结构化提示词脚手架
一份全片共用的简报, 加上每阶段七模块提示词 (role / context / task / specs / style / avoid / check), 子代理只拿简报与当阶段提示词, 上下文干净
版本0.3.0许可证Apache-2.0画面Python + Pillow配乐Python + NumPy编码FFmpeg
让 Agent 自己写代码做出成片
一个 Agent SKILL, 让你的 Agent 用脚本化的工具链自主生成视频, 不需要任何视频生成模型.
它默认不依赖素材库, 也不依赖剪辑软件: 画面由代码逐帧算出来, 配乐由代码合成出来, 最后用 FFmpeg 编码封装; 用户有产品照, Logo 或界面截图时也能贴进画面. 观感走的是动效设计, 因此每一帧都可复现, 每一处卡点都可验证.
覆盖通用内容场景: 科普讲解片, 产品宣传片, 数据动画, 片头片尾, 年度回顾.
Showcase
这是本技能生成的成片
不是概念演示, 是一条完整交付的 108 秒科普解说片: 有文案, 有分镜, 有配乐, 有卡点, 有客观验收记录.
参考成片
2026 诺贝尔化学奖: 不对称有机合成
这段视频有 约 11.8 MB, 点确认后才开始下载
Features
技能里有什么
二十一份方法论文档, 三十八个脚本与九份骨架模板 (合计六十九个文件), 覆盖从拿到主题到交出成片的每一步.
内容与合规底线
事实有出处且追不到就删, 素材许可逐项核实并写进署名文件, 不画真人脸并标注 AI 生成内容, 画面只依赖时间且定种子; 品牌色必须实测, 画面上的数字要与代码实际值对账; 含个人信息的素材走三层去敏并自动推导禁用词反查
文案与节奏
开场语法, 单屏字数与阅读速度的量化模型, 字/秒诊断区间 (低于 4 太空, 高于 16 读不完), 信息密度守恒 (单屏信息量不超过 9, 拆屏前后 N x I x D 相等), 三幕占比与保留率台阶, 叙事线索, 关键句落在音乐能量变化的那一小节
逐拍卡点
结构层, 事件层, 音效层三层对齐; 段内四拍职责; 全片运动峰值与锚点前后帧两种验证手段互补
画面引擎
超采样画布抗锯齿, 缓动与节拍原语, 字号反解与字高对齐, 字距与逐字错帧, 落位压印, 发光与加性光晕, 通用 UI 组件, 外部图片 (贴产品照, Logo 与界面截图, 带圆角与软投影), 分层绘制 (整层画完再按不透明度与混合模式合回, 印刷底纹常用), 曲线按拍逐段生长, 颜色混合; 转场手法目录覆盖硬切到遮盖揭示与出入画
立体与印刷
纯 Python 3D 点云渲染与隐藏线刻版; 印刷与 riso 路线的纸底, 网点, 分色, 乘法叠印与套印偏移
性能口径
单帧成本探针把一帧按 Pillow 矢量与文字, numpy 后期, 3D 点云, PNG 落盘四段拆开计时, 给绝对毫秒与占比, 并附算子对照表; 报价前按自己实测的复杂度折算, 不直接引用标称值, 该优化与不该优化的判据也成文
能力边界
有一份按画面, 声音, 数据, 语言, 交付五个维度分"能做 / 勉强 / 做不了"三栏的边界页; 立项单第 17 项必填能力缺口声明, 拿它当对照表逐条核用户提的每一条交付特征, 落在"做不了"栏的一律写进表里让用户选处理方式, 不许照文档指引静默降级成交付物 (要人物做成文字排版片, 要赛博朋克做成管弦乐, 要照片做成没有照片的动效片)
风格牌堆
31 张可直接落地的风格牌 (含逐帧手绘, 等轴2.5D, 扁平矢量, 赛博朋克HUD, 像素风等商用流行风格), 缺省取三张差别看得见的候选交给用户挑 (可复现, 可排除上一条, 单张抽签只在用户说"你定就行"时兜底), 牌面落成项目里的 STYLE.md; 牌堆两张表的 id, 名称与档位由 style_lottery.py --check 当场校验
配乐引擎
管弦乐与电子两套音色库, 编排按小节意图表逐小节给意图 (留白, 推进, 全奏, break, 回落, 收束), 暖调母带链含过采样真峰压制; 低内存机器可降采样合成或分段写盘拼接
声音设计与拟音
三层声音在分镜阶段就定成声音设计表 (环境层, 拟音层, 配乐状态); 拟音由代码自产 (swell, bloom, glide, harp, thump, paper, ding, noise_bed 等 14 种音色, 带峰值表), 用户素材可逐条替换; 脚本自查稀疏度, 噪声 whoosh 次数与最长留白; 转场不用噪声 whoosh, 约一半切点留空
音频回画面
逐帧 RMS 包络, 平滑包络, 四段频段占比与逐小节曲线按帧索引导出, 场景模块取用后元素能跟着音乐实际强弱起伏; 帧率不一致直接报错; 同一条曲线给出建议钉关键句的小节号, 锚点先测后钉
用户自备音乐
反推拍表, 找无接缝小节, 按小节剪接且接缝落在精确的小节线上, 剪完复测拍表
无视觉验收
字符图构图核对 (亮场用墨迹模式, 细线稿用梯度模式), 前后帧对比, 编码前逐屏终检表 (带幕号, p95 与 p99 双档判偏暗, 唯一色数与饱和度, 自动判空白帧与平板帧), 屏号到幕号到场景函数的反查, 计划抽帧总览, GIF 运动预览, 亮度多张输入与 markdown 落表, 字形体检 (可读计划与场景源码), 版面静态体检 (从场景模块抽全部文字调用, 按真实墨迹两两查相交并查越界; 只抽文字不抽容器, 卡片溢出要另核), 文字墨迹覆盖率查"框里有没有字", 文字墨迹覆盖率查"框里有没有字", 与纯背景差分查每帧都存在的静态叠加缺陷, 去敏反查, 独立 PSNR 复测, 从成片解码回来量真峰
编码封装
帧序列编码, 混音, 响度归一, 真峰验收, 流信息与画质质检; 编码显式写 bt709 色彩标签与固定 GOP, 交付前回读色彩标签与音画等长; 两道帧完整性硬闸 (编码前按字节体检帧目录, 编码后核对实际解码帧数), 拦的是帧数齐但内容没写完的坏帧; 色彩标签或音画等长不合格直接拒绝出片; 两条编码路线的退出码语义完全一致 (0 成功 / 3 等二次确认 / 4 应拦截 / 5 真峰不合格 / 6 帧完整性不合格 / 9 成片流信息不合格), 可直接写进自动化判断; 长片走分批路线: 断点续跑, --redo 只重编指定批次, 配套只读进度前端轮询状态文件, 帧空洞与批次自检在进门前拦截; 可选硬件编码器, 并附编码路线对比工具 (先分离解码与滤镜与编码三段开销)
流程安全门
确认单分三张分时问, 不再一次问完: 立项单 (主题, 受众, 收货, 必现与必不现的词, 自备素材, 时长档位, 画幅, 帧率, 分批, 交付形态与交付语言, 署名, 命名, 输出目录), 覆盖度与结构单 (带出处的知识节点, 两到三个覆盖方案与结构骨架, 重点与配比, 时长修正), 风格与配乐单 (三张候选样图加推荐, 配乐试听, 配色, BPM, 确认模式); 每一项给 2 到 4 条具名路径加一条推荐, 全量渲染与最终合成前各再确认一次; 重活先探测核数, 负载, 内存与磁盘, 按限额跑, 不按满核跑; 任何要用户拍板的节点都先交产物路径再提问
跨平台字体
中文字体与等宽字体跨平台探测: 环境变量目录, fc-list, 系统字体目录三级, 探测结果生成 FONT_PATH 片段; 并行渲染按帧区间开独立进程, 帧目录与总帧数以场景模块为准
画幅自适应
画面引擎支持 16:9 / 9:16 / 1:1 三档预设与自定义偶数宽高, 组件坐标由画幅短边派生, 竖屏与方屏不是简单裁切而是完整构图; 资源限额按画幅面积折算
工程脚手架
一条命令起工程: 建目录, 把脚本复制成工程内的自包含副本, 生成骨架 (简报, 阶段提示词, 三张确认单, 屏文案表, 分镜表, 署名文件) 并写好工程根的 theme.py (身份, 时间网格, 画幅, 色板, 字体, 幕表都在这一处, 场景模块优先从它取值, 删掉它也能回退到场景模块内的同名常量); --aspect 定画幅, 随 --bpm --dur --fps 一起写进 theme.py
Pipeline
九个阶段, 两道确认门
开工前确认一次 (代价, 配色, 确认模式, 是否分批, 署名, 命名), 全量渲染与最终合成前各再确认一次; 重活之前先探测核数, 负载, 内存与磁盘, 按实测限额跑. 交付节点不可省略: 风格取三张差别看得见的候选各出一张同内容样图交你挑定, 配色与挑定的方向再合成两张带色值的样图回执, 全量渲染前再出开头约 10 秒的带音轨样片; 每个节点都先交文件路径, 等你看完给出回执再往下走.
0
探测环境
ffmpeg, Python 库, 字体, 磁盘, 沙箱限制与可用的硬件编码器
1
简报与提示词
立项单在开工前问完并落 prompts/requirements.md, 再出 prompts/brief.md 与各阶段七模块提示词
2
内容与文案
带出处的知识节点与一屏一句的屏文案表, 覆盖度与结构单落 prompts/coverage.md
3
风格与分镜
取三张候选风格并各出样图交用户挑定, 配色与配乐试听一并确认, 再排拍表与写分镜 (分镜板默认给看)
4
配乐先行
先出 score.wav, 画面切点跟着配乐切点走
5
分段渲染
代表帧核对, 交带音轨的开头样片等回执, 过确认门后按限额全量渲染
6
逐屏终检
编码前用帧序列逐屏核对亮度与构图, 版面静态体检查文字墨迹是否相交, 再用量墨迹覆盖率的检查确认每个框里真的有字, 异常屏反查幕号与场景函数, 通过后才允许编码
7
编码封装
H.264 编码, AAC 混音, 响度归一, 真峰验收; 长片走分批路线, 断点续跑并配只读进度前端
8
客观验收
二十一项目标判据逐项过闸: 卡点, 画质, 响度, 真峰, 色彩标签, 音画等长, 时长精确到帧, 首帧非黑, 体积, 确定性, 帧完整性, 字形与内容; 清理是最后一步且顺序固定
Requirements
跑起来需要什么
全部是本地工具, 不需要联网, 不需要 GPU, 也不需要视频生成模型.
| 依赖 | 用途 | 缺失的后果 |
|---|---|---|
| Python 3 | 全部脚本 | 无法运行 |
| numpy | 画面背景, 配乐合成, 验收指标 | 无法渲染与合成 |
| Pillow | 画面绘制与帧导出 | 无法渲染 |
| FFmpeg 与 FFprobe | 编码, 混音, 抽帧, 质检 | 无法出片 |
| 中文字体 | 上屏文字 | 中文变豆腐块 |
| zstandard | 可选, 仅 token 统计 | 失去片尾成本字幕 |
Quick start
装好之后先说一句话
技能被触发后, Agent 会先做环境探测, 再走启动确认门问你时长与分辨率, 配色, 确认模式, 是否分批, 是否需要署名与交付命名, 拿到答复才开工; 之后全部按确认单执行, 中途只在重活前再确认资源.
用 agent-video-driver 做一条 60 秒的科普解说片, 主题是坐标系为什么有用python scripts/check_env.pyInstall
三种安装方式
技能发现深度只有一层, 所以整个 agent-video-driver 目录直接放进技能目录即可.
下载技能包
从 Releases 取 zip (文件名带版本号), 解压出来的 agent-video-driver/ 直接可用
前往 Releases 取 Agent-Video-Driver.SKILL*.zip拷贝目录
把仓库里的技能目录拷进你的技能目录, 发现深度只有一层
cp -R skills/agent-video-driver ~/.claude/skills/交给 Agent
把这句话交给任何编程 Agent, 让它自己安装
从 https://github.com/JularDepick/Agent-Video-Driver.SKILL 安装 agent-video-driver 技能Tradeoffs
设计取舍
把边界说清楚, 免得你在不合适的题材上浪费一轮.
代码出片而不是生成式出片
画面与音乐都由代码算出来, 于是同一帧每次渲出来都一样, 卡点可以量化验证, 修改只需改参数. 代价是画面风格有边界, 不适合写实影像与真人出镜; 另有两处新盲区: 贴进来的截图或照片上的文字去敏反查查不到, 贴图框压住文字也没有自动检查, 这两条要人工核
配乐先行
先定音乐就锁死了时间轴, 画面切点跟着音乐切点走, 不需要后期对轨
风格取候选而不是替用户定
引擎能做的风格差别很大, 放任自流时它总做最响的那一支; 所以缺省取三张落在不同档位的候选, 各出一张同内容的样图加一条绑题材的推荐让用户挑, 而牌里一半以上是轻的
无视觉也要能验收
多数 Agent 看不到自己渲的图, 所以验收全部建立在可量化的替代手段上, 并由 Agent 明确告知用户观感需要你过目
不引入外部依赖
只用 Python 标准库加 numpy 加 Pillow 加 FFmpeg, 离线可用, 版本可控