核心原理#

LLM 不直接看视频画面，而是通过两层信息理解视频：

1. 音频转写（必须）：用 ElevenLabs Scribe 做 ASR，生成词级时间戳 + 说话人分离 + 音频事件（笑声、掌声等），打包成 ~12KB 的 takes_packed.md——这是 LLM 的主要阅读视图
2. 视觉合成（按需）：在关键决策点生成胶片条+波形图+文字标签的 PNG，用于辅助判断

优势：相比逐帧读取（30000帧 × 1500 tokens = 45M tokens），video-use 只需 12KB 文本 + 少量 PNG，token 消耗降低几个数量级。

安装状态#

所有项目代码在 ~/claudecode/projects/video-use/：

1
~/.claude/skills/video-use  →  ~/claudecode/.claude/skills/video-use  →  projects/video-use

正确使用方法#

关键：必须在存放原始视频素材的目录启动 Claude Code，而不是在项目目录。

1
# ❌ 错误：在 video-use 项目目录启动（会被当成 Python 项目）
2
cd ~/claudecode/projects/video-use
3
claude   # agent 会困惑：这是代码目录还是素材目录？
4

5
# ✅ 正确：在素材目录启动
6
mkdir -p ~/Videos/骑行日常
7
cd ~/Videos/骑行日常
8
cp ~/Downloads/*.mp4 .     # 放入原始素材
9
claude                     # 自动加载 video-use skill
10
# 在会话中说："把这些剪成一个发布视频"

所有输出保存在 <素材目录>/edit/ 下，原始素材不受影响。

工作流程#

1
转写 → 打包 → LLM 推理 → EDL 决策 → 渲染 → 自检

1. Inventory 盘点：ffprobe 检查每个素材，批量转写，生成 takes_packed.md
2. 预扫描问题：标记口误、错话等
3. 对话确认策略：了解视频类型、目标时长、风格方向，等用户点头
4. 执行：生成 EDL、并行子 agent 做动画、逐段调色、渲染
5. 自检：在每个剪切点检查视觉跳变、音频爆音、字幕遮挡
6. 迭代：根据反馈调整，最多 3 轮

支持的功能#

• ✂️ 自动剪除填充词（嗯、啊、口误）和空白段
• 🎨 自动调色（warm_cinematic / neutral_punch / 自定义）
• 📝 字幕生成（2 词大写块，可自定义样式）
• 🎬 动画叠加（HyperFrames / Remotion / Manim / PIL）
• 渲染后自检（每段切点验证）
• 📝 会话记忆（project.md 记录决策，下次继续）

踩坑记录#