Communitygithub.com

lzcjsyr/Book2Video

Wandelt mittellange Fachberichte, Unternehmensbilanzen, Broker-Research, Börsenprospekte, makroökonomische Analysen und PDFs mit vielen Tabellen und Daten in hochwertige, datengenaue Voice-over-Skripte für chinesische Kurzvideo-Plattformen wie Video Account oder Douyin um.

Was ist Book2Video?

Dieses Skill ist speziell für die Erstellung von Video-Skripten aus datenintensiven Materialien wie mittellangen Fachberichten, Unternehmensbilanzen, Broker-Research, Branchen-Whitepapers und ähnlichen Dokumenten konzipiert. Es verwandelt komplexe Daten und Tabellen in leicht verständliche, fesselnde und faktentreue Erklärvideos für die Zielgruppe. Das Skill unterstützt vor allem die chinesischen Plattformen Video Account (微信视频号) und Douyin (抖音) und eignet sich ideal für Nutzer, die „Research Reports“, „Bilanzen“, „Geschäftsanalysen“ oder „Dateninterpretationen“ erstellen möchten. Der Workflow ist modular aufgebaut: Zunächst werden Text und Tabellen präzise extrahiert, dann wird ein logischer Einstiegspunkt identifiziert und ein erster Entwurf verfasst. Es folgen eine strenge Datenvalidierung mit einer Daten-Checkliste sowie ein differenziertes Revisionsverfahren, das alle Änderungen nachvollziehbar protokolliert. Das Ergebnis ist ein strukturiertes JSON-Objekt mit einem mündlich formulierten Skript, das die Kernbotschaften des Berichts vermittelt und zugleich die Datenintegrität sicherstellt.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/lzcjsyr/Book2Video/tree/HEAD/skills/step1/report-video-script

In Ihrer bevorzugten KI fragen

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

Dokumentation

Strategie zur Erstellung von Erklärskripten für datenintensive Berichte

Dieses Skill wurde speziell für die Erstellung von Video-Skripten aus datenintensiven Materialien wie mittellangen Fachberichten, Unternehmensbilanzen, Broker-Research, Branchen-Whitepapers und ähnlichen Dokumenten entwickelt. Es wandelt komplexe Daten und Tabellen in verständliche und nützliche Erklärvideos für ein breites Publikum um.

Dieses Skill fungiert als schlanke Einstiegsschnittstelle und zerlegt die Berichtsverarbeitung in mehrere eigenständig wartbare Module:

  • reading-and-extraction.md: Hochpräzise Text-/Tabellenextraktion (kombiniert lokale Extraktion/externe Vorverarbeitung), Initialisierung einer Datenvergleichstabelle und fensterbasiertes Lesen.
  • writing-standard.md: Einleitung des Research-Skripts, Logik-Deduktion, Kriterien für die mündliche Darstellung von Daten und finaler JSON-Ausgabe-Vertrag.
  • revision-workflow.md: Erster Entwurf (v1), Datenprüfentwurf (v2), Finalversion und differenzierter Änderungsprüfprozess.

Konfiguration der Textlänge

Dies ist die einzige verbindliche Quelle für die Ziellänge des Haupttextes in diesem Skill. Andere Referenzen dürfen keine konkreten Wortanzahlen wiederholen, sondern nur auf diesen Abschnitt verweisen.

draft_min_chars: 1000
final_target_chars: 1200
  • _draft_v1.txt muss vor dem Speichern die draft_min_chars erreichen.
  • Alle nachfolgenden Haupttextentwürfe dürfen grundsätzlich nicht unter draft_min_chars liegen.
  • Die Ziellänge des content im finalen JSON wird gemäß final_target_chars ausgeführt, total_length gibt die tatsächliche Zeichenzahl des content an.

Hauptablauf

Nicht in einer einzigen Runde ausgeben. Führen Sie die folgenden Schritte aus, um die Datenintegrität und die Verbreitungskraft des Textes zu gewährleisten:

  1. Extrahieren und Lesen: Lesen Sie zuerst reading-and-extraction.md. Verwenden Sie lokale Extraktionstools (wie PyMuPDF/fitz), um das PDF zu parsen, oder lesen Sie direkt einen bereits vorab konvertierten Markdown-Bericht. Teilen Sie Bash-Lesefenster auf und lesen Sie 100% ein. Erstellen Sie eine Datenvergleichstabelle für spätere Nachschlagezwecke.
  2. Logischen Einstiegspunkt bestimmen: Extrahieren Sie still die Kernfragen des Berichts (z.B. Branchenkrise, Unternehmenswachstumsengpass, makroökonomische Anomalie), extrahieren Sie das zentrale Erklärungsgerüst des Berichts und binden Sie einen für das Publikum hochrelevanten Interessenseinstieg ein (z.B. Was bedeutet dieses Datum für den Durchschnittsbürger?).
  3. Ersten Entwurf verfassen: Lesen Sie writing-standard.md, verfassen Sie _draft_v1.txt mit mindestens draft_min_chars. Der Schwerpunkt liegt darauf, die kalten Daten in mündliche Sprache und logische Kausalzusammenhänge zu „übersetzen“.
  4. Struktur- und Datenüberprüfung: Lesen Sie revision-workflow.md. Nach der Festlegung des zweiten Entwurfs _draft_v2_structure.txt speichern Sie diesen direkt als vorläufigen _draft_final.txt. Extrahieren Sie alle Daten des Textes und erstellen Sie ein Datenverzeichnis _data_check_ledger.json (initial alle auf unchecked setzen). Vergleichen Sie anschließend mit dem Originaltext und korrigieren/löschen Sie lokal direkt in _draft_final.txt (aktualisieren Sie den Status auf verified/abandon/corrected). Nach Abschluss aller Datenüberprüfungen (kein unchecked mehr) wird _draft_final.txt fertiggestellt und _revision_audit.json mit der differenzierten Änderungsdokumentation aufgezeichnet.
  5. Ausgabe als JSON packen: Generieren Sie das finale JSON gemäß dem JSON-Ausgabe-Vertrag in writing-standard.md.

Selbstprüfungsanforderungen

Überprüfen Sie vor der endgültigen JSON-Abgabe still:

  • Die Datenvergleichstabelle wurde vollständig erstellt. Jede Prozentangabe, jeder Betrag, jedes Verhältnis usw. im Text hat eine präzise Quelle in der Vergleichstabelle.
  • Alle Einträge im Datenprüfverzeichnis _data_check_ledger.json haben den Status aktualisiert (kein unchecked), der Datenkreislauf ist abgeschlossen.
  • Die Einleitung stellt innerhalb von 100 Zeichen eine scharfe Frage oder einen Kernkonflikt sowie ein für das Publikum relevantes Interessenversprechen dar.
  • Etwa alle 250 Zeichen gibt es einen logischen Fortschritt. Der Stil ist mündlich, und KI-typische Zusammenfassungswörter wie „Das Buch erwähnt“ oder „Wie aus der obigen Abbildung ersichtlich“ wurden entfernt.
  • Der Revisionsprozess ist vollständig, jede Änderungsrunde hat im _revision_audit.json klare Before/After-Einträge.

Individual skills in this repo

This repo contains 6 individual skills — each has its own dedicated page.

lzcjsyr/Book2Video

将 PDF、EPUB、DOCX 等书籍或长文档一次性转成约 4 分钟的中文读书带货短视频口播稿,以情绪共鸣、观看留存和购买欲为核心,直接输出 Book2Video 后续流程可读取的 raw JSON。用户提到读书带货、图书推广、卖书口播、商品卡、走心书单视频、情绪型读书文案或要求生成可直接进入视频流水线的带货稿时使用。

lzcjsyr/Book2Video

将长书、长文档转成中文视频号读书解说稿;先抽取文本并建立可恢复覆盖台账,覆盖自检通过后再按入口定义的正文长度生成初稿、多轮修订和最终 raw JSON。

lzcjsyr/Book2Video

将长书、长文档、PDF、EPUB、读书资料、思想经典、社科著作、商业书或研究型长文转成更有传播感的中文视频号/抖音读书口播稿,并输出项目可用的 raw JSON。只要用户提到“读书解说”“拆书稿”“视频号口播”“把这本书做成短视频”“长文档转视频脚本”“生成标题/封面/金句/raw JSON”,都应使用此 skill。

lzcjsyr/Book2Video

Cody的公众号长文写作skill。当用户需要撰写公众号文章、写稿子、续写文章、根据素材产出长文时使用。触发词包括但不限于:写文章、写稿子、帮我写、续写、扩写、公众号文章、长文、出稿、按我的风格写。即使用户只是说"帮我把这个写成文章"或"用我的风格写一下",只要上下文涉及内容创作和公众号输出,都应该触发。也适用于用户丢过来一个PDF、brief、新闻链接、语音转文字或任何素材说"帮我写篇文章"的场景。不要用于短内容(小红书帖子、推特、朋友圈)或纯标题摘要生成。

lzcjsyr/Book2Video

简化版的文稿生成技能。能够直接读取图书/文档,提取核心论点,生成高品质、口语化的视频号/抖音读书解说文稿并输出标准 JSON 格式。

lzcjsyr/Book2Video

The fallback workflow for authoring custom HyperFrames video compositions at any length or format — longer or multi-scene pieces, brand / sizzle reels, montages, title cards, static loops, and freeform compositions. Input- and length-agnostic. If a specialized workflow clearly fits the input — a marketed product, a website, a topic explainer, a GitHub PR, existing footage, a short motion graphic, or a Remotion port — prefer it (see /hyperframes); use this only as the general fallback when none fit.

Verwandte Skills