展示定量信息

使用本技能协助智能体创建、评估、重构、审计或解释定量可视化图表，以支持人们基于证据进行推理。默认评判标准依次为：真实性第一、比较能力第二、视觉经济性第三。极简主义并非目标；清晰的定量推理才是核心。

适用边界

在以下场景中使用本技能：图表类型选择、数据可视化代码编写、仪表板（dashboard）评审、统计/科学图表、误导性图形识别、图表重构、作为证据使用的表格、不确定性表达、小倍数图（small multiples）、基于地图的定量可视化，以及用户提及的专业术语，例如 data-ink、chartjunk、graphical integrity、lie factor、Tufte、visual evidence、publication-ready figure 或 dashboard critique。

请勿在以下场景中使用本技能：纯装饰性插图、不含任何可度量数量的资讯图（infographics）、仅服务于品牌识别的设计、无数据支撑的幻灯片美学优化，或通用数据清洗（data wrangling）——除非任务明确要求生成可视化成果或提供视觉化解释。

工作循环

1. 明确观者任务：查找（lookup）、比较（comparison）、趋势识别（trend）、关系分析（relationship）、分布观察（distribution）、部分与整体关系（part-to-whole）、地理空间分析（geography）、不确定性表达（uncertainty）、实时监控（monitoring）、解释说明（explanation）或说服论证（persuasion）。
2. 检查数据结构：粒度（grain）、单位（units）、分母（denominators）、时间顺序（time order）、分组方式（grouping）、空间结构（spatial structure）、缺失值（missingness）、数据变换（transformations）、样本量（sample size）及不确定性（uncertainty）。
3. 依据观者任务和数据特征选择可视化形式，而非偏好某种图表类型。当选择不明确时，参考 references/display-selection.md。
4. 先审计图表完整性，再关注美观性：检查基线（baselines）、坐标轴刻度（scales）、比例一致性（proportionality）、视觉编码（encodings）、数据变换（transformations）、上下文缺失（omitted context）、分母（denominators）、不确定性（uncertainty）、数据来源（source）及可访问性（accessibility）。对于结构化规范，可使用 references/integrity-audit.md 或 scripts/audit_visual_display.py。
5. 围绕提升预期比较效果进行重构：移除干扰性视觉元素，但保留有助于解读的标签（labels）、注释（notes）、参考线（reference lines）、图注（captions）及整体结构（structure）。
6. 交付所请求的成果：图表、代码、SVG 文件、设计规范（design spec）、评估意见（critique）、仪表板评审报告，或简明建议。将影响最大的修正项置于首位。

按模式定制的指导原则

快速评估（quick critique）时，请用平实语言作答：指出哪些部分有效、哪些可能造成误导，以及最具价值的一项修正建议。切勿将完整性问题掩盖于表层美化建议之下。

图表重构（redesign）时，需明确说明拟采用的图表形式、视觉编码方案、坐标轴刻度设定、标签设计、标注内容，以及保障完整性的具体措施。所有选择均应围绕观者的比较需求或决策目标展开解释。

图表创建（chart creation）时，在工具支持前提下直接输出图表或代码。最终须附上简短核查清单，涵盖单位、刻度、基线、数据来源/上下文、不确定性表达及可访问性。

仪表板（dashboards）评审时，优先审查其工作流：各面板是否共同支撑一个连贯的决策问题？是否共享兼容的时间窗口与分母？是否侧重呈现趋势或分布，而非孤立、装饰性的 KPI 指标？

科学图表（scientific figures）制作时，优先考虑样本量、单位、实验条件、不确定性、数据变换、校准方法，以及跨子图（panels）间的可比性。若原始观测值或置信区间是分析核心，则应避免仅使用汇总型柱状图（summary-only bars）。

不可妥协项（Non-negotiables）

绝不可用“更干净但同样误导”的图表替代原本误导性的图表。只要会影响解读，就必须保留或恢复单位、数据来源、定义说明、样本量、分母、相关不确定性及方法学背景。

切勿机械套用口号式原则。“Data-ink 纪律”是一种编辑准则，而非删除解释性内容的许可。当图例（legend）、网格线（gridline）、注释（note）或参考带（reference band）能降低歧义或支持比较时，它们就是有价值的。

避免模板化批判语言。在多次输出中，应根据数据集特征与目标受众，灵活调整开篇方式、建议排序、示例选取及措辞风格。批量或长文本交付时，可参考 references/language-and-variation.md 或运行 scripts/fingerprint_text.py 进行检测。

参考文档地图

仅阅读当前任务必需的文件。

• references/principles.md —— 以 Tufte 理念为根基的核心判断标准。
• references/display-selection.md —— 按观者任务与数据结构匹配可视化形式的指南。
• references/integrity-audit.md —— 关于失真（distortion）、lie factor、基线设定、上下文缺失及不确定性表达的审计要点。
• references/redesign-workflow.md —— 图表重构与交付落地的实操流程。
• references/chart-spec.md —— 结构化图表规范字段定义与示例。
• references/accessibility-and-output.md —— 对比度、配色、标签、替代文本（alt text）及代码/输出默认设置。
• references/language-and-variation.md —— 避免千篇一律批判语言的写作指引。
• references/rubric.md —— 用于评审打分的评分细则。
• references/examples.md —— 已验证的典型模式；重在适配，而非照搬。

脚本与资源文件

脚本为可选工具，但在用户提供数据或结构化图表规范时尤为有用。所有脚本均为非交互式，输出结构化结果。

• scripts/suggest_display.py --csv data.csv --goal auto --format markdown：分析 CSV 文件并推荐适用的图表类型族。
• scripts/audit_visual_display.py --spec chart.json --format markdown：对 JSON 格式的图表规范进行完整性审计。
• scripts/lie_factor.py --data-before 18 --data-after 27.5 --visual-before 0.6 --visual-after 5.3：计算视觉失真程度（lie factor）。
• scripts/contrast_check.py --foreground '#333333' --background '#ffffff' --format markdown：检查前景色与背景色的文字对比度。
• scripts/render_chart_svg.py --csv data.csv --x month --y defect_rate --chart line --group line --output chart.svg：生成简洁、可信的 SVG 图表，适用于交接或评审。
• scripts/fingerprint_text.py --input draft.md --format markdown：识别重复使用的通用可视化描述语言（stock visualization language）。

资源文件（Assets）：

• assets/chart-spec-template.json —— 结构化审计的起始模板。
• assets/critique-note-template.md —— 灵活可用的评估意见交接模板。
• assets/chart-handoff-template.md —— 简洁紧凑的实现规格说明模板。

完成校验清单

在最终提交前，请确认响应内容已做到以下五点： ① 明确指出分析任务类型； ② 完整保留单位与上下文信息； ③ 合理阐释所选可视化形式的依据； ④ 检查是否存在误导性坐标轴刻度或视觉编码； ⑤ 至少提出一项关于比较能力、完整性或可访问性的具体改进建议。