学习的未来：Anatomy之后，从看图到玩图
Anatomy 开源才三周多，在 GitHub 上攒了两万三千多颗星。Vercel 的 CEO Rauch 看到它时，说了句 “So cool. The future of learning”，意思是”真酷，这就是学习的未来”。
很多人小时候干过同一件事：把家里的闹钟拆了。
不为别的，就想看看它到底怎么走。后盖一开，齿轮怎么咬合、发条怎么带着指针转，全摆在眼前，自己拨一拨就明白了。至于装不装得回去，是另一回事。
课本上的原理图给不了这个：它只能看，不能拆，更不能拨。能拆能拨的图以前也有，只是做不起——讲究的一篇要上百小时，绝大多数讲原理的人，只能继续贴静态图。
Anatomy 干的就是这件事，把拆闹钟搬到电脑上。它是个技能，就是一份带说明书的插件，装在 AI 编程工具里用。你说出一个概念，它就把概念画成一台能拆、能拨、会报数的机器。Anatomy 这个词的本意，就是”解剖”。
我认为，解释图开始从”看图”变成”玩图”。
给概念找一件真实物件，对照学习
机械表的杠杆擒纵机构，走时靠这些小零件咬合着控制，慢放一段看得更清楚。出自 Anatomy 官方社区画廊的投稿。
这张图只演示走时。能拨能拆的，是 Anatomy 的作者用一行提示词让它画的另一块机械表，画出来是一张清清爽爽的立体图。你可以自己拨发条，看齿轮跟着转；也能把零件拆下来，看它们是怎么装的。
三个动作，正好对上拆闹钟那件事：
- 拆：整机分解成零件，每个部分长什么样、装在哪，一眼就能看明白。
- 拨：拖动零件、改参数，机器跟着你的操作动起来。
- 报数：图上仪表的数字实时变化，你改的每个参数都反映在读数上。
它画的不只是钟表。给它一个概念，它就找一件真实的东西，这件东西怎么工作，概念就是怎么回事。官方文档里有张概念和实物的对照表，解释缓存用的就是这把锁。
缓存是算过的结果先记下来，下次同样的事，直接拿旧答案，不用重算。锁演的就是这件事：钥匙插进锁孔，齿把滚珠一颗颗顶到该在的位置；全对齐，锁芯转开，旧答案直接用；有一颗对不上，锁就转不动，只能重算。
弹子锁：钥匙把滚珠顶到对齐，锁芯才转得动。出自 Anatomy 官方社区画廊的投稿。
流程图工具、手绘白板、AI 生图给不了这个：画得再漂亮，交到你手里的也是一张只能看的图。
什么能画、什么不能画，官方也写明了：只画机器、仪器、工具、家具这类有真实结构的东西，不画人和地图。一个概念要是找不到对应的真实机制，画出来就会差点意思。
写提示词这一步不费事：把要讲的概念用一句话写清楚，剩下的交给它。出图本身还是得等。
官方给它的定位，就是给文档、博客、产品介绍页做解释配图。用它的人已经各式各样：
- 有人做了一段几分钟的动画，内容相当于大学一整堂课。
- 有人把自家产品的机制画成一台演示台。
- 有人给一辆电动超跑做了张能拆着看的剖切图。
官方仓库自带一个例子：一台吊在试验台上的火箭发动机，能拆成 11 个装配体，一件件拉开。
Raptor 发动机官方示例的拆开状态，整机分成零件看结构。出自 Anatomy 官方仓库（MIT 协议）。
官方案例和社区投稿都在官网上摆着，能一张张点开玩：https://skills.wheresryan.sh/anatomy
官方案例集合，截图是页面局部；全页三十多张，每张都是一个概念配一台机器。
社区画廊，五十多张投稿，二十多位作者画的。
以前上百小时，现在一句话起步
能玩的解释图不是新想法。
15 年前，Bret Victor 就提出过”可探索的解释”：解释不该只能看，还该能上手调，拖一拖参数，看结论怎么跟着变。他当时问了一个问题：做这样的东西，能不能做得跟写静态文字差不多容易？
问题卡在成本上。这种东西不是画出来的，是做出来的：数字要一个个算对，交互要一个个调通，讲解要一句句写。一篇下来，上百小时。
既懂原理又会设计的人本来就少，个别高手一年也只做得出几篇；偶尔冒出来的大作品，要么是大团队的项目，要么是个别高手的硬功夫，学不来，也请不起。
现在这道坎没了。以前的活按一篇算，现在的活按一张图算：有博主实测，一张图一个多小时；社区里投得最快的一张，几分钟就出来了。
**我认为，省下来的不是画技，是门槛。**以前，一个懂原理的人想把想法画出来，得去找会画的人，解释这件事卡在别人手里。现在他自己动手，就能把概念变成能玩的图。
Victor 那个问题等了 15 年，Anatomy 给的答案倒是朴素：把要画的东西写成一句话就行。
Anatomy 画图不是抽卡，是一遍遍校对出来的
静态图那一类工具，画完就交；Anatomy 画完，还得先过一道程序检查。
官方文档写明，每个数字都来自驱动零件运动的那套计算，指针转多少、读数跳到几，都是算出来的。
画完之后，程序自动过一遍所有零件。有没有穿模，比如线缆从别的零件中间横穿过去；有没有悬空，零件飘在半空，没装在任何东西上。查不过关，这张图不许交付。
这类错人眼最容易漏。整张图缩在屏幕上，看着哪儿都对：比如两个零件叠在一起，谁该挡住谁，画反了也不显眼。拆开的全程、动画的每一帧，程序都挨个查过去。
程序还防着偷懒作弊。有人给重叠的零件报了个缩小的假形状，想把检查糊弄过去，后来被发现了。现在多了条规矩：报上来的形状比实际画的面积小太多，直接算失败。
作者说自己从没画过一笔，只是看着模型画出来的图，说出哪里不对，再把每一次纠正写成一条规则。规则攒多了，程序检查就有东西可依了。
出图慢是故意的，官方文档也写了。作者的理由，实测的博主转述过：细节需要时间，宁愿展示真实数字，也不猜。
想试的话，一条命令就能装
一条命令：
npx skills add wheresryan22/anatomy -g -a claude-code装好后在对话框里输入 /anatomy，加一句要讲的概念就行。这条命令要求 Node 22.20 以上。想装进其他 AI 编程工具，看官方仓库的说明：https://github.com/wheresryan22/anatomy
图画得漂亮，不等于讲得对
官方文档对图的要求写得很硬：读数、运动、图注，都必须是真的。
程序管得到的，只有几何这一层：前面说的穿模、悬空、前后画反了，它都查得出来。
官方文档自己也把界限写清了：审计过了是必要的，但不充分，它只检查你记录下来的东西。
原理讲得对不对，程序管不到，官方也没有这层承诺。
偏偏一张能动、能拆、读数在跳的图，看起来特别可信，连错的原理都能讲得很像样。要是把受力的方向画反了，看图的人很可能就把它当成对的记下去，比没有图还糟。
实测过的人把这层点破了。数字生命卡兹克提醒：“即使看起来非常精细，也不能保证每一处机械结构、计算过程和讲解内容都完全正确。“他还说过一句更直接的：“如果我原本就对这个东西一窍不通，那画面再精致也还是看不懂。”
AI李子在人人都是产品经理发过实测，点的也是这一条：“自动几何检查也无法替代领域知识核对。“他给的用法最稳妥：把 Anatomy 生成的内容当作一份可交互的解释草稿。
图发出去之前，还得有懂行的人把关。
**我认为，卡住的地方换了。**以前卡在画，现在卡在讲：讲得对不对，还是得有人说了算。
写文档、做讲解的人，手里多了一个选项：概念讲不通的时候，先想想有没有一台机器能把它演出来。
小时候拆的是闹钟，现在拆的轮到概念了。学习这件事的工具，又换代了。
有想学却一直没搞明白的概念吗？评论区说出来，我帮你画出来。
文中数据截至 2026 年 10 月 31 日。
