AutoCliper.AI — Agenten-Skill
Wandle ein langes YouTube-Video in 5–15 kurze Clips mit chinesischer Verpackung und fest eingebrannten Untertiteln um.
Dieses Dokument ist die alleinige Quelle der Wahrheit für jeden KI-Agenten, der die AutoCliper-Pipeline ausführt. Befolge jeden nummerierten Schritt in der Reihenfolge. Überspringe keine Schritte. Errate keine Dateinamen — überprüfe das Dateisystem nach jedem Schreibvorgang.
0. Vorab-Checks
Bevor du etwas anderes tust, überprüfe die Umgebung. Melde den genauen Hinderungsgrund und stoppe, wenn eine Prüfung fehlschlägt.
| Prüfung | Befehl | Erfolgsbedingung |
|---|---|---|
| yt-dlp installiert | which yt-dlp | gibt einen Pfad zurück |
| ffmpeg installiert | which ffmpeg | gibt einen Pfad zurück; falls nicht vorhanden, versuche python3 -c "import imageio_ffmpeg; print(imageio_ffmpeg.get_ffmpeg_exe())" |
| Python 3.9+ | python3 --version | >= 3.9 |
| Skill-Repo verfügbar | Prüfe, ob das Verzeichnis corekit/ relativ zum Skill-Root existiert | corekit/__init__.py ist vorhanden |
Setze die Umgebung für alle nachfolgenden Befehle:
export PYTHONPATH="<path-to-AutoCliper.AI-repo>"
Alle python3 -m corekit.*-Befehle unten setzen voraus, dass dieser PYTHONPATH gesetzt ist.
1. Arbeitsbereich erstellen
Erstelle die Ausgabeverzeichnisstruktur für dieses Video. Leite <slug> aus dem Videotitel oder der ID ab — Kleinbuchstaben, Bindestriche, keine Leerzeichen, keine Sonderzeichen.
mkdir -p "studio/<slug>/intake"
mkdir -p "studio/<slug>/intel"
mkdir -p "studio/<slug>/exports"
Erwartetes Ergebnis:
studio/<slug>/
├── intake/ ← Rohvideo + Untertitel landen hier
├── intel/ ← Analyse-Artefakte landen hier
└── exports/ ← Ordner pro Clip landen hier
2. Quell-Assets abrufen
Lade das Video und die Untertitel von YouTube herunter:
python3 -m corekit.fetch_source "<YouTube_URL>" "studio/<slug>/intake"
Was im Inneren passiert: Der Downloader versucht zuerst englische Untertitel (en, en-US, en-orig), fällt zurück auf Chinesisch (zh-Hans, zh-CN, zh). Er verwendet --cookies-from-browser chrome für authentifizierten Zugriff.
Nachdem der Befehl beendet ist, liste den intake-Ordner auf und identifiziere:
- Die
.mp4-Videodatei (kann den Videotitel und die ID im Dateinamen enthalten) - Die
.srt-Untertiteldatei (kann ein Sprach-Tag wie.en.srtoder.zh-Hans.srthaben) - Alle Sidecar-Dateien (
.ytdl,.jpg, etc.) — notiere sie, aber sie werden nicht benötigt
Wenn der Download fehlschlägt:
- Cookie-Fehler → sage dem Benutzer, er soll seinen Chrome-YouTube-Login aktualisieren und dann erneut versuchen
- Keine Untertitel gefunden → melde "keine Untertitel für dieses Video verfügbar" und stoppe
- Videodownload-Fehler → versuche es einmal mit einem anderen Format; falls es immer noch fehlschlägt, melde den Fehler
Notiere die genauen Dateinamen für die nächsten Schritte. Errate oder hardcode keine Namen.
3. Untertitel in JSON parsen
Konvertiere die SRT-Untertiteldatei in strukturiertes JSON für eine einfachere Analyse:
python3 -m corekit.subtitle_to_json \
"studio/<slug>/intake/<exact-srt-filename>" \
"studio/<slug>/intel/transcript.json"
Überprüfe, ob die Ausgabedatei existiert und ein Array von Cue-Objekten enthält. Jeder Cue hat:
{
"index": 1,
"start": "00:00:01,234",
"end": "00:00:03,456",
"start_seconds": 1.234,
"end_seconds": 3.456,
"text": "the spoken content"
}
Wenn das Transkript leer ist oder weniger als 10 Cues hat, melde "Transkript zu kurz oder beschädigt" und stoppe.
4. Transkript analysieren und Kandidaten vorschlagen
Dies ist der wichtigste intellektuelle Schritt. Lies die folgenden Dateien vor Beginn der Analyse:
- playbooks/clip-contract.md — definiert das genaue JSON-Schema für
selected_clips.json - playbooks/content-analysis-playbook.md — definiert die Multi-Pass-Analysemethode, das Bewertungsschema und das Überprüfungsformat
4a. Multi-Pass-Analyse
Versuche NICHT, Clips in einem einzigen Durchgang auszuwählen. Befolge diese Reihenfolge:
Durchgang 1 — Überfliegen und Markieren: Lies transcript.json auf der Suche nach Abschnitten, die einprägsam, informationsdicht, meinungsstark, kontraintuitiv oder emotional scharf sind. Markiere großzügig — es ist besser, zu viele als zu wenige zu markieren.
Durchgang 2 — Grenzen verfeinern: Lies für jeden markierten Abschnitt die umgebenden Cues erneut (5–10 Cues davor und danach). Wähle einen sauberen Start und ein sauberes Ende:
- Der Start muss auf einer Zeile landen, die den Betrachter innerhalb der ersten 3 Sekunden des Clips fesselt
- Das Ende muss landen, nachdem der Sprecher den Gedanken beendet hat — niemals mitten im Satz
- Wenn ein vielversprechender Moment ein paar Sekunden Kontext benötigt, erweitere den Start nach vorne
- Wenn ein Gedanke verläuft, verlängere das Ende, bis er aufgelöst ist
Durchgang 3 — Vollständigkeitsprüfung: Überprüfe für jeden Kandidaten:
- Er ist 20–180 Sekunden lang (kann auf 3 Minuten ausgedehnt werden, wenn sich der Nutzen lohnt)
- Er enthält genau eine klare Idee
- Die Eröffnungszeile ist ein Haken, kein Füllmaterial
- Die Schlusszeile löst den Gedanken auf
- Er ist verständlich, ohne den Rest des Videos gesehen zu haben
- Es ist KEINE Begrüßung, Sponsorenlesung, Q&A-Einleitung oder lange Abschweifung
Durchgang 4 — Bewerten und Einstufen: Bewerte jeden Kandidaten in vier Dimensionen (1–5):
hook— wie überzeugend ist die Eröffnung in den ersten 3 Sekunden?clarity— ist es eine saubere Idee mit geringer Mehrdeutigkeit?standalone— kann es ohne vorherigen Kontext allein stehen?payoff— ist das Ende nützlich, einprägsam oder teilenswert?
Einstufung nach gewichteter Gesamtpunktzahl: hook × 0.35 + clarity × 0.25 + standalone × 0.2 + payoff × 0.2
4b. Richtlinie zur Anzahl der Kandidaten
| Quell-Dauer | Ziel-Kandidaten |
|---|---|
| < 20 min | 5 – 8 |
| 20 – 60 min | 8 – 12 |
| > 60 min | 10 – 15 |
Der Standard-Fehlermodus sollte "zu wenige Kandidaten" sein, nicht "zu viele". Füge im Zweifelsfall mehr hinzu. Der Benutzer wird kürzen.
4c. Umgang mit automatisch generierten (verrauschten) Untertiteln
YouTube-Autountertitel enthalten oft:
- Wiederholte Fragmente (derselbe Satz in aufeinanderfolgenden Cues)
- Fehlende Satzzeichen und Großschreibung
- Falsch verstandene Wörter (insbesondere Namen, Fachbegriffe)
Wenn die Quell-Untertitel automatisch generiert sind:
- Leite die beabsichtigte Bedeutung konservativ ab — erfinde keine Behauptungen
- Ignoriere doppelte Fragmente bei der Beurteilung von Clip-Grenzen
- Verwende den umgebenden Kontext, um zu bestimmen, wo Sätze tatsächlich enden
- Vermerke in der Kandidatenzusammenfassung, ob die Quellqualität niedrig ist
4d. Ausgaben schreiben
Schreibe zwei Dateien:
-
studio/<slug>/intel/selected_clips.json— die maschinenlesbaren Clip-Entscheidungen. Muss genau dem Schema inplaybooks/clip-contract.mdfolgen. -
studio/<slug>/intel/candidate-board.md— die für Menschen lesbare Überprüfungstabelle.
5. Kandidaten zur Benutzerüberprüfung präsentieren
Zeige die Kandidatenliste in einem überprüfungsfreundlichen Format. Zeige für jeden Kandidaten:
| Feld | Format | Beispiel |
|---|---|---|
| ID | clip-XX | clip-01 |
| Zeitbereich | HH:MM:SS → HH:MM:SS | 00:12:03 → 00:13:22 |
| Dauer | menschenlesbar | 1m 19s |
| Titel | ein provokativer chinesischer Titel, ≤12 Zeichen | AI终将取代一切? |
| Zusammenfassung | genau zwei Sätze auf Chinesisch | 句1: 在讲什么。句2: 为什么值得看。 |
Präsentiere als nummerierte Tabelle, damit der Benutzer mit IDs antworten kann.
Wenn der Benutzer "fortfahren" oder "automatisch auswählen" sagt: wähle selbst die am besten bewerteten Kandidaten aus. Für ein 1-stündiges Video exportiere mindestens 8.
Wenn der Benutzer bestimmte IDs auswählt: exportiere nur diese.
6. Jeden ausgewählten Clip exportieren
Führe für jeden Clip, den der Benutzer ausgewählt hat (oder den du automatisch ausgewählt hast), die Schritte 6a bis 6f in Reihenfolge aus. Schließe alle Unterschritte für einen Clip ab, bevor du mit dem nächsten fortfährst.
6a. Das Video-Segment zuschneiden
python3 -m corekit.cut_video \
"studio/<slug>/intake/<exact-mp4-filename>" \
<start_seconds> <end_seconds> \
"studio/<slug>/exports/<clip-folder>/clip.mp4"
Die <clip-folder>-Benennungskonvention ist XX-<title-slug>, z. B. 01-ai-will-replace.
Überprüfe, ob die Ausgabedatei existiert und eine Größe ungleich Null hat.
6b. Quell-Untertitel fenstern
python3 -m corekit.window_subtitles \
"studio/<slug>/intake/<exact-srt-filename>" \
<start_seconds> <end_seconds> \
"studio/<slug>/exports/<clip-folder>/clip.src.srt"
Dies extrahiert nur die Cues, die das Clip-Fenster überlappen, und verschiebt alle Zeitstempel, sodass der Clip bei 00:00:00,000 beginnt.
Überprüfe, ob die ausgegebene SRT mindestens einen Cue hat.
6c. In chinesische Untertitel übersetzen
Lies clip.src.srt und übersetze es in vereinfachtes Chinesisch. Schreibe das Ergebnis in clip.zh.srt in denselben Ordner.
Übersetzungsregeln (strikt befolgen):
- Natürliches gesprochenes Chinesisch — nicht geschriebenes/ formelles Chinesisch. Der Betrachter sieht ein kurzes Video, liest kein Dokument.
- Zeitstempel exakt beibehalten — es sei denn, du musst zwei Cues aus Lesbarkeitsgründen zusammenführen. Verschiebe niemals willkürlich die Zeitangabe.
- Benannte Entitäten genau halten — Namen von Personen, Unternehmen, Produkten, Zahlen und zitierte Phrasen müssen exakt erhalten bleiben.
- Knappe Zeilen — bevorzuge kurze chinesische Sätze, die zum Tempo kurzer Videos passen. Lange, scrollende Untertitel töten die Bindung.
- Bei Bedarf über Cues hinweg neu ausgleichen — wenn ein englischer Satz auf 3 Cues verteilt ist, kannst du den chinesischen Text auf dieselben 3 Cues neu verteilen. Behalte die Cue-Reihenfolge bei.
- Cues NICHT zusammenlegen — ein cue-dichtes englisches SRT mit 40 Cues sollte ungefähr 35–45 chinesische Cues ergeben, nicht 10. Der Standard-Fehlermodus ist leicht zu viele Cues, nicht viel zu wenige.
- Nur echte Duplikate entfernen — Auto-Untertitel wiederholen oft dasselbe Fragment in aufeinanderfolgenden Cues. Du kannst das Duplikat entfernen, aber behalte das erste Vorkommen.
- Wenn die Quelle bereits Chinesisch ist — nicht übersetzen. Bereinige nur offensichtliches Auto-Untertitel-Rauschen (wiederholte Fragmente, defekte Zeichen).
6d. Titel und Beschreibung generieren
Erstelle für jeden Clip:
Titel (für die First-Second-Überlagerung):
- Scharf, anklickbar, meinungsstark
- Ziel ≤ 12 chinesische Zeichen, damit er bei Schriftgröße 48 sauber auf den Bildschirm passt
- Kann provokativ oder konträr sein, muss aber dem Sinn des Sprechers treu bleiben
- Sollte Neugier, Spannung oder den Drang, weiterzusehen, erzeugen
Beschreibung (für die Plattformverteilung):
- ≤ 140 chinesische Zeichen
- Muss erwähnen: wer spricht, von welcher Show/einem Interview dies stammt, welches Thema diskutiert wird, was die Kernaussage oder der Takeaway ist
Schreibe beides in studio/<slug>/exports/<clip-folder>/metadata.txt:
标题:AI终将取代一切?
描述:Sam Altman 在 Lex Fridman 播客中谈到 AGI 的时间表——他认为大多数人严重低估了 AI 的发展速度,未来三年将改变一切。
6e. Chinesische Untertitel + Titel in Video einbrennen
python3 -m corekit.render_hardsubs \
"studio/<slug>/exports/<clip-folder>/clip.mp4" \
"studio/<slug>/exports/<clip-folder>/clip.zh.srt" \
"studio/<slug>/exports/<clip-folder>/clip.hardsub.mp4" \
--title "<the-title-from-6d>"
KRITISCH: Übergib die chinesische clip.zh.srt-Datei, NICHT clip.src.srt. Dies ist der häufigste Agentenfehler — die Übergabe des quellsprachlichen Untertitels anstelle der Übersetzung.
Der Brennvorgang wird:
- libass automatisch erkennen; falls nicht verfügbar, auf drawtext-Rendering zurückfallen (keine Aktion von dir erforderlich)
- Den besten H.264-Encoder für den aktuellen Rechner automatisch auswählen
- Den Titel in der ersten Sekunde zentriert in Schriftgröße 48 mit 3px schwarzem Umriss rendern
- Untertitel-Cues für den Rest des Clips am unteren Bildrand rendern
Überprüfe, ob die Ausgabe clip.hardsub.mp4 existiert und eine größere Dateigröße als clip.mp4 hat (die Filterkette fügt visuelle Daten hinzu).
6f. An Verpackungskopie anhängen
Nachdem jeder Clip exportiert wurde, hänge seinen Titel und seine Beschreibung an die kombinierte Verpackungsdatei an:
studio/<slug>/intel/packaging-copy.md
Format:
## clip-01: AI终将取代一切?
**标题**: AI终将取代一切?
**描述**: Sam Altman 在 Lex Fridman 播客中谈到 AGI 的时间表...
**文件**: studio/<slug>/exports/01-ai-will-replace/clip.hardsub.mp4
**时长**: 1m 19s
---
7. Endgültige Ausgabe
Nachdem alle Clips exportiert wurden, kehre zum Benutzer zurück:
- Quell-Asset-Ordner:
studio/<slug>/intake/ - Kandidatenliste: die vollständige Tabelle aus Schritt 5 (Zeitstempel, Dauer, Titel, Zusammenfassung)
- Verpackungsdatei:
studio/<slug>/intel/packaging-copy.md - Exportierte Clips: liste jeden
clip.hardsub.mp4-Pfad auf
Referenz zur Arbeitsbereichsstruktur
studio/<video-slug>/
├── intake/ # Roh-Assets von YouTube
│ ├── <title> [<id>].mp4 # Quellvideo (Dateiname von yt-dlp)
│ └── <title> [<id>].<lang>.srt # Quell-Untertitel
├── intel/ # Analyse-Artefakte
│ ├── transcript.json # Strukturierte Untertitel-Cues (aus Schritt 3)
│ ├── selected_clips.json # Clip-Entscheidungen (aus Schritt 4)
│ ├── candidate-board.md # Überprüfungstabelle (aus Schritt 4)
│ └── packaging-copy.md # Alle Titel + Beschreibungen (aus Schritt 6f)
└── exports/ # Ein Ordner pro exportiertem Clip
└── 01-<slug>/
├── clip.mp4 # Rohschnitt (keine Untertitel)
├── clip.src.srt # Gefensterter quellsprachlicher Untertitel
├── clip.zh.srt # Übersetzter chinesischer Untertitel
├── clip.hardsub.mp4 # Endgültiges Lieferobjekt (eingebrannte Untertitel + Titel)
└── metadata.txt # Titel + Beschreibung für diesen Clip
Modulreferenz
| Modul | Aufruf | Argumente |
|---|---|---|
corekit.fetch_source | python3 -m corekit.fetch_source <url> <output_dir> | YouTube-URL, Ausgabeverzeichnis |
corekit.subtitle_to_json | python3 -m corekit.subtitle_to_json <input.srt> <output.json> | SRT-Dateipfad, JSON-Ausgabepfad |
corekit.cut_video | python3 -m corekit.cut_video <input.mp4> <start_sec> <end_sec> <output.mp4> | Quellvideo, Startsekunden (float), Endsekunden (float), Ausgabepfad |
corekit.window_subtitles | python3 -m corekit.window_subtitles <input.srt> <start_sec> <end_sec> <output.srt> | Quell-SRT, Startsekunden (float), Endsekunden (float), Ausgabepfad |
corekit.render_hardsubs | python3 -m corekit.render_hardsubs <input.mp4> <input.srt> <output.mp4> --title "..." | Clip-Video, chinesische SRT, Ausgabepfad, optionaler Titeltext |