用途：帮助为色觉缺陷（CVD）读者设计清晰可读的数据可视化图表，并提供经过检验的调色板与编码原则。
主要能力：
- 色觉缺陷概览：男性约 8%、女性约 0.5% 存在某类 CVD。常见类型包括绿色弱（deuteranomaly，约 5%）、红色弱（protanomaly，约 1%）、绿色盲（deuteranopia，约 1%）、红色盲（protanopia，约 1%）、蓝色盲（tritanopia，约 0.003%）及极为罕见的全色盲。核心结论：不要仅靠红绿区分信息，约每 12 名男性读者中就有 1 人无法区分。
- 推荐色盲安全调色板：定性（分类）可用 Wong(2011) Nature 调色板（如 #E69F00、#56B4E9、#009E73、#F0E442、#0072B2、#D55E00、#CC79A7、#000000）、Okabe-Ito 色板，以及 Paul Tol 定性色板（最多 12 色）。顺序数据建议使用感知均匀色带 viridis、plasma、inferno、magma、cividis，避免 jet、rainbow、hsv。发散数据可用 RdBu_r、PuOr_r、BrBG 或 Tol 自定义发散色板。
- 设计原则：提高数据墨水比（去掉多余边框与网格）；采用冗余编码，颜色之外叠加形状、线型、填充纹理、直接标注、分面或尺寸；用线型区分多条曲线；分类图颜色控制在 7–8 种以内；对比度满足 WCAG AA 4.5:1。
- 检验方式：可用 Coblis、Color Oracle、Sim Daltonism、Colorblindly 等模拟工具，也可用 Python 的 colorspacious 进行程序化 CVD 模拟，代码中给出 simulate_cvd 示例，对调色板逐色检验。
使用方式与限制：本指南以调色板列表、Matplotlib 代码片段与工具清单形式呈现，适用于科研出版与数据可视化场景。需注意资料未提供各工具的安装命令、收费与平台细节；实际使用前应自行用模拟工具验证最终图表，不能仅凭色板名称假定所有输出均达标。