视频剪辑智能体

当你让AI Agent处理长视频时，最常见的翻车方式是让模型“整段盲看”——把几十分钟的帧序列全部塞进上下文，不仅烧掉大量token，剪出来的切点也没法复现。这个技能要解决的，就是让Agent用更工程化的链路完成视频裁剪：音频转写带时间戳→只在候选点读帧→生成EDL→ffmpeg渲染。

核心链路与关键步骤

整个流程分为六个可验证的环节：

• Probe（探测）：先确认视频的时长、分辨率、是否有音轨，避免后续步骤在错误输入上展开。
• Transcribe with timestamps（带时间戳转写）：优先使用whisper类工具拿到词级或句级时间戳，保证全文可检索、时间轴覆盖全片——这是后续所有剪辑决策的基础。
• Candidate cut points（生成候选切点）：从转写结果中提取主题句、重复冗余段、过长停顿，或用户指定的关键词，输出带起止秒的候选列表。
• Selective visual check（选择性视觉验证）：只对候选切点抽帧或查看短窗口，确保每个“保留/删除”的决策都有帧画面或文本证据支撑。
• Write EDL（生成EDL）：把剪辑决策整理成覆盖全时间轴、无重叠冲突的EDL文件，让剪辑方案可复现、可追溯。
• Render（渲染）：用ffmpeg按EDL渲染输出，最终交付output.mp4、edl.md、transcript.json和决策摘要。

适用边界与注意点

这个技能不适用单张图片处理，也不适合“纯配乐无对白且无需语义的硬切”——后者可以直接用ffmpeg解决，没必要引入转写和抽帧的链路。

使用时要避开几个常见坑：

• 不要把整片帧序列都喂给模型，这会浪费token且无法验证决策；
• 不要跳过EDL直接手猜切点，否则剪辑结果不可复现；
• 不要忽略音画同步（比如切在词语中间），或乱设置重编码参数导致画面模糊、音画不同步。

最后可以用四点验证结果：是否有带时间戳的转写？是否生成了EDL？渲染结果是否可播放？所有剪辑决策是否能回溯？