Communitygithub.com

JularDepick/Agent-Video-Driver.SKILL

Erstelle lieferbare Audio-Video-Produktionen von Grund auf mit einem skriptbasierten Toolchain – ohne Videogenerierungsmodelle. Deckt strukturierte Prompt-Gerüste, Inhaltsprüfung und Textlayout, Storyboarding, Takt-Synchronisation, programmatische Bild- und Musikgenerierung, FFmpeg-Encoding und visuell-lose Abnahme mit Zeichengrafiken und objektiven Metriken ab.

Was ist Agent-Video-Driver.SKILL?

Agent-Video-Driver ist eine KI-Agenten-Fähigkeit zur vollständigen programmatischen Videoproduktion – ohne Abhängigkeit von Asset-Bibliotheken, Schnittsoftware oder generativen KI-Modellen. Es eignet sich für erklärende Videos, Produktwerbung, Datenanimationen, Vor- und Abspänne und andere Aufgaben, die eigenständig generierte Videos erfordern. Der Skill erzwingt einen strengen zweistufigen Bestätigungsprozess (Start- und Synthesebestätigung), um die Ressourcen-, Rechenzeit- und Kostenimplikationen zu kommunizieren, bevor Rendering beginnt. Der Workflow ist in acht aufeinanderfolgende Phasen gegliedert: Umgebungserkundung, Briefing und Prompting, Inhalts- und Textlayout, Stil und Storyboarding, Musikproduktion, segmentweises Rendering, Encoding und Paketierung sowie objektive Abnahme. Die Ausgabe erfolgt als Container mit FFmpeg-Encoded-Video und orchestrierter Musik, wobei die Standardeinstellung auf orchestralen Sound setzt (mit optionalen elektronischen Varianten). Der Skill legt großen Wert auf Überprüfbarkeit (jede Aussage muss belegt sein, Lizenzen für Assets müssen nachvollziebar sein), technische Präzision (exakte Takt-Synchronisation, PSNR über 45dB, Lautstärke zwischen -16 und -14 LUFS) und Robustheit (14 engineeringseitig erprobte Regeln, Vermeidung von Fallstricken). Es werden keine echten Gesichter generiert, alle Zufälligkeiten werden durch Seeds festgelegt. Der Skill unterstützt mehrere Stilbibliotheken (acht vorgegebene Stile) und wird über ein strukturiertes Verzeichnis- und Skriptsystem gesteuert. Die Hauptzielplattformen sind Python-basierte Umgebungen mit FFmpeg, wobei alle Skripte in `scripts/` und Vorlagen in `templates/` organisiert sind. Eine ausführliche Referenzdokumentation (12 Dokumente) deckt jeden Aspekt des Workflows ab.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JularDepick/Agent-Video-Driver.SKILL/tree/HEAD/skills/agent-video-driver

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Agent-Video-Driver

Unabhängig von Asset-Bibliotheken und Schnittsoftware – Bild und Musik werden durch Code berechnet und mit FFmpeg zum fertigen Video zusammengefasst. Diese Fähigkeit definiert nur die Methode und Disziplin, nicht den Stil. Die Stilbibliothek findest du in references/styles.md.

1. Zwei Bestätigungstore (beide sind obligatorisch)

Tor 1: Startbestätigungstor

Nach Erhalt einer Videoaufgabe muss der Benutzer zuerst über die Kosten informiert werden und seine ausdrückliche Zustimmung einholen, bevor mit dem Rendering begonnen wird:

Mitzuteilende KostenTypische Größenordnung
Token-VerbrauchEin 30s-Clip ca. 50.000–100.000 Output-Token, 90s+ Segment höher, lange Sitzungen mit Cache-Treffern können Millionen erreichen
Zwischenbilder30s@30fps ca. 900 PNGs, 1080p ca. 200 MB, 90s+ ca. 3000 Bilder
Renderzeit1080p@30fps ca. 0,08–0,12s pro Frame, 3000 Frames (Single-Thread) ca. 5 Minuten
MaschinenauslastungVollrendering und finales Encoding belegen die CPU dauerhaft, spürbare Ruckler auf Entwicklungsmaschinen, durch Limits gemildert
SitzungsbelegungEine Sitzung bearbeitet nur eine Videoaufgabe; Einfügen anderer Aufgaben verschmutzt den Kontext und verlangsamt jeden Schritt

Gleichzeitig vier Dinge bestätigen: Dauer und Auflösung, Bestätigungsmodus (schrittweise oder einmalig), ob Autorennennung gewünscht (standardmäßig nicht), Dateiname der Ausgabe. Schrittweise Bestätigung eignet sich für Themen, bei denen Fakten und Ästhetik Mitspracherecht des Benutzers erfordern; einmalige Bestätigung für Themen mit objektiven Kriterien. Bei beiden Modi wird der Schritt "zuerst die ersten 10 Sekunden zeigen" nicht übersprungen. Vor der Bestätigung durch den Benutzer erfolgen nur Umgebungserkundung und Storyboard-Entwurf, kein Rendering.

Tor 2: Synthesebestätigungstor (separate Bestätigung vor jeder ressourcenintensiven Aktion)

Die Zustimmung aus Tor 1 deckt diesen Schritt nicht ab. Vollrendering und finales Encoding sind die beiden einzigen Aktionen, die die CPU dauerhaft auslasten. Vor jeder dieser Aktionen muss erneut bestätigt werden:

  1. Zuerst die lokalen Ressourcen erkunden, um Limitvorschläge und Risikohinweise zu erhalten
python scripts/resources.py --for render --frames <Anzahl der Frames>
python scripts/resources.py --for encode --frames <Anzahl der Frames>
  1. Die Anzahl der Kerne, aktuelle Last, verfügbarer Arbeitsspeicher, freier Speicherplatz auf dem Ziellaufwerk, empfohlene Thread-Anzahl und Encoding-Voreinstellung sowie ob ein Abbruch empfohlen wird, dem Benutzer melden
  2. Erst nach ausdrücklicher Zustimmung des Benutzers beginnen; bei fehlender Zustimmung nur die Erkundung durchführen, kein Encoding oder Vollrendering
  3. Dabei immer gemäß den erkannten Limits ausführen, nicht mit voller Kernzahl

scripts/assemble.ps1 hat dieses Tor in das Skript selbst integriert: Ohne -ConfirmAssembly wird nur das Bestätigungstor ausgegeben und mit Exit-Code 3 beendet ("Warte auf Benutzerbestätigung"). -ProbeOnly führt nur die Erkundung durch, kein Encoding. Wenn die Erkundung unzureichenden Speicherplatz oder zu hohe Last feststellt, verweigert das Skript den Start. Ein erzwungener Start erfordert explizit -Force.

2. Acht-Phasen-Workflow

0 Umgebung erkunden -> 1 Briefing & Prompting -> 2 Inhalt & Text -> 3 Stil & Storyboard
  -> 4 Musik zuerst -> 5 Segmentweises Rendering -> 6 Encoding & Paketierung -> 7 Objektive Abnahme

Details und Ergebnisse jeder Phase findest du in references/workflow.md. Jede Phase muss mit einem überprüfbaren Artefakt abgeschlossen werden – nicht alles auf einmal schreiben und dann ausführen. Die Prompts für Phase 1 bis 3 werden nach den sieben Modulen aus references/prompt-scaffolding.md ausgefüllt, dem Benutzer zusammen mit den Ergebnissen gezeigt. Vor Phase 5 und Phase 6 wird jeweils das Synthesebestätigungstor durchlaufen (siehe Abschnitt 1, Tor 2).

3. Verzeichnis- und Dateistruktur

<Arbeitsverzeichnis>/
├── .skill/<Fähigkeitsname>/        # Fähigkeitskörper, ein Verzeichnis pro Fähigkeit als Bundle
├── prompts/                        # brief.md und Phasenprompts
├── script.md                       # Bildschirmtexttabelle, Eingabe für timing.py
├── storyboard.md                   # Storyboard-Tabelle und Startbestätigungstor
├── credits.md                      # Namensnennung und Lizenzen für externe Assets
├── temp/                           # Alle Zwischenprodukte: Frames, plan.json, Test-Renderings, Prüfbilder
├── <Ausgabeverzeichnis>/           # Nur endgültige Lieferdateien und direkt wiederverwendbare Quellskripte
└── audio/                          # Musik-WAVs (kann in das Ausgabeverzeichnis integriert werden)
  • Zwischenframes MÜSSEN in temp/ landen, vor der Lieferung bereinigen – nicht 3000 PNGs im Stammverzeichnis hinterlassen
  • Relative Pfade bevorzugen, keine absoluten Pfade in Skripten fest verdrahten
  • Ein Video bekommt ein Namenspräfix, Frame-Verzeichnis und Video-Dateiname korrespondieren, um Überschreibungen bei mehreren Aufgaben zu vermeiden
  • Weitere Konventionen findest du in references/conventions.md

4. Stil nicht festgelegt, Musik standardmäßig orchestral

Diese Fähigkeit liefert die Engine, keine Vorlage. Vor dem Start zuerst den Stil wählen, dann Farbpalette und Klangfarbe, erst dann das Storyboard schreiben. references/styles.md bietet acht direkt anwendbare Stile mit Hex-Farben, Schriftarten, Bewegungsgrammatik, Musikklangfarbe und passenden Themen:

Tiefschwarz-Neon / Kühle Doku / Warme Papieroptik / Minimalistischer Weißraum / Retro-Terminal / Wissenschaftliche Diagramme / Handgezeichneter Doodle / Filmkorn.

Musik standardmäßig mit der Orchestral-Klangbibliothek von scripts/orchestra.py. Begründung: Sie erfüllt gleichzeitig zwei harte Anforderungen:

  • Nicht schrill: Klangfarbe basiert auf harmonischen Überlagerungen statt Breitbandrauschen, gemessener Anteil des schrillen Bereichs (2–6kHz) 1,2%, spektraler Schwerpunkt 418Hz
  • Nicht eintönig: Zehnteilige Instrumentierungstabelle plus Motivvariationen plus Dynamikbögen, gemessener RMS-Anstieg alle 10s um das 2,80-fache

Nur wenn ein leichterer, modernerer Klang gewünscht wird, werden die Keyboard- und Elektronikklänge von scripts/music.py verwendet. Unabhängig von der Wahl dürfen drei Situationen nicht auftreten: Durchgehende gleiche Konfiguration im gesamten Video, Frequenzanteile über 50% im Hochtonbereich oder durchgehende Stimmen, die die Taktschläge überdecken.

5. Skriptliste

SkriptZweck
scripts/check_env.pyErkennt ffmpeg, Python-Bibliotheken, Schriftarten, Festplatte, Sandbox-Einschränkungen, Verfügbarkeit des Render-Pfads
scripts/resources.pyRessourcen-Erkundung und Limitvorschläge vor schweren Aufgaben: Kerne, Last, Arbeitsspeicher, Festplatte, empfohlene Thread-Anzahl und Encoding-Voreinstellung
scripts/check_text.pyGlyphen-Check: Bitmap-Vergleich, um Zeichen zu finden, die zu Blocks werden
scripts/beats.pyBerechnet BPM, Taktschläge, Taktstriche, Lautstärkeänderungen pro Takt aus Audio
scripts/timing.pyOrdnet die Bildschirmtexttabelle dem Takt-Raster zu, erzeugt plan.json und Zeitplan für das Storyboard
scripts/canvas.pyBild-Engine: Oversampling-Leinwand, Easing, Glühen, Text, generische UI-Komponenten, Rendering-Treiber
scripts/dsp.pyGemeinsame DSP-Primitive: Filter, Hall, Bus-Kompression, Warmes Mastering, WAV-Schreiben
scripts/orchestra.pyOrchestral-Musik-Engine (Standard, empfohlen)
scripts/music.pyKeyboard- und Elektronik-Musik-Engine (Alternative)
scripts/sfx.pySoundeffekt-Spur-Mischung: Mischt vom Benutzer bereitgestellte Effekte gemäß Cue-Tabelle zu einer Spur
scripts/check_audio.pyObjektiver Musik-Check: Taktsynchronisation, Frequenzbänder, Impulse, Eintönigkeit auf einmal durchführen
scripts/preview.pyVisuelle Abnahme ohne Sehvermögen: Frames zu farbigen Zeichengrafiken heruntersampeln, unterstützt Vorher-Nachher-Vergleich
scripts/qa.pyExtrahiert Frames gemäß plan.json pro Bildschirm, vergleicht Frames vor und nach Ankerpunkten, erstellt Übersichtsbild
scripts/tokens.pyZählt Token und Kosten der aktuellen Sitzung, für Abspann-Untertitel
scripts/assemble.ps1Encoding, Mischung, Lautstärkenormalisierung, Qualitätsprüfung
templates/scene_module.pySzenenmodul-Skelett: Taktauslösung, segmentierte Planung, Intervall-Rendering CLI
templates/storyboard.mdStoryboard-Tabelle und Bestätigungstor-Vorlage
templates/brief.mdBriefing-Vorlage, einziger Hintergrund für das gesamte Video
templates/stage-prompt.mdPhasenprompt-Vorlage, sieben Module
templates/screen-script.mdBildschirmtexttabelle-Vorlage, Eingabe für timing.py

Bildstandard: Python + Pillow Frame-für-Frame-Rendering. Der Browser-Render-Pfad ist unter eingeschränkten Sandboxen nicht verfügbar, Gründe und Umgehungen findest du in references/pitfalls.md.

6. Inhaltsgrenzen (Must hold, vier nicht verhandelbar)

  1. Fakten mit Quellen: Jede Jahreszahl, Personenname, Zahl, jedes Zitat muss auf eine zuverlässige Quelle zurückführbar sein und im Arbeitsverzeichnis mit Link dokumentiert werden; nicht zurückführbare Angaben direkt löschen, Schätzungen markieren, Hörensagen mit Quellenangabe versehen
  2. Lizenzierte Assets: Bei Einbindung externer Bilder, Schriftarten, Soundeffekte, fertiger Musik Lizenzen einzeln prüfen, Namensnennung in credits.md eintragen; nicht verwendete Kandidaten ebenfalls auflisten mit Begründung
  3. Keine echten Gesichter: Keine KI-generierten echten Gesichter; KI-generierte Bilder müssen gemäß Plattformanforderungen mit "KI-generierter Inhalt" gekennzeichnet werden
  4. Bilder nur von der Zeit abhängig: Alle Zufälligkeiten müssen einen festen Seed haben, derselbe Frame muss bei jedem Rendern identisch sein

Bewertungsregeln, Berichtsformat und Pre-Release-Checkliste findest du in references/content-and-rights.md.

7. Vierzehn Engineering-Regeln (alle aus echten Fehlern gelernt)

  1. Musik zuerst machen, dann Bilder; Bildschnitte müssen mit Musikschnitten übereinstimmen, nicht umgekehrt
  2. Alle Einführungsanimationen in Takteinheiten fest codieren, keine Annäherung in Sekunden; eine Abweichung von einem Frame ist sichtbar
  3. Einheitskoordinaten und Pixelkoordinaten explizit trennen; Vermischung lässt die gesamte Szene in die linke obere Ecke kippen
  4. Segmentplanung mit Intervall-Mapping; nach dem Schreiben die Start- und End-Frames jedes Segments mit print überprüfen; ein fehlendes Segment verschiebt das gesamte Video
  5. Frame-Sequenzen nicht im Stammverzeichnis und nicht über Nacht auf der Festplatte lassen; vor der Lieferung löschen
  6. Paralleles Rendering über Intervalle: Separate Prozesse für jedes Intervall, keine gemeinsamen Warteschlangen; Sandbox blockiert Named Pipes
  7. Beim Mischen zuerst den Frequenzbereichsanteil prüfen; über 50% Hochton = schrill, über 50% Tiefton = matschig
  8. Die Zeitkonstante der Bus-Kompression darf nicht kürzer als 0,3 Sekunden sein; sonst drückt der Kompressor die Taktschläge selbst flach
  9. Jede Stimme, die mindestens einen Takt lang ist und in jedem Takt vorkommt, wird zur Klangwand und überdeckt die Taktschläge
  10. Text muss drei Kodierungsebenen durchlaufen; die Bild-Engine führt glyph-basiertes Fallback durch, aber Zeichen, die von der Fallback-Kette nicht abgedeckt werden, werden stillschweigend als Blocks gezeichnet; daher nach jedem Rendering den Glyphen-Audit-Bericht prüfen; fehlende Glyphen durch andere Wortwahl oder Schriftart ersetzen
  11. Nach dem Encoding PSNR messen; unter 45dB = zu niedrige Bitrate
  12. Ohne Sehvermögen nicht nach Gefühl liefern; mit Zeichengrafiken Frame für Frame die Komposition prüfen, dann objektive Metriken als Absicherung verwenden
  13. Nur ein Video pro Sitzung; für ein zweites eine neue Sitzung öffnen; sonst geraten Cache und Kontext außer Kontrolle
  14. Vor Vollrendering und finalem Encoding Ressourcen prüfen und gemäß Limits ausführen, nicht mit voller Kernzahl, und beide Schritte erfordern erneute Benutzerbestätigung

Vollständige Fehlerliste und Reproduktionsbedingungen in references/pitfalls.md, Textkodierung in references/text-and-encoding.md.

8. Abnahmekriterien (müssen vor Lieferung alle grün sein)

KriteriumBedingung
DauerFrame-genau, 30s-Video muss 30.000s sein
TaktsynchronisationFrame-Differenzpeaks innerhalb ±1 Frame von Taktstrichen; Ankerbildschirm-Differenzpeaks am Schnittframe
LautstärkeIntegrierte Lautstärke -16 bis -14 LUFS, True Peak nicht höher als -1.0 dBFS
BildqualitätPSNR nach Encoding zum Quellframe über 45dB
KompositionMindestens 2 Frames pro Segment als Zeichengraphik prüfen, mindestens 1 Frame pro Bildschirm im Übersichtsbild
Dateigröße1080p pro 30s unter 15 MB (CRF 18–20)
GlyphenIm Audit-Bericht der Render-Phase keine Einträge mit "Glyph von Fallback-Kette nicht gefunden"
InhaltJede Textzeile auf dem Bildschirm muss auf eine überprüfte Quelle zurückführbar sein

Methoden in references/verification.md.

9. Namensnennungs-Strategie

  • Video-Produktionen standardmäßig ohne Autoreninformationen; der Workflow fragt im Startbestätigungstor einmal nach; nur auf Wunsch des Benutzers
  • Wenn der Benutzer eine Namensnennung wünscht, nur im Abspann erscheinen und gleichzeitig eine austauschbare Konstanten-Position angeben
  • Autor dieser Fähigkeit: JularDepick, Version siehe Frontmatter-Metadaten

10. Referenzdokumente (in empfohlener Lesereihenfolge)

ReihenfolgeDokumentInhaltWann lesen
1references/workflow.mdAcht-Phasen-Workflow, Ergebnisse pro Phase, ErfahrungswerteNach Erhalt der Aufgabe als Erstes
2references/prompt-scaffolding.mdSieben Module für Briefing und Phasenprompts, Rollenverteilung, Sub-Agenten-ÜbergabeBeim Prompt-Schreiben
3references/narrative.mdEinführungsgrammatik, Zeichenanzahl pro Bildschirm und Lesegeschwindigkeit, Erzählfaden und RhythmusBeim Textschreiben
4references/content-and-rights.mdFaktenquellen-Bewertung, Asset-Lizenzen, Namensnennung, Pre-Release-ChecklisteBeim Recherchieren und Bebildern
5references/styles.mdAcht Stile mit Musikzuordnung, vier Bewertungsmethoden zur StilauswahlBeim Stil-Festlegen
6references/beat-sync.mdDreistufige Synchronisation, Ereignisse innerhalb von Segmenten, Takt-ÜberprüfungVor dem Storyboard-Schreiben
7references/audio-engine.mdZwei Musik-Engines, Klangbibliotheken, Arrangement-Skelett, objektive KriterienBeim Musik-Machen
8references/visual-engine.mdBild-Engine API, generische Komponenten, Grafik-Rezepte, PerformanceBeim Szenen-Schreiben
9references/text-and-encoding.mdDrei Kodierungsebenen und Glyphen-CheckVor dem Schreiben von bildschirmgebundenem Text
10references/verification.mdVerschiedene Abnahmemechanismen und Liefer-SelbstchecklisteVor der Lieferung
11references/pitfalls.mdErscheinungsbild, Ursachen und Umgehungen von FallstrickenBei Problemen oder Retrospektive
12references/conventions.mdVerzeichnis-, Namens-, Code-, Dokumentations- und KollaborationskonventionenBeim Erstellen der Projektstruktur

Die Sortierung wird nur durch diese Tabelle bestimmt; Dateinamen haben keine Nummern. Beim Hinzufügen eines neuen Referenzdokuments einfach eine Zeile einfügen, ohne vorhandene Dateien umzubenennen. Neue Skripte in scripts/, neue Vorlagen in templates/ platzieren, und sowohl in dieser Tabelle als auch in der Skriptliste eine Zeile hinzufügen.

Verwandte Skills