Research Draw 是什么？ 科研绘图看起来是一件“小事”。 直到你真正开始做科研。 箱线图、散点图、火山图、ROC、KM 生存曲线、XRD、拉曼光谱、混淆矩阵、三维曲面、地图…… 不同研究方向需要的图完全不同。 更麻烦的是，很多时候真正消耗时间的并不是“画出一张图”，而是不断经历： 整理数据 → 修改代码 → 调整字段 → 改参数 → 重新运行 → 找输出文件。 Research Draw 就是围绕这条流程构建的一套科研绘图工具。 它把科研可视化中重复出现的数据输入、字段映射、图型选择、参数配置、渲染和结果管理进行统一，让科研绘图不再完全依赖临时脚本。
两种使用方式：CLI + Web
Research Draw 当前同时提供两套入口。
01｜CLI 命令行
对于已经熟悉 Python、数据分析或者自动化流程的用户，可以直接通过 CLI 调用绘图能力。 例如可以将 Research Draw 接入：
Python 数据分析流程
Shell 脚本
批量实验任务
数据处理 Pipeline
自动化科研工作流
同一套绘图能力因此可以被进一步组合和复用。
02｜Web 可视化界面
如果不希望每画一张图都重新编写代码，也可以直接使用 Web 端。 Web 版本基于 FastAPI + Vue3 构建，目前支持：
* 文件上传
* 页面表格录入
* 图型选择
* 字段映射
图标题设置
X / Y / Z 轴配置
图像渲染
渲染历史管理
本地结果文件管理
用户手册
也就是说，从数据进入 Research Draw 到最终拿到图像，可以在一个统一界面中完成。
不只是箱线图和散点图
Research Draw 目前已经建立了自己的科研图型体系。
📊 统计二维图
目前支持：
Box Plot 箱线图
Violin Plot 小提琴图
Scatter Plot 散点图
Volcano Plot 火山图
Forest Plot 森林图
这些图型覆盖科研数据分析中非常常见的一批基础场景。
🧬 不同学科，也有自己的图
科研可视化真正麻烦的地方在于：不同学科有完全不同的表达方式。
生物信息
目前包括：
MA Plot
富集分析气泡图
GSEA
Embedding
UpSet
临床研究
包括：
KM 生存曲线
ROC
Calibration
Bland–Altman
DCA 决策曲线
材料科学
包括：
应力—应变曲线
XRD
Raman
Phase
Hysteresis
遥感
包括：
光谱特征曲线
指数时间序列
混淆矩阵
分类分布图
金融研究
包括：
K 线图
累计收益率
Rolling Statistics
有效前沿
ACF / PACF
心理与社会科学
包括：
Likert
Raincloud
IRT ICC
Factor Loadings
Interaction Plot
这样做的目的，是让 Research Draw 从“通用画图库的外壳”，逐渐发展成真正针对科研场景组织起来的可视化工具。
🧊 三维科研可视化
除了二维图，Research Draw 目前还提供一套 3D 图型能力，包括：
* 3D Scatter
* 3D Surface
* 3D Wireframe
* 3D Contour
* 3D Line
3D Isosurface
3D Slice
3D Quiver
3D Waterfall
3D Embedding
3D Mesh
对于空间数据、机器学习降维结果、实验数据以及三维函数等场景，可以直接进入同一套绘图流程。
🗺️ 离线地图绘图
地图也是 Research Draw 当前重点支持的一类能力。 目前包括：
世界地图
世界一级行政区
中国地图
世界分级设色图
中国分级设色图
Raster 栅格图
* 经纬度 Points 点位图
同时支持本地底图数据。 这意味着在一些不能依赖在线地图 API 的科研、内网或者离线环境中，也可以继续完成地理空间数据绘图。
从“生成图片”到“管理绘图结果”
Research Draw 的目标并不是点击一次按钮、下载一张 PNG 就结束。 Web 端已经加入： 渲染历史管理 + 本地渲染文件管理。 因为科研过程中，同一份数据通常会产生多个版本：
改一下标题。 换一个字段。 调整一下参数。 再生成一版。 最后发现还是第三版好看。
如果所有图片都散落在下载目录里，很快就会进入“final、final2、final_new、final_new2”的经典科研文件命名现场。 所以结果管理本身，也是 Research Draw 工作流的一部分。