视频分镜脚本构建器

它解决什么问题

把一个视频想法变成可执行的制作方案，最难的一步往往不是渲染，而是需求描述停在形容词上。说「高级一点」「节奏感强一点」，画面里具体是几秒的镜头、信息密度多高、动效用什么表达，全靠制作阶段再猜一次。这个技能扮演的角色是一对一的追问者：通过多轮对话把模糊诉求逼到镜头粒度，输出一份结构化的 video-spec.md，把创意决定和执行细节同时钉死。

它如何工作

启动时先扫描项目目录，查找已有的 spec 文档，支持 video-spec.md 精确匹配，也兼容 *分镜*.md、*storyboard*.md 等模糊命名；找到多个候选时先问你改哪一个。没有现成文档就进入 0-1 模式，从视频目的、受众、平台时长、品牌调性等必答维度逐项盘问；已有文档则进入迭代模式，先确认变更意图，再检测新需求与既有 spec 的冲突。

工作过程中有几条硬纪律：

• 不接受形容词。 「高大上」「都行」这类回答会被明确拒绝，追问会持续到镜头级的视觉与动效决策。
• 不替你拍板。 关键内容由你决定，技能负责提供方案、列出优劣并附上参考视频。
• 能力对照优先。 你提出每个需求时，技能会先对照能力表说明画面上能做什么，例如「加段旁白」会建议用 TTS 配音，并如实说明「30 秒能生成，但会有点课件感」。
• 不允许空帧。 每个镜头必须有明确的信息载荷；长镜头要能讲清每一秒在表达什么，极短镜头必须有强视觉刺激。

适用边界

这套流程的价值集中在前期结构混乱的场景。如果你已经有精确的逐字稿、时间码标注和剪辑清单，直接开工会比多轮对话更快。另外，它不替你完成创意决策：当素材或意图不完整时，技能会明确标出待确认项并继续追问，不会靠推测补齐你没说的内容；遇到参考视频或行业惯例问题，会先联网检索再给结论，而不是凭印象作答。