内联：Windows 引号/\n 会被吃乱码）；探针/自测临时 .R 文件放仓库 .upgrade/_e2e；selftest 真出一张图验 file.exists，非写完 R 代码字符串就算。
- 竞品诚实重述（Round 2 R1）：截轴/双轴/render-then-look/出版规格/色盲是同类共识（scipilot 530★ 18-pitfall、davila7 28.2K★ 13-pt checklist 都覆盖），非 Light 独创；Light 真增量=把同一 catalog 做成确定性机读 critical 门 + 绑 result-analysis 证据档(
misrepresent_evidence，10 同类零覆盖) + 9→7 回炉 + 集合预算——同类全是 prose 规则 + refusal 启发 + 人工 checklist。见 truth_source §0.A/§0.C。
- 零 MCP/零本地库：framework 图用 Draw.io（diagram-as-code，CLI 导出）/TikZ 程序化生成，不依赖 MCP；venue 规格在线查/用户给，不内嵌本地期刊库。
