Claude Code 现在也能剪视频了：像剪辑师一样干活的开源 Skill

你大概习惯了，剪视频得打开 Premiere 或 Final Cut，拖时间线、调字幕、抠静音、配动画，一坐就是半天。

但如果我说，现在你可以把素材扔进一个文件夹，跟 Claude Code 说一句"剪成一条发布视频"，它就自己干完了，你会信吗？

Miguel Ángel Durán（@midudev，西班牙语圈顶级开发者博主）最近推荐了一个开源 Skill：video-use，来自 browser-use 团队。100% 免费、开源，让 Claude Code（或任何带 shell 的 AI Agent）变成一个对话式视频剪辑师。

今天就来拆它，为什么这个项目的设计哲学，值得每个做 AI 工具的人学。

video-use 的演示，在终端里对话，Claude Code 直接产出剪辑好的 final.mp4。

一、它能干什么

先看功能，再讲原理。video-use 能做的：

• 剪掉填充词和废片，umm、uh、口误、开场白、take 之间的静默
• 自动调色，每段统一风格（暖色电影感、中性锐利，或自定义 ffmpeg 滤镜链）
• 30ms 音频淡入淡出，每个切点都处理，绝不出现"啪"的爆音
• 烧录字幕，默认 2 词一组的大写块，样式完全可定制
• 生成动画叠加，通过 HyperFrames / Remotion / Manim / PIL，并行子 Agent 生成，每个动画一个
• 自我评估，每个切点边界处，渲染前先自查一遍
• 会话记忆，project.md 持久化，下次接着上次的进度剪

听起来像专业剪辑师干的活？没错，它就是想替代那套工作流。

二、用法：一句话启动

装好后，进到你的素材文件夹，启动 Claude Code：

cd /path/to/your/videos
claude

然后在会话里说：

edit these into a launch video

（把这些剪成一条发布视频）

它会：盘点素材 → 提出剪辑策略 → 等你确认 → 产出 edit/final.mp4。

注意那个"等你确认"，这是它的设计哲学之一（后面会讲）。所有产出都在 <视频目录>/edit/ 下，Skill 目录保持干净，不污染你的素材。

三、核心哲学：LLM 不看视频，它"读"视频

这是整个项目最精彩的设计。README 里有一句话点透：

The LLM never watches the video. It reads it.

（LLM 从不看视频。它读视频。）

为什么这个思路关键？看那个对比：

朴素做法：30,000 帧 × 1,500 tokens = 45M tokens 的噪声。 video-use：12KB 文本 + 少量 PNG。

如果把视频当一堆图片喂给 LLM，token 会爆炸，而且大部分是噪声，LLM 根本处理不过来。video-use 的解法是给 LLM 一个结构化的"阅读视图"，而不是一堆帧。

这跟 browser-use 团队自己的成名作是同一个哲学，browser-use 给 LLM 一个结构化 DOM 而不是网页截图，video-use 给 LLM 一个结构化转录而不是视频帧。把非结构化的媒体，转成 LLM 能高效消费的结构化文本。

它用了两层：

Layer 1：音频转录（始终加载）

每个素材调一次 ElevenLabs Scribe，得到：

• 词级时间戳（精确到每个词的开始/结束）
• 说话人分离（S0、S1…）
• 音频事件（(laughter)、(applause)、(sigh)）

所有 take 打包成一个约 12KB 的 takes_packed.md，这是 LLM 的主阅读视图。长这样：

## C0103  (duration: 43.0s, 8 phrases)
  [002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted.
  [006.08-006.74] S0 We fixed this.

LLM 读这个，就能知道每个词在哪、谁说的、中间有没有笑声，剪视频需要的全部信息，都在文本里。

Layer 2：视觉合成（按需加载）

timeline_view 生成胶片条 + 波形 + 词标签的 PNG，只在决策点调用，比如模糊的停顿、take 对比、切点 sanity check 时。

为什么不全量生成？因为贵、且没必要。绝大多数剪辑决策靠转录文本就够了，只有少数模糊时刻需要"看一眼画面"。按需可视化，是这套设计的效率核心。

四、流水线：转录 → 打包 → 推理 → EDL → 渲染 → 自评

Transcribe ──> Pack ──> LLM Reasons ──> EDL ──> Render ──> Self-Eval
                                                          │
                                                          └─ 有问题？修 + 重渲染（最多 3 次）

几个关键点：

• EDL（Edit Decision List，剪辑决策清单），LLM 输出的不是直接视频，而是一份结构化的剪辑指令，再由 render.py 执行。这是"AI 规划 + 脚本执行"的分离。
• 自评循环，渲染后，在每个切点边界处再跑一次 timeline_view，检查视觉跳变、音频爆音、字幕被遮挡。你看到的预览，是它自评通过后的版本。
• 最多重试 3 次，有界，不会无限循环（呼应 Loop Library 的"该停就停"）。

五、五条设计原则（值得每个 AI 工具作者抄）

README 末尾列了 5 条设计原则，我认为是整个项目最值钱的部分：

1. 文本 + 按需可视化。 不逐帧 dump。转录就是界面。
2. 音频为主，视觉跟随。 切点来自语音边界和静默间隙。
3. 问 → 确认 → 执行 → 自评 → 持久化。 没有策略批准，绝不碰剪辑。
4. 对内容类型零假设。 先看、先问、再剪。
5. 12 条硬规则约束生产正确性，其余艺术自由。 工程正确不可妥协，品味不是。

这五条，几乎可以直接套用到任何"AI 自动化专业工作"的场景。尤其第 3 条，"先问再动手"，跟前面 Claude Code 最佳实践里的 plan 模式、Loop Library 的"该停就停"、CJ Zafir 那段"可验证可撤销"的 prompt，是同一个理念：AI 做到 90%，关键决策交还人。

六、12 条硬规则（节选）

SKILL.md 里有 12 条不可妥协的生产规则，挑几条让你感受它的专业度：

• 字幕最后渲染（Rule 1），避免被叠加层遮挡
• 音频优先，切点候选来自词边界和静默间隙
• 保留峰值，笑声、punchline、强调节拍要留着，甚至要延长到包含反应（"笑本身就是节拍"）
• 说话人交接要有气口，通常 400-600ms，快节奏少点，电影感多点
• 静默是切点候选，≥400ms 通常最干净，150-400ms 要视觉检查，<150ms 危险（可能在句中）
• 切点 padding，默认第一个保留词前 50ms、最后一个词后 80ms，蒙太奇紧凑点，纪录片松点
• 永不独立推理音视频，每个切点必须音视频两条轨道都成立

这些不是 AI 拍脑袋写的，是真实剪辑师的 craft。SKILL.md 本质上是一份"如何当好剪辑师"的操作手册，喂给了 Claude Code。

七、怎么装

方式一：让 Agent 自己装（推荐）

在 Claude Code（或 Codex / Hermes 等）里粘贴：

Set up https://github.com/browser-use/video-use for me.

Read install.md first to install this repo, wire up ffmpeg, register the skill with whichever agent you're running under, and set up the ElevenLabs API key — ask me to paste it when you need it. Then read SKILL.md for daily usage, and always read helpers/ because that's where the editing scripts live. After install, don't transcribe anything on your own — just tell me it's ready and wait for me to drop footage into a folder.

Agent 会自动：克隆仓库、装依赖、注册 Skill、问你要 ElevenLabs API key（去 elevenlabs.io 申请）。

方式二：手动装

# 1. 克隆并软链到 Agent 的 skills 目录
git clone https://github.com/browser-use/video-use ~/Developer/video-use
ln -sfn ~/Developer/video-use ~/.claude/skills/video-use        # Claude Code
# ln -sfn ~/Developer/video-use ~/.codex/skills/video-use       # Codex

# 2. 装依赖
cd ~/Developer/video-use
uv sync                         # 或 pip install -e .
brew install ffmpeg             # 必需
brew install yt-dlp             # 可选，下载在线素材用

# 3. 配 ElevenLabs key
cp .env.example .env
# 编辑 .env：ELEVENLABS_API_KEY=...

依赖很轻：requests、librosa、matplotlib、pillow、numpy，可选 manim。核心靠 ffmpeg 做实际渲染。

八、它真正厉害在哪

拆完整个项目，我觉得 video-use 最值得学的不是"能剪视频"这个功能，而是它的方法论：

第一，它找到了 LLM 消费视频的正确接口。 不是喂帧，是喂转录文本。这把"45M token 噪声"压成了"12KB 高信号文本"。这个思路对所有"让 AI 处理富媒体"的场景都有启发，先想清楚 AI 需要什么信息，再设计最小化的表示。

第二，它把专业 craft 编码成了规则。 SKILL.md 那 22KB 不是废话，是剪辑师的 know-how。AI 工具的天花板，往往不在于模型多强，而在于你有没有把领域专家的知识喂给它。

第三，它坚持"人确认再动手"。 不像很多 AI 工具一上来就自动跑，video-use 的每一步都"ask → confirm → execute"。这是对专业工作的尊重，剪错了比不剪更糟。

第四，它把 Skill 设计成跨 Agent 的。 不绑定 Claude Code，Codex、Hermes、Openclaw 都能用。这是 browser-use 团队的格局，做生态，不做锁。

九、谁该试，注意什么

适合你，如果：

• 你做口播、教程、播客、访谈类内容（talking head 场景最对口）
• 你受够了手动抠填充词、调字幕
• 你已经在用 Claude Code，想给它加个视频能力
• 你是开发者，对 ffmpeg 不陌生

注意几点：

• 依赖 ElevenLabs Scribe 做转录，这是它最重的外部依赖，要 API key（有免费额度）
• 目前偏语音驱动，纯视觉蒙太奇、MV 这类强视觉内容，它的音频优先策略不是最优
• 需要本地 ffmpeg，Mac 用 brew 装就行，Windows/Linux 也能装
• 动画生成靠子 Skill，HyperFrames/Remotion/Manim 要单独配，但都是可选的

十、一个更广的信号

video-use 出现的意义，超过了"又一个好用的 AI 工具"。它印证了一个趋势：

Skill（技能）正在成为 AI Agent 时代的新应用形态。

以前的软件是"一个 GUI + 一堆功能"。现在的趋势是，一个 SKILL.md + 一组脚本，让任何 AI Agent 拥有一个专业能力。video-use 让 Claude Code 会剪视频，就像 AnyDoor 让菜单栏会截图、Codex Island 让刘海区会管会话。

这跟前面我们拆过的所有内容（橙皮书的 Skill 章节、Claude Code 最佳实践的 commands vs skills、Loop Library 的 Loopy skill），指向同一个未来：AI Agent 的能力，正在被一个个开源的 Skill 模块化、可组合化。

video-use 是这个趋势里，目前最完整、设计最讲究的样本之一。值得每个关心 AI 工具生态的人研究。

本文基于 Miguel Ángel Durán（@midudev）的 X 推文及 video-use 仓库整理，原文 https://x.com/midudev/status/2070508259010625823 ，仓库 https://github.com/browser-use/video-use 。开源免费，依赖 ffmpeg + ElevenLabs Scribe。

推荐配合阅读：前面写的 AnyDoor（同样是"开源整合专业能力"的思路）、Anthropic 8 趋势报告（Trend 5"扩展到新场景"的实例）、Claude Code 最佳实践（Skill 设计范式）。

本文是第二大脑 vault 的 raw 阅读笔记（2026-06 编译），观点与数字以写作时点为准。全系列背景见《把 18 篇文章喂给 Claude，编译出一座第二大脑》。