審稿意見裡出現最多的一句話是：Figure 3 的誤差棒代表什麼？我前後改過四次圖，最後一次才明白：論文圖表規範裡有一半是「數據到圖」的事，工具能幫；另一半是「圖到結論」的事，工具幫不了。
一、數據先成表，再成圖。
我的圖都從一張數據表出發：橫軸是什麼量、縱軸是什麼量、每個點是不是均值、誤差怎樣算、樣本數多少。表不齊，圖必然缺資訊。 這張表我用 MuchSci 的辦公助手智能體整理成可編輯的 Excel（一句話描述需求，產出可編輯的 Word / Excel / PPT），列名、單位、樣本數一次填清楚；之後每次改圖只改這一張表，不重畫。圖表裡的單位要在表頭就寫對，不要在圖上臨時補。
二、圖注要能獨立讀懂。
標準是：把圖注單獨摘出來，不看正文也能知道畫的是什麼。要寫清符號含義、誤差棒代表什麼（標準差、標準誤，還是置信區間，寫法各刊要求不同）、重複次數、統計檢驗。 如果目標是投英文刊，圖注我會用 MuchSci 的論文翻譯先出一版（中英學術雙向互譯、保留公式與術語一致性），再逐句對一遍——圖注裡術語和正文不一致，是審稿人最容易一眼看到的地方。
三、「不參與的部分」在這裡。
· 誤差棒代表什麼：標準誤和標準差相差好幾倍，圖注怎樣寫取決於你的統計口徑。這是實驗設計和統計決定，工具不知道你算的是哪個。
· 能不能把 A 組和 B 組畫在一起：取決於兩組是不是同一批次、同一條件。這個只能自己判斷。
· 趨勢能不能這樣說：四個點連成線說「隨溫度升高單調上升」，是過度解讀。圖能畫出來，結論不能這樣下。
· 哪張圖該進正文、哪張圖進補充材料：取決於它支撐的是主論證還是旁證。
· 像素級規範：線寬、字號、dpi、向量還是點陣、色盲友善配色——這部分是期刊的硬性要求，得對着《作者指南》改，工具替不了。
四、圖的版本管理。
一張圖會經歷「草圖→初稿→返修版→終版」，檔名不會自己說實話。我把每張圖的向量源檔和匯出圖統一放在 MuchSci 的檔案資產庫裡（集中存放生成的檔案、圖片、文字，支援預覽和增刪改查），圖上標示的數據口徑和對應數據表一起寫進文字說明；給導師看圖時用「我的分享」傳，不佔聊天紀錄。
五、圖裡的數據從哪裡來。
涉及化合物描述符、分子性質預測這類計算，我用 MuchSci 的化學資訊學智能體（工具鏈包含 RDKit、Datamol、PyTDC、MedChem、TorchDrug，能做分子操作、描述符計算和 GNN 預測）。它跑的過程能看進度、能隨時中斷，關鍵判斷點會彈出決策卡片讓我確認——這點對我來說比「出一堆數」重要：我要知道每個數是怎樣算出來的，圖上才敢標。 算完的結果，以及核對用的原始文獻，一起歸檔進 MuchSci 的個人知識庫（支援 PDF、DOCX、PPTX、XLSX、TXT、MD，預設個人使用、不共享）。
三條界線：圖不能美化結論，異常點被抹掉、誤差棒被截斷，這類問題不是規範問題，是學術誠信問題；配色和坐標軸範圍會影響讀者的判斷，縮小縱軸能讓變化看起來更明顯，我不會這樣做；計算類工具的結果要能重現，參數和版本一起記下來，否則半年後你自己也說不清那張圖怎麼來的。
這類研究生 AI 助手在圖表這一環做的是：把數據整理成表、把圖注譯順、把檔案管好。圖上那條線畫成什麼樣，還是我自己的決定。