DRZ-hang/StatMate · 上手攻略

仓库：DRZ-hang/StatMate
链接：https://github.com/DRZ-hang/StatMate
分类：学术写作 · 统计可视化
作者：Tom
更新：2026-09-01

是什么

StatMate（中文名"统计同学"，前身为 paper-figures）是一个 Agent Skill，专为生物医学及定量研究设计。它的核心思路是：把稿件、研究设计、数据字典和真实数据转化为一套可审查的分析计划 → 数据审计 → 出版级图表与报告。关键约束：所有报告数值必须能追溯到原始数据、机器可读结果和生成脚本，不允许 AI 凭空捏造统计量。

⚠️ 注意：StatMate 定位是辅助分析工具而非全自动统计机器——它把同一路径拆成 9 个阶段，每阶段产出都是"待作者审核的草稿"，最终出口仍需人工把关，尤其是临床决策、监管研究和确证性分析。

解决什么问题

传统 AI 绘图：输入"给我画个柱状图"，AI 直接出图，数值可能瞎编，且图无法追溯
StatMate 的改进：设计先于方法 → 先建分析计划 → 再跑代码出图 → 每个数值都能对应到源文件和脚本
具体痛点：缺失值/重复测量/伪重复/空设计单元/隐私风险等数据问题，在正式计算前就被审计捕获
出版合规：图表默认三线表格式（Word），配色盲安全，支持 Nature/Science/Cell/IEEE 等期刊预设

快速安装

StatMate 是一个 Agent Skill，不是一个 pip 包。它依赖宿主 AI Agent（Claude Code、OpenClaw 等）加载 SKILL.md 后工作。

# 方式一：clone 仓库查看 SKILL.md
git clone https://github.com/DRZ-hang/StatMate.git
cd StatMate

# 方式二：直接读取核心 SKILL.md
# 将 statmate/SKILL.md 内容加载到 Agent 的 system prompt 或 skills 目录
# 不同宿主路径不同，参考宿主文档（如 Claude Code 用 ~/.claude/skills/）

⚠️ 注意：StatMate 本身不提供 pip install statmate 这样的安装命令。它是一个 prompt-based skill，必须通过 AI Agent 调用才能工作。

依赖环境（StatMate 运行分析代码时需要）：

# 核心依赖
pip install matplotlib seaborn numpy pandas scipy

# 可选依赖（扩展图表类型和统计模型）
pip install plotnine plotly lifelines scikit-learn openpyxl python-docx

⚠️ 版本未锁定，建议 Python ≥3.9，具体版本建议自行在虚拟环境测试。

核心用法

9 阶段标准工作流

StatMate 将完整分析拆成 9 个阶段，每阶段有明确的输入/输出：

阶段	内容	输出
1️⃣ 设计地图	提取研究问题、分析单元、终点、时机、边界	design_map.md
2️⃣ 数据溯源审计	检查结构、缺失、重复、隐私、设计单元、文件哈希	data_audit.md
3️⃣ 分析计划	指定估计量、方法、假设、诊断、效应量、多重性	analysis_plan.md
4️⃣ 审批门	作者确认影响分析的关键决策	approval_signoff.md
5️⃣ 代码计算	运行保存的脚本，优先输出机器可读结果（JSON/CSV）	results.json
6️⃣ 诊断/敏感性	检验模型拟合、鲁棒性、多重检验	diagnostics.md
7️⃣ 构建与检查	生成 PNG 预览 + 矢量 PDF，检查画布/DPI/文件	fig1.png, fig1.pdf
8️⃣ 解释与教学	科学解读 + 稿件用词建议 + 阅读指南	report.md
9️⃣ 最终导出	按要求格式导出（Word 三线表 / Excel / LaTeX）+ 清单验证	final_report.docx

典型使用命令（示例）

# StatMate 工作流示例（伪代码示意，具体通过 Agent 对话驱动）
# 1. 摄入研究材料
# 将稿件 PDF、data.csv、data_dictionary.md 放入工作目录
# 告知 StatMate："我用 heart-failure 数据做生存分析，请按流程出图"

# 2. 查看生成的审计报告
import json
with open("data_audit.json") as f:
    audit = json.load(f)
print(audit["missingness"], audit["duplicates"])

# 3. 查看生成的图表
# statmate_output/figures/Fig1.png   # 生存曲线 KM 图
# statmate_output/figures/Fig2.png   # Cox 诊断图
# statmate_output/figures/Fig3.png   # 预测模型校准曲线

# 4. 查看分析脚本（可复现）
# statmate_output/scripts/kaplan_meier.py
# statmate_output/scripts/cox_model.py

⚠️ 上述为示意性代码，实际通过 Agent 对话驱动 StatMate 生成，不能直接 pip install statmate 后当库导入使用。

典型适用场景

生物医学论文图表：Cox 生存分析、Kaplan-Meier 曲线、森林图、热力图、PCA 双标图
方法学审稿：拿到一篇稿件的数据后，想快速审计其分析合理性和数据质量
教学报告：为学生生成"如何读这张图"的解读报告，解释每个标记、置信区间、p 值含义
跨语言写作：用中文提问，StatMate 用中文回答；但稿件语言保持不变（英文稿件仍输出英文）

坑与注意

⚠️ Skill 非 pip 包：StatMate 不能通过 pip install 安装，必须作为 AI Agent 的 skill 文件使用。把它当成一份详细的 prompt 规范，不是 Python 库。

⚠️ AI 不生成统计量：StatMate 的图来自真实统计代码运行，不是 AI 生成的图像——但前提是你的源数据真实可用。没有数据，StatMate 也无能为力。

⚠️ Cox 模型诊断：README 明确提到 EF proportional-hazards 诊断被标记为 "review decision pending"，即部分模型诊断结果仍需人工判断，不能盲目信任自动化输出。

⚠️ 无临床决策授权：StatMate 生成的报告明确注明不授权用于临床决策，临床研究请另行合规评估。

⚠️ 期刊预设需核验：Nature/Science/Cell 等期刊预设（宽、高、字体、DPI）仅为起点，投稿前务必对照期刊官网最新投稿指南核实。

⚠️ OpenClaw 兼容性：README 提到 OpenClaw 支持但注明"not release-verified here yet"，即未经过发布级验证，OpenClaw 用户使用前建议先测试。

与同类对比

工具	类型	数据溯源	统计严谨性	图表出版质量
StatMate	Agent Skill	✅ 代码+脚本+哈希全链路	✅ 设计先于方法，9阶段门控	✅ 期刊预设+三线表
paper-figures（老版）	同项目旧名	同上	同上	同上
Matplotlib/seaborn 手绘	Python 库	❌ 手动追溯	❌ 取决于分析师	❌ 需自行调整
Python-pptx/plotly 交互图	Python 库	❌ 无内置审计	❌ 无设计阶段	⚠️ 需自行格式化
Zotero + paper-menu	辅助工具	❌ 不涉及数据	❌ 无统计流程	❌ 非核心功能
ChatGPT/Claude 画图	LLM 对话	❌ 数值可能虚构	❌ 无审计门控	⚠️ 不可复现

StatMate 的核心优势是流程完整性：从研究设计到最终图表，每一步都有记录可查，而非 LLM 一次性生成图像。

一句话推荐结论

如果你需要一篇统计严谨、图表可溯源、且能同时生成教学解读的出版级分析工作流，StatMate 是目前该方向最完整的 Agent Skill 实现——⚠️ 但它依赖 AI Agent 宿主，不是一个独立可 pip 安装的包，且 Cox 模型等高级诊断结果仍需人工审核。

Sources: GitHub README, DEMO.md, statmate/SKILL.md · 字数：~2,100 CJK