chart-reading（场景层：图表数据读取）

把图表图片里的数据提取为结构化 JSON + 人类可读摘要。诚实标注数据来源： 图上直接标注的数值 vs 按刻度线估读的近似值——绝不把估读当成精确数字。

触发场景

• 柱状图 / 折线图 / 饼图 / 面积图 / 散点图 / 雷达图，需要里面的数值
• "读这个图的数据"、"图表提取"、"把图表转成表格"

工作流

预处理：最长边 >1400px 先缩到 1400。图表文字若小，先全图读一遍，再对图例/坐标轴 区域 glance --region 补读。

推荐：图表读取时设 VISION_TEMPERATURE=0 提高确定性（在 env 文件加一行 VISION_TEMPERATURE=0），跑完可改回。

Pass 1 — 全图结构化提取（必做）

glance "<图>" -q "<图表提取 prompt，见下>"

Pass 2 — 小字/坐标轴/图例补读（推荐）

detect "<图>"                       # 枚举轴刻度、图例、数值标注的位置
glance "<图>" --region X1,Y1,X2,Y2 -q "逐字读出这块区域的所有数字和文字"

Pass 3 — 数据校验自检（推荐）

glance "<图>" -q "请逐项说明：哪些数值是图上直接标注的？哪些是你按坐标轴刻度估读的？估读的给出误差估计。"

图表提取 prompt（喂给 glance 的 -q）

你是图表数据提取器。请从这张图表中提取结构化数据，只输出一个 JSON 对象，字段：

{
  "chartType": "bar|line|pie|scatter|area|other",
  "title": "图表标题",
  "xAxis": { "categories": ["..."], "scale": "linear|log|..." },
  "yAxis": { "label": "...", "unit": "...", "min": ..., "max": ... },
  "legend": ["系列名..."],
  "series": [ { "name": "...", "data": [数值...] } ]
}

规则：

1. 数值来源：优先使用图上直接标注的数值并保持原样（不要四舍五入改写）。若某 数值无标注，只能根据坐标轴刻度估读，在该数据点旁标注 "estimate": true，并给出 估读误差范围，例如 {"estimate": true, "value": 610, "error": "+/-10"}
2. 禁止编造：看不清或无法确定的值，用 null 并注明 "uncertain": true，绝不猜
3. 坐标轴范围、刻度间隔、单位、图例必须包含；对数轴要标注 "scale": "log"
4. 多系列数据逐系列列出，保持顺序

输出格式

## 图表数据读取结果
**图表类型**：<bar/line/pie/...>
**标题**：<...>   **单位**：<...>

### 数据（JSON）
```json
<Pass 1 返回的 JSON，经过坐标/单位核对>

摘要

• 关键发现：<趋势/极值/异常点，引用具体数值>
• 数据可信度：<哪些精确标注、哪些估读，估读误差多少>
• 坐标轴/图例/单位说明

待核对项

• <如"Q3 柱顶的数值标注被遮挡，估读 610±10，建议查原始数据">

## 精度说明（实测 + 参考）
- **有数值标注的图**：现代视觉模型可精确到 99%+（Qwen3-VL/Nemotron 在已知数据图表上
  达 99.8-100% 准确率）。这类图直接信标注值。
- **无标注、纯刻度估读**：本套件实测 ±2% 左右（如真值 710 估读 700），且有系统性
  低估倾向。这类值**必须**标注 `estimate: true` 并给误差范围。
- **严谨验证法**（可选，做数据分析时用）：用已知数据 + matplotlib 重新生成图 → 提取 →
  用 MAPE 对比提取值与真值，量化误差。见 ../references/accuracy.md。

## 工具
- `glance -q`（结构化提取）、`detect` / `glance --region`（小字补读）、`palette`（图例色）
- 出错时如实报告，**绝不编造数值**。

Source: 基于 vision-core + themenonlab chart-extraction-validation 方法论文献 + 实测校准