edu-subject-infographic

Imported from wwwzhouhui/skills_collection (ai-teaching-media/edu-subject-infographic/SKILL.md). Install upstream with npx skills add wwwzhouhui/skills_collection --skill edu-subject-infographic. Copyright stays with the author.

学科知识信息图生成

依赖

本 Skill 依赖 ai-image-generator 作为生图执行层。确保已安装：

npx skills add wwwzhouhui/skills_collection -s ai-teaching-media

需要设置对应环境变量：MULERUN_API_KEY、APIMART_API_KEY、ATLASCLOUD_API_KEY 或 AGNES_API_KEY（设一个即可；多个时请显式指定 --provider）。

工作流程

Step 1：解析用户输入

用户输入示例：

• "声现象" → 自动推断：初二物理 · 第二章
• "初二物理 光现象" → 直接提取：初二物理 · 第四章
• "帮我做一张关于杠杆原理的知识卡片" → 推断：初二物理 · 简单机械
• "勾股定理" → 推断：初二数学
• "光合作用" → 推断：初一生物

提取字段：

• topic：知识点名称
• subject：学科
• grade：年级（未提供则自动推断）
• edition：教材版本（默认人教版；不同版本章节编排不同，用户指定了版本就按用户的）
• chapter：章节号（未提供则按 edition 推断；不确定时宁可省略章节号，也不要标一个错的印在图上）
• key_concepts：3-5 个核心子概念（自动拆解）

Step 2：确定视觉主题色

全线走低饱和（莫兰迪）色调——不给生图模型"蓝色系"这种粗粒度色名（它会默认输出高饱和的 "AI 信息图蓝"），而是给具体色卡：主色 + 底色 + 中性色各带 hex 锚点。同学科不同章节在 可选色卡里轮换主色，同一批次不重复。

规则：

• 主色只用在标题、编号徽章、关键词、公式高亮上（约 10% 画面），卡片底和背景走底色的浅变体
• 中性色给次级文字、结构线、说明性标注
• 禁止高饱和糖果色、霓虹色、纯 #FF 系色相
• 与 edu-teaching-animation 做同一知识点时，选同源色卡（如勾股定理 → 雾紫），信息图、动图、视频风格统一

Step 3：构建提示词

读取 references/prompt_template.md 获取提示词骨架，填入以下变量：

• {topic} → 知识点名称
• {grade} → 年级
• {subject} → 学科
• {chapter} → 章节
• {theme_color} → 主色（英文名 + hex，取自 Step 2 色卡，如 misty purple #7A6296）
• {bg_tint} → 底色（英文名 + hex）
• {neutral_color} → 中性色（英文名 + hex）
• {num_sections} → 子概念数量
• {sections_content} → 各子概念的标题、插图描述、说明文字（从 references/illustration_guide.md 中匹配，无匹配则自动生成）

Step 4：学科准确性自检（提示词层）

在调用生图之前，对构建好的提示词做检查。这是第一道防线，挡"提示词本身写错"。

数据源： 同时读取以下三个文件，与当前提示词交叉比对：

• references/accuracy_checklist.md：通用检查清单 + 分学科检查清单
• references/illustration_guide.md：各知识点的"必须包含"和"常见错误"列，逐项核对
• references/errata.md：历史勘误记录，确认没有重复踩坑

检查顺序：

1. 通用检查（所有学科）：错别字、公式变量标注、年级匹配（超纲检查）、章节号与教材版本一致、数值合理性
2. 分学科检查：按 accuracy_checklist.md 中对应学科的清单逐项过。不同学科的出错模式不同——物理查控制变量条件/电路规范/标量矢量，数学查定理适用条件/图形标注一致，化学查配平/反应条件/↑↓符号，生物查过程四要素/箭头方向，语文查名句原文/作者朝代对应，历史查年代/人物事件对应，英语查拼写/词性/例句语法

如果发现问题，先修正提示词再调用生图。

Step 5：调用 ai-image-generator 生图

将构建好的提示词传递给 ai-image-generator 执行生图：

# 单张生成（提示词较长，建议写入文件用 --prompt-file 传入）
python ../ai-image-generator/scripts/generate.py --provider agnes --mode generation \
  --prompt-file "<提示词文件路径>" \
  --aspect-ratio "9:16" \
  --output-dir "output" \
  --name-tag "{topic}"

# 批量生成（多个知识点）
# 逐张调用，每张使用不同主题色和 --name-tag

CLI 必填 --mode generation；输出用 --output-dir（目录）+ --name-tag（文件名前缀），脚本自动加时间戳，不是 --output 单文件路径。

输出规格：

• 比例：9:16 竖版
• 格式：PNG
• 输出路径：output/ 目录

Step 6：成图视觉复核（图像层）

这是第二道防线，挡"提示词对但图画错"——生图模型可能渲染出乱码、错别字、公式上下标错乱、箭头画反、电路画混。每张图生成后必须复核，不复核不交付。

1. 用 Read 工具读取生成的 PNG
2. 对照 references/accuracy_checklist.md 底部"成图视觉复核要点"，逐项核对图中实际渲染出来的内容：
   • 所有中文文字：无乱码、无错别字、无缺笔画的伪汉字
   • 公式/方程式/数字：与提示词完全一致，上下标正确，单位没丢
   • 图示逻辑：箭头方向、标注位置、结构关系与提示词描述一致
   • 再按该学科的分学科清单过一遍图中内容
3. 判定与处理：
   • 通过 → 交付
   • 不通过 → 在提示词中针对出错点追加强调指令（如 The formula must read exactly "a² + b² = c²" with correct superscripts），重新生成。最多重试 2 次
   • 重试 2 次仍不通过 → 交付其中最好的一张，但必须明确告知用户图中哪里有错，绝不静默交付错图给学生
4. 勘误回流：复核中发现的知识性错误（提示词层漏掉的，不含纯渲染乱码），按格式追加到 references/errata.md，让下次生成自动避坑

Step 7：批量生成

用户请求多个知识点时（如"初二物理上学期全部章节"）：

1. 自动拆解为独立知识点列表
2. 为每张图分配不同主题色（同一批次不重复）
3. 逐张调用 ai-image-generator，保持风格统一但色彩各异
4. 每张图独立走完 Step 4 自检和 Step 6 视觉复核，不因批量而跳过；复核结果在最终汇总中逐张报告（通过/重试后通过/带瑕疵交付）

使用示例

# 单个知识点
"声现象，做张信息图"
"帮我做一张物态变化的知识卡片"

# 指定学科和年级
"初二物理 光现象"

# 跨学科
"勾股定理"
"光合作用"

# 批量
"帮我把初二物理上学期的知识点全部做成信息图"
"初二物理 声现象、物态变化、光现象、透镜，分别做一张"

注意事项

• 所有文字必须为中文
• 插图以简洁图解为主，不使用真实照片
• 每张信息图的子概念控制在 3-5 个
• 公式必须清晰标注变量含义
• 底部总结区域三选一：关键术语徽章 / 学习提示框 / 生活实例条
• 同一批次生成的多张图，色系必须不同
• 受众是学生，准确性优先于美观：每张图必须走完 Step 4 提示词自检 + Step 6 成图视觉复核才能交付；发现无法修复的知识性错误必须告知用户，不静默交付
• 章节号默认按人教版标注；用户用其他版本教材时请在输入中说明
• 此 Skill 仅生成静态信息图；动态交互演示请使用对应 Skill