KI-Prompts für wissenschaftliche Diagramme: Workflows, Mechanismen, Pathways, Vergleiche
Wiederverwendbare KI-Prompts für Workflow-, Mechanismus-, Pathway- und Vergleichsdiagramme — mit den Fehlern, die am meisten Credits verbrennen, gleich am Anfang.
Der Professor schickt dieselbe Anmerkung zum dritten Mal zurück: „Aus dieser Abbildung wird nicht klar, was ihr eigentlich gemacht habt." Du schreibst den Prompt um, das Diagramm wird hübscher, die Anmerkung kommt unverändert zurück. Das Problem liegt fast nie am Modell. Es liegt daran, dass der Prompt um „ein Bild von der Studie" bittet, statt zu beschreiben, was jedes Panel tun soll und was jeder Pfeil bedeutet.
Diese Anleitung gibt dir die Prompt-Strukturen, die einen Reviewer überstehen, die Fehler, die am meisten Credits kosten, und Copy-paste-Vorlagen für die vier Diagrammtypen, die ~80 % aller Paper-Abbildungen abdecken.
Bevor wir zu den Vorlagen kommen — die Muster, die Neugenerationen erzwingen:
„Mach ein Diagramm meiner Studie." Keine Panels, keine Rollen, keine Beziehungen. Das Modell erfindet ein Layout, das du sowieso im nächsten Prompt korrigieren musst.
Weitere Beiträge
Erstellen Sie Ihre wissenschaftlichen Abbildungen mit KI
Tausende Forschende nutzen SciDraw AI, um in Minuten publikationsreife Abbildungen für Paper, Anträge und Journaleinreichungen zu erstellen – ganz ohne Designkenntnisse.
Stilwörter vor der Struktur.„Hübsche Nature-Style-Abbildung von CRISPR-Editing" liefert ein poliertes Bild mit zufälligen Pfeilen. Reviewer interessiert nicht Politur, sondern ob die Wirkungsrichtung stimmt.
Vier Diagramme in einem. Workflow + Mechanismus + Ergebnis + Vergleich in ein einziges Panel ergibt ein überladenes Bild, das niemand lesen kann. Trennen.
Dem Modell Zahlen erfinden lassen. „Zeige, dass Bedingung A besser ist als B" weist die KI an, Werte zu erfinden. Nutze Platzhalter und füge echte Zahlen in der Nachbearbeitung ein.
Keine Zielgruppe. Eine Figur für eine Grant-Kommission braucht eine andere Informationsdichte als eine Methods-Supplement-Figur. Die Zielgruppe gehört in den Prompt.
Ein echter Vorher/Nachher-Vergleich an einer CRISPR-Knock-in-Studie:
Zu kurz — produziert einen generischen Gene-Editing-Cartoon:
Make a scientific diagram of our CRISPR knock-in experiment in mouse hepatocytes.
Strukturiert — produziert eine 4-Panel-Figur, die du direkt bearbeiten kannst:
Create a 4-panel scientific figure for a CRISPR knock-in study in primary mouse hepatocytes.Panel A (workflow): isolation → transfection (Cas9 + guide RNA + donor template) → selection → expansion. Use numbered steps.Panel B (mechanism): show double-strand break at the target locus, HDR repair using the donor, integration of the knock-in cassette. Use activation arrows for cutting, dashed lines for template binding.Panel C (comparison): two columns, wild-type vs. knock-in. Leave readout values as placeholders.Panel D (result summary): three icons for the three downstream assays. No numeric claims, no conclusion text.Audience: methods reviewer. Style: clean vector, white background, consistent color per panel, room for labels.
Der zweite Prompt ist länger, aber er generiert genau einmal. Der kurze kostet meist 3–4 Wiederholungen.
Hinweis: Die Prompts bleiben auf Englisch. Aktuelle Bildmodelle reagieren am stabilsten auf englische Tokens. Skript auf Deutsch, Prompt auf Englisch ist in der Wissenschaftscommunity Standard.
Jeder Diagramm-Prompt über ~80 Wörter folgt derselben Struktur. Fehlt einer dieser Bausteine, füllt das Modell die Lücke mit Dekoration:
Zielgruppe — wer liest die Figur. Methods-Reviewer, Grant-Kommission, Bachelor-Student, Poster-Passant. Dichte und Beschriftungsstil ändern sich für jeden.
Struktur — benenne die Panels, Schritte oder Systemblöcke. Das ist die tragende Wand. Stilwörter („Nature-Style", „clean") wirken erst, wenn die Struktur steht.
Beziehungen — was jeder Connector bedeutet. Aktivierung vs. Inhibition, Fluss vs. Korrelation, räumliche vs. zeitliche Ordnung. Hier raten Modelle ständig falsch.
Bearbeitbarkeit — sag „leave room for labels", „use placeholders for values", „vector-friendly layout". Sonst packt das Modell das Bild voll und du kannst nichts mehr ändern.
Worauf achten: Panels sind funktional getrennt; Beschriftungen sind Platzhalter statt erfundener Werte; pro Panel eine Farbe, damit das Auge weiß, in welchem Block es liest.
Ersetze den Text in eckigen Klammern durch deine Studie. Lass die strukturelle Sprache stehen; entferne Platzhalter nur, wenn der jeweilige Block in deiner Studie wirklich nicht existiert.
Create a multi-panel scientific diagram for [study topic].Panel A: [experimental workflow with 3–5 numbered steps].Panel B: [mechanism or model — name the molecules, organs, or system blocks].Panel C: [comparison of groups, conditions, or methods — leave numeric readouts as placeholders].Panel D: [result summary — icons, not invented values].Audience: [journal reviewer / grant panel / conference]. Use consistent color per panel, white background, vector-friendly layout, and room for labels.
Create a mechanism diagram for [biological / chemical / physical process].Show [trigger or upstream signal] leading to [intermediate steps] and [downstream outcome].Use activation arrows (→), inhibition marks (⊣), and dashed lines for hypothesized links.Label the major molecules, complexes, or system components. Keep a clean white background.Do not invent quantitative values. Leave room for adding rate constants or concentrations in editing.
Create a scientific workflow diagram for [method].Steps: [sample input] → [preparation] → [treatment] → [measurement instrument] → [analysis pipeline] → [final output].Use numbered steps and short labels suitable for a methods figure or supplementary panel.Use a horizontal layout. Avoid decorative lab benches or stock photographs.
Draw a [signaling / metabolic / regulatory] pathway diagram for [pathway name].Nodes: [list the major proteins, metabolites, or regulators].Edges: use activation, inhibition, and translocation arrows where appropriate.Group nodes by compartment (extracellular, cytoplasm, nucleus, mitochondrion) using subtle background panels.Style: schematic, journal-ready, no 3D renders, no fabricated kinetic values.
Doktorand:in mit erster Methods-Abbildung: Starte mit Vorlage 3 (Workflow). Sie verzeiht am meisten und ähnelt einem Labornotizbuch.
PI vor einer Grant-Resubmission: Nutze Vorlage 1 (Multi-Panel), damit die Kommission die Studie auf einen Blick sieht. Kombiniere mit einer sauberen Mechanismus-Figur (Vorlage 2).
Kommunikationsteam oder Science-Illustrator:in: Nutze Vorlage 2 oder 4 und fordere explizit SVG-Export, damit sich die Figur auf das Brand-Design umstylen lässt.
Lehre: Der schlechte Prompt oben ist das schnellste Mittel, um Studierenden zu zeigen, warum ihre Figuren immer abgelehnt werden.
Schreib den Einzelsatz-Zweck zuerst — „Einem Methods-Reviewer erklären, wie wir am Alb-Locus einen Fluoreszenz-Reporter eingebracht haben." Wenn dieser Satz nicht steht, ist die Figur noch nicht bereit.
Wähle die passende Vorlage, kopiere sie in SciDraw AI, ersetze den Klammertext.
Generiere 2–3 Varianten und wähle die mit der klarsten Hierarchie, nicht die hübscheste.
Exportiere als SVG (oder konvertiere mit dem vectorize image-Workflow) und korrigiere Labels in Illustrator, PowerPoint oder Inkscape.
Füge echte Zahlen manuell ein. Lass das Modell niemals Schlussfolgerungstext schreiben.
Politur und strukturelle Korrektheit sind unabhängige Variablen. Die meisten abgelehnten Abbildungen sind zu poliert — das Modell hat Beziehungen erraten, die du nie spezifiziert hast, und die Vermutungen sind falsch. Lösung: Struktur und Beziehungen vor jedem Stilwort definieren.
Nein. Multi-Panel nur, wenn der Leser Methode, Mechanismus, Vergleich und Ergebnis in einem Bild verbinden muss. Single-Panel-Mechanismus- oder Workflow-Figuren sind für einen einzelnen Punkt oft klarer.
Drei Regeln: Platzhalter explizit anfordern, Schlussfolgerungssätze verbieten („no text claiming significance"), und keine Zahlen in den Prompt einfügen, die das Modell nicht wörtlich rendern soll. Echte Werte in der Nachbearbeitung einfügen.
Immer Struktur zuerst. Stilwörter („Nature-Style", „minimal", „clean") steuern nur den optischen Feinschliff, nicht die Wissenschaft. Panels, Komponenten, Pfeile, Labels zuerst — dann 1–2 Stilwörter am Ende.
Nein. Die Informationsdichte ist verschieden. Eine Paper-Figur wird bei 100 % Spaltenbreite mit Legende gelesen, ein Poster aus 1,5 m Entfernung ohne Legende. Neu schreiben — kürzere Labels, größere Icons, weniger Panels für das Poster.
Für eine Multi-Panel-Figur 80–150 Wörter. Kürzer zwingt das Modell zur Erfindung von Struktur; länger widersprechen sich Prompts oft selbst. Über 200 Wörter? Wahrscheinlich sind das zwei Figuren, nicht eine.
Davie Chen is a researcher at the Faculty of Animation and Intermedia, University of Arts in Poznan, studying generative AI for scientific figure creation, patent illustration, and manuscript drafting. SciDraw AI is one of the research-to-product tools built from this work.
