继「27 天 2800 星」之后,解剖学成了 GitHub 新顶流:又一个 AI 解剖项目三天冲榜
继「27 天 2800 星」之后,解剖学成了 GitHub 新顶流:又一个 AI 解剖项目三天冲榜
2026 年 8 月,单人开发者 thebuggeddev 的 Anatomy Atelier 用「GPT Image 出图、Tripo 转 3D、Codex 写前端」的流水线,在 27 天里做出一个交互式 3D 人体解剖学学习平台,上线 GitHub 后斩获 2800+ Star、一周内 160 万访问量,把「一个人 + AI = 一个团队」的叙事推向顶峰。两个月后,另一个名为 anatomy 的项目再次闯入中文社区视野——但这一次,「解剖」的对象不再是人体器官,而是抽象的软件机制。它把一个技术概念先「发明」成一台真实的机器,再渲染成浏览器里可以转、可以拆、可以读数的等距(isometric)交互图。本文结合社区情报与仓库源码,拆解这两代「解剖学」开源项目的技术内核、共同范式与传播逻辑。
一、时间线:从 8 月的人体解剖,到 10 月的「概念解剖」
先复盘第一波浪潮。Anatomy Atelier 于 2026 年 8 月 2 日上线 GitHub,截至 8 月 29 日累计 2864 个 Star、712 个 Fork,上线一周内访问量突破 160 万。它收录 9 大类人体器官——心脏、大脑、肺、肝脏、肾脏、眼睛、肠道、胰腺、皮肤,每个器官页面包含基础参数、功能说明、微观结构、功能动画与疾病信息,并支持旋转缩放、热点标注、器官分离、横截面视图、图层控制、器官对比等功能。
社区文章完整披露了它的 AI 开发流水线,四步走:
- 视觉设计草稿——确定「艺术工作室里的解剖图」风格基调;
- GPT Image 2.0 生成 2D 器官插图——替代专业插画师;
- Tripo 将 2D 图转成 3D 模型——输出可在浏览器运行的 GLB 文件;
- Codex 生成前端代码——Three.js 渲染逻辑、交互热点系统、解剖标注位置图一次性产出。
值得注意的是,这个项目并非「AI 糊出来的凑合货」。社区分析指出几个扎实的技术点:表面吸附热点用真正的 THREE.Sprite 挂在 3D 空间里,带遮挡计算(转到模型背面自动淡出)与深度缓冲,靠顶点扫描算法贴合网格表面;渲染采用 Render-on-Demand 策略,仅在相机移动、动画播放或热点 hover 时触发渲染帧;对最近 3 个器官做 LRU 缓存并预取;通过 Three.js Shading Language(TSL)写自定义材质 medicalRimNode 实现边缘发光菲涅尔效果,为渐进式 WebGPU 预留了接口。最醒目的数字是 97% 的压缩率:初始版本每个器官模型 120–150MB、9 个器官合计接近 900MB,浏览器里帧率直接掉到 16fps;最终通过 MeshoptDecoder 解压、bounding box 归一化、材质参数标准化与懒加载,压到总资源 28.6MB、每器官 2–5.5MB,视觉几乎无损。
到了 10 月上旬,第二个「anatomy」登场。仓库的 CHANGELOG.md 记录得很清楚:2026-10-08,这个项目正式更名为 Anatomy(此前内部代号 isometric-objects,未发布版本),CSS token 从 --iso-* 改为 --anatomy-*,并公开了 README、MIT 许可、CI 等仓库骨架。它是 wheresryan22 开源的 Claude Code skill,定位是一行描述就足够精准:把一个技术想法变成一台真实机器的精细交互式等距图。
这里需要先做一个澄清:两个项目共享 anatomy 这个名字,媒体自然地把它们并列为「又一个 AI 解剖项目」,但它们的「解剖」对象完全不同。Atelier 解剖的是人体(医学资产 + 3D 标本);Anatomy skill 解剖的是软件机制(把「连接池」「缓存键」「GPU 上下文」这类抽象概念,翻译成一台能看懂的物理机器)。真正让它们被归入同一话题的,是底下那套相同的范式——AI 生成资产 + 浏览器渲染 + 开源分发。
二、「解剖」的对象变了:从器官到机制
Anatomy 的信条写在 SKILL.md 开头:「The object is the explanation.」物体即解释。不要画方框、箭头和标签,而是发明一台真实、做工精良的物理机器,让它的工作原理本身等于那个概念。SKILL.md 里保留了一张早期的「概念 → 物体」映射表,是整个方法论最浓缩的体现:
| 概念 | 物体 |
|---|---|
| 一个共享 GPU 上下文服务多个 canvas | 龙门绘图仪:一个打印头依次访问 16 个孔 |
| 内容没变就跳过工作的缓存键 | 弹子锁:所有弹子对齐,插芯才能转动、才重绘 |
| 可分离模糊(49×49 次采样 vs 49+49 次) | 钉床印章 + 两把导轨上的梳子 |
| 按压并倾斜的弹簧 | 带弹簧、探针和表盘的测试台架 |
这份映射的趣味在于:它把工程术语还原成了「人在直觉上能认识的东西」。读者不需要理解 GPU 上下文池,但一眼就能看懂「一个打印头为什么要跑十六个孔」。
使用方式同样极简,README 给出了安装与调用:
npx skills add wheresryan22/anatomy -g -a claude-code
然后在 Claude Code 里:
/anatomy explain how a token bucket rate limiter works, interactive
不需要 API key,也没有任何 npm install 依赖——整个 kit 只使用 Node 内置模块(要求 Node 20.10+)。产出是一份「你拥有源码」的交付物:一个 Node 构建脚本和它写出的独立 HTML 页面;React 场景下则是几何模块 + 服务端静态组件 + 客户端动效组件。开箱即用、可自由改源,这与 Atelier「打开网页就能玩」的零门槛体验是同一个取向。
三、代码级拆解:一个会自我审计的绘图引擎
如果说 Atelier 的亮点在「AI 资产 + 渲染性能优化」,那 Anatomy 的纵深则在「如何让 AI 生成的图不翻车」。整个仓库就是一套约束 AI 出图的工程体系,结构清晰:
kit/——绘图库:等距相机、实体与零件库、SVG 渲染器、卡片与页面、CSS(iso-kit.ts/iso-kit.mjs),任意轴旋转件(lathe.mjs)、管道与电缆(tube.mjs)、WebGL 层(gl.mjs)、3D 运行时(turn*.mjs)、React 组件(react/);references/——Claude 按需翻阅的长文档:工艺、kit API、动效、React、验证、WebGL、设计走查、3D 模式;scripts/——无头 Chrome 检查与构建辅助:截图、脚本化会话、行端检查、3D 检查;examples/——8 个完整示例,构建产物已提交,打开任意.html即可体验;evals/evals.json——5 组测试提示词及「合格输出」的判定标准。
核心在 kit/iso-kit.ts。它定义了一个以 [x, y, z] 为世界坐标、z 轴向上、1 单位约等于 1px 的等距世界:fitProjection 计算相机投影,depthOf 计算点到相机的深度(值越大越近),slabOf/extrude/cylinder 生成带四色调(SHADES = 4)阴影的实体,knurl/coil/topTicks/ring 构成零件词汇表,最后 figureSvg/plateHtml/pageHtml 把图装进一张卡片——左上角 Fig n、右上角标题、左下角交互提示、右下角实时读数。
SKILL.md 还规定了工作量分档,把「AI 该干多大的活」量化了:
- Figure:一个机构,40–80 个零件,约 30–90 分钟,不问直接做;
- Hero:一个密集物体或多种 WebGL 效果,80–150 个零件,2–4 小时;
- Epic:整台载具/建筑/工厂,6 小时以上,不得擅自开工——只给估算,建议 Hero 版本。
这背后是十步工作流:先量尺寸 → 真相优先(先收集真实数字,用一个小纯模型驱动一切,如 test-rig 里的 rig.ts)→ 发明物体 → 写零件清单(至少 40 个零件)→ 规划世界 → 一次构建几何 → 画家排序 → 装裱卡片 → 让它动起来 → 像评论家一样验证。
真正让这个项目区别于「AI 生成图」的,是最后一步的验证体系。它有三层保险:
第一层,几何审计。kit/audit.mjs 对每个部件做射线投射,证明「没有任何东西穿过任何东西」:管线与实体之间、静止与拆解状态的间隙、端点是否落在真实安装面上、弯管是否褶皱、纹理是否自交、重叠面是否按真实深度排序。执行 node build.mjs --audit 必须以 audit passed 结尾、每条失败项为 0 才算通过。
第二层,行端检查。scripts/lines.mjs 在无头 Chrome 里检查 SVG 的每一条纹理线(刻度、棱线、铆钉行)必须终止于一条笔画、一个圆点或一个轮廓——「不许有悬空的线」。
第三层,人眼复检。scripts/capture.mjs 和 scripts/drive.mjs 在无头 Chrome 中(WebGL 开启)拍摄桌面/手机宽度、hover、慢动作接触片、--no-webgl 回退与 reduced-motion 状态,而 SKILL.md 的硬性要求是:「Read every PNG you make」——AI 必须真正打开自己产出的每一张截图,用 4× 近景审视每个接头。
仓库的 .github/workflows/ci.yml 把这套纪律自动化了:CI 在每次推送/PR 时重建全部 8 个示例(含 --light 浅色主题),随后 git diff --stat --exit-code 要求已提交的 HTML 页面逐字节不变——任何 kit 改动如果让已有示例输出漂移哪怕一个字节,构建即失败。这是「AI 生成 + 工程可信」之间的一条硬约束。
示例矩阵本身也是能力的说明书。最小的 examples/dial-indicator 全站约 300 行;examples/arcade-cabinet 是 240 个实心件加 15 条电缆的投币街机,硬币沿 30° 斜坡滚入钱箱、脉冲沿电缆逐段传到主板、CRT 在倾斜屏幕平面里跑起待机动画;examples/raptor-engine 约 270 个实心件、11 个装配体,拆解过程逐帧重排深度,WebGL 羽流、激波、飞溅与蒸汽渲染在前后两层 SVG 之间,是「管线密集、曲面平滑、淡出过渡」的参照系;examples/ripple-tank 用两个与等距平面对齐注册的 WebGL 层(灯光与焦散、水面反射),由纯色散光学模型驱动。
3D 模式则明确标注 beta:examples/turning-dial 的组合转盘可在真 3D 中旋转,约 90 个活动零件每帧按 kit 自身规则重新投影、重新着色,旁边配套的 stress.mjs 是一个约 380 个零件的密集机械手,用于测性能——在 1440px 宽下约 20fps,降速手机配置下 13–15fps。对应的 scripts/turn-check.mjs 做保真度、z-buffer 顺序、像素跳动与 24 个角度的行端检查,全套轨道审计(orbit audit)对 30 个零件要跑 15–20 分钟,只能后台运行。
四、共同范式:AI 生成资产 + 浏览器 3D 渲染
把两个项目并排放,共性一目了然。
**第一,AI 承担全部资产生产。**Atelier 的三维器官由 GPT Image 出概念图、Tripo 转 GLB;Anatomy 的每一张图由 Claude 依 SKILL.md 的工作流产出几何与着色器代码。人的角色从「建模师、插画师、前端」退化为「流水线编排者」——thebuggeddev 自己总结的经验正是「把复杂目标拆解成 AI 可处理的单元,每一环的输出作为下一环的输入」,而 SKILL.md 本质上就是这份编排文档的开源版。
**第二,浏览器即分发终端。**Atelier 是 Next.js 15 + Three.js(WebGL + 渐进式 WebGPU)的免费网页,打开即用;Anatomy 的默认交付物是单文件 HTML 或独立 .svg,SVG 无 WebGL 也完全可读,shader 只用于线条画不出的东西——火焰、排气、水、焦散、灯光。两者的共同取向是:零安装、零后端、拿链接就能看,这直接决定了它们的传播半径。
第三,也是容易被忽略的差异——「正确性」由什么兜底。Atelier 面对的是医学知识的准确性风险与资产版权问题(社区文章也提到,仓库一度缺失 LICENSE 文件,3D 模型来源与可否商用被反复追问);Anatomy 面对的是工程正确性风险,而它给出的答案是用几何证明约束 AI 幻觉:审计证明没有穿插、行端检查证明没有悬空线、CI 保证提交页面字节稳定。同一个「AI 生成」事实,前者靠社区审议补位,后者靠机器证明补位。这也是它作为 skill 而非内容站点,能反复产出的原因——方法被固化成可复用的流程,而不是一次性资产。
五、为什么这类项目总在中文社区与 GitHub 同步刷屏
解剖学题材在 GitHub 的连续走红,背后有四个可复制的传播条件。
叙事红利。「27 天」「一个人」「2800 星」「160 万访问量」,每一个数字都是天然的传播钩子。中文社区对「一个人 + AI 顶一个团队」的故事尤其敏感——它既是效率焦虑的解药,也是可模仿的路径。这类项目提供的不只是代码,更是一套「我也可以」的作业。
**开源即教程。**Atelier 把 AI 流水线完整公开,GitHub 仓库本身就是 Three.js + Next.js 集成、热点系统、渲染引擎封装的教学样本;Anatomy 更进一步——它把 AI 的工作流写进 SKILL.md,把方法论本身开源。看客学的是「用 AI 做 3D 解剖应用」,开发者学的是「如何编排 AI 产出一张可信的图」,两层受众各取所需。
**视觉媒介友好。**人体器官与机械装置都自带视觉冲击,一张静态截图就足以在信息流里制造停留,而等距 SVG 的「Linear 风格」恰好又是设计圈的审美热点。不需要视频、不需要演示,可传播素材在 README 里已经备好。
**中文社区的信息差放大。**GitHub Trending 提供初始信号,中文技术博客的二次解读把它翻译成「有故事、有数字、有步骤」的文章,形成二次传播。CSDN 上多篇相关文章的阅读与收藏数据佐证了这种接力——先有英文仓库冲榜,再有中文解读刷屏,再反向拉动更多 Star。两个 anatomy 恰好都踩中了这条链路。
结语
两个「anatomy」,一个把人体器官做成了浏览器里的 3D 标本,一个把抽象机制做成了浏览器里看得见的机器。它们共享的不是学科,而是一套正在被反复验证的开源范式——AI 生成资产、浏览器渲染、零门槛分发。当「解剖」从名词变成动词、从学科变成方法论,这件事本身或许比任何单个爆款都更有信号意义:GitHub 的下一批顶流,可能不再属于某个团队,而属于某条被开源出来的 AI 流水线。

