用途：面向 Nature Portfolio 与高影响力期刊，按“先定义图要证明什么，再决定画什么”的原则，完成期刊级图件的设计、编码、审查与导出，兼顾证据结构、视觉层级、数据诚信与可复现导出。
主要能力与用法：定量图件使用 Python（matplotlib/seaborn）或 R（ggplot2/patchwork/ComplexHeatmap）；机制图或图形摘要先建立概念与关系清单，再用矢量工具或可用图像生成能力制作草案，不得用 AI 图替代定量证据；已有图件审查需同时检查图源代码、最终导出与最终版面尺寸，不能只看屏幕截图。用户未指定且无项目约束时默认 Python，并在交付中说明。
流程与契约：绘图前写出 Conclusion、Evidence hierarchy、Panel map、Data contract、Statistics contract、Export contract，模板见 references/figure-contract.md。执行流程为审计数据、选择图形（references/chart-selection.md）、规划版面、编码与导出、写图注、自动预检、视觉核验、交付溯源包。自动预检命令：python scripts/figure_preflight.py <source.py|source.R> --artifact <figure.svg> ...。视觉与导出标准见 references/visual-standards.md。
默认交付：Figure contract、Artifacts（source、vector、raster、source data）、Integrity log（input rows、exclusions、transformations、output rows）、Preflight and visual QA（passed、warnings、author checks）。
质量门槛：图形类型与数据结构、实验单位和统计推断一致；主图尽量展示观测分布或个体点，而非只显示柱高与星号；颜色不作为唯一编码；面板标签、字体、线宽、单位和小数精度一致；矢量文本保持可编辑；所有排除、平滑、截断、归一化和聚合可追溯；图注与正文使用相同 n、检验、误差和比较方向；机制示意图明确区分已证实关系、推测路径和视觉隐喻。
限制：资料未提供收费、价格、平台支持范围、具体依赖版本与安装命令等信息，暂未提供。