Agentic Coding 15：内容创作者的自动化工厂

本文是「Agentic Coding」系列的又一篇实战：这一系列的方法论始终是同一条，把你的领域知识写成规格，让 Agent 替你写完所有代码。这一篇面向自媒体、视频博主、播客主这类内容创作者，目标是搭一座自动化内容工厂：从一段原始视频出发，自动产出字幕、切片、封面和多平台文案，而 Agent 负责写工厂里的全部代码。

创作者的重复劳动：每周 15 小时花在哪

设想一位每周更新一期 30 分钟讲解视频的知识博主。拍完之后，她每周还要投入大约 15 小时做后期：2 小时剪辑，3 小时做字幕，2 小时做封面，4 小时给不同平台写文案，4 小时把内容分发到 B 站、抖音、YouTube、小红书和播客五个渠道。这些活没有一件需要灵感，却件件都在耗时间。

工厂的目标很直接：输入 raw.mp4，输出一套平台适配的内容包，把每周 15 小时的后期压到 5 小时以内。

动手之前，先想清楚 Agent 不知道什么，这决定了创作者在这条流水线里的位置：

哪些片段是值得剪成短视频的高光时刻；
不同平台的标题风格，B 站吃长尾词，抖音要钩子，小红书要种草感；
封面配色要符合个人 IP；
章节切分点按内容逻辑走，而不是按时间均分。

Agent 能批量生成 100 个标题，但只有创作者本人知道哪一个符合自己的人设。这就是领域知识带来的杠杆。

六个模块组成流水线

内容工厂拆成六个模块：预处理用 ffmpeg 把素材转码成 1080p 标准格式并提取音轨；转录用本地 whisper 模型生成 SRT 字幕和纯文本；剪辑按章节把长视频切成 3 到 5 条 1 到 3 分钟的短片，开头加黑场和标题字幕；视觉模块生成 1920x1080 封面图和 GIF 预览；文案模块产出各平台文案；分发模块用官方 API 上传，没有开放 API 的平台提示人工处理。

核心设计思想只有一句话：模块之间用文件传递。每个模块独立可测，坏了一起单独修；audio.wav、subtitle.srt、transcript.txt 这些中间产物都是明文文件，随时可以人工检查。

内容工厂流水线全景：一段视频进，全套内容包出

先写规格，再让 Agent 写代码

动手之前，先把项目规格写成三段：R 是背景，交代输入输出；F 是功能，逐模块列需求，业务规则单独标出；C 是验收标准，给出可检验的数字。规格里的业务规则长这样：原视频超过 1080p 就降采样以省存储；每条切片开头加 1 秒黑场和标题字幕；封面主色用人设色；四份平台文案必须各有差异，不许复制粘贴。验收标准长这样：字幕准确率超过 95%，用前 2 分钟人工核对；切片无破碎句子；总耗时小于 20 分钟。

把模糊的偏好写成可执行约束，是写规格的关键。「标题要好一点」没法执行，「抖音版标题不超过 20 字，前 5 字必须有冲突或悬念」Agent 就能照办。

转录：whisper 加一份业务词库

转录模块的任务提示词写明：输入 audio.wav，用 openai-whisper 的本地 medium 模型，中文识别质量好且不太慢；输出 SRT 字幕和纯文本；跑完汇报转录字数和用时。Agent 几十行就能交付：

python

# src/transcribe.py
import whisper
from datetime import timedelta

def transcribe(audio_path, model_size="medium"):
    model = whisper.load_model(model_size)
    result = model.transcribe(audio_path, language='zh')
    with open('output/subtitle.srt', 'w', encoding='utf-8') as f:
        for i, seg in enumerate(result['segments'], 1):
            start = str(timedelta(seconds=int(seg['start'])))
            end = str(timedelta(seconds=int(seg['end'])))
            f.write(f"{i}\n{start} --> {end}\n{seg['text'].strip()}\n\n")
    return result['text']

真正的价值在业务验证。博主核对前 2 分钟字幕，发现「AI Agent」被识别成了「爱爱金特」，自己的口头禅也经常丢字。解法不是换模型，而是给 whisper 加业务词库，用 initial_prompt 引导模型识别专业术语：

python

result = model.transcribe(
    audio_path,
    language='zh',
    initial_prompt="以下是专业术语：AI Agent、LLM、GPT、Claude、提示词、智能体、token、上下文"
)

一行参数，术语识别立刻正确。通用工具加业务词库，这是内容流水线里反复出现的模式。

封面：抽帧、蒙层与人设水印

封面模块的规则全部来自博主的经验：在视频 25% 时间点抽帧，那里通常是内容核心；叠加暗色蒙层保证文字可读；标题超过 12 字自动换行；右下角压上固定的账号水印。Agent 用 ffprobe 读时长、ffmpeg 抽帧、Pillow 合成，一次就能写对。唯一的坑是中文字体路径因系统而异，最稳的方案是项目里自带一份开源的思源黑体，跨平台不再报错。

文案：领域知识最密集的一环

多平台文案是最能体现领域知识的地方，四份文案各有各的规矩：B 站版标题 12 到 20 字、含关键词、不标题党，简介第一行必须是钩子，还要从字幕自动提取章节时间戳；抖音版标题不超过 20 字且前 5 字要有冲突或悬念，正文 50 到 80 字、结尾留问句；小红书版走种草风格；YouTube 英文版先翻译再做 SEO 优化。「前 5 字必须有冲突」这类规则，Agent 永远不会自己想到，全靠创作者写进任务提示词。

实现层面反而简单：读入 transcript.txt 和字幕时间轴，调一次 Claude API（示例里用的是 claude-sonnet-4-5），让它按模板把四份文案写进 copywriting.md。

验证的三个维度与人工红线

内容项目的验收和代码项目不同，要看创意质量，分三个维度：准确度，字幕有没有错别字、术语对不对；吸引力，标题有没有点击欲、文案有没有平台特色；一致性，符不符合人设，配色和文风统不统一。

人工核对清单同样具体：字幕前 2 分钟逐字核对人名、术语和数字；每个标题问一遍自己「我会点吗」；封面发到手机上看小屏效果，不是在电脑上看；文案和自己往期的内容对比，避免重复套路。红线只有一条：错别字和事实错误会直接砸招牌，Agent 写的文案必须人工过一遍再发。

人设手册：把风格写成配置

创作者最重要的领域资产是人设，而人设可以代码化。写一份人设手册，贴进所有与文案相关的提示词：

人设手册：把口吻、禁用词与人设色写成配置

手册里写清楚口吻，直接、专业但不学究、偶尔自嘲；禁用词，「在这个 xx 的时代」「让我们一起」「干货满满」这类 AI 套话；人设色，主色 #FF6B6B，辅色白色加深灰，字体思源黑体；以及内容红线，不夸大效果、不蹭不懂的热点、不用震惊体。把这份手册喂给 Agent，它生成的文案立刻「像你写的」。这是人设的代码化，也是内容创作者真正的护城河。

常见坑与解法

whisper 太慢：坚持用 medium 不上 large，中文场景 medium 够用；追求速度换 faster-whisper 的加速版。
长视频字幕时间轴漂移：每 10 分钟切一段分开转录，再拼接结果。
ffmpeg 没安装：Mac 用 brew install ffmpeg，Windows 去 ffmpeg.org 下载并加入 PATH。
中文字体找不到：项目里带开源思源黑体，别依赖系统字体路径。
文案 AI 味重：把「在这个快节奏的时代」「让我们一起」等套话列进禁用清单，并在提示词里声明自己的口吻。

进阶玩法

跑通主流程之后还有四个扩展方向：写一个批量脚本，给 50 期历史视频补齐文案；每期生成 5 个标题候选发动态投票，用真实数据做 A/B 测试；让 Agent 从转录稿里挑出 5 句 30 字以内、单独成立也有传播力的金句，生成金句海报；用 YouTube Data API 拉回过去 30 天的点击率和完播率，分析哪类标题和封面效果更好，再把结论写回人设手册。