这个 Claude 插件,把「画插图」变成了「发明机械」

你有没有过这种时刻：写技术文档写到一半，想插张图解释「令牌桶限流」，打开绘图工具，拖了半小时框图和箭头，最后自己看着都嫌丑？

如果我跟你说，现在只要对 AI 说一句话，它会先替你发明一台机器，再把这台机器画成一张会动的等距机械图——鼠标悬停，齿轮转动；按一下键，发动机点火。你信不信？

这个工具叫 anatomy，一个装在 Claude Code 里的 skill。我把它从里到外玩了一遍，今天聊聊：它凭什么火，以及它的打法对做工具的人有什么启发。

它是个什么东西？先说清楚

一句话：你给一个技术概念，它还你一台「会动的机器」。

anatomy 的核心哲学写在它的 SKILL.md 里，就四个字能概括：物体即解释。它坚决不画框图和箭头——那种东西 PPT 里太多了。它的思路是：给每个抽象概念配一台真实存在的机械，让机械的运作过程本身，就是概念的解释。

举几个它官方的例子，你感受下这个脑回路：

缓存键「数据没变就跳过计算」，它给你造一把弹子锁——每根弹子都对齐，锁芯才转得动。一个 GPU 上下文要伺候 16 块画布，它给你造一台龙门绘图仪——一个打印头，轮流拜访 16 个孔位。猛禽火箭发动机试车，它直接拆出 11 个组件，尾焰用 WebGL 着色器实时烧给你看，旁边卡片上还标着燃烧室压力 300 bar、推力 230 吨。

框图是对概念的描述，机器才是对概念的解释。

输出形态也很务实：纯 SVG 是主力，火焰水流这类线条画不了的上 WebGL，还有一个真 3D 模式在 beta。产物可以是独立 HTML 页面、单个 SVG 文件，或者直接给你 React/Next.js 组件，明暗两套主题。生成的每张图都带一个可交互的卡片：有标题、有提示、有实时读数，图上每个数字都来自驱动零件运动的同一个小模型。

再算笔账：这东西免费，MIT 协议，零依赖——不用装任何 npm 包，不需要额外的 API key，npx skills add wheresryan22/anatomy 一行命令装完。你唯一要付的，是你本来就在付的 Claude 订阅。

它是怎么获客、怎么留人的？

这是我最想拆的部分。一个个人开发者做的 skill，没公司、没预算，它是怎么蹿出来的？

先说获客，它的答案是：作品自己会说话。

anatomy 的传播链路里没有投放，只有「晒图」。它生成的每张图，质量高到可以直接当作品发出去——那张猛禽发动机试车台的图，火焰在烧、蒸汽在冒、读数在跳，你发到任何技术社区，评论区一定有人问「这怎么做的」。答案就是它的获客文案。

更妙的是，它的官方仓库里所有示例页面都是可以直接点开玩的。投币街机真的能吃硬币，1984 年的台式电脑真的能打字，街机里 240 个零件、15 根线缆，一颗硬币滚进钱箱的全过程都画了出来。它把 demo 做成了玩具，把 README 做成了展厅。

第二个获客杠杆是踩中了生态位。anatomy 用的是标准的 Agent Skills 规范，一份代码，Claude Code、Codex、OpenCode 都能装。别人做一个平台的插件，它一次占了四个入口。

再说留存，它的答案更狠：让你离不开的是「一致性」。

用 AI 生图最大的痛点是什么？是每次生成风格都不一样，今天一张扁平风，明天一张赛博朋克，你整套文档的插图拼在一起像大杂烩。anatomy 的所有图都出自同一套绘制库、同一个相机、同一套工艺规则——你用一百次，风格都是统一的。对一个要写系列文档、做系列内容的人来说，这就是迁移成本。

还有一层留存逻辑：它给你的不是黑盒产物，是源码。每张图都带着一个构建脚本，零件清单、几何参数全在你手里，想改哪里改哪里。源码在手，你才是图的主人，不是租图的租客。

获客靠作品自己会说话，留存靠风格统一、源码在手。

机制和人：一个人怎么干过一个团队？

最后聊聊水面下的东西。

anatomy 的工作流，其实是一份写给 AI 的「工匠手册」：先收集真实数字，再发明物体，然后列零件清单、规划世界、构建几何、从后往前上色、装进卡片、让它动起来——最后一步最关键，像批评家一样验证自己的作品。

这个验证不是说说而已。它自带几何审计：证明没有任何两个零件互相穿模，每个零件的端点都落在安装位上。然后启动无头浏览器给自己截图、拍特写、放慢动作，AI 必须逐张检查自己画的每一张图，有线条悬在半空就算失败。

AI 画图最大的谎言，是「看起来像」。anatomy 最值钱的地方，是它先证明自己对，再给你看。

而这套东西的体量说出来你可能不信：一个 SKILL.md 定流程，一个 kit 文件夹做绘制库，再加几份长篇参考手册，AI 需要时自己翻。没有后端，没有服务，没有数据库。作者 wheresryan22 一个人，把几十年的工程制图审美，压缩成了 AI 能读懂的规则文件。

这就是我觉得最值得琢磨的信号：skill 这种形态，本质是把一个人的专业判断力，封装成 AI 可执行的工作流。模型是大家的，GPT、Claude 谁都能调；但「先收集数字、再发明物体、最后像批评家一样验证」这套流程，是作者自己的。

模型是大家的，工作流才是自己的。

anatomy 火的逻辑其实很简单：它找到了一个高频刚需（写技术内容的人都要配图），用一个极低的门槛（一句话、一行命令），交付了一个超出预期的结果（一台会动的机器）。

对做工具的人来说，它的启发是：别再去卷「生成图片」这种大路货了，去选一个你真正懂的垂直场景，把你的判断力写成流程，让 AI 照着走。红利不在模型层，在封装层。