用Claude Code重建历史建筑：Monument开源技能可交互还原3D建造过程

把一座历史建筑的名称丢给 AI，让它自动查阅史料、推算真实尺寸、按施工阶段生成可交互的 3D 模型——这个听起来像是建筑史研究者才会提出的需求，如今被做成了一个 Claude Code 的扩展技能。

开发者 Gleaming0427 在 Dev.to 上发布了一个名为 Monument 的开源项目。它的使用方式相当直接：

/monument Leaning Tower of Pisa, Italy

输入这行命令后，Claude 会依次完成一套完整的研究与建模流程。

Monument 到底做了什么？

与“让 AI 直接画一个比萨斜塔”不同，Monument 的执行路径被拆成了可追溯的多个步骤：

1. 检索该建筑的历史资料，梳理建造年代与背景；
2. 查找真实占地面积与建筑尺寸；
3. 识别不同的施工阶段；
4. 用程序化几何（procedural 3D geometry）生成建筑形体；
5. 生成可交互的时间轴，逐块观察建筑的“堆叠”过程；
6. 将结果与参考照片比对，据此修正模型精度。

这套流程刻意把“研究”放在“生成”之前。开发者强调，每一个施工阶段都有对应的年代和出处标注，几何形状优先基于可查证的实际测量数据，而对于资料不足的细节，系统会明确标为“不确定”，而不是当作史实直接呈现。

这意味着 Monument 的定位不是视觉玩具，而更接近一个带有可追溯性的建筑史可视化工具。

程序化几何（Procedural 3D Geometry） 指的是不通过人工建模软件逐面绘制，而是用代码、参数和算法规则自动生成三维形体的方式。传统 3D 建模往往依赖美术师手工推拉顶点、雕刻细节，适合艺术创作但难以规模化，也不便于把"尺寸""年代"这类文字信息直接转化为模型。程序化几何则相反：开发者先定义占地轮廓、层高、收分曲线、柱廊开间等可参数化的几何规则，再由程序按规则逐层堆叠出塔身、穹顶、拱券等结构。它的优势是尺寸可溯源、阶段可拆分、结果可复现——只要输入的历史测量数据不同，生成的形体就会随之改变。Monument 选择这条路，正是为了让"每一层对应哪个年代、依据哪份资料"能在模型上留下痕迹，而不是生成一个无法解释来源的漂亮外壳。

技术实现：本地运行，Three.js 驱动

Monument 完全在本地运行，3D 渲染依托 Three.js 完成。目前开发者已经做出了三个可交互重建案例：比萨斜塔、埃菲尔铁塔、罗马斗兽场。

项目以 MIT 协议开源，安装方式为：

npx skills add Gleaming0427/monument

除 Claude Code 之外，该技能还支持 Codex、OpenCode 和 Antigravity。

项目地址：GitHub 上的 Gleaming0427/monument 仓库；交互演示可在 gleaming0427.github.io/monument 查看。

Claude Code 技能（Skill） 是 Anthropic 为 Claude Code 提供的扩展机制，允许用户把一套固定的指令、工具调用流程和资源文件打包，通过一条斜杠命令触发。它本质上不是训练进模型的新能力，而是一份结构化的"操作说明书"：模型读到技能定义后，会按预设步骤依次调用检索、计算、文件读写、浏览器渲染等工具，把原本需要多轮对话才能完成的任务压缩成一次命令。正因如此，同一个技能可以被移植到 Codex、OpenCode、Antigravity 等同样支持类似扩展协议的环境里。Monument 就是这样一个技能包，它把"查史料—核尺寸—分阶段—生成几何—做时间轴—比对照片"这条链路固化下来，让用户不必每次手动重复编排。

一个诚实的限制：慢，并且需要迭代

开发者主动提到了这套方案的短板：一次细节完整的历史重建可能耗时 30 到 90 分钟，而且首次生成的结果往往需要人工再调优。

这个时间成本并不意外。程序化几何生成本身就依赖反复校验，加上历史资料检索、阶段识别、与参考照片的对比修正，每一环都在拉长单次任务的总时长。对于想要快速出图的场景，Monument 并不合适；它更适合愿意为可追溯性等待的研究型或教学型使用。

从更宽的视角看，Monument 代表了一类正在成形的 Claude Code 技能方向——不再局限于代码生成与效率工具，而是把 AI 的检索、推理与创作能力串成一条带出处的工作流，去处理更专门、更“冷门”的知识型任务。开发者本人在帖子里也抛出了一个问题：下一个该重建哪座建筑？

可追溯性（Traceability） 在知识型 AI 工作流中，指的是结论的每一步都能回指到具体来源与依据。Monument 把它落实为三个具体做法：施工阶段标注年代与出处、几何优先采用可查证测量值、资料不足处显式标为"不确定"。这三条共同构成一种"可审计"的产出——使用者不仅看到一座塔，还能知道第几层是哪一年加的、哪个比例来自哪份测绘、哪些细节其实是推测。这与纯生成式模型容易"一本正经编造"的倾向形成对照：后者的失败往往无法被察觉，而可追溯的工作流把不确定性暴露出来，让研究者、教师或学生自行判断可信度。30 到 90 分钟的耗时，很大程度上正是为这套审计链条付出的代价。