视频规格构建器

解决什么问题

把一句话需求变成可交付的视频规格，中间隔着巨大的信息鸿沟。"做一个产品宣传片"背后藏着上百个未决问题：多少镜头、每镜几秒、旁白是 AI 配音还是真人录音、字幕整句跳出还是逐字蹦出、音乐要不要跟鼓点对齐、视觉风格是 Apple 发布会式还是 Stripe 文档式。规格缺失时，下游渲染只能靠猜，返工成本极高。

这个技能负责把鸿沟显式化：通过持续追问，把模糊意图收敛成一份 video-spec.md，包含分镜表，让每个镜头的信息载荷、时长、动效、声音都有据可查。

核心能力与工作步骤

双模式入口。 启动时扫描项目目录：精确匹配 video-spec.md，模糊匹配 *video-spec*.md、*分镜*.md、*storyboard*.md。找到一个 → 迭代模式；多个 → 列文件名让用户挑；没找到 → 0-1 从零构建模式。同时检查 design.md / DESIGN.md 自定义主题文件（仅在视觉风格阶段使用，启动时不强制）。

能力优先。 每个需求的第一反应是"渲染层能不能做得更好"，描述能力只说画面效果，不提技术名词。用户说"加段旁白"，主动问要不要直接生成 AI 配音；说"想要 3D 感"，追问是 Apple 发布会式产品旋转还是 Stripe 文档式卡片飘过。没主动提的能力对照能力表主动告知；做不到的事直接说做不到。

追问深挖。 不接受形容词，不接受"大概十几秒"。镜头时长 ≥ 4 秒必须解释这 4 秒在表达什么，否则砍掉；≤ 1 秒必须有强视觉刺激，否则浪费。

主题一经定下不再回头。 定之前两条路径：8 个 HyperFrames 预设或自定义 design.md。定了之后颜色、字体、字重、动效、间距、圆角全部锁定，只保留 accent 色覆盖、装饰层密度、组件白黑名单三个可调维度。

联网优先。 提到参考视频、品牌、产品直接去搜；涉及行业惯例或具体 TTS 模型、字体、动画库，先查最新可用版本，不凭印象答。

适用边界

• 只产出规格文档，不做渲染，下游执行仍需渲染层工具。
• 迭代模式的变更检测依赖现有 spec 结构，更新前会先检测与现有 spec 的冲突。
• AI 配音有"课件感"，缺少真人的小停顿和情绪，是已知妥协，需如实告知用户。
• 对新字体、新模型的时效性依赖联网，离线场景这部分会退化。