视频规格构建器

视频需求最贵的不是渲染，是沟通

跟客户或产品方聊视频需求，最常见的场景是：对方丢一句“我要一个产品宣传片，大概一分钟左右，要有科技感”，然后你开始猜他到底想要什么。猜错了就返工，猜对了也得反复确认。更麻烦的是，对方往往不知道渲染层能做什么——你以为他不知道字幕可以逐字蹦出来，他以为这就是唯一的呈现方式。结果就是，大量本可以做出彩的表达方式被错过。

这个技能要解决的问题很具体：把模糊的视频需求逼到镜头粒度，让你拿到的不是“大概十几秒的片段”这种描述，而是一个可以直接开始渲染的 video-spec.md。

两种工作模式

0-1 模式（从零构建）：启动时扫描项目目录，找不到任何 video-spec*.md 或 分镜*.md 文档，就进入这个模式。它不会乖乖等你写需求，而是通过一轮轮尖锐追问，逼你在每个镜头上想清楚：这 4 秒要表达什么信息、镜头时长是否合理、有没有空帧。

迭代模式（修改已有 spec）：如果目录里已经存在 video-spec.md，它就转入这个模式。你可以直接说“换个镜头”“把这段节奏加快”“字幕改成逐字出现”，它会帮你把变更想清楚，并检测跟现有 spec 的冲突，而不是让你自己去翻文档找矛盾。

几个关键原则

能力优先，说画面不说技术名：当用户提出需求时，第一反应不是“技术上能不能做”，而是“渲染层能不能做得更好”。告诉用户“字幕可以像 Karpathy 推文那样，讲到哪个词亮哪个”，而不是说“我们支持 word-level sync”。

信息密度是硬约束：视频是信息密集型产品，不允许空帧。每个镜头必须有明确的信息载荷——文案、数据、视觉冲击或者节奏点。镜头时长 ≥ 4 秒必须解释清楚这 4 秒在表达什么，否则砍掉；≤ 1 秒必须有强视觉刺激，否则就是浪费。

视觉风格定了就别回头：一旦定下视觉主题（比如选了某个预设），颜色、字体、动效这些维度就锁死了，不再追问。但在定之前，你可以从预设主题里选，或者自己写 design.md 自定义。

联网优先，不凭印象：涉及参考视频、品牌规范、行业惯例（抖音时长、YouTube 比例），直接去搜实时信息，而不是用过期记忆答。

适用边界

这个技能解决的是“规格构建”这一环，不是渲染执行本身。它帮你产出 video-spec.md，但不会直接生成视频画面。

它也不负责视觉风格的最终决策——你可以从 HyperFrames 预设里选，也可以自己定，但选完之后它就不会再替你纠结这些细节。

另外，追问会很直接甚至刺耳，因为它不接受形容词和模糊描述。如果你希望“大概十几秒”“有点科技感”这种描述能被直接接受，那这个技能不适合你。它要的是你能承受被问到每个镜头的信息载荷，并且愿意在渲染前把规格想清楚。