jjietay/kaleidoscope

解说视频

你制作的视频能够帮助用户学习一个概念。你相比普通工具有一个巨大优势：你了解当前对话和项目。善用这些信息。

引擎位于 ~/.claude/skills/kaleidoscope/engine/。在此文件中，make 命令意味着：

node ~/.claude/skills/kaleidoscope/engine/make.mjs <command> <project-dir>

步骤 0：先询问（每次技能启动时）

无论用户是输入 /kaleidoscope 还是用文字请求视频，你的第一件事是通过 AskUserQuestion 询问以下问题，并提供可点击选项。如果用户的消息或当前对话已经回答了某个问题，则跳过该问题（例如，“像新闻片那样”回答了风格问题，“带低保真音乐”回答了音乐问题）。将推荐选项放在第一位并标记为“（推荐）”。在单个调用中询问所有四个问题（该工具最多接受 4 个）。如果主题本身不明确且没有跳过任何问题，则在单独的调用中先询问主题。

问题	标题	选项（第一个为默认）
视频应该使用哪种风格？	风格	黏土 3D：统一的柔和黏土风格，由无声吉祥物完成所有动作 · 经典 2D，混合：每个部分使用不同的 2D 风格 · 经典 2D，统一风格：用户指定（新闻片、白板等）
视频面向谁，时长多少？	观众	考试复习，标准版：使用课程中的符号、数值示例、考试陷阱，5 至 6 分钟 · 考试复习，深度版：同上，8 至 9 分钟，包含推导的每一步 · 初学者，短片：先讲直觉，减少符号，2 至 4 分钟 · （其他：用户指定观众和时长，例如“专家复习，短片”）
什么时候向你确认？	检查点	一次性生成：直接返回完成的视频 · 分镜后：展示计划并等待批准 · 第一帧后：展示初帧并等待
哪种音乐？	音乐	宁静（current）：柔和的垫音，无节拍 · 低保真（lofi）：轻快节拍，更有活力 · 无

当对话暗示某个推荐选项时，将其放在第一位（例如下周有考试：考试复习，深度版）。如果消息只回答了观众问题的一半（例如“为了我的考试”），则保留该问题，仅提供与那一半匹配的选项。观众包括：考试复习、初学者和专家复习（快节奏、高密度）；时长包括：短片（2 至 4 分钟）、标准版（5 至 6 分钟）和深度版（8 至 9 分钟）。将答案写入第 4 步的 video.json 中："_look"（clay 或 classic）、"_brief": { "viewer": ..., "length": ..., "checkpoint": ..., "style": ... } 和 "_render": { "music": "current" | "lofi" | false }。后续每一步以及重建都会读取这些值，不会重复提问。如果用户拒绝回答这些问题，则使用每个问题的第一个选项。

一次性生成，除非用户选择了检查点

步骤 0 之后，不间断地执行以下所有步骤，仅返回完成并检查过的视频。不要询问“我可以继续吗？”，不要展示草稿，不要在步骤之间等待。以下所有检查都由你自己运行并处理。唯一的暂停点是用户选择的检查点：“分镜后”在第 7 步后暂停（展示分镜和脚本智能体的评定结果，然后等待），“第一帧后”在第 9 步的第一次 make look 处暂停（展示其图像，然后等待）。

用户想要的风格（在第 6 步前阅读）

黏土用于动作场景，Manim 用于图表，视频中始终包含吉祥物。 阅读 styles/clay.md。用户选择了黏土风格，取代之前的混合风格，以确保各视频之间的一致性。2D 风格是可选的经典风格；请参见下文。

• 不要强行将图表放入黏土场景（用户要求如此）。 当 2D Manim 画面比黏土更能帮助观众理解时（例如曲线、分布、等高线、投影或平面上的其他几何图形），将该部分设为 Manim 部分，使用 Manim 的深色背景（styles/math-manim.md）。永远不要构建一个复制数学曲线的黏土模型：用户曾要求删除这些模型。执行动作的对象和吉祥物的物理动作，仍使用黏土。视频可以从黏土部分切换到 Manim 部分再切换回来，同一对象保持相同颜色。

• 一种风格，多个部分。 视频被拆分为大约 15 到 40 秒的部分（钩子、每个想法、你的案例、结尾）。每个部分都有自己独立的纯色背景、摄影机和布景。相邻的两个部分从不共享背景。

• 吉祥物负责动手。 他是无声的，没有口型同步，叙述者是画外音。他行走、拉、推、搬运和用自己的手关闭设备，因此脚本中的每个动作都是观众看到他执行的动作。这是用户在一段视频中吉祥物只是站着观看后提出的要求。他默认保持面无表情，make check 会在他停留在一个位置时发出警告。

• 物体必须连接。 弹簧要触及其墙壁，图钉要接触其地图，手要握住它拿的东西。用户曾发现一个弹簧在各项检查都通过后却未接触墙壁。make bake 测量 models.js 中的每个连接点（JOINS），因此新的连接点要添加到那里，并在静帧中检查接触。

• 仅使用我们自己的模型。 使用 styles/library/clay 中的工具包。永远不要下载模型。如果视频需要新物体，以相同风格将其添加到工具包中。

• 每个部分是一个连续镜头。 部分内部没有剪辑和新的幻灯片：物体随着语音到达、移动和连接，摄影机缓慢移动。部分结束于下一个部分开始的状态，或者在下一个部分的背景中消失。

• 画面解释，文字仅用于命名。 文字保持平面和清晰，通过 HTML 覆盖在 3D 场景上。每帧包含：起头语（小型大写字母，包括部分和来源）、最多 8 个字的标题、几个 1 到 4 个字的标签（带细引线），以及底部最多一行说明文字。永远不要出现一列句子、子弹列表、颜色含义图例。 屏幕上最多约 15 个字。

• 公式演绎语音（用户要求如此）。 静止的公式不比读笔记更好。使用 eqn() 逐个构建公式：术语随着语音逐个出现，当语音移动时移动，当提到“消去”时闪烁或爆裂，仅在提到重要内容时弹跳。make look 会对静止的公式以及“消去”句子但屏幕上没有消去动画的情况给出错误。参见 styles/clay.md。

• 物理运动。 物体像真实对象一样运动：手臂伸展、球落下弹跳、积木下落并停稳、脉冲传播。没有静态盒子的堆积。

• 同一对象在所有视频中保持相同颜色（机器人始终为橙色，地图始终为黄色）。

如果分镜违反了以上规则，在编写代码前修改分镜。

硬性规则

• 在此处，即主对话中，进行思考。 你自己编写脚本、分镜和场景，因为上下文就在这里。切勿将这些步骤交给子智能体：子智能体开始时没有上下文。第 7 步中的脚本智能体是唯一例外，它特意以无上下文状态启动。
• 切勿仓促对待核心解释。 用户通过这些视频学习。遵循 reference/script.md 中的节奏规则，并修复所有节奏警告。
• 切勿编造事实。 每个数字、公式和主张都来自你验证过的来源：用户的代码、数据手册、规格书、论文、文档。将它们列在 storyboard.md 中。报告你无法验证的任何内容。
• “你的案例”是可选的。 仅当当前对话或项目中确实有匹配的示例时才添加（例如用户遇到的错误、修复、测量到的数字）。切勿凭空捏造。
• 无重叠。 任何视觉元素都不能覆盖另一个：文字叠文字、文字叠图形、或一个图形隐藏另一个图形。每个标签、公式、箭头和对象都有自己的空间。check 会在文字重叠时发出警告，review 会将每个测量到的重叠写入 overlaps.md。拥挤程度由用户判断，因此请在全尺寸的帧中检查。ID 检查也有帮助：make look 会添加一张显示最小间隙的图像，并在文字与其他元素距离小于 12 像素、文字叠在图形上、文字对比度低以及模型被其他元素遮挡时发出警告。在 make final 之前修复所有重叠。
• 字幕每行不超过一行。 每个字幕提示最多 42 个字符，且不能同时显示两个提示，因此播放器永远不会显示两行。引擎会自动处理；verify 会报告违反规则的提示。不要通过修改 make.mjs 中的 SUB_MAX 来强制适应某个提示。
• 闭包循环（用户要求如此，引擎强制执行）。 每次编辑后：make look，阅读它列出的所有图像，修复你所看到的，然后再次查看。只有这样才能构建。切勿盲目编辑和构建，因为构建耗时较长，而查看只需要几秒钟。每张图像的右上角有一个检查数字，只有当所有图像的数字按顺序匹配时，门才会打开：
  1. 编辑。如果你更改了 script.md，运行 make voice。如果视频包含 Manim 部分并且你更改了 manim_scenes.py 或语音，运行 make manim：make look 绘制 Manim 帧，但不会生成它们。
  2. make look <dir>：它会测量每个场景的每一帧，并绘制其临近帧和运动部分。全部阅读。然后运行 make look <dir> --ok <digits>。若无此操作，make build 会停止执行。
  3. make build <dir>。遇到任何碰撞时会停止。
  4. 阅读 build/review/moving.md 中的每个片段。然后运行 make look <dir> --moving-ok <digits>。
  5. make final <dir>。如果源文件在查看或构建之后发生变化，或者存在未解决的碰撞或重叠，则停止。 将每一步作为独立命令运行，在第一次失败时停止，并确认编辑已应用。
• 每个读者都检查临近帧和运动部分。 任何判断视频的智能体或会话都读取每个编辑部分的临近帧，以及每个移动对象的所有帧：吉祥物和物体，在其整个运动过程中。视频的抽样帧不计数：手掌可能在抽样帧之间穿过桌面。
• 新缺陷需添加防护措施。 当用户发现缺陷时，首先将其添加到 reference/faults.md 和 engine/test/selftest.mjs 中，并确认测试在该缺陷上失败。然后修复视频。不要只修复视频。每次修改检查后运行 make selftest。

用户要求的内容（保留这些）

每个项目都是用户要求或通过试听选择的。引擎会自动完成大部分工作。

主题	内容	自动完成？
语音	Chatterbox 的内置语音，通过 engine/tts/slow-reference.wav 减慢到约 160 词/分钟；每个段落一口气读完以保持语调	是
停顿	句号精确停顿 0.6 秒，逗号最多 0.3 秒，根据脚本的标点设置	是；若无法设置停顿则 voice 发出警告
不好的录音	词句与脚本不同的部分（Whisper 检查）使用新种子重录，最多重试 3 次；保留最佳录音	是；若仍有误则发出警告
快速片段	短语速度超过视频常规节奏 1.3 倍（符号词计数加倍）则重录；用户发现“lambda v is v, scaled by lambda”过快	是；警告“fast”：为其单独设短句并加 [pause]
负数	读作“negative”，切勿读作“minus”	voice 出错并停止
重复词	“one one”需加逗号成“one, one”，否则语音会出错	是
写作	连贯段落；仅当想法结束或动画播放时使用 [pause]。已拒绝：每句后停顿、断句、快语速、拉伸（模糊）语音、Kokoro	你负责，参见 reference/script.md
音乐	可听、稳定，约比语音低 13 dB（musicVolume 0.37；用户从 0.26 提高了 3 dB），轻柔闪避；两个已批准曲目，current（默认）和 lofi。已拒绝：强弱起伏、音乐过轻听不到、4 首其他曲目	是；你选择曲目，参见 SOUND.md
音效	使用 engine/sfx.mjs 中的工具包，经过试听确认；飞入嗖嗖声比其他音效低 4 dB（用户觉得有点响）。新视频启用（_render.sfx: true），旧视频禁用	你在提示音处添加 s.sfx；引擎混合
音频	48 kHz 立体声	是；verify 检查
字幕	软字幕，从不烧录；用户的 mpv 以较小字体显示（sub-scale=0.7）	是
单行字幕	每个提示一行，最多 42 个字符，不能同时显示两个提示。用户在 ROS 2 系列的第 1 个视频中看到两行	是；verify 报告违反规则的提示
无重叠	任何文字或图形都不覆盖另一个	check 警告文字重叠，overlaps.md 和你的帧检查清单处理其余部分
风格	统一的 3D 黏土风格，带无声吉祥物，以及我们自己的模型；曲线和图表使用 Manim 深色背景（用户要求：不要强行将图表放入黏土）。已拒绝：下载的模型、全深色视频、文字列、颜色图例、堆积幻灯片	make check 对既非黏土也非 Manim 的场景或没有吉祥物的视频报错；其余内容由你负责，参见“用户想要的风格”
数学	五个公式步骤（需要、图片、公式、含义、验证）。曲线、图表或逐步变化的公式使用 Manim：manim() 用于 2D，或 manim({ threeD: true }) 用于 3D 图片，不使用手绘画布	make check 对孤立公式发出警告；其余内容由你负责，参见 reference/script.md 和 styles/math-manim.md
测验	分镜中不含任何测验	你负责
观看	mpv <dir>/out/<slug>.mp4	放入报告

机器设置

在第 1 步前运行 make config。它会打印本机的设置，由安装程序或 /setup-kaleidoscope 写入。

voice 行指定语音：Chatterbox（自然，在 NVIDIA GPU 或 Apple Silicon 上效果最佳）或 Kokoro（小型快速，在 CPU 上运行，约 150 词/分钟）。项目可以在 video.json 中选择自己的语音："_tts": {"engine": "kokoro"}。在没有 GPU 的情况下，Chrome 使用 SwiftShader 渲染帧，ffmpeg 使用 libx264 编码。

…

[以下内容已截断，无法完整翻译]