<!-- title: 归藏营造拆解：古建照片炼金术 -->

# 归藏营造拆解：古建照片炼金术——顺带盘一盘“实拍变资产”三邻居

## 概述

## 为什么是它：今日榜单的排除法

先交代选题过程。今日“新上架”名单的头部选手逐一核对后全部出局：PRAXIST（5860 星）与 sepia（2046 星）、headcount（1244 星）此前已拆，commerce-agents（1927 星）昨日刚做过“官方电商 Agent 蓝图”专文，goldie（1764 星）、open-seo-mcp-skills（463 星）在增长赛道横评里已各占一节，refactoring-ui-skill（524 星）在多轮周报中反复出场。剩下的新面孔里，rome（470 星，"Rome is the agentic OS"）是 Agent OS 不是 Skill，fable-orchestrator（466 星）是多模型编排器，VI-Translate（497 星）与 skill-cabinet（389 星）至今零描述无从拆起。

排除到底，只剩 guizang-yingzao——而且它的入选理由不止是“没拆过”：作者是 op7418，本栏目 6 月 28 日曾实测其前作 guizang-social-card-skill（社媒卡片引擎）。**同一个作者的第二只 Skill 进入榜单视野，作者方法论有没有复用、品类切换逻辑是什么，这是比单仓描述更值得拆的问题。**

## 评测对比表

五维权重按本栏目惯例：功能完整度 25%、设计质量 25%、实战效果 20%、上手难度 15%（分越高越易上手）、社区活跃度 15%。实战效果均无编辑部独立实测，以“待验证”处理；guizang-yingzao 的设计质量分含作者前作记录的加权，详见下文。

| Skill | 仓库 | 核心定位 | 功能 25% | 设计 25% | 实战 20% | 上手 15% | 社区 15% | 加权 |
|---|---|---|---|---|---|---|---|---|
| guizang-yingzao-skill | op7418 | 文化/古建/旅行照片转化引擎 | ★★★☆ | ★★★★ | ★★★（待验证） | ★★★★ | ★★★☆ | **3.60** |
| m3e-canvas | lnkiai | 浏览器画草图→vibe-coding 提示词 | ★★★★ | ★★★★ | ★★★☆（待验证） | ★★★☆ | ★★★★★ | **3.97** |
| image-to-3d-pipeline | dreamers-laboratory | 多模型 3D 重建＋择优评分 | ★★★☆ | ★★★★★ | ★★★（待验证） | ★★★ | ★★★ | **3.63** |
| camera-to-blender | ahujasid | 实物拍照→Blender 贴进场景 | ★★★☆ | ★★★★ | ★★★（待验证） | ★★★★ | ★★★ | **3.53** |

## 主拆解：guizang-yingzao-skill

### 1. 名字即出处：歸藏 × 营造

仓库命名的信息密度值得先拆一层。账号 op7418 的前作以 guizang 为名，这一只沿用同一前缀——**作者品牌直接焊死在仓库名里**，熟悉前作的用户扫一眼就知道出品方，省掉了一次信任建立。后缀 yingzao（营造）在中文语境里指向明确的文化脉络：宋代《营造法式》是中国古代建筑营造的官修技术规范，近代梁思成主持的营造学社是中国古建系统研究的起点。此处需要声明：把名字读解为“绑定中国古建知识体系”属于命名释义，仓库内是否真以《营造法式》或营造学社资料为知识底座，未经原文证实。但即便只看官方描述，"Chinese architecture"明写在小仓库描述里也是罕见动作——多数图像类 Skill 只写风格词（如 mono-color 的 "one-ink editorial print"），把**题材领域**写进第一句话的，它是我拆过的图像类里第一个。

### 2. 100 字符描述的逐段结构

**第一段：🏯 一个 emoji 定文化调。** 对比同日榜单，goldie 用 ✨ 开头、它用 🏯 开头——emoji 做描述的视觉锚点已是社区惯例，但 🏯（日式城堡 emoji 被挪用来指代东亚古建）选的是全场唯一的“题材型” emoji：别的 emoji 标记品类，它标记文化身份。这一格注意力在列表页里是稀缺资源。

**第二段："Claude Code / Codex skill" 双宿主声明。** 这一条此前拆解里刚总结过规律：9 月 4 日周报记录到 sepia（声明兼容 77+ 宿主）与 video-talkcraft（双宿主）都在卷“我能装到哪”。guizang-yingzao 上榜即带双宿主声明，说明这个写法已经从“新星标配”沉淀为**上架默认动作**——单个 Skill 的分发面从 Claude Code 一家扩到了整个 Agent Skills 兼容生态，安装成本被压到接近零。

**第三段：三个输入域从窄到宽排列。** "Chinese architecture, cultural places & travel photos"——这个排序是全句最值得学的触发词设计。古建是看家领域，专业性承诺最强；文化场所放宽到庙宇园林街区；旅行照片放宽到人人手机里都有的素材。**触发面层层放大，但第一位的题材就是护城河所在**：用户拿一张故宫角楼照片来，它名正言顺；拿一张街头小吃来，也在触发范围内但偏离主场。对比很多 Skill 把最宽的输入放第一位，这种“窄→宽”排序既保住了专业人设，又不放弃长尾流量。

**第四段："into a…" 截断处的悬念。** 输出物未能核验，只作两种可能性的框架分析：若输出是**图像成品**（插画/版画/建筑图纸风渲染），则与 mono-color 同属“出图即验证”赛道；若输出是**结构化描述**（给下游绘图或建模用的规格文本），则与 m3e-canvas 的“输出提示词”路线同构。两种走向的产品逻辑完全不同，下文品类分析按前者展开、同时标注此为待验证假设。

### 3. 作者方法论回溯：前作留下的工程底色

判断一个新 Skill 的下限，最可靠的代理指标是作者上一个 Skill 的工程质量。本栏目 6 月 28 日对 guizang-social-card-skill 的横评记录了四条实测过的工程护栏，此处直接引用该文结论：双视觉系统（Editorial 杂志风＋Swiss 瑞士风）共用一套工作流；28 个版式骨架（M01–M16 / S01–S12）给模型划定了“自由发挥”的边界；`validate-social-deck.mjs` 校验脚本自动检测文字溢出与碰撞；图源按优先级取用并自动写 `SOURCES.md` 做版权追溯，满铺图强制叠遮罩加人脸避让规则。

这套底色透露的作者习惯是**“审美主张＋工程护栏”双轮驱动**：先给出明确的美学体系，再用脚本和硬约束兜住模型翻车的下限。若 guizang-yingzao 延续这一习惯（推测，未证实），可以预期它的仓库里同样会有参考文件体系与校验环节，而非一段裸提示词。反过来说，如果读者进仓库发现只有孤零零一份 SKILL.md，那就该把本文的设计质量分打折——**作者品牌可以给预期，不能替代验货**。

### 4. 品类定位：文化母题型与纯风格滤镜的分野

9 月 1 日本栏目拆 mono-color 时提出过一个框架：图像风格类 Skill“出图即验证、截图即传播”，验证成本最低所以传播最快。guizang-yingzao 借了这班车的轮子，但多装了一个引擎，两者的差异值得专门说清：

- **mono-color 卖的是美学公共领域**——单色印刷属于百年纸媒传统，无版权归属、无撞款争议，任何人都能用；
- **guizang-yingzao 卖的是文化母题**——古建题材自带术语体系（斗拱、飞檐、彩画、形制），做出“像不像那个东西”需要知识底座，这构成壁垒，但也构成门槛。

两个由此而来的推论。其一，**传播路径不同**：mono-color 靠作者晒图起量（该文记录其单日 +106%），guizang-yingzao 理论上多一条用户自裂变路径——旅行照片是 UGC 入口，用户用自己的照片产出成品，晒图动机天然强于套模板。其二，**翻车成本不同**：抽象风格的产出“不好看”顶多不用，文化题材的产出如果画错形制、用错符号，在懂行的受众里是舆情级事故。文化母题型 Skill 的产品风险不在技术而在**文化准确性**，这是它与整个“滤镜派”的根本分野，也是它 316 星起步、没有像 mono-color 那样一夜翻倍的合理解释——验证成本被题材拉高了。

```mermaid
flowchart LR
    A["实拍输入层<br/>照片 / 草图"] --> B1["美学出口<br/>guizang-yingzao<br/>文化题材图像转化"]
    A --> B2["几何出口<br/>camera-to-blender<br/>照片→Blender 3D 物体"]
    A --> B3["几何出口·多模型<br/>image-to-3d-pipeline<br/>重建+择优评分"]
    A --> B4["意图出口<br/>m3e-canvas<br/>草图→vibe-coding 提示词"]
    B1 --> C1["传播闭环<br/>出图即晒图"]
    B2 --> C2["下游闭环<br/>贴进 Blender 场景"]
    B3 --> C3["验证闭环<br/>自评分择优"]
    B4 --> C4["链化闭环<br/>喂给下一个编码 Agent"]
```

### 5. 适用与不适用

**适用**：文旅内容创作者（账号配图、攻略封面）、需要批量出“中国风”视觉物的运营、拿着自己旅行照片想得到风格化成品的普通用户、想研究“题材型 Skill 怎么写描述”的 Skill 作者。
**不适用**：对文化准确性零容忍的出版/文博场景（Agent 产出必须专家审校，此条对任何同类工具都成立）、想批量套模板走量的电商图（题材绑定反而碍事）、非东亚题材的视觉需求（输入面第三层虽宽，专业承诺在第一层）。

### 6. 材料边界声明

本文主拆对象 SKILL.md 正文、参考文件组织、是否附带校验脚本，均未能在线核验；输出物形态按“图像成品”假设展开但未证实；作者前作的工程记录来自本栏目 6 月 28 日实测文，可靠；其余品类分析属编辑部位观点。安装前请以仓库 README 与 SKILL.md 原文为准。

## 副拆解一：m3e-canvas——不给你图，给你提示词

lnkiai/m3e-canvas，1944 星，TypeScript，今日唯一双榜选手（新星榜第五＋小而美榜前列）。描述："Sketch Material 3 Expressive screens in the browser and turn them into vibe-coding prompts"——在浏览器里画 Material 3 Expressive 风格的界面草图，然后**把草图变成 vibe-coding 提示词**。

它的关键是**输出倒置**：产线终点不是图像也不是代码，而是一段喂给下一个编码 Agent 的提示词。人负责审美判断（在画布上摆弄组件），Agent 负责工程实现（照着结构化提示词写代码），中间的翻译工作由 Skill 完成。这实际上是把“需求文档”这个古老物种做成了可视化拖拽的形态——此前拆过的多 Skill 流水线靠文件交接，m3e-canvas 靠“草图→提示词”交接，本质都是**把人类意图压缩成下游机器可执行的规格**。它不属于 Agent Skills 规范的 Skill 形态与否，描述未明说，需进仓库确认；1944 星的体量说明“vibe coding 的上游草图层”这个生态位已经被市场认领。

## 副拆解二：image-to-3d-pipeline——自带评分的稀缺样本

dreamers-laboratory/image-to-3d-pipeline，298 星。描述："Reconstruct 3D meshes from images with several open-source models and score which did it best"——用多个开源模型从图像重建 3D 网格，**并且评分哪个做得最好**。

单看每个词都不新鲜：照片转 3D 是老赛道，多模型是常规操作。稀缺的是最后那个 "score"——**Agent 产出质量参差是所有生成类工具的通病，而绝大多数 Skill 的对策是“写更严的提示词”，它的对策是“一次生成多个、用评分环节择优”**。这和本栏目此前拆过的 xhs-image-gen 的“缺字审计”、guizang 前作的校验脚本同属一个设计流派：不信任单次生成，用验证闭环兜底。把“评分”内建成流水线环节而非留给用户肉眼挑，等于把验收成本也自动化了。328 星以下的体量配这个设计思路，是典型的小而美；短板在描述未说明评分标准是什么（几何精度？纹理保真？），这恰恰决定评分环节是真护栏还是走过场。

## 副拆解三：camera-to-blender——最后一米的物理正确

ahujasid/camera-to-blender，328 星。描述只有一句："Take a photo of real objects, and paste them in Blender"——给实物拍张照，贴进 Blender。

它的定位词是 "real objects"：不追求生成式重建的惊艳，只解决“把真实物体弄进 3D 场景”这最后一米。对 Blender 用户而言，建模一个真实物件是小时级的活，拍照导入是分钟级的，价值主张用时间差就讲完了。它与 image-to-3d-pipeline 构成同赛道的两条路线：后者求“多模型择优”的精度，前者求“一键贴入”的顺手。短板是描述未说明导入物体的拓扑与材质质量——3D 资产的可用性从来不只是“进得去”，还有“改得动”。

## 安装命令

guizang-yingzao 与各邻居的通用安装写法如下（Skills CLI 依赖其声明的宿主兼容性；手动方式零依赖，路径以各仓库 README 实际说明为准，本轮未能逐一核验安装字段）：

```bash
# 主拆对象：文化/古建/旅行照片转化（Claude Code / Codex 双宿主声明）
npx skills add op7418/guizang-yingzao-skill
# 手动安装
git clone --depth 1 https://github.com/op7418/guizang-yingzao-skill ~/.claude/skills/guizang-yingzao-skill

# m3e-canvas：草图→vibe-coding 提示词（形态待仓库确认）
git clone --depth 1 https://github.com/lnkiai/m3e-canvas ~/tools/m3e-canvas

# image-to-3d-pipeline：多模型重建＋评分（注意其依赖与显卡要求）
git clone --depth 1 https://github.com/dreamers-laboratory/image-to-3d-pipeline ~/tools/image-to-3d-pipeline

# camera-to-blender：照片→Blender 物体（需本地 Blender 环境）
git clone --depth 1 https://github.com/ahujasid/camera-to-blender ~/tools/camera-to-blender
```

## 推荐排行榜

- **综合首选**：m3e-canvas（3.97）——双榜在身，“草图→提示词”的输出倒置是四者中最新的生态位；
- **设计最值得抄**：image-to-3d-pipeline——把“评分择优”内建进流水线，所有生成类 Skill 作者都该看一眼它的思路；
- **文化赛道独苗**：guizang-yingzao——题材型 Skill 的描述范本，输入域“窄→宽”排序与双宿主声明都是可直接复用的写法；
- **最顺手**：camera-to-blender——一句话价值主张，时间差就是卖点；
- **观察名单**：guizang-yingzao 的星数走势——如果它沿“用户晒图”路径起量，就验证了 UGC 入口型 Skill 的传播假设；如果停滞，说明文化题材的验证成本确实压传播，两个结果都有信息量。

```mermaid
mindmap
  root((guizang-yingzao<br/>拆解要点))
    命名层
      作者前缀guizang
      营造的文化指向
      题材写进描述第一句
    描述层
      emoji定文化调
      双宿主声明
      输入域窄到宽排序
    品类层
      文化母题型
      UGC晒图传播假设
      文化准确性风险
    待验证
      SKILL.md原文
      输出物形态
      校验环节有无
```

## 结语：Skill 的输入端正在被重新发明

这一期四个对象摆在一起，能看到一条此前横评没扫过的暗线：**Skill 生态的注意力正在从“输出端卷风格”转向“输入端卷入口”**。此前两周的图像类新星卷的是输出美学（mono-color 的单色、sepia 的人味），而本期这一批的共同点是重新定义“什么可以当输入”——旅行照片、实拍物体、浏览器草图，全是不需要用户先会写提示词的天然素材。输入越接近人人手里已有的东西，Skill 的用户面就越宽；而 guizang-yingzao 在这条通识路线上又加了一层限定：不是所有照片都接，只接得出文化含量的照片。**入口大众化、出口专业化**，这个组合能否跑赢纯风格滤镜，就看接下来两周它的星数曲线怎么走。

## 参考来源

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)