大多数人对「Skill」的认知和我一周前一样：一大段精心组织的提示词，本质是话术模板。直到我把一个叫 anatomy 的开源技能整个目录翻了一遍——它教 AI 把技术概念画成可交互的等距物理插图，目录里躺着 13 个代码模块、9 篇工艺参考、8 个可运行的完整范例、一套评测集和单元测试，以及一个用光线投射验证几何正确性的证明器。逐项数完我发现：提示词只占这个技能的 10%，剩下 90% 是代码库、验证器、范例库和评测——AI 时代的手艺人，交的不是话术，是带质检的工件。本篇把这个技能当解剖标本，逐层拆给你看：Skill 到底是什么、它与 prompt 封装的三重区别、以及为什么说验证器才是它最值钱的部分。
解剖对象叫 anatomy：一个开源的 Claude Code 兼容技能，用途是让 AI 构建精心制作的等距（isometric）SVG 交互插图——把一个技术概念画成一台「真实存在的物理机器」。它跑在我自己的环境里，所以本篇的素材不是二手报道，是第一手的标本：目录、源码、范例，全部可逐行核对。
把整个目录按资产的性质归类，一共九类。每一类都对应着传统软件工程里一个成熟的角色——这是本篇第一个重要的观察：skill 的目录结构，就是一家小型软件公司的仓库结构。
| 资产 | 内容 | 对应传统软件工程 |
|---|---|---|
| SKILL.md | 10 步工作流、设计哲学、分级制度（Figure 40-80 个零件 / Hero 80-150 个 / Epic 不自动开做） | 工艺规范 / SOP |
| kit/（13 个模块） | 等距相机与实体库、车床件生成器、管线电缆布线、WebGL 着色层、真 3D 运行时 | 组件库 / SDK |
| references/（9 篇） | 零件词汇表（craft）、验证清单（verify）、动效规范、发布指南 | 领域知识库 |
| scripts/ | 无头 Chrome 截图、脚本化驱动、线条审计、性能基准 | CI 工具链 |
| audit.mjs | 几何证明器：光线投射验证无穿透、无悬空端、深度排序正确，任一失败即非零退出 | 自动化测试 / 质检 |
| evals/ + tests/ | 评测集与单元测试 | 评测与回归测试 |
| examples/（8 个） | 从 300 行的最小范例（千分表）到 380 个零件的火箭发动机（11 组件爆炸分解 + WebGL 羽流） | 参考实现 |
| agents/openai.yaml | OpenAI 兼容声明 | 跨平台适配层 |
| README/LICENSE/CHANGELOG | 开源治理全套 | 工程治理 |
拿「prompt 封装」这个旧认知做基准，skill 与它的区别可以归结为三条，一条比一条深。
prompt 封装的时代，AI 产出的质量只能靠人眼判断——你觉得好就是好，你觉得歪了就重说一遍。anatomy 把这件事交给了机器：构建时运行 build.mjs --audit，一个光线投射证明器会对整个图形做十项几何检查——零件间隙、终端落点、悬空端、弯折、自交、拥挤度、深度排序——任何一项不为零，构建直接失败退出。另有一条线条审计证明「每一条纹理线都终止在描边、端点或轮廓上」。这两道机器关卡意味着：AI 的产出第一次有了不需要人眼背书的质检。技能的作者把「什么是画对了」编码成了可执行的断言，AI 照着断言自我约束。
prompt 封装把知识写成形容词——「请画得精致一些，注意细节」。anatomy 把知识写成函数——lathe() 知道怎么生成带平滑明暗的车床件，knurl() 知道滚花纹理的齿距，depthOf() 知道任意两个零件谁在前面。「怎么画圆管、怎么路由管线避让、怎么给弹簧做前后两半」这些手艺，全部固化成可调用的模块。提示词只负责编排，手艺活在代码里。这就是为什么它出的图能到「1 倍缩放是一台完整的机器、4 倍放大每个角落仍有真实细节」——细节不是提醒出来的，是库生成的。
这个技能自带 8 个可运行的完整范例，工作流的第一条就是「开工前先打开与你需求最接近的那个」。范例的跨度经过精心设计：最小的千分表范例全文约 300 行，是新手的起点；街机柜约 240 个实体加 15 根线缆，演示如何让一枚硬币沿 30 度滑槽以真实物理速度滚落并触发微开关；火箭发动机范例 380 个零件、11 个可分解组件，是着色器与密集管线的天花板。这比 few-shot 示例更进一步——范例不只是「示意」，它本身就是规格：你要做的东西，长这样、跑得起来、经得起审计。
SKILL.md 里最重要的一句话只有五个词：The object is the explanation——物体即解释。它的反面是我们在无数技术文档里见过的东西：方框、箭头和标签。anatomy 的主张是：不要画框图，去发明一台真实的、做工精良的物理装置，让它的运作机制与你要解释的概念一一对应。SKILL.md 里附了一张自己的映射表，摘几行：
| 要解释的技术概念 | 对应的物理对象 |
|---|---|
| 一个共享 GPU 上下文服务 16 个画布 | 一台龙门绘图仪：一个打印头依次访问 16 口井 |
| 缓存键：内容没变就跳过重算 | 一把弹子锁：所有弹子对齐，锁芯才转，什么都不用重画 |
| 七种渲染目标，每种的字节深度不同 | 一只七斗柜：每个抽屉的深度等于它的字节数 |
| 可分离模糊（49×49 次采样 vs 49+49 次） | 一张钉床印章，旁边轨道上两把梳子 |
| 光照取决于表面朝向 | 一间小摄影棚：主灯与辅灯围着转台 |
这张表的妙处在于，读者理解概念的方式从「阅读说明」变成了「认出机器」——你看到弹子锁的锁芯转动，不需要任何文字就知道「全部条件满足才会触发」是什么意思。设计哲学同时标注了两种失败形态：太抽象（堆叠的板子、浮空的标签，读不出任何东西）与太扁平（一大块板加几条线，没有体积、没有零件、没有可发现的细节）。两种失败的解法是同一条：用大量小而精确、有目的的零件，组成一台可辨认的机器。还有一个更容易被忽略的纪律：图上出现的每一个数字，都必须来自驱动零件运动的那同一个模型——读数、运动和标注不能各说各话，这就是它说的「Truth first」。
这一章是我们整个系列的核心论点在单个技能上的显影：anatomy 最值钱的文件不是 SKILL.md，是 audit.mjs。原因很简单——SKILL.md 告诉 AI「往哪个方向努力」，audit.mjs 划定「什么叫做到了」。前者是指令，后者是标准；没有标准的指令，AI 会用流畅的自我描述掩盖未完成的工作。
audit.mjs 的工作方式值得技术半信半疑的读者多看一眼：它不是用另一个 AI「评审」图形好不好看，而是用光线投射做几何层面的数学证明——对每两个可能重叠的零件投射光线，验证画在前面的是真的挡在前面（深度排序）；验证每一根弹簧的两端都落在真实的安装座上（终端检查）；验证滑出密封圈的杆在行程任意位置都不穿透腔壁（间隙检查，静止位、分解位与动画每一帧都要过）；甚至验证替代形状没有冒充真实形状（coverage 检查——「一个让审计静音的替身形状就是一个 bug」）。构建命令在任何一项不为零时以非零状态退出。
这套机制对我们系列读者意味着三件事。其一，「验证器经济」（DR.007）不是宏观叙事，它已经下沉到了单个技能的内部——一个画插画的技能，其核心资产是判定对错的能力。其二，它给出了「AI 产出可信」的工程路径：不是等模型变强，而是把领域标准写成机器可执行的断言。其三，它重新定义了「写 skill」这门手艺的门槛——写 skill 的人要做的不是把提示词写得更华丽，而是像软件工程师一样：定义标准、实现工具、建立范例、让机器替自己把关。
把镜头拉远，anatomy 不是孤例而是一个品类的样本。Claude Code 的 skill 体系、WorkBuddy 的技能中心、OpenAI 的 agents 兼容格式（anatomy 目录里那个 openai.yaml 就是跨平台适配的痕迹）——三大平台都在建同一件东西：agent 时代的「固件」层。模型是 CPU，agent 是操作系统，skill 是固件：它不改变硬件性能，但决定了这台机器开机后会做什么、做得有多专业。
固件层的经济结构有三个特征。第一，零边际成本的分发：一个 skill 就是一个目录，复制即安装，全球可用——这决定了它的定价会向开源软件靠拢（anatomy 是 MIT 许可），直接卖 skill 的钱很少，靠 skill 建立「这个人是这个领域的专家」的声誉再变现的模式更普遍。第二，验证器是护城河：纯提示词技能可以被瞬间抄走，带证明器和范例库的技能抄走也用不好——因为它的价值在「标准被编码的程度」，而标准来自作者在这个领域里多年的失败经验（anatomy 文档里写着「两种失败形态都在实践中见过」）。第三，平台竞争抬高固件价值：当模型能力趋同（DR.009 的商品化命题），平台间的差异化就只能靠固件生态的丰富度——谁的 skill 市场更强，谁的 agent 就更能干。这对 skill 作者是个好消息：你在为一个卖方竞争的市场供货。
对普通读者的参与路径也远比想象中低：写一个 skill 不需要会训模型、不需要懂 Transformer，需要的是把你已经会的一门手艺，拆成「工作流 + 标准断言 + 参考范例」三件套。一个做了十年财务尽调的人、一个懂印刷工艺的人、一个熟悉某地学区政策的人——他们的领域知识一旦按这个结构编码，就成了一个可以反复出售的技能。这是比「学 prompt 技巧」深一个数量级、也比「被 AI 取代」乐观得多的参与方式。
| 判定 | 信息 | 理由 |
|---|---|---|
| 信号 | anatomy 等 headless 技能的资产结构：代码库+验证器+范例库占 90%，纯提示词占 10% | 一手可核对：目录即证据。头部 skill 的价值构成已经完成从话术到工程的迁移 |
| 信号 | 验证器内置化：audit 非零退出、lines 线条审计、评测集与单元测试随技能分发 | 「AI 产出可信」的工程路径出现——判定权从模型厂商外溢到技能作者手里（DR.007 的下沉） |
| 信号 | 三大平台共建 skill 生态（Claude Code / WorkBuddy / OpenAI agents 兼容格式） | 卖方竞争的市场结构：模型商品化后，平台差异化的战场转移到固件层 |
| 噪音 | 「Skill = 提示词模板」的旧认知与「三分钟写一个 skill 卖钱」的课程叙事 | 头部技能的工程门槛（证明器+范例库+评测）不是三分钟课程能覆盖的；把平均值当行业水平会误判竞争格局 |
| 噪音 | 纯提示词技能的大量存在 | 它们会被带验证器的技能挤出——就像模板站建站被 Shopify 挤出：存在不等于有生意 |
投资映射上，这一层与公开市场的连接点还不密集，但三条线索值得盯。其一，agent 平台方：skill 生态的丰富度正在成为 agent 操作系统的核心指标，平台方的企业订阅溢价里会越来越多地包含「固件市场」的价值；其二，垂直技能工作室：一级市场会出现「把领域手艺编码为可验证技能」的小团队，它们的估值锚是「标准被编码的程度」而非用户数——这类标的目前只能跟踪，无法下手；其三，验证工具链：为技能作者提供「断言框架、评测集、质量基准」的工具层，是这一层里最像「卖水人」的位置——anatomy 自带的 audit.mjs 和 evals.json，未来会变成独立产品。
解剖完这个 skill，我最深的感受不是「AI 又变强了」，而是一种久违的熟悉感：audit 归零、范例即规格、标准编码成断言——这些不是 AI 时代的新发明，是软件工程几十年的老手艺。变的是载体：以前这些手艺保护的是人写的代码，现在它们开始保护 AI 生成的产物。不变的是那个朴素的真理：没有标准的产出，无论多流畅，都不能被信任。
「Skill 就是 prompt 封装」这个认知的最大代价，是让人以为参与 AI 时代的方式只有两种：要么造模型，要么学话术。而 anatomy 这样的样本给出了第三条路：把你在某个领域里积累的标准、品味和失败经验，编码成机器可以执行、机器可以自证的工件。这条路不需要训模型，不需要融资，需要的只是你真的在一个领域里扎得足够深——深到能回答「什么叫做对了」并且把它写成断言。
这也是「叙差」系列一贯的读法：当所有人都在讨论模型能力的上限时，真正的机会往往在「能力如何被标准化」的下沉层。模型会继续变强，但「什么叫做对了」永远需要有人定义——这就是手艺人的位置，也是这一期想留给你的那张门票。
| 目录 / 文件 | 类属 | 内容明细 | 工程对应 |
|---|---|---|---|
| SKILL.md | 规范 | 10 步工作流；分级（Figure 40-80 零件约 1 小时 / Hero 80-150 零件约 2-4 小时 / Epic 6 小时以上不自动开做）；设计哲学与失败形态 | 工艺规范 |
| kit/iso-kit.{ts,mjs} + iso.css | 核心库 | 相机（方位角 45°、仰角 30°、fitProjection 自适配）、实体库（slabOf/cylinder/extrude/knurl/coil）、SVG 渲染器、卡片与页面构建器 | SDK |
| kit/lathe.mjs + tube.mjs | 专用库 | 任意轴向的车床件（法兰/阀门/波纹管，平滑明暗自动启用）；管线电缆分块与深度排序（断点/领口间隙/编织环） | 专业组件 |
| kit/audit.mjs | 验证 | recorder 记录形状与路径、settle 光线投射定深度、auditOrExit 十项检查非零退出（间隙/终端/悬空端/支撑/弯折/自交/拥挤/替身/摆动/深度序） | 自动化测试 |
| kit/gl.mjs + turn 系 | 渲染 | WebGL 着色层（GLSL 相机、羽流/水面/灯光）；真 3D 模式（转台组/铰链/自由体、轨道审计、帧计时基准） | 渲染引擎 |
| scripts/（capture/drive/lines 等） | 工具链 | 无头 Chrome 截图与控制台检查；脚本驱动（慢放/等待/接触表）；线条审计（线端归零并圈注失败） | CI |
| references/（9 篇） | 知识库 | craft（零件词汇与配方）、kit 详解、motion、verify 清单、webgl、3d、react、publish、walkthrough | 领域文档 |
| examples/（8 个） | 参考实现 | dial-indicator（300 行最小）→ desk-computer（85 实体可打字）→ arcade-cabinet（240 实体硬币物理）→ raptor-engine（380 零件 11 组件）→ ripple-tank（WebGL 波纹）→ test-rig / spot-plate（生产实例）→ turning-dial（3D 模式） | 参考实现 |
| evals/ + tests/ | 评测 | evals.json 评测集；audit 各子项的单元测试 | 评测与回归 |
| agents/openai.yaml + 治理文件 | 适配与治理 | OpenAI 兼容声明；MIT 许可、CHANGELOG、CONTRIBUTING、SECURITY | 跨平台与开源治理 |
本文为行业观察，不构成投资建议。技能资产结构为单一样本解剖，推广需更多样本验证。解剖时间 2026-10-15。