github一个神级skill:把技术概念做成一台真机器或者任何的科普视频

简介: anatomy 是一款开源AI绘图技能,不画抽象方框箭头,而是将技术概念转化为可拆解、会运动的等距机械装置(如用弹子锁喻缓存、龙门仪喻GPU上下文)。所有配图均由其生成,强调真实几何、精确建模与自动审计,让原理“一眼看懂”。

这篇讲一个叫 anatomy 的技能。它不画方框和箭头,而是把你说的技术概念,做成一台真实、能拆开、还会自己动的等距机器。文中所有配图,都是它生成的。
你有没有过这种体验:

读完一篇很硬的技术文章,合上手机,脑子里剩下的只有"好像有几个方框,中间连着箭头"。

问题不在你记性差。问题在于——方框和箭头本身没有信息量。一个写着"Cache"的圆角矩形,和另一个写着"Origin"的圆角矩形,除了文字标签,长得一模一样。你记不住,是因为图里没有任何值得记的东西。

最近我在我常用的 AI 编程助手里装了一个叫 anatomy 的技能(作者 Ryan,MIT 协议开源)。它的做法很不一样:不画方框,而是发明一台机器,让这台机器的运转方式,正好就是你要讲的那个概念。

我在自己的 Windows 机器上把它跑通了,还顺手让它给这篇文章做了一张主图。下面把"它是什么、怎么用、有什么坑"一次讲清楚。

一、一句话说清它和普通画图的区别
普通的技术插图,是把文字翻译成图形:这里是一个服务,画个框;它调用另一个服务,连根箭头。

anatomy 的做法是把概念翻译成机器:

• "缓存 key 没变就跳过重算" → 弹子锁。所有弹子对齐了,锁芯才转,没重画任何东西。

• "一张 GPU 上下文服务多块画布" → 龙门绘图仪。一个打印头,依次去巡 16 个孔位。

• "7 个字节深度不同的渲染目标" → 七格抽屉柜。每一格有多深,和它的字节数一样。

• "49×49 的模糊可以拆成 49+49" → 一块钉板印章,旁边两条导轨上各跑一把梳子。

• "光照取决于朝向" → 一间小摄影棚:主光和补光围着一台转台。

看出规律了吗:读者认得那台机器。认出机器的瞬间,机制就被理解了。

这是它官方文档里那张映射表,我原样搬过来的:

要讲的概念
它做出来的物件
一张 GPU 上下文服务多块画布
龙门绘图仪:一个打印头巡 16 个孔位
缓存 key 命中就跳过重算
弹子锁:所有弹子对齐,锁芯才转
7 个字节数不同的渲染目标
七格抽屉柜,每格和它的字节一样深
可分离模糊(49×49 对 49+49)
钉板印章 + 两条导轨上的梳子
弹簧会压下去、也会歪
一台带弹簧、探针和百分表的检验台
一条高度剖面
一把压在工件边缘上的轮廓规
光照取决于朝向
主光 + 补光围着一台转台
它自己也在文档里说了两种失败方式,说得很直白:太抽象(堆在一起的板子、漂浮的方块、贴标签的盒子,什么都不像)和太平太素(一大块板加几条线,没有体积、没有零件、没东西可看)。解法只有一个:一台认得出的机器,由几十个小而精确、各司其职的零件搭起来。

二、它不是"画图",是"建模 — 出图 — 自检"
这是我用下来觉得它最不像"画图工具"的地方:它把大部分力气花在画之前和画之后。

它的工作流大致是八步,节选几条关键的:

步骤
它在干什么

  1. 先定尺寸
    分 Figure(一个机构,40–80 个零件)/ Hero(80–150 个,约 2–4 小时)/ Epic(6 小时以上,它会直接劝你别开)
  2. 真数优先
    先把真实的数字收集齐:尺寸、数量、阈值、曲线。所有读数、运动、图注都必须来自同一套模型
  3. 发明物件
    选一台机器,用一句话说清"什么在动、动意味着什么"
  4. 写零件表
    至少 40 个零件,分组:底座 / 结构 / 机构 / 控制 / 主角。每个零件必须坐在另一个零件上
  5. 一次建几何
    静态几何只建一次,之后按"画家顺序"从后往前涂
  6. 自检
    用 --audit 把几何证明到零:没有东西穿过别的东西、每个端头都落在支座上、每一处遮挡都是真深度排序
    最后一条我得多说一句,因为它是这个技能最"轴"的地方。

它有一个几何审计器,会真的去测:管道有没有穿过别的管道、法兰有没有浮在支座外面、哪根线在半空中断掉、两处重叠画反了顺序。审计必须跑到 0,才允许收工。 官方文档里有一组真实数字:第一版火箭发动机图纸,人工目视调出来的绘制顺序有 323 处深度错误,另外还有 54 处间隙问题、其中 39 处是真的穿模;换成让审计器按真实几何去算、去排序,全部归零。

还有一道线头检查:图里每一根纹理线的端点,都必须落在另一根线、一个点或者一条轮廓上,不许停在半空。它把这条叫做"line ends: 0"。

换句话说,它的严格程度是按"会不会被人放大 4 倍挑错"定出来的。文档里反复出现的一句话是:最后要"像批评者一样验收"——把每个接头在两种主题下都放大 4 倍看一遍,自己读每一张截图。

三、实测:我让它给这篇文章做了一张主图
光说没用。我给它下了一个真实需求:给一篇讲"把一个技术概念做成机器"的文章,做一张封面主图。

它自己发明了一台机器,叫 「解剖检验台」:

anatomy 技能生成的等距检验台
自建主图「解剖检验台」:方立柱与真刻度尺、可升降的滑块横臂、百分表、测头、转台与工件,前端还有工具架和量块盘

看几个细节,你就知道它不是在"拼图形":

• 立柱上那把刻度尺是真的:每一条刻度都从刻度板的左边线起、落在右边线上,长短分级,不会在板面中间凭空断掉。

• 前端两个盘子是有分工的:左边工具架上插着 6 个不同外形的刀头(那是它的零件库),中间托盘里躺着 5 块高低不一的量块(那是尺度基准)。

• 测头落下来的时候,指针角度、屏幕上的读数、行程是同一个数字算出来的。也就是说,这张图没法骗人——它自己不会说谎。

下面这张是把测量头抬起来的过程,你可以盯着百分表的指针和右下角的读数看:

测量头抬起,指针与读数同步变化
测头抬起时,百分表指针、行程与右下角读数来自同一个数字——这张图不会说谎

顺带说一句,我这张图是浅色版。它的浅色主题不是深色翻转过来的,而是它"设计的第一主题",连着色器都是按浅色设计的。这也是它官方所有截图的主题。

四、它自带 8 个完整示例,从"最小"到"上限"
装好之后 examples/ 目录里躺着 8 个做好的例子,每一个的成品页面都提交在仓库里,双击就能打开。从最小的到最夸张的:

示例
它在讲什么
dial-indicator
一个架在滑台上的百分表。最小的示例,大约 300 行
desk-computer
一台 1984 风格的台式机,键盘能打字;关机时整幅画面塌缩成一条线和一个点。约 85 个实体
arcade-cabinet
一台侧板拆掉的街机柜。投一枚 25 分硬币,它沿滑道滚下去、撞开投币开关,脉冲一段一段沿着线缆跑到主板上,CRT 慢慢亮起来
test-rig
从真实站点搬来的生产图:玻璃按键、弹簧滑台、导轨上的探针、读数的百分表。53 个实体
spot-plate
六对玻璃液滴,靠一把塞尺撑开间距,靠得够近的两滴就融成一整块玻璃
raptor-engine
火箭发动机吊在试车台上,能拆成 11 个装配体;尾焰是 WebGL 着色器,和 SVG 在同一个等距相机里
ripple-tank
一台学校的水波槽,从 44° 俯角看下去。两层 WebGL(灯光/纸上的焦散 + 水面的反射)由一个真实的色散与光学模型驱动
turning-dial 3D 模式(beta)
:一个真正在三维里转动的密码盘,上面还搭着一只小机器手
挑三张给你看:

先是最讨人喜欢的一张。注意屏幕上那行字是在机箱正面的平面里画出来的,不是贴上去的:

1984 风格的台式机,键盘可以打字
1984 风格台式机:屏幕上那行字画在机箱正面的平面里,不是贴上去的

然后是这台火箭发动机——它代表这个技能的上限:478 个参与深度排序的图元、11 个装配体,悬停能把它拆开,审计会保证任何一根管道在拆开的每一帧里都没有穿到别的零件里面:

吊在试车台上的火箭发动机
上限:火箭发动机吊在试车台上,可拆成 11 个装配体;尾焰是与 SVG 共用同一套等距相机的 WebGL 着色器

最后这张是我的私心,因为它最能说明"数字是真的"——下面那一圈水波纹和纸上的焦散,不是贴图,是一个色散和光学模型算出来的;右下角的频率、波长、节点线数目会跟着你改的参数变:

水波槽,水波与焦散由模型算出
水波槽:水波与纸面焦散由一个色散与光学模型算出,右下角的频率、波长、节点线数目会随参数变化

五、怎么装上、怎么用
它是一个标准的 Agent Skill(一个根目录带 SKILL.md 的文件夹),用官方的 skills 命令行装最省事:

npx skills add wheresryan22/anatomy -g
命令会问你要装给哪个助手(Claude Code / Antigravity / OpenCode / Codex)。想跳过提问就加参数,比如只要 Claude Code:

npx skills add wheresryan22/anatomy -g -a claude-code
装完直接用斜杠命令,说清它要解释什么就行:

/anatomy explain how a token bucket rate limiter works, interactive
而且你不必点名这个技能。 你只要说"给我一张等距插画"、"给文档配一张解释性插图"、"要一张能交互的讲解图",它就会被加载。

官方给了三条提高成功率的建议,我觉得挺关键:

建议
意思
说概念,别说画法
讲清要解释什么,并把真实数字给它(尺寸、数量、速率、阈值)。物件是它来发明的,比你自己描述"这里画个框"强得多
或者直接点名物件
你心里已经有机器了(咖啡机、本生灯、一把锁),就直接说,并说清"什么该动"
说清它住哪儿
独立 HTML 页面 / 一个裸 .svg / React 组件;浅色还是深色。三种的构建方式不一样
产出物是你能拿走的源码:一个 Node 构建脚本和它写出的页面;React 的话是几何模块 + 一个服务端组件 + 一个客户端组件。绘图库(camera、实体、零件库、圆件车削、管道线缆、WebGL、3D 运行时)跟着一起给你。

六、几个必须提前知道的坑
它官方文档里有一节叫 Limits,写得很老实。结合我自己跑下来的感受:

  1. 它慢,而且是故意的。 一张图要经历写零件表、建几何、跑审计、两种主题下逐处放大检查。火箭发动机那张,光构建就要好几分钟;3D 模式的完整环绕审计,30 个零件要跑 15–20 分钟。想要"一句话出一张图"的,这个技能会让你失望。

  2. 它不画图表。 没有坐标轴、没有数据系列、没有数据图。数字只以两种形式出现:模型驱动的实时读数,和零件真实的尺寸与数量。要画折线柱状图的活儿,找别的工具。

  3. 它画机器、仪器、工具、家具,不画人,也不画精确地图。 如果一件事没有"机构"可以搭,出来的东西会明显弱一档。

  4. 着色器要 WebGL。 火、烟、水、光这类线画不出来的东西才用着色器;没有 WebGL 时 SVG 依然完整可读,但特效就没有了。开了"减弱动态效果"的话,所有图都会静止。

  5. 3D 模式还是 beta。官方给的数字:小的 3D 图能跑 60fps;那个 380 个零件的压力测试手,1440px 宽下约 20fps,模拟手机(390px、CPU 4 倍降速)掉到 13–15fps。上生产前要掂量。

  6. 它产出的是 SVG / HTML,不是位图。 这一点我在公众号这条链路上踩到过:微信不认 SVG,所以我最后是用它自带的 capture.mjs,启一个无头 Chromium 把页面截成 PNG 再上传的。上面那几张图,包括那张动图,都是这么来的。

七、什么活儿值得用它
场景
值不值
技术文档首页、原理讲解的"主图"
✅ 最值。一张图能顶掉一大段文字
技术演讲、分享会的开场图
✅ 好看、有记忆点,还能源码级改
博客 / 公众号的深度科普配图
✅ 但记得留出时间,它不是快消品
产品发布页、落地页的插图
✅ 浅色主题本来就是为"纸质页面"设计的
解释一个有真实机制的概念
✅ 这正是它的主场
画数据图表、折线、饼图
❌ 它不是图表库
画流程图、组织架构图
❌ 方框箭头才是这类图的正确形态
一次性内部备忘、随手贴的图
❌ 杀鸡用牛刀,成本不划算
一个很实在的判断标准:如果这个概念能对应到"有个东西在动、动完就说明白了",就值得用它;如果它本质上是"一堆条目和关系",就别用。

结语
做完这张封面,我最大的感受不是"图变好看了",而是它逼我把概念想清楚。

因为要让它造出一台机器,我必须先能回答:这里到底什么东西在动?动一下意味着什么?这个数字是真数还是我瞎编的?——想不清楚,它就搭不出机器;想清楚了,图反而只是顺手的结果。

如果你也受够了满屏的方框箭头,可以去装一个试试。仓库在 GitHub 的 wheresryan22/anatomy,MIT 协议,除了 React 输出那一档需要 React 18+,其余零第三方依赖(Node 20.10+ 加一个 Chrome 或 Chromium 就能跑),官网在 skills.wheresryan.sh/anatomy。作者在 README 里留了一句话:如果它帮你画出了有用的东西,点个 Star 能帮别人找到它。

你最想让它给你解释哪个概念?是缓存、限流、还是某个你一直没给别人讲明白的机制?评论区说说,下篇我可以挑一个真的做出来。

(文中所有插图由 anatomy 技能生成,浅色主题;封面与动图为我自建的「解剖检验台」,用它的 capture.mjs 截取。)

相关文章
|
24天前
|
人工智能 JSON API
全网刷屏的 Jev 模型正式开放!一手实战测评 + 保姆级教程
全网爆火的 Jev 模型是什么?有什么用?怎么使用?怎么接入 AI 编程工具?效果真的好么?傻子可懂的 Jev 保姆级实战教程 + 项目实战测评来啦
9478 31
|
1天前
|
云安全 人工智能 运维
当攻击全面Agent化,你的安全防御能否跟上AI Speed?
多起客户侧AK泄露事件应急的真实观察
1155 0
|
10天前
|
存储 人工智能 并行计算
大模型本地部署终端选型方法论:以 Qwen3.8-27B 为例的四档分层完整流程
本文提出一套大模型本地部署终端选型方法论:定约束、定档位、定框架、定参数四步决策法,配合入门、主力、质量、无损四档分层模型。以 Qwen3.8-27B 实测数据为例,逐环节解读显存、带宽、存储、散热、系统、预算等要素,给出面向不同预算的优选方案、决策自查清单与市场观察框架。文末前瞻 AI 笔记本的 CPU+GPU 与统一内存两条路线,论证四步决策法在新品类上的延续性。
|
9天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
716 1
|
5天前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型全解析:核心原理拆解,性能实战测评与落地部署教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为System One Model(系统一模型),对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
467 0
|
22天前
|
人工智能 测试技术 API
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
Jev是TypeSafe AI推出的“系统一模型”,不生成文本,专做毫秒级结构化决策:Choice(多选)、Score(打分)、Noul(是非概率)。响应快193倍、成本低444倍,适合工单路由、内容审核、测试定级等高频判断场景。
2546 4
最近全网爆火的 Jev 到底是什么?适合干什么、怎么用,一篇讲透!
|
4天前
|
存储 缓存 测试技术
QWT 3D 模块重构记:旧渲染管线改进介绍及实时瀑布图示例
QWT 3D模块完成重大重构:解耦窗口与图形(Plot+Item),摒弃OpenGL 1.x固定管线,迁至Core Profile着色器渲染;支持多图元同场景叠加,并以实时3D瀑布图验证——滑动窗口、固定色域、64帧×256点达61fps。兼容Qt 5.12+/6,LGPL协议。
177 120
|
16天前
|
Windows
【保姆级】.NET Framework 3.5离线安装教程(2026最新实测)
.NET Framework 3.5是微软经典运行库,专为兼容老软件、老游戏设计。Win7自带,Win10/11需手动启用(在线或离线安装)。它与4.x系列并存不冲突,缺它会导致“找不到组件”报错。本文详解两种安装方式及常见问题解决,小白也能轻松上手。(239字)
2080 0